G07aia.ppt

7/22/2019 G07aia.ppt

1/45

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

7/22/2019 G07aia.ppt

2/45

Outline

Pendahuluan

Tinjauan Pustaka

Metode Penelitian

Hasil dan Pembahasan

Kesimpulan dan Saran

Daftar Pustaka

7/22/2019 G07aia.ppt

3/45

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

7/22/2019 G07aia.ppt

4/45

Latar Belakang (cont..)

VFI5 digunakan oleh HA Gvenir, G Demirz

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%.

7/22/2019 G07aia.ppt

5/45

Tujuan

Tujuan dari penelitian ini adalah untuk

menerapkan algoritma klasifikasi VFI5

dalam diagnosa penyakit DBD.

7/22/2019 G07aia.ppt

6/45

Ruang Lingkup

Data yang digunakan adalah data sekunder

penyakit DBD pada penelitian M.Syafii (2006).

Bobot (weight) setiap feature pada data

diasumsikan sama.

7/22/2019 G07aia.ppt

7/45

Manfaat

Penelitian ini diharapkan dapat membantusemua pihak dalam deteksi dini penyakitDBD menggunakan algoritma klasifikasi

VFI5.

Back

7/22/2019 G07aia.ppt

8/45

Tinjauan Pustaka

Demam Berdarah Dengue (DBD)

Validasi data

k-Fold Cross Validation

Voting Feature Intervals (VFI5)

7/22/2019 G07aia.ppt

9/45

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).

7/22/2019 G07aia.ppt

10/45

Demam Berdarah Dengue (cont..)

d Shockyang 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.

7/22/2019 G07aia.ppt

11/45

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).

7/22/2019 G07aia.ppt

12/45

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 dengancara meneliti konsistensi data terhadap aturan

tersebut (Syafii 2006).

7/22/2019 G07aia.ppt

13/45

k-Fold Cross Val idat ion

Dalam k-fold cross validation, data dibagi secara

acak menjadi k himpunan bagian yang

ukurannya hampir sama satu sama lain.

Himpunan bagian yang dihasilkan yaituS1,S2,...,Sk digunakan sebagai pelatihan dan

pengujian yang masing-masing diulang

sebanyak kkali.

Pada iterasi ke-i, subset Si diperlakukan

sebagai data pengujian, dan subset lainnya

diperlakukan sebagai data pelatihan.

7/22/2019 G07aia.ppt

14/45

Vot ing Featu re In tervals(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.

7/22/2019 G07aia.ppt

15/45

Vot ing Featu re In tervals(cont..)

VFI5 dikembangkan menjadi dua tahap :

1 Pelatihan

- menemukan nilai end pointsetiap feature f

pada setiap kelas data c- mengurutkan nilai-nilai end pointtersebutsehingga membentuk interval untuk setiapfeature f.

- menghitung jumlah instance pelatihan setiapkelas c dengan feature f yang nilainya jatuhpada interval i

- dilakukan normalisasi

7/22/2019 G07aia.ppt

16/45

Vot ing Feature In tervals(cont..)

2 Prediksi (klasifikasi)

- Untuk setiap feature f, dicari interval i dimana

nilai efjatuh, dengan efmerupakan nilai

feature f dari instance tes e.- Memberi nilai vote untuk setiap feature pada

masing-masing kelas kemudian dijumlahkan.

- Kelas dengan jumlah vote terbesar diprediksisebagai kelas dari instance tes e.

Back

7/22/2019 G07aia.ppt

17/45

Metode Penelitian

Data

Seleksi data

Data ujiKlasifikasi

Pelatihan

Akurasi

Data latih

Model VFI5

7/22/2019 G07aia.ppt

18/45

Data

Data yang digunakan adalah data sekunderpenyakit DBD pada penelitian Syafii (2006).Sampel terdiri dari data pasien yang menderitapenyakit DBD dan Demam Dengue (DD).

Catatan medis yang dijadikan sampel adalahyang mencatat 4 kriteria klinis yaitu : demam,bercak-bercak, tanda pendarahan spontan danhasil uji tornikuet.

Dari 205 catatan medis yang ditemukan, yangmemenuhi persyaratan hanya 64, yang terdiridari 32 kasus DBD dan 32 kasus DD.

7/22/2019 G07aia.ppt

19/45

Seleksi Data

Pada penelitian ini akan dilakukan seleksi

terhadap keseluruhan data baik sebelum

maupun setelah validasi. Seleksi ini dilakukan

untuk menentukan data mana yang digunakansebagai data latih dan data uji.

7/22/2019 G07aia.ppt

20/45

Data Latih dan Data Uji

Seluruh data yang digunakan dibagimenjadi beberapa subset dengan ukurancontoh yang hampir sama.

Setiap subset dibagi-bagi lagi menjadi tigasub-subset dengan metode 3-fold crossvalidation.

Subset-subset tersebut akan digunakansebagai data pelatihan (training) dan datapengujian (testing).

7/22/2019 G07aia.ppt

21/45

VFI5

Pada penelitian ini digunakan algoritmaklasifikasi VFI5 dengan bobot setiap featurediasumsikan sama, yaitu satu.

Pelatihan

Pada tahap ini akan ditentukan nilai end pointuntuk setiap feature. Selanjutnya akan dibentukinterval-interval dari setiap feature yang ada.Setelah semua interval terbentuk, langkahselanjutnya adalah menghitung jumlah instancesetiap kelas yang berada pada setiap intervaltersebut dan dilakukan normalisasi.

7/22/2019 G07aia.ppt

22/45

VFI5 (cont..)

Klasifikasi

Setiap nilai feature dari suatu instance barudiperiksa letak interval nilai feature tersebut.

Vote-vote setiap kelas untuk setiap feature padasetiap interval yang bersesuaian diambil dankemudian dijumlahkan. Kelas dengan nilai totalvote tertinggi akan menjadi kelas prediksi

instance baru tersebut.

7/22/2019 G07aia.ppt

23/45

Analisis

Pada tahapan ini dilakukan prosespenghitungan tingkat akurasi. Tingkat akurasi

diperoleh dengan perhitungan :

Dilakukan pengamatan terhadap hasil diagnosa

penyakit DBD dengan menggunakan VFI5.

Hasil diagnosa diperoleh dari kelas dengan

jumlah vote terbesar.

ujidatatotal

asidiklasifikbenarujidataakurasitingkat

7/22/2019 G07aia.ppt

24/45

Spesifikasi Aplikasi

Hardware :1 Prosesor Intel Pentium 4

2 Memori 512 MB

3 Harddisk80 GB

4 Monitor 155 Alat input mouse dan keyboard

Software :

1 Sistem Operasi : Microsoft Windows XP

2 Microsoft Visual Basic 6.0

Back

7/22/2019 G07aia.ppt

25/45

Hasil dan Pembahasan

Terdapat 4 gejala klinis objektif yang kemudian

menjadi fitur pada VFI5

7/22/2019 G07aia.ppt

26/45

Selanjutnya akan dilakukan validasi data.Semua data yang nilainya dianggap tidakkonsisten dengan kelasnya akan dihilangkan.

Sebaran data sebelum dan sesudah validasi :

Keseluruhan data baik sebelum maupun

setelah validasi terlebih dahulu dibagi secaraacak menjadi 3 himpunan bagian (subset) yangakan digunakan dalam 3-fold cross validation.

Kasus Sebelum validasi Setelah validasi

DBD 32 23

Bukan DBD 32 19

Jumlah 64 42

7/22/2019 G07aia.ppt

27/45

Akan dilakukan 3 tahap pengujian.

- Tahap pertama : pengujian untuk data sebelumvalidasi

- Tahap kedua : pengujian untuk data setelah

validasi tanpa persebaran

- Tahap ketiga : pengujian untuk data setelahvalidasi dengan persebaran

7/22/2019 G07aia.ppt

28/45

Data sebanyak 64 instance dibagi menjadi 3 himpunan

bagian.

Susunan data yang digunakan sebagai data pelatihan

dan data pengujian pada setiap iterasi :

Tahap Pertama

7/22/2019 G07aia.ppt

29/45

Iterasi pertama

S1 : data pengujian S2&S3 : data pelatihan

Proses pelatihan menghasilkan selang-selang fitur.

Akurasi yang dihasilkan 66,67% (dari 21 instance terdapat 7instance yang diklasifikasi salah)

Tahap Pertama (cont..)

7/22/2019 G07aia.ppt

30/45


Iterasi kedua S2 : data pengujian

S1&S3 : data pelatihan


Akurasi yang dihasilkan 66,67% (dari 21 instance terdapat7 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)

7/22/2019 G07aia.ppt

31/45


Hasil pengujian tahap pertama

Iterasi Akurasi

Pertama 66,67%Kedua 66,67%

Ketiga 63,64%

Rata-rata 65,66%

7/22/2019 G07aia.ppt

32/45

Tahap Kedua

Data sebanyak 42 instance dibagi menjadi 3 himpunanbagian.

Susunan data yang digunakan sebagai data pelatihan

dan data pengujian pada setiap iterasi :

7/22/2019 G07aia.ppt

33/45

Tahap Kedua (cont..)

Iterasi pertama S1 : data pengujian



Akurasi yang dihasilkan 100%

7/22/2019 G07aia.ppt

34/45





Akurasi yang dihasilkan 78,57% (dari 14 instance terdapat 3

instance yang diklasifikasi salah)

Hasil pengujian algoritma VFI5 untuk 3 instance yang salah

diklasifikasi :

7/22/2019 G07aia.ppt

35/45


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


Proses pelatihan menghasilkan selang-selang fitur. Akurasi yang dihasilkan 100%

7/22/2019 G07aia.ppt

36/45


Hasil pengujian tahap kedua

Iterasi Akurasi

Pertama 100%Kedua 78,57%

Ketiga 100%

Rata-rata 92,86%

7/22/2019 G07aia.ppt

37/45

Tahap Ketiga

Pembagian data menjadi 3 himpunan bagian dansusunan 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 tersebutberada 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.

7/22/2019 G07aia.ppt

38/45

Tahap Ketiga (cont..) Iterasi pertama

S1 : data pengujian



Akurasi yang dihasilkan 92,86% (dari 14 instance terdapat 1instance yang diklasifikasi salah)

7/22/2019 G07aia.ppt

39/45

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.

7/22/2019 G07aia.ppt

40/45

Tahap Ketiga (cont..)





Iterasi ketiga

S3 : data pengujian




7/22/2019 G07aia.ppt

41/45

Tahap Ketiga (cont..)

Hasil pengujian tahap ketiga

Tiga instance yang salah diklasifikasi pada tahap kedua

tidak semuanya diklasifikasi salah pada pengujian tahap

ketiga.

Back

Iterasi Akurasi

Pertama 92,86%

Kedua 100%

Ketiga 100%

Rata-rata 97,62%

7/22/2019 G07aia.ppt

42/45

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 dihasilkanadalah 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%.

7/22/2019 G07aia.ppt

43/45

Saran

Pada penelitian selanjutnya dapat digunakan bobot yangberbeda 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

7/22/2019 G07aia.ppt

44/45

Daftar Pustaka Demirz G, Gvenir HA. 1997. Classification by Voting Feature Intervals.

http://www.cs.ucf.edu/~ecl/papers/demiros97classification.pdf. Gvenir HA, Demirz G, Ilter N. 1998. Learning Differential Diagnosis of

Erythemato-Squamous Diseases using Voting Feature Intevals.ArtificialIntelligence in Medicine, 13(3), 147-165.

Ibrahim F, Taib MN, Abas WABW, Guan CC, Sulaiman S. 2005.A NovelDengue Fever(DF) and Dengue Haemorrhagic Fever(DHF)Analysis UsingArtificial Neural Network(ANN).

http://www.intl.elsevierhealt.com/journals/cmpb. Iqbal M. 2007. Klasifikasi Pasien Suspect Parvo dan Distemperpada Data

Rekam Medik Rumah Sakit Hewan IPB Menggunakan Voting FeatureIntevals [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 andbootstrapping?.http://www.faqs.org/faqs/ai-faq/neuralnets/part3/section-12.html.

Syafii M. 2006.Adaptive Neuro Fuzzy Inference System (ANFIS) untukDiagnosa dan Tatalaksana Penyakit Demam Berdarah Dengue [tesis].Bogor: Sekolah Pascasarjana, Intitut Pertanian Bogor.
http://www.cs.ucf.edu/~ecl/papers/demiros97classification.pdfhttp://www.intl.elsevierhealt.com/journals/cmpbhttp://www.intl.elsevierhealt.com/journals/cmpbhttp://www.cs.ucf.edu/~ecl/papers/demiros97classification.pdf

7/22/2019 G07aia.ppt

45/45

Terima Kasih

Documents

G07aia.ppt