DIAGNOSIS PENYAKIT DEMAM BERDARAH

DENGUE MENGGUNAKAN
VOTING FEATURE INTERVALS 5

Oleh :
Aristi Imka Apniasari
G64103027

Pembimbing :
Aziz Kustiyo, S.Si, M.Kom
Irman Hermadi S.Kom, MS
Outline
 Pendahuluan
 Tinjauan Pustaka
 Metode Penelitian
 Hasil dan Pembahasan
 Kesimpulan dan Saran
 Daftar Pustaka
Latar Belakang
 Tingkat kematian akibat penyakit Demam
Berdarah Dengue (DBD) relatif masih tinggi.
 Salah satu penyebab tingginya tingkat kematian
tersebut adalah keterlambatan diagnosis.
Penyakit DBD juga sering salah didiagnosis
dengan penyakit lain seperti flu atau tipus.
 Semakin cepat diagnosis dapat dilakukan,
semakin cepat pula pertolongan bisa diberikan
Latar Belakang (cont..)
 VFI5 digunakan oleh HA Güvenir, G Demiröz
dan N Ilter (1998) dalam memprediksi penyakit
erythemato-squamous dengan akurasi 96,2%.
 Selain itu juga digunakan oleh Iqbal (2007)
dalam mengklasifikasi pasien Suspect Parvo
dan Distemper. Akurasi yang dihasilkan adalah
90%.
Tujuan
Tujuan dari penelitian ini adalah untuk
menerapkan algoritma klasifikasi VFI5
dalam diagnosa penyakit DBD.
Ruang Lingkup
 Data yang digunakan adalah data sekunder
penyakit DBD pada penelitian M.Syafii (2006).
 Bobot (weight) setiap feature pada data
diasumsikan sama.
Manfaat
Penelitian ini diharapkan dapat membantu
semua pihak dalam deteksi dini penyakit
DBD menggunakan algoritma klasifikasi
VFI5.

Back
Tinjauan Pustaka

 Demam Berdarah Dengue (DBD)

 Validasi data
 k-Fold Cross Validation
 Voting Feature Intervals (VFI5)
Demam Berdarah Dengue
 Penyakit Demam Berdarah Dengue atau Dengue
Hemorrhagic Fever (DHF) ialah penyakit yang
disebabkan oleh virus dengue yang ditularkan melalui
gigitan nyamuk Aedes aegypti dan Aedes albopictus
(Kristina dkk, 2004).
 Kriteria klinis untuk diagnosa DBD antara lain (Kristina
dkk, 2004) :
a Demam tinggi mendadak dan terus menerus selama 2-
7 hari (38 °C- 40 °C).
b Manifestasi pendarahan.
c Hepatomegali (pembesaran hati).
Demam Berdarah Dengue (cont..)
d Shock yang ditandai dengan nadi lemah, cepat,
tekanan nadi menurun menjadi 20 mmHg atau kurang
dan tekanan sistolik sampai 80 mmHg atau lebih
rendah.
e Trombositopenia, pada hari ke 3-7 ditemukan
penurunan trombosit sampai 100.000/mm3.
f Hemokonsentrasi, meningkatnya nilai hematokrit.
g Gejala-gejala klinis lainnya yang dapat menyertai :
anoreksia (hilangnya nafsu makan), lemah, mual,
muntah, sakit perut, diare, kejang dan sakit kepala.
h Rasa sakit pada otot dan persendian.
Demam Berdarah Dengue (cont..)
 Secara alamiah penyakit DBD mengalami perjalanan
empat tahap yaitu (Sutaryo 2004 diacu dalam Syafii
2006) :
1 masa inkubasi selama 5-9 hari.
2 masa akut selama 1-3 hari.
3 masa kritis selama 1-3 hari
4 masa penyembuhan selama 1-2 hari
 Penyakit DBD sering terjadi di daerah tropis dan muncul
pada musim penghujan (Kristina dkk, 2004).
Validasi Data
Validasi adalah meneliti kebenaran data dalam
kondisi khusus. Dalam hal ini kondisi khusus
tersebut adalah aturan (rule base) yang
diperoleh dari pakar. Validasi dilakukan dengan
cara meneliti konsistensi data terhadap aturan
tersebut (Syafii 2006).
k-Fold Cross Validation
 Dalam k-fold cross validation, data dibagi secara
acak menjadi k himpunan bagian yang
ukurannya hampir sama satu sama lain.
 Himpunan bagian yang dihasilkan yaitu
S1,S2,...,Sk digunakan sebagai pelatihan dan
pengujian yang masing-masing diulang
sebanyak k kali.
 Pada iterasi ke-i, subset Si diperlakukan
sebagai data pengujian, dan subset lainnya
diperlakukan sebagai data pelatihan.
Voting Feature Intervals (VFI5)

 Algoritma klasifikasi Voting Feature Intervals

(VFI5) merepresentasikan deskripsi sebuah
konsep oleh sekumpulan interval nilai-nilai
feature atau atribut.
 Termasuk algoritma supervised, karena memiliki
target yaitu kelas-kelas data dari kasus yang
ada.
Voting Feature Intervals (cont..)
VFI5 dikembangkan menjadi dua tahap :
1 Pelatihan
- menemukan nilai end point setiap feature f
pada setiap kelas data c
- mengurutkan nilai-nilai end point tersebut
sehingga membentuk interval untuk setiap
feature f.
- menghitung jumlah instance pelatihan setiap
kelas c dengan feature f yang nilainya jatuh
pada interval i
- dilakukan normalisasi
 Voting Feature Intervals (cont..)
2 Prediksi (klasifikasi)
- Untuk setiap feature f, dicari interval i dimana
nilai ef jatuh, dengan ef merupakan nilai
feature f dari instance tes e.
- Memberi nilai vote untuk setiap feature pada
masing-masing kelas kemudian dijumlahkan.
- Kelas dengan jumlah vote terbesar diprediksi
sebagai kelas dari instance tes e.

Back
Metode Penelitian
Data

Seleksi data

Data latih

Pelatihan

Model VFI5

Klasifikasi Data uji

Akurasi
Data
 Data yang digunakan adalah data sekunder
penyakit DBD pada penelitian Syafii (2006).
Sampel terdiri dari data pasien yang menderita
penyakit DBD dan Demam Dengue (DD).
 Catatan medis yang dijadikan sampel adalah
yang mencatat 4 kriteria klinis yaitu : demam,
bercak-bercak, tanda pendarahan spontan dan
hasil uji tornikuet.
 Dari 205 catatan medis yang ditemukan, yang
memenuhi persyaratan hanya 64, yang terdiri
dari 32 kasus DBD dan 32 kasus DD.
Seleksi Data
 Pada penelitian ini akan dilakukan seleksi
terhadap keseluruhan data baik sebelum
maupun setelah validasi. Seleksi ini dilakukan
untuk menentukan data mana yang digunakan
sebagai data latih dan data uji.
Data Latih dan Data Uji
 Seluruh data yang digunakan dibagi
menjadi beberapa subset dengan ukuran
contoh yang hampir sama.
 Setiap subset dibagi-bagi lagi menjadi tiga
sub-subset dengan metode 3-fold cross
validation.
 Subset-subset tersebut akan digunakan
sebagai data pelatihan (training) dan data
pengujian (testing).
VFI5
 Pada penelitian ini digunakan algoritma
klasifikasi VFI5 dengan bobot setiap feature
diasumsikan sama, yaitu satu.
 Pelatihan
Pada tahap ini akan ditentukan nilai end point
untuk setiap feature. Selanjutnya akan dibentuk
interval-interval dari setiap feature yang ada.
Setelah semua interval terbentuk, langkah
selanjutnya adalah menghitung jumlah instance
setiap kelas yang berada pada setiap interval
tersebut dan dilakukan normalisasi.
VFI5 (cont..)
 Klasifikasi
Setiap nilai feature dari suatu instance baru
diperiksa letak interval nilai feature tersebut.
Vote-vote setiap kelas untuk setiap feature pada
setiap interval yang bersesuaian diambil dan
kemudian dijumlahkan. Kelas dengan nilai total
vote tertinggi akan menjadi kelas prediksi
instance baru tersebut.
Analisis
 Pada tahapan ini dilakukan proses
penghitungan tingkat akurasi. Tingkat akurasi
diperoleh dengan perhitungan :
 data uji benar diklasifik asi
tingkat akurasi 
 total data uji

 Dilakukan pengamatan terhadap hasil diagnosa

penyakit DBD dengan menggunakan VFI5.
Hasil diagnosa diperoleh dari kelas dengan
jumlah vote terbesar.
Spesifikasi Aplikasi
 Hardware :
1 Prosesor Intel Pentium 4
2 Memori 512 MB
3 Harddisk 80 GB
4 Monitor 15”
5 Alat input mouse dan keyboard
 Software :
1 Sistem Operasi : Microsoft Windows XP
2 Microsoft Visual Basic 6.0

Back
Hasil dan Pembahasan
 Terdapat 4 gejala klinis objektif yang kemudian
menjadi fitur pada VFI5
 Selanjutnya akan dilakukan validasi data.
Semua data yang nilainya dianggap tidak
konsisten dengan kelasnya akan dihilangkan.
 Sebaran data sebelum dan sesudah validasi :
Kasus Sebelum validasi Setelah validasi
DBD 32 23
Bukan DBD 32 19
Jumlah 64 42

 Keseluruhan data baik sebelum maupun

setelah validasi terlebih dahulu dibagi secara
acak menjadi 3 himpunan bagian (subset) yang
akan digunakan dalam 3-fold cross validation.
 Akan dilakukan 3 tahap pengujian.
- Tahap pertama : pengujian untuk data sebelum
validasi
- Tahap kedua : pengujian untuk data setelah
validasi tanpa persebaran
- Tahap ketiga : pengujian untuk data setelah
validasi dengan persebaran
Tahap Pertama
 Data sebanyak 64 instance dibagi menjadi 3 himpunan
bagian.

 Susunan data yang digunakan sebagai data pelatihan

dan data pengujian pada setiap iterasi :
Tahap Pertama (cont..)
 Iterasi pertama
 S1 : data pengujian
 S2&S3 : data pelatihan
 Proses pelatihan menghasilkan selang-selang fitur.

 Akurasi yang dihasilkan 66,67% (dari 21 instance terdapat 7

instance yang diklasifikasi salah)
Tahap Pertama (cont..)
 Iterasi kedua
 S2 : data pengujian
 S1&S3 : data pelatihan
 Proses pelatihan menghasilkan selang-selang fitur.
 Akurasi yang dihasilkan 66,67% (dari 21 instance terdapat
7 instance yang diklasifikasi salah)
 Iterasi ketiga
 S3 : data pengujian
 S1&S2 : data pelatihan
 Proses pelatihan menghasilkan selang-selang fitur.
 Akurasi yang dihasilkan 63,64% (dari 22 instance terdapat
8 instance yang diklasifikasi salah)
Tahap Pertama (cont..)
 Hasil pengujian tahap pertama

Iterasi Akurasi
Pertama 66,67%
Kedua 66,67%
Ketiga 63,64%
Rata-rata 65,66%
Tahap Kedua
 Data sebanyak 42 instance dibagi menjadi 3 himpunan
bagian.

 Susunan data yang digunakan sebagai data pelatihan

dan data pengujian pada setiap iterasi :
Tahap Kedua (cont..)
 Iterasi pertama
 S1 : data pengujian
 S2&S3 : data pelatihan
 Proses pelatihan menghasilkan selang-selang fitur.

 Akurasi yang dihasilkan 100%

Tahap Kedua (cont..)
 Iterasi kedua
 S2 : data pengujian
 S1&S3 : data pelatihan
 Proses pelatihan menghasilkan selang-selang fitur.
 Akurasi yang dihasilkan 78,57% (dari 14 instance terdapat 3
instance yang diklasifikasi salah)
 Hasil pengujian algoritma VFI5 untuk 3 instance yang salah
diklasifikasi :
Tahap Kedua (cont..)
 Ketiga instance tersebut diklasifikasi ke dalam kelas bukan DBD,
sedangkan kelas sebenarnya adalah kelas DBD.
 Nilai normalisasi ketiga instance mendekati 0,5. Ini berarti ketiga
instance tersebut mempunyai peluang yang hampir sama untuk
menjadi kelas DBD maupun kelas bukan DBD.

 Iterasi ketiga
 S3 : data pengujian
 S1&S2 : data pelatihan
 Proses pelatihan menghasilkan selang-selang fitur.
 Akurasi yang dihasilkan 100%
Tahap Kedua (cont..)
 Hasil pengujian tahap kedua

Iterasi Akurasi
Pertama 100%
Kedua 78,57%
Ketiga 100%
Rata-rata 92,86%
Tahap Ketiga
 Pembagian data menjadi 3 himpunan bagian dan
susunan data yang digunakan sebagai data pelatihan
dan data pengujian sama seperti pada tahap kedua.
 Dari hasil pengujian tahap kedua, ditemukan 3 instance
yang salah diklasifikasi dimana ketiga instance tersebut
berada pada satu data pengujian yang sama.
 Pada tahap ini, ketiga instance tersebut akan disebar
pada 3 data pengujian yang berbeda. Sehingga masing-
masing data perngujian mengandung satu instance yang
salah diklasifikasi.
Tahap Ketiga (cont..)
 Iterasi pertama
 S1 : data pengujian
 S2&S3 : data pelatihan
 Proses pelatihan menghasilkan selang-selang fitur.

 Akurasi yang dihasilkan 92,86% (dari 14 instance terdapat 1

instance yang diklasifikasi salah)
Tahap Ketiga (cont..)
 Hasil pengujian instance yang salah diklasifikasi

 Instance yang salah diklasifikasi tersebut termasuk ke dalam

kelas bukan DBD, sedangkan kelas sebenarnya adalah kelas
DBD.
 Nilai normalisasi instance tersebut mendekati 0.5 untuk setiap
kelasnya. Ini berarti instance tersebut mempunyai peluang yang
hampir sama untuk menjadi kelas DBD maupun kelas bukan
DBD.
Tahap Ketiga (cont..)
 Iterasi kedua
 S2 : data pengujian
 S1&S3 : data pelatihan
 Proses pelatihan menghasilkan selang-selang fitur.
 Akurasi yang dihasilkan 100%

 Iterasi ketiga
 S3 : data pengujian
 S1&S2 : data pelatihan
 Proses pelatihan menghasilkan selang-selang fitur.
 Akurasi yang dihasilkan 100%
Tahap Ketiga (cont..)
 Hasil pengujian tahap ketiga
Iterasi Akurasi
Pertama 92,86%
Kedua 100%
Ketiga 100%
Rata-rata 97,62%
 Tiga instance yang salah diklasifikasi pada tahap kedua
tidak semuanya diklasifikasi salah pada pengujian tahap
ketiga.

Back
Kesimpulan dan Saran
 Kesimpulan
 Algoritma Voting Feature Intervals (VFI5) pada penelitian ini
dapat digunakan secara selektif untuk memprediksi penyakit
Demam Berdarah Dengue (DBD).
 Pada pengujian tahap pertama, rata-rata akurasi yang dihasilkan
adalah 65,66%, dimana terdapat 22 instance yang kelas
prediksinya tidak sesuai dengan kelas sebenarnya.
 Pada pengujian tahap kedua ditemukan 3 instance yang kelas
prediksinya tidak sesuai dengan kelas sebenarnya dengan rata-
rata akurasi 92,86%.
 Pada pengujian tahap ketiga hanya terdapat 1 instance yang
kelas prediksinya tidak sesuai dengan kelas sebenarnya dengan
rata-rata akurasi 97,62%.
 Saran
 Pada penelitian selanjutnya dapat digunakan bobot yang
berbeda untuk setiap fiturnya.
 Data yang akan digunakan diharapkan memiliki jumlah record
yang lebih banyak. Disarankan juga adanya pengembangan
jumlah kriteria klinis termasuk tanda subjektif seperti sakit
kepala, nyeri perut, mual dan sebagainya.

Back
Daftar Pustaka
 Demiröz G, Güvenir HA. 1997. Classification by Voting Feature Intervals.
http://www.cs.ucf.edu/~ecl/papers/demiros97classification.pdf.
 Güvenir HA, Demiröz G, Ilter N. 1998. Learning Differential Diagnosis of
Erythemato-Squamous Diseases using Voting Feature Intevals. Artificial
Intelligence in Medicine, 13(3), 147-165.
 Ibrahim F, Taib MN, Abas WABW, Guan CC, Sulaiman S. 2005. A Novel
Dengue Fever (DF) and Dengue Haemorrhagic Fever (DHF) Analysis Using
Artificial Neural Network (ANN).
http://www.intl.elsevierhealt.com/journals/cmpb.
 Iqbal M. 2007. Klasifikasi Pasien Suspect Parvo dan Distemper pada Data
Rekam Medik Rumah Sakit Hewan IPB Menggunakan Voting Feature
Intevals [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
 Kristina, Isminah, Wulandari L. 2004. Demam Berdarah Dengue. http://
www.litbang.depkes.go.id/maskes/052004/demamberdarah1.htm.
 Sarle W. 2004. What are cross-validation and
bootstrapping?.http://www.faqs.org/faqs/ai-faq/neuralnets/part3/section-
12.html.
 Syafii M. 2006. Adaptive Neuro Fuzzy Inference System (ANFIS) untuk
Diagnosa dan Tatalaksana Penyakit Demam Berdarah Dengue [tesis].
Bogor: Sekolah Pascasarjana, Intitut Pertanian Bogor.
Terima Kasih