Ahmad Fashel Sholeh 5209100707

Dosen Pembimbing : Prof. Ir. Arif Djunaidy, M.Sc., Ph.D. Wiwik Anggraeni, S.Si., M.Kom.

• Stroke merupakan salah satu penyakit yang menyebabkan kematian dan cacat tertinggi.

• Organisasi stroke dunia mencatat hampir 85% orang yang mempunyai faktor risiko dapat terhindar dari penyakit stroke bila menyadari dan mengatasi faktor risiko tersebut sejak dini

• Bagi para ahli saraf, diagnosis risiko terkena penyakit stroke merupakan hal yang tidak mudah • Selain faktor risikonya yang sangat banyak, juga tidak

terdapat batas yang ketat antara apa yang sehat, apa yang berisiko dan apa yang sakit, sehingga membedakannya tidak pasti dan jelas.

• Sebuah sistem pendukung keputusan untuk membantu ahli saraf dalam melakukan analisis terhadap faktor-faktor risiko tersebut sehingga didapatkan hasil diagnosis yang akurat

• Aplikasi ini menggunakan konsep logika fuzzy mamdani sebagai dasar dalam pemrosesan data

• Metode yang diterapkan, dibuat berdasarkan sistem pakar dan data rekam medik rumah sakit XYZ

• Bagaimana merumuskan fungsi keanggotaan metode fuzzy dari faktor-faktor yang akan digunakan untuk mendeteksi dini tingkat risiko terkena serangan stroke ?

• Bagaimana merumuskan komposisi aturan yang akan digunakan untuk mendeteksi dini tingkat risiko terkena serangan stroke berdasarkan fungsi keanggotaan yang telah dirumuskan ?

• Secara umum aplikasi pendukung keputusan untuk deteksi dini penyakit stroke ini dapat digunakan sebagai alat bantu ahli saraf dalam mendeteksi risiko terkena penyakit stroke

• Selain itu, dapat dilihat sebagai metode alternatif yang berbeda dalam mendeteksi dini risiko terkena penyakit stroke.

Mendesain dan mengimplementasikan aplikasi pendukung keputusan deteksi dini risiko penyakit stroke menggunakan logika fuzzy mamdani.

• Data rekam medik pada RS XYZ dalam kurun waktu 9 bulan yaitu dari bulan september 2012 sampai bulan mei 2013. • Total data sebesar 226 data • Total data yang digunakan sebesar 156 data

• Data hasil wawancara dengan pakar yakni dokter spesialis saraf.

Status Data

Jumlah data yang memiliki nilai kosong

Jumlah data yang lengkap

Jumlah data yang sudah diproses

Jumlah data yang digunakan

Tinggi 70 93 163 93 Sedang 22 20 42 42 Rendah 11 10 21 21 Total 103 123 226 156

1) Analisis nilai data yang kosong

Variabel Jumlah data yang tidak

kosong Rata-rata

Data yang kosong

Jumlah Persentase

BUN 191 19,98 35 15,5 Kreatinin 191 1,491 35 15,5 Kadar Gula 208 154,514 18 8 Asam urat 149 6,19 77 34,1 LDL 159 126,950 67 29,6 Kolesterol total 165 194,68 61 27 Total data yang kosong 103 45,6% Total data yang tidak kosong 123 54,4%

2) Pengisian nilai data yang kosong (mean imputation)

a. Variabel Masukan Ada Sembilan variabel yang digunakan yaitu tekanan darah, diabetes, kolesterol total, kolesterol LDL, usia, asam urat, jenis kelamin, BUN dan kreatinin.

b. Variabel Keluaran Variabel keluaran mengacu pada adanya risiko terkena serangan stroke dengan rentang nilai 0-10 yang mewakili status risiko rendah, sedang dan tinggi.

a) Tekanan Darah

Variabel Rentang Nilai Himpunan Fuzzy Tekanan Darah

< 120 Normal 120–139 Prahipertensi 140–159 Hipertensi Tahap I > 160 Hipertensi Tahap II

a) Tekanan Darah

b) Kadar Gula Darah -> Gula 2 JPP

Variabel Rentang Nilai Himpunan Fuzzy Kadar Gula Darah

< 60 mg/dl Rendah 60-139 mg/dl Normal 140-199 mg/dl Intermediete >= 200 mg/dl Diabetes

b) Kadar Gula Darah

c) Kolesterol Total

Variabel Rentang Nilai Himpunan Fuzzy Kolesterol Total

< 200 mg/dL Normal 200-239 mg/dl Tinggi >= 240 mg/dl Sangat Tinggi

c) Kolesterol Total

d) Kolesterol - LDL

Variabel Rentang Nilai Himpunan Fuzzy Kolesterol - LDL

< 100 mg/dl Normal 130-159 mg/dl Tinggi >= 190 mg/dl Sangat Tinggi

d) Kolesterol - LDL

e) Usia

Variabel Rentang Nilai Himpunan Fuzzy Usia <= 30 Muda

40 – 50 Paruh baya >= 60 Tua

e) Usia

f) Asam urat (lk)

Variabel Rentang Nilai Himpunan Fuzzy Asaam urat (lk)

<= 3,5 mg/dL Rendah 3,5 - 7,0 mg/dl Normal >= 7,0 mg/dl Asam urat

f) Asam urat (lk)

g) Asam urat (pr)

Variabel Rentang Nilai Himpunan Fuzzy Asaam urat (pr)

<= 2,6 mg/dL Rendah 2,6 - 6,0 mg/dl Normal >= 6,0 mg/dl Asam urat

g) Asam urat (pr)

h) Jenis kelamin Menurut studi kasus yang sering ditemukan, laki-laki

lebih berisiko terkena tiga kali lipat dibandingkan dengan wanita.

Laki-laki cenderung terkena stroke iskemik, sedangkan wanita cenderung terkena stroke hemorragik (Nabyl, 2012).

Pada variabel ini terdapat satu himpunan fuzzy “benar” yang memiliki 2 nilai (0,1). Jika perempuan, maka nilai “0” akan masuk ke aplikasi dan jika laki-laki, maka nilai “1” akan masuk ke aplikasi.

i) Blood Urea Nitrogen (BUN)

Variabel Rentang Nilai Himpunan Fuzzy BUN < 6 mg/dL Rendah

6-23 mg/dl Normal > 23 mg/dl Tinggi

i) Blood Urea Nitrogen (BUN)

j) Kreatinin

Variabel Rentang Nilai Himpunan Fuzzy Kreatinin < 0,7 mg/dL Rendah

0,7 - 1,2 mg/dl Normal > 1,2 mg/dl Tinggi

j) Kreatinin

Variabel Rentang Nilai Himpunan Fuzzy Status Risiko

0 – 1.7 Rendah 1.7 – 3 Normal 3 – 10 Tinggi

• Terdapat 253 aturan, •90 aturan dengan status risiko “tinggi” •83 aturan dengan status risiko “sedang” •80 aturan dengan status risiko “rendah”

No Kondisi Status

1 IF tekanan_darah IS hipertensi_tahap_II AND kolesterol_total IS normal AND LDL IS normal AND usia IS tua AND jenis_kelamin IS laki AND BUN IS normal Tinggi

2 IF tekanan_darah IS normal AND kadar_gula IS normal AND kolesterol_total IS normal AND LDL IS tinggi AND jenis_kelamin IS laki AND usia IS tua AND au_lk IS asam_urat AND BUN IS normal AND kreatinin IS tinggi

Sedang

3

IF tekanan_darah IS hipertensi_tahap_I AND kadar_gula IS intermediete AND kolesterol_total IS normal AND LDL IS normal AND usia IS muda AND jenis_kelamin IS perempuan AND au_pr IS rendah AND BUN IS rendah AND kreatinin IS normal

Sedang

4 IF kadar_gula IS diabetes AND kolesterol_total IS sangat_tinggi AND LDL IS sangat_tinggi AND au_lk IS rendah Rendah

5 IF tekanan_darah IS normal AND kadar_gula IS rendah AND LDL IS normal AND usia IS muda AND jenis_kelamin IS perempuan AND au_pr IS normal AND BUN IS rendah

Rendah

• Implementasi Fuzzy Control Language (FCL)

• Implementasi proses klasifikasi logika fuzzy

• Implementasi hasil keluaran • Implementasi verifikasi hasil keluaran

Perangkat keras

Processor Intel Core 2 Duo Memory 2 GB Kapasitas harddisk free sebesar 350 GB

Perangkat lunak

Operating System : XP Service Pack 3 MATLAB R2009a Netbeans IDE 7.1.1 Java SE Development Kit 6 Update 18 Microsoft Excel 2010

Variabel Uji coba

1 2 3

Tekanan darah 190 (hipertensi tahap II) 100 (normal) 100 (normal)

Kadar gula darah 173 (intermediate) 155 (intermediate) 100 (normal)

Kolesterol total 147 (normal) 195 (normal) 195 (normal)

LDL 80 (normal) 127 (normal) 127 (normal)

Usia 70 th (tua) 35 th (muda) 28 th (muda)

Jenis kelamin Laki-laki Perempuan Laki-laki

Asam urat (lk) 6.6 (normal) 0 6.2 (normal)

Asam urat (pr) 0 6.2 (asam urat) 0

BUN 21.5 (normal) 20 (normal) 16.2 (normal)

Kreatinin 0.9 (normal) 1.5 (tinggi) 0.6 (normal)

Hasil pada MATLAB 4,93 1,79 0,871

Hasil pada aplikasi JAVA 4,92 1,79 0,87

Tinggi Sedang Rendah Akurasi Total

precision 85,71% 76,92% 83,33%

82,98% recall 85,71% 76,92% 83,33% accuration 82,98% 86,67% 95,12% F-Measure 85,71% 76,92% 83,33%

Status Risiko Stroke

Jenis Penilaian

• Akurasi keluaran aplikasi cukup baik, yaitu mencapai 82,98%

• Tingkat kepercayaan hasil analisis untuk kelas tinggi, sedang dan rendah masing-masing sebesar 85,71%, 76,92% dan 83,33%

Kelas False positive (FP) False negative (FN) Tingkat Kesalahan Prediksi

Tinggi 15,22% 16,12% 14,29% Sedang 19,44% 30,95% 23,08% Rendah 39,29% 19,04% 16,64% Tingkat Kesalahan Prediksi Total 20,51%

• Tingkat kesalahan prediksi aplikasi secara keseluruhan tergolong besar, yaitu sebesar 20,51%

• kelas tinggi perlu mendapat perhatian yang serius karena tingkat kesalahan prediksinya terbilang cukup tinggi yang mencapai 15,22% pada FP dan 16,12% pada FN.

• Sedangkan pada kesalahan prediksi FP yang mencapai 19,44% juga perlu diwaspadai karena enam dari tujuh prediksi yang salah merupakan kelas tinggi dimana kondisi kelas tinggi memerlukan penanganan khusus.

• Pada kelas sedang juga perlu mendapat perhatian yang serius, khususnya pada FN karena tingkat kesalahan prediksinya merupakan yang paling besar yakni mencapai 30,95%.

• Tingkat kesalahan FP pada kelas rendah terbilang cukup besar yaitu sebesar 39,29% dan berpotensi mengakibatkan kesalahan fatal dimana sembilan dari 11 kesalahan prediksinya merupakan kelas tinggi pada data yang sebenarnya

• Aplikasi yang telah diuji coba dengan menggunakan data yang diperoleh dari Rumah Sakit XYZ memberikan hasil yang memuaskan. Selain itu, uji coba verifikasi menunjukkan bahwa aplikasi memberikan hasil yang sama dengan yang dihasilkan oleh perangkat lunak MATLAB.

• Dari keseluruhan data yang diuji cobakan, aplikasi mampu melakukan proses klasifikasi tingkat risiko secara benar sebesar 82,98%.

• Dari aspek pengukuran keakuratan proses klasifikasi, akurasi sebesar 82,98%, 86,67%, dan 95,12% berturut-turut diperoleh untuk pengujian proses klasifikasi tingkat risiko tinggi, sedang, dan rendah.

• Dari aspek pengukuran kehandalan proses klasifikasi, kehandalan sebesar 85,71%, 76,92%, dan 83,33% berturut-turut diperoleh untuk pengujian proses klasifikasi tingkat risiko tinggi, sedang, dan rendah.

• Potensi kesalahan untuk mendeteksi risiko sedang masih terbilang cukup besar dengan nilai sebesar 23,08%.

• Potensi kesalahan prediksi aplikasi secara keseluruhan tergolong besar, yaitu sebesar 20,51%.

• Kesalahan prediksi pada kelas sedang dan rendah cenderung mengarah ke prediksi tinggi dapat disebabkan karena rentang nilai variabel keluaran kelas tinggi merupakan yang paling panjang.

• Tingkat kesalahan prediksi pada kelas sedang cukup besar dapat disebabkan rentang nilai variabel keluaran kelas sedang yang merupakan paling pendek dibandingkan rentang nilai variabel keluaran kelas yang lain.

Saran yang dapat diberikan oleh penulis terhadap pengembangan lebih lanjut mengenai topik tugas akhir ini yaitu sebaiknya melibatkan banyak pakar, sehingga fungsi keanggotaan dan aturan logika fuzzy yang terbentuk tidak hanya berdasarkan pemikiran satu pakar.