PROPOSAL SKRIPSI PENERAPAN FUZZY C-MEAAS UNTUK PENGELOMPOKKAN PENYAKIT BERDASARKAN FAKTOR USIA DAN NILAI BODY MASS IADEX PADA RUMAH SAKIT SARI MULIA BAN1ARMASIN OLEH : BAGUS WINDHYA KUSUMA WARDANA 3101 0701 1033 PROGRAM STUDI SISTEM INFORMASI SEKOLAH TINGGI MANA1EMEN INFORMATIKA DAN KOMPUTER BAN1ARBARU (STMIK BAN1ARBARU) BAN1ARMASIN 2011 ll PROGRAM STUDI SISTEM INFORMASI SEKOLAH TINGGI MANA1EMEN INFORMATIKA DAN KOMPUTER BAN1ARBARU(STMIK BAN1ARBARU) PERSETU1UAN PROPOSAL SKRIPSI Nama:BAGUS WINDHYA KUSUMA WARDANA NIM:310107011033 Program Studi:SISTEM INFORMASIJudul Skripsi:PENERAPAN FUZZY C-MEANS UNTUK PENGELOMPOKKAN PENYAKIT BERDASARKAN FAKTOR USIA DAN NILAI BODY MASS INDEX PADA RUMAH SAKIT SARI MULIA BANJARMASIN TelahdisetuiuiuntukdiseminarkanpadaSidangProposalSkripsiProgramStudi SistemInIormasiSekolahTinggiManaiemenInIormatika&Komputer Baniarbaru (STMIK BANJARBARU). Baniarmasin, 22 April 2011 Pembimbing Utama, Budi Rahmani, S.Pd., M.Kom. Mengetahui : Ketua Jurusan Sistem InIormasi, Bahar A. Rahman, M.Kom. lll DAFTAR ISI Hal. PROPOSAL SKRIPSI l PERSETUJUAN PROPOSAL SKRIPSI ll DAFTAR ISI lll DAFTAR TABEL v DAFTAR GAMBAR vl BAB I PENDAHULUAN1 1.1.Latar Belakang 1 1.2.Permasalahan Penelitian 3 1.2.1.IdentiIikasi Masalah 3 1.2.2.Ruang Lingkup Masalah 3 1.2.3.Rumusan Masalah 4 1.3.Tuiuan dan ManIaat Penelitian 4 1.3.1.Tuiuan Penelitian 4 1.3.2. ManIaat Penelitian 4 BAB II LANDASAN TEORI 3 2.1.Tiniauan Pustaka 3 2.2.Landasan Teori 6 2.2.1.Penyakit 6 2.2.2.Bodv Mass Index (BMI) 6 2.2.3.Data Mining 8 2.2.4.Fuzzv C-Means 11 2.2.5. UniIied Modelling Language 13 2.3.Kerangka Pemikiran 14 BAB III METODE PENELITIAN 13 3.1.Analisa Kebutuhan 13 3.1.1.Metode Pengumpulan Data 16 3.2.Perancangan Penelitian 16 3.2.1.Sumber Data dan Variabel Penelitian 16 3.2.2.Diagram Konteks 17 3.2.3.Use Case Diagram 18 3.2.4.Sequence Diagram 19 lv 3.2.5.Activity Diagram 20 3.3.Teknik Analisis Data 21 3.4.Jadwal Penelitian 30 DAFTAR PUSTAKA 31 LAMPIRAN v DAFTAR TABEL Hal. Tabel 2. 1 Rumus BMI 7 Tabel 2. 2 kategori BMI untuk orang dewasa 7 Tabel 2. 3 Tabel Body Mass Index dan resiko kesehatan 8 Tabel 3. 1. Data penyakit pasien laki-laki 21 Tabel 3. 2 Data penyakit pasien perempuan 23 Tabel 3. 3. Hasil perhitungan nilai BMI pasien laki-laki 23 Tabel 3. 4 Hasil perhitungan BMI pasien perempuan 27 Tabel 3. 5. Tabel Estimasi Jadwal 30 vl DAFTAR GAMBAR Hal. Gambar 3. 1. Diagram Konteks 17 Gambar 3. 2. Use Case Diagram 18 Gambar 3. 3. Sequence Diagram Clustering Penyakit 19 Gambar 3. 4. Activity Diagram 20 BAB I PENDAHULUAN 1.1.Latar Belakang RekammedisadalahcatatanyangberisikaninIormasitentangidentitas pasien,anamnesa,penentuanIisiklaboratorium,diagnosasegalapelayanandan tindakanmedikyangdiberikankepadapasiendanpengobatanbaikyangdirawat inap,rawatialanmaupunyangmendapatkanpelayanangawatdarurat.Salah satunyaberisikaninIormasimengenaipenyakit-penyakityangpernah/sedangdi deritaolehpasien.Penyakitmerupakansuatukeadaanabnormaldaritubuhatau pikiranyangmenyebabkanketidaknyamanan,disIungsiataukesukaranterhadap orangyangdipengaruhinya.Suatupenyakitbiasanyadipengaruhiolehbeberapa Iaktor, diantaranya ialah usia pasien dan BMI (Bodv Mass Index).RumahSakitSariMuliaBaniarmasinmerupakansalahsaturumahsakit yangmemilikiiumlahpasiendalamskalabesardankeanekaragamanienis penyakit. Dengan iumlah pasien yang begitu banyak, maka semakin banyak kasus pasien yangmenderita penyakit yang sama berdasarkan Iaktor usia dan nilai bmi. Berdasarkanpadadatapenyakityangdiperolehdi rumahsakit tersebut, penyakit gagaliantungkongestiImerupakanpenyakitpalingbanyakdideritaolehpasien yangberusiarata-rata40tahunkeatasdanmemilikinilaiBMIdiatas27yang berartipasienmengalamiobesitas.Sehinggadiperlukanlangkah-langkah antisipasipengobatandanpencegahanpenyakitdalamrangkapeningkatan pelayanankesehatankarenapeningkatanpelayanankesehatanterhadappasien merupakansalahsatu tuiuandariprogram Rumah Sakit SariMuliaBaniarmasin. Langkah-langkahtersebutsalahsatunyaberupapenambahantenagamedisdi 2 bidangspesialisasitertentu,penambahanstokobat,danmelakukanpenyuluhan atau sosialisasi kepada masyarakat terhadap penyakit tertentu.Melihatkondisitersebutpihakrumahsakittentunyaperlumengetahui ienispenyakityangpalingbanyakdiiumpaidirumahsakittersebut,danienis penyakit apa yang paling banyak diidap oleh pasienyang berusia sekian. Dengan mengetahuikondisiini,pihakrumahsakitdapatmengambiltindakankebiiakan dalamantisipasipengobatandanpencegahanpenyakit.Untukdapatmembantu pihakrumahsakitSariMuliaBaniarmasindalammemberikaninIormasi mengenaidatapenyakitpasienberdasarkanIaktorusiadannilaiBMItentunya diperlukansuatumetodependukungsebagailandasandalampengambilan keputusan. Metode Clustering adalah salah satu metode dalam data mining yang dapat diterapkanuntukmembantumembangunsuatusistemsebagaipenyelesaian permasalahantersebut.Metodeinitelahbanyakditerapkanuntukberbagai keperluandalammengatasimasalahyangsedangdihadapi.Beberapapenelitian diantaranyayangmenerapkanmetodeiniadalah'KlasiIikasiKandunganNutrisi BahanPanganMenggunakanFuzzyC-Means,dan'AplikasiK-MeansUntuk PengelompokkanMahasiswaBerdasarkanNilaiBodvMassIndex(BMI)& Ukuran Kerangka. FuzzvC-Meansadalahsuatuteknikpengclusterandatayangmana keberadaantiap-tiaptitikdatadalamsuatuclusterditentukanolehderaiat keanggotaan.Data-datapenyakitpasientersediadidalamberkasrekammedis diprosesdandianalisisuntukkemudiandilakukanpengelompokkanberdasarkan IaktorusiadannilaiBMI.Denganmenerapkanmetodeinidiharapkanakan 3 menghasilkan inIormasi mengenai ienis penyakit yang paling banyak diderita oleh pasienyangberusiasekiantahun,danberadapadakategorikurus,normal,atau gemuk dilihat dari nilai BMI pasien.PenelitianiniakanmenganalisispenerapanFuzzvC-Meansuntuk pengelompokkanpenyakitberdasarkanIaktorusiadannilaiBodvMassIndex pada Rumah Sakit Sari Mulia Baniarmasin. 1.2.Permasalahan Penelitian 1.2.1.Identifikasi Masalah Berdasarkanuraianlatar balakangdi atas,maka identiIikasi permasalahan dalampenelitianiniyaitubelumadapenerapanalgoritma1uzzvc-meansdalam kasuspengelompokkanpenyakitdiRumahSakitSariMuliaberdasarkanIaktor usia dan nilai bodv mass index. 1.2.2.Ruang Lingkup Masalah Ruang lingkup masalah dalam penelitian ini adalah sebagai berikut : 1.Datayangdigunakanpadapenelitianiniadalahdatapenyakityangberada dalamrangking5besarterbanyakyangmeliputidatanamapenyakitpasien, usiapasien,beratbadanpasiendantinggibadanpasienyangdidapatpada berkasrekammedispasienRumahSakitSariMuliaBaniarmasindaribulan Maret 2011 sampai bulan Mei 2011. 2.Penelitian ini hanya mengelompokkan penyakit pasien yang di rawat nginap. 3.Penelitian ini hanya membahas pasien yang berusia diatas 18 tahun. 4.Pengelompokkan penyakit berdasarkan Iaktor usia dannilai -odv mass index menggunakanmetode1uzzvc-meanspadaRumahSakitSariMulia Baniarmasin. 4 1.2.3.Rumusan Masalah Rumusanmasalahdalampenelitianiniadalahbagaimanamenerapkan metode1uzzvc-meansdalamkasuspengelompokkanpenyakitdiRumahSakit Sari Mulia Baniarmasin berdasarkan Iaktor usia dan nilai -odv mass index? 1.3.Tujuan dan Manfaat Penelitian 1.3.1.Tujuan Penelitian Sesuaidenganlatarbelakangdiatas,makapenelitianyangdilakukanini memiliki tuiuan menerapkan metode 1uzzv c-means dalam kasus pengelompokkan penyakit di Rumah Sakit Sari Mulia Baniarmasin berdasarkan Iaktor usia dan nilai -odv mass index. 1.3.2. Manfaat Penelitian 1.BagiPenulis,penelitianinibergunauntukmenambahwawasanmengenai metode1uzzvc-meansbesertapenerapannyadansebagaisaranapenerapan ilmupengetahuanyangdiperolehselamakuliahdalamrealitapermasalahan yang ditemukan di lapangan. 2.BagiRumahSakitMuliaBaniarmasin,penelitianinibermanIaatuntuk membantubagianrekammedisdalammemperolehinIormasi-inIormasi strategisgunamendukungpengambilankeputusanolehpihakmanaiemen dalam antisipasi pengobatan dan pencegahan penyakit. BAB II LANDASAN TEORI 2.1.Tinjauan Pustaka Penelitianmengenaipengclusteranpenyakitberdasarkanusiadan-odv mass index (BMI) dengan metode 1uzzv c-means clustering bukanlah baru pertama kaliinidilakukan,sudahadapenelitianterdahulutentangpenerapanmetode clustering tersebut. Penelitian terdahulu yang relevan dengan penelitian ini adalah sebagai berikut. SriKusumadewi(2007)denganiudul'KlasiIikasiKandunganNutrisi Bahan PanganMenggunakanFuzzyC-Meansmeneliti tentangklasiIikasibahan panganberdasarkankandungannutrisinya.Penelitiantersebutmenghasilkan4 buahcluster:golonganhiiau,golongankuning,golonganiingga,golongan merah. TedyRismawan(2007)denganiudulnya'AplikasiK-MeansUntuk PengelompokkanMahasiswaBerdasarkanNilaiBodvMassIndex(BMI)& UkuranKerangkamenelititentangpengelompokkanmahasiswaberdasarkan status gizidan ukuran kerangka. Hasil penelitian tersebut diperoleh 3 kelompok: BMInormaldankerangkabesar,BMIobesitassedang,kerangkasedang,dan BMI obesitas berat dan kerangka kecil. HasilpenelitiansebelumnyadapatmeniadiinIormasidanacuanbagi peneliti saat iniyangmenerapkanmetodeyangsama. Penelitian-penelitiandiatas berbeda dengan penelitian kali ini, dimana penelitian ini menerapkan metode 1uzzv c-meansuntukpengelompokkanpenyakitpasienberdasarkanusiadangolongan darah di Rumah Sakit Sari Mulia Baniarmasin. 6 2.2.Landasan Teori 2.2.1.Penyakit Penyakitmerupakansuatukondisiabnormalyangmempengaruhi organismetubuh.HaliniseringditaIsirkansebagaikondisimedisyangterkait denganspesiIikgeialadantanda-tanda.InimungkindisebabkanolehIaktor eksternal,sepertipenyakitmenular,ataumungkindisebabkanolehdisIungsi internal.Padamanusia,penyakitseringdigunakansecaralebihluasuntuk mengacupadasetiapkondisiyangmenyebabkanrasasakit,disIungsi, penderitaan,masalahsosial,dan/ataukematiankepadapenderita,ataumasalah serupabagimerekayangmelakukankontakdenganorangtersebut.Dalamarti yang lebih luas, penyakit termasuk cedera, cacat, gangguan, sindrom, dan inIeksi. Penyakit biasanya tidak hanya mempengaruhi orang-orang secara Iisik, tetapi iuga secaraemosional,hidupdenganmenderitabanyakpenyakitdapatmengubah sudut pandang seseorang terhadap kehidupan, dan kepribadian mereka. 2.2.2.Bodv Mass Index (BMI)Bodv Mass Index (BMI)merupakan suatupengukuran yangmenuniukkan hubunganantaraberatbadandantinggibadan.BMIlebihberhubungandengan lemak tubuh dibandingkandengan indikator lainnya untuk tinggi badandan berat badan.RumusataucaramenghitungBMIyaitudenganmembagiberatbadan dalam kilogram dengan kuadrat dari tinggi badan dalam meter (kg/m). 7 Tabel 2. 1 Rumus BMI Satuan Internasional Satuan Imperial/wilayah United States Dengan batas pengelompokkan : Tabel 2. 2 kategori BMI untuk orang dewasa KategoriUntuk Laki-LakiUntuk Perempuan Kurus (underweight) 17 kg/m2 18 kg/m2 Normal1723 kg/m2 1825 kg/m2 Kegemukan (overweight)2327 kg/m22527 kg/m2 Obesitas~ 27 kg/m2~ 27 kg/m2 Sum-er . Pedoman praktis terapi gizi medis Departemen Kesehatan RI 2003 BMIdapatdigunakanuntukmenentukanseberapabesarseseorangdapat terkenaresikopenyakittertentuyangdisebabkankarenaberatbadannya. SeseorangdikatakanobesedanmembutuhkanpengobatanbilamempunyaiBMI di atas27.Resikopenyakityangberhubungandenganderaiatkegemukan seperti penyakit iantung, kencing manis bahkan stroke dapat dilihat dari nilai BMI. BerikuttabelBMI(BodvMassIndex)atauindeksmassatubuhiika dihubungkan dengan resiko kesehatan. 8 Tabel 2. 3 Tabel Body Mass Index dan resiko kesehatan 2.2.3.Data Mining Dataminingadalahsuatuistilahyangdigunakanuntukmenguraikan penemuandidalamdata-ase.Dataminingadalahprosesyangmenggunakan teknikstatistik,matematika,kecerdasanbuatan,danmachinelearninguntuk mengestraksidanmengidentiIikasiinIormasiyangbermanIaatdanpengetahuan yang terakit dari berbagai data-ase besar. MenurutGartnerGroupdataminingadalahsuatuprosesmenemukan hubunganyangberarti,pola,dankecenderungandenganmemeriksadalam sekumpulan besar data yang tersimpan dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti statistik dasn matematika. Kemaiuanluarbiasayangterusberlaniutdalambidangdatamining didorong oleh beberapa Iaktor, antara lain : 1.Pertumbuhan yang cepat dalam kumpulan data. 2.Penyimpanandatadalamdataarehouse,sehinggaseluruhperusahaan memiliki akses ke dalam data-ase yang andal. 9 3.Adanya peningkatan akses data melalui navigasi web dan intranet. 4.Tekanankompetisibisnisuntukmeningkatkanpenguasaanpasardalam globalisasi ekonomi. 5.Perkembanganteknologiperangkatlunakuntukdatamining(ketersediaan teknologi). 6.Perkembanganyanghebatdalamkemampuankomputasidanpengembangan kapasitas media penyimpanan. Dataminingdibagimeniadibeberapakelompokberdasarkantugasyang dapat dilakukan, yaitu : 1.Deskripsi Terkadangpenelitidananalisissecarasederhanainginmencoba mencaricarauntukmenggambarkanpoladankecenderunganyangterdapat dalamdata.Deskripsidaripoladankecenderunganseringmemberikan kemungkinan penielasan untuk suatu pola atau kecenderungan. 2.Estimasi EstimasihampirsamadenganklasiIikasi,kecualivariabeltarget estimasilebihkearahnumerikdaripadakearahkategori.Modeldibangun menggunakanrecordlengkapyangmenyediakannilaidarivariabeltarget sebagai nilai prediksi. Selaniutnya, pada peniniauan berikutnya estimasi nilai dari variabeldibuat berdasarkan nilaivariabel prediksi. 3.Prediksi PrediksihampirsamadenganklasiIikasidanestimasi,kecualibahwa dalam prediksi nilai dari hasil akan ada di masa mendatang. Beberapa metode 10 danteknikyangdigunakandalamklasiIikasidanestimasidapatpula digunakan untuk (untuk keadaan yang tepat) prediksi. 4.KlasiIikasi DalamklasiIikasi,terdapatyangvariabelkategori.Sebagaicontoh, penggolonganpendapatandapatdipisahkandalamtigakategori,yaitu pendapatan tinggi, pendapatan sedang, pendapatan rendah. 5.Pengklusteran Pengklusteranmerupakanpengelompokkan record,pengamatan,atau memperhatikandanmembentukkelasobiek-obiekyangmemilikikemiripan. Klusteradalahkumpulanrecordyangmemilikikemiripansatudenganyang lainnyadanmemilikiketidakmiripandenganrecord-recorddalamkluster lain. PengklusteranberbedadenganklasiIikasiyaitutidakadanyavariabel targetdalampengklusteran.Pengklusterantidakmencobauntukmelakukan klasiIikasi,mengestimasi,ataumemprediksinilaidarivariabeltarget.Akan tetapi,algoritmapengklusteranmencobauntukmelakukanpembagian terhadapkeseluruhandatameniadikelompok-kelompokyangmemiliki kemiripan(homogen),yangmanakemiripanrecorddalamsatukelompok akanbernilaimaksimal,sedangkankemiripandenganrecorddalam kelompok lain akan bernilai minimal. 6.Asosiasi Tugasasosiasidalamdataminingadalahmenemukanatributyang munculdalamsatuwaktu.Dalamduniabisnislebihumumdisebutanalisis keraniang belania. 11 2.2.4.Fuzzv C-MeansAdabeberapaalgoritmapengclusterandata, salah satudiantaranya adalah FuzzvC-Means(FCM).FCMadalahsuatuteknikpengclusterandatayangmana keberadaantiap-tiaptitikdatadalamsuatuclusterditentukanolehderaiat keanggotaan. Teknik ini pertama kali diperkenalkan olehJim Bezdek pada tahun 1981.KonsepdasarFCM,pertamakaliadalahmenentukanpusatcluster,yang akanmenandailokasirata-ratauntuktiap-tiapcluster.Padakondisiawal,pusat clusterinimasihbelumakurat.Tiap-tiaptitikdatamemilikideraiatkeanggotaan untuktiap-tiapcluster.Dengancaramemperbaikipusatclusterdanderaiat keanggotaantiap-tiaptitikdatasecaraberulang,makaakandapatdilihatbahwa pusatklasterakanbergerakmenuiulokasiyangtepat.Perulanganinididasarkan padaminimisasiIungsiobiektiIyangmenggambarkaniarakdarititikdatayang diberikankepusatclusteryangterbobotolehderaiatkeanggotaantitikdata tersebut.KeluarandariFCMbukanmerupakan1uzzvin1erencesvstem,namun merupakan deretan pusat cluster dan beberapa deraiat keanggotaan untuk tiap-tiap titikdata. InIormasiinidapatdigunakanuntukmembangunsuatu 1uzzv in1erence svstem. Algoritma Fuzzv C-Means (FCM) adalah sebagai berikut : 1.Input data yang akan dicluster X, berupamatriks berukuran n x m (niumlah sampeldata,matributsetiapdata).Xiidatasampelke-i(i1,2,.,n), atribut ke-i (i1,2,.,m). 2.Tentukan : 12 OJumlah cluster c; OPangkat w; OMaksimum iterasi MaxIter; OError terkecil yang diharapkan c; OFungsi obektiI awal P0 0; OIterasi awal t 1; 3.Bangkitkanbilanganrandomik,i1,2,.,n;k1,2,.,c;sebagaielemen-elemen matriks partisi awal U. Hitung iumlah setiap kolom : (2.1) Dengan i1,2,.,n. Hitung : (2.2) 4.Hitung pusat cluster ke-k: Vki, dengan k1,2,.c; dan i1,2,.,m. (2.3) 5.Hitung Iungsi obiektiI pada iterasi ke-t, Pt : (2.4) 6.Hitung perubahan matriks partisi : (2.5) 7.Cek kondisi berhenti : 13 OJika : ('PtPt-1'c) atau (t~MaxIter) maka berhenti; OJika tidak: tt1, ulangi langkah ke-4. 2.2.5. Unified Modelling Language Uni1iedModellingLanguage(UML)adalahbahasastandaryang digunakanuntukmenielaskandanmemvisualisasikanartiIakdariprosesanalisis dandesainberorientasiobyek.UMLmenyediakanstandarnotasidandiagram yangbisadigunakanmemodelkansuatusistem.UMLdikembangkanolehGrady Booch,JimRumbaughdanIvarJacobson.UMLmeniadibahasayangbisa digunakanuntukberkomunikasidalamperspektiIobyekantarauser,developer dan proiect manaier. UML memungkinkan developer melakukan pemodelan secara visual, yaitu penekananpadapenggambaran,bukandidominasi padanarasi. Pemodelanvisual membantuuntukmenangkapstrukturdankelakuan(-ehavior)suatuobiek, mempermudahpenggambaraninteraksiantaraelemendalamsystemdan mempertahankankonsistensiantaradesigndanimplementasidalam pemrograman. NamunkarenaUMLhanyamerupakanbahasapemodelan,makaUML bukanlahruiukanbagaimanamelakukananalisisdandesainberorientasiobiek. Untukmengetahuibagaimanamelakukananalisisdesainberorientasiobyek, sudahterdapatbeberapametodologiyangbisadiikuti.DidalamUMLterdapat8 diagram,antaralainUseCaseDiagram,ClassDiagram,SequenceDiagram, Colla-orationDiagram,StatechartDiagram,ActivitvDiagram,Component Diagram, dan Deplovment Diagram. 14 2.3.Kerangka Pemikiran Gambar 2. 1. Kerangka Pemikiran BAB III METODE PENELITIAN 3.1.Analisa Kebutuhan Analisakebutuhanmerupakansuatupenielasantentangkebutuhandalam penyelesaiankasusclusteringdanapasaiakebutuhansistemdalampenerapan algoritma1uzzvc-meansyangmelingkupikebutuhanperangkatkerasdan perangkat lunak, dan analisa kebutuhan data . Rumah Sakit Sari Mulia Baniarmasinmemiliki iumlah pasien dalam skala besardankeanekaragamanienispenyakit.Banyakkasuspasienyangmenderita penyakityangsamaberdasarkanIaktorusiadannilaibmi.Sebagaiupayadalam antisipasipengobatandanpencegahanpenyakittentupihakrumahsakitperlu mengetahui penyakit apa-apa saia yang banyak diiumpai di rumah sakit tersebut. HalinidapatdilakukansalahsatunyadenganmenerapkanAlgoritma 1uzzvc-meansyangbertuiuanuntukmembuatkelompok/clusterterhadap inIormasipenyakitdiRumahSakitSariMulia.Denganadanyapengelompokkan penyakitdiharapkanpihakrumahsakitdapatmengetahuikelompokpenyakityg palingbanyakdiiumpaidirumahsakittersebutberdasarkanpadausiadannilai bmipasien.Sehinggadapatmembantupihakrumahsakitdalampengambilan keputusan dalam hal pengobatan dan pencegahan penyakit. Dalampenerapannyapadakasuspengelompokkanpenyakit,algoritma 1uzzvc-meansmembutuhkanbeberapainIormasiyangadadidalamdata-ase rekam medis seperti data-data mengenai penyakit yang diidap oleh pasien, beserta usia serta berat badan dan tinggi badan pasien tersebut. 16 3.1.1.Metode Pengumpulan Data 1.Metode Kepustakaan Metodeinidigunakanuntukmengumpulkandata-datadanrumus-rumusyangdiperlukandalamkaitannyauntukmenerapkanalgoritma1uzzvc-means. Hal ini dapat diperoleh dari buku-buku dan literatur lainnya. 2.Wawancara Metodeinidilakukandenganmangadakantanyaiawab(wawancara) secara langsung dengan pihak-pihak yang berkaitan dengan inIormasi. 3.Metode observasi Metodeinidilaksanakandenganmelakukanpeniniauanlangsungpada obiekpenelitiansertamelakukanpencatatanmengenaihal-haldansemua keiadianyang berhubungan denganmasalahyang diteliti. Observasi dilakukan di Rumah Sakit Sari Mulia Baniarmasin. 3.2.Perancangan Penelitian 3.2.1.Sumber Data dan Variabel Penelitian Datapenelitianyangdigunakanadalahdatasekunderyangdiambildari Rumah Sakit Sari MuliaBaniarmasin.Variabelpenelitianyangdigunakandalam pengelompkkanduavariabelyangtelahdideIinisikanpadabablandasanteori. Kedua variabel tersebut adalah sebagai berikut : X1 Usia pasien X2 Nilai BMI 17 3.2.2.Diagram Konteks Diagramkonteksmerupakangambaranumummengenaiinteraksiyang teriadiantarasistemdenganadmin.Diagramkonteksdarisisteminidituniukkan pada gambar. Padadiagramkonteksdigambarkanprosesumumyangteriadididalam sistem. Terdapat komponen proses cluster dan external entitv admin sebagai yang memasukkaninputdanmenerimaoutput.Adminmemasukkaniumlahcluster yangdiminta untuk selaniutnya di proses. Setelah melakukan proses, sistem akan menghasilkan output berupa hasil cluster penyakit berdasarkan usia dan nilai bmi pasien. Gambar 3. 1. Diagram Konteks 18 3.2.3.Use Case Diagram Usecaseadalahkonstruksiuntukmendeskripsikanbagaimanasistem terlihatdimatapengguna.Sasaranpemodelanusecasediantaranyaadalah mendeIinisikankebutuhanIungsionaldanoperasionalsistemdengan mendeIinisikanskenariopenggunaanyangdisepakatiantarapemakaidan pengembang(developer).Usecasediagramuntukpengelompokkanpenyakit dapat dilihat pada Gambar 3.2 . uc CIustering Penyakit Use CasesAdminInput Parameter & VariabeIInput Usia, Berat Badan, Tinggi BadanAIgoritma FCMInput j umIah cIuster, Pembobot, Error, MaxIter Gambar 3. 2. Use Case Diagram 19 3.2.4.Sequence Diagram sd CIustering Penyakit Sequence DiagramAdmi n(from Actors)Menu Utama nterface Vari abelAlgoritma FCM(from Actors)Kel uar nterfaceParameterMasuk Menu Utama()nput Variabel ()nput Parameter()Dimasukkan ke FCM()Menampi lkan hasi l cluster()Hasi l cl uster penyaki t()Kel uar() Gambar 3. 3. Sequence Diagram Clustering Penyakit 20 3.2.5.Activity Diagram DiagramaktiIitas(Activitvdiagram)memodelkanurutanaktiIitasdalam suatuproses.BerikutgambarandiagramaktiIitasdalampengelompokkan penyakit. act CIustering Penyakit Activ ity DiagramMul aiInput VariabeI & ParameterAIgoritma Fuzzy C-Meansterasi> Maksi mum terasiHasiI CIusteringSel esaiYaProsesTidak Gambar 3. 4. Activity Diagram 21 3.3.Teknik Analisis Data Teknikanalisisyangdipakaipadapenelitianiniadalahanalisiscluster denganmetode1uzzvc-means.Analisisclustermerupakanteknikmultivarian yangmempunyaituiuanutamauntukmengelompokkanobiek-obiekberdasarkan karakteristikyangdimilikinya.Dalamhaliniialahpengelompokkanpenyakit berdasarkanusiadannilaibmi.AnalisisclustermengklasiIikasiobieksehingga setiapobiekyangpalingdekatkesamaannyadenganobieklainberadadalam clusteryangsama.Cluster-clusteryangterbentukmemilikihomogenitasinternal yangtinggidanheterogenitaseksternalyangtinggi.Fokusdarianalisiscluster adalah membandingkan obiek berdasarkan set variabel, set variabel cluster adalah suatu set variabel yang merepresentasikan karakteristik yang dipakai obiek-obiek. Berikutdatapenyakitpasienlaki-lakidanpasienperempuanbeserta atributsebelumdilakukanperhitunganuntukmencarinilaiBMIdarimasing-masing data dapat dilihat pada tabel 3.1. dan tabel Tabel 3. 1. Data penyakit pasien laki-laki Pasien ke PenyakitUsiaBbTb 1Congestive Heart Failure5887,01,57 2Congestive Heart Failure62102,01,72 3Congestive Heart Failure6381,51,67 4Congestive Heart Failure5374,01,58 5Congestive Heart Failure4297,01,70 6Congestive Heart Failure7076,51,75 7Congestive Heart Failure4075,01,72 8Congestive Heart Failure6567,01,57 9Congestive Heart Failure7381,51,60 10Congestive Heart Failure4275,01,54 11Congestive Heart Failure6353,01,60 12Congestive Heart Failure3293,01,70 13Congestive Heart Failure5861,01,72 22 Pasien ke PenyakitUsiaBbTb 14Dyspepsia4658,01,78 15Dyspepsia3649,01,88 16Dyspepsia2763,01,70 17Dyspepsia2662,01,70 18Dyspepsia5065,01,78 19Dyspepsia5037,01,61 20Dyspepsia4443,01,58 21Dyspepsia5050,01,62 22Dyspepsia5350,51,70 23Dyspepsia2245,01,70 24Dyspepsia4250,01,68 25Dyspepsia3656,01,73 26Dyspepsia9245,01,63 27Dyspepsia6060,01,77 28 Dyspepsia6552,01,68 29Dyspepsia5655,01,70 30Dyspepsia1954,01,73 31Hipertensi8173,01,68 32Hipertensi5175,01,67 33Hipertensi3972,01,70 34Hipertensi6161,51,67 35Hipertensi6673,01,65 36Hipertensi4479,01,69 37Hipertensi2569,01,76 38Hipertensi4680,01,67 39Hipertensi5958,01,52 40Hipertensi2573,01,72 41Hipertensi2395,01,76 42Hipertensi7082,51,57 43Hipertensi5147,01,70 44Hipertensi5950,01,72 45Stroke Hemoragik5563,51,65 46Stroke Hemoragik5065,01,60 47Stroke Hemoragik7568,01,57 48Stroke Hemoragik2962,01,64 49Stroke Hemoragik4551,01,72 50Stroke Hemoragik5546,01,64 51Stroke Hemoragik7073,51,58 23 Pasien ke PenyakitUsiaBbTb 52Stroke Hemoragik5469,51,66 53Stroke Hemoragik7371,01,57 54Stroke Hemoragik3786,01,70 55Stroke Hemoragik4939,01,47 56Stroke Hemoragik6073,51,63 57Stroke Hemoragik5577,01,63 58Stroke Hemoragik6589,01,65 59Stroke Non Hemoragik6262,01,49 60Stroke Non Hemoragik6256,01,79 61Stroke Non Hemoragik5761,01,67 62Stroke Non Hemoragik7063,01,79 63Stroke Non Hemoragik5878,01,56 64Stroke Non Hemoragik3559,01,58 65Stroke Non Hemoragik6493,01,68 66 Stroke Non Hemoragik6864,01,56 67Stroke Non Hemoragik3060,51,58 68Stroke Non Hemoragik5663,01,52 69Stroke Non Hemoragik6384,01,69 70Stroke Non Hemoragik5667,01,61 71Stroke Non Hemoragik7049,01,67 72Stroke Non Hemoragik6088,51,51 73Stroke Non Hemoragik5269,51,64 Tabel 3. 2 Data penyakit pasien perempuan Pasien ke PenyakitUsiaberatTinggi 1Congestive Heart Failure21581,51 2Congestive Heart Failure54511,46 3Congestive Heart Failure47631,51 4Congestive Heart Failure56721,59 5Congestive Heart Failure56631,59 6Congestive Heart Failure6871,51,56 7Congestive Heart Failure56681,53 8Congestive Heart Failure54661,55 9Congestive Heart Failure70451,50 10Congestive Heart Failure50581,52 11Congestive Heart Failure69621,52 12Congestive Heart Failure60461,48 24 Pasien ke PenyakitUsiaberatTinggi 13Dyspepsia54401,48 14Dyspepsia22341,55 15Dyspepsia95421,54 16Dyspepsia3339,51,60 17Dyspepsia19431,52 18Dyspepsia18481,62 19Dyspepsia35401,60 20Dyspepsia60401,48 21Dyspepsia3037,51,48 22Dyspepsia36391,62 23Dyspepsia20451,60 24Dyspepsia64401,55 25Dyspepsia22381,55 26Dyspepsia38411,63 27Dyspepsia31501,70 28Dyspepsia51531,64 29Dyspepsia55411,66 30Dyspepsia21501,67 31Dyspepsia58501,68 32Dyspepsia43511,73 33Hipertensi56731,68 34Hipertensi65601,52 35Hipertensi52821,68 36Hipertensi86741,59 37Hipertensi45831,66 38Hipertensi63751,67 39Hipertensi45721,65 40Hipertensi100591,63 41Hipertensi33721,64 42Hipertensi73731,68 43Hipertensi40851,73 44Hipertensi70751,67 45Hipertensi24651,61 46Hipertensi51711,58 47Hipertensi44731,53 48Hipertensi60671,44 49Hipertensi441231,72 50Hipertensi83751,67 23 Pasien ke PenyakitUsiaberatTinggi 51Hipertensi70811,56 52Hipertensi52731,64 53Hipertensi65591,46 54Hipertensi45751,59 55Hipertensi46691,60 56Stroke Hemoragik56471,59 57Stroke Hemoragik50491,65 58Stroke Hemoragik60601,70 59Stroke Hemoragik68571,86 60Stroke Hemoragik40641,50 61Stroke Non Hemoragik50631,47 62Stroke Non Hemoragik76531,86 63Stroke Non Hemoragik75831,57 64Stroke Non Hemoragik49771,66 65Stroke Non Hemoragik90551,57 66Stroke Non Hemoragik53581,61 67Stroke Non Hemoragik45791,55 68Stroke Non Hemoragik42481,56 Ket : Bb: Berat badan (kg) Tb: Tinggi badan (m) Data pada tabel 3.1. dan tabel 3.2. kemudian digunakan untuk menghitung nilai BMI. Hasil dari perhitungan dapat di lihat pada tabel 3.3. dan tabel 3.4. Tabel 3. 3. Hasil perhitungan nilai BMI pasien laki-laki Pasien ke PenyakitUsiaBmi 1Congestive Heart Failure5835,2956 2Congestive Heart Failure6234,4781 3 Congestive Heart Failure6329,2229 4Congestive Heart Failure5329,6427 5Congestive Heart Failure4233,564 6Congestive Heart Failure7024,9796 7Congestive Heart Failure4025,3515 8Congestive Heart Failure6527,1816 26 Pasien ke PenyakitUsiaBmi 9Congestive Heart Failure7331,8359 10Congestive Heart Failure4231,6242 11Congestive Heart Failure6320,7031 12Congestive Heart Failure3232,1799 13Congestive Heart Failure5820,6193 14Dyspepsia4618,3058 15Dyspepsia3613,8637 16Dyspepsia2721,7993 17Dyspepsia2621,4533 18Dyspepsia5020,5151 19Dyspepsia5014,2741 20Dyspepsia4417,2248 21Dyspepsia5019,052 22Dyspepsia5317,4741 23 Dyspepsia2215,5709 24Dyspepsia4217,7154 25Dyspepsia3618,711 26Dyspepsia9216,937 27Dyspepsia6019,1516 28Dyspepsia6518,424 29Dyspepsia5619,1435 30Dyspepsia1918,0427 31Hipertensi8125,8645 32Hipertensi5126,8923 33Hipertensi3924,9135 34Hipertensi6122,0517 35Hipertensi6626,8136 36Hipertensi4427,6601 37Hipertensi2522,2753 38Hipertensi4628,6851 39Hipertensi5925,1039 40Hipertensi2524,6755 41Hipertensi2330,6689 42Hipertensi7033,4699 43Hipertensi5116,263 44Hipertensi5916,901 45Stroke Hemoragik5523,3242 46Stroke Hemoragik5025,3906 27 Pasien ke PenyakitUsiaBmi 47Stroke Hemoragik7527,5873 48Stroke Hemoragik2923,0518 49Stroke Hemoragik4517,2391 50Stroke Hemoragik5517,1029 51Stroke Hemoragik7029,4424 52Stroke Hemoragik5425,2214 53Stroke Hemoragik7328,8044 54Stroke Hemoragik3729,7578 55Stroke Hemoragik4918,0408 56Stroke Hemoragik6027,6638 57Stroke Hemoragik5528,9811 58Stroke Hemoragik6532,6905 59Stroke Non Hemoragik6227,9267 60Stroke Non Hemoragik6217,4776 61 Stroke Non Hemoragik5721,8724 62Stroke Non Hemoragik7019,6623 63Stroke Non Hemoragik5832,0513 64Stroke Non Hemoragik3523,634 65Stroke Non Hemoragik6432,9507 66Stroke Non Hemoragik6826,2985 67Stroke Non Hemoragik3024,2349 68Stroke Non Hemoragik5627,268 69Stroke Non Hemoragik6329,4107 70Stroke Non Hemoragik5625,8478 71Stroke Non Hemoragik7017,5697 72Stroke Non Hemoragik6038,8141 73Stroke Non Hemoragik5225,8403 Tabel 3. 4 Hasil perhitungan BMI pasien perempuan Pasien ke PenyakitUsiaBmi 1Congestive Heart Failure2125,44 2Congestive Heart Failure5423,93 3Congestive Heart Failure4727,63 4Congestive Heart Failure5628,48 5Congestive Heart Failure5624,92 6Congestive Heart Failure6829,38 7Congestive Heart Failure5629,05 28 Pasien ke PenyakitUsiaBmi 8Congestive Heart Failure5427,47 9Congestive Heart Failure7020,00 10Congestive Heart Failure5025,27 11Congestive Heart Failure6927,01 12Congestive Heart Failure6021,00 13Dyspepsia5418,39 14Dyspepsia2214,15 15Dyspepsia9517,71 16Dyspepsia3315,43 17Dyspepsia1918,73 18Dyspepsia1818,40 19Dyspepsia3515,63 20Dyspepsia6018,26 21Dyspepsia3017,12 22Dyspepsia3614,86 23Dyspepsia2017,58 24Dyspepsia6416,65 25Dyspepsia2215,82 26Dyspepsia3815,43 27Dyspepsia3117,30 28Dyspepsia5119,71 29Dyspepsia5514,88 30Dyspepsia2117,93 31Dyspepsia5817,72 32Dyspepsia4317,04 33Hipertensi5625,86 34Hipertensi6525,97 35Hipertensi5229,05 36Hipertensi8629,27 37Hipertensi4530,12 38Hipertensi6326,89 39Hipertensi4526,45 40Hipertensi10022,21 41Hipertensi3326,77 42Hipertensi7325,86 43Hipertensi4028,40 44Hipertensi7026,89 45Hipertensi2425,08 29 Pasien ke PenyakitUsiaBmi 46Hipertensi5128,44 47Hipertensi4431,18 48Hipertensi6032,31 49Hipertensi4441,58 50Hipertensi8326,89 51Hipertensi7033,28 52Hipertensi5227,14 53Hipertensi6527,68 54Hipertensi4529,67 55Hipertensi4626,95 56Stroke Hemoragik5618,59 57Stroke Hemoragik5018,00 58Stroke Hemoragik6020,76 59Stroke Hemoragik6816,48 60Stroke Hemoragik4028,44 61Stroke Non Hemoragik5029,15 62Stroke Non Hemoragik7615,32 63Stroke Non Hemoragik7533,67 64Stroke Non Hemoragik4927,94 65Stroke Non Hemoragik9022,31 66Stroke Non Hemoragik5322,38 67Stroke Non Hemoragik4532,88 68Stroke Non Hemoragik4219,72 Selaniutnya data pada Tabel 3.2. dianalisa menggunakan algoritma 1uzzv c-means yang mana tahapan algoritmanya telah disebutkan pada bab landasan teori. 30 3.4.1adwal Penelitian Penelitianiniakandilaksanakandenganmengikutiestimasiiadwalyang telah disusun seperti pada Tabel 3.3. berikut : Tabel 3. 5. Tabel Estimasi 1adwal NoKegiatan Bulan 1Bulan 2Bulan 3Bulan 4 1234123412341234 1.Pengumpulan Data 2.Analisa Permasalahan 3.Penerapan Algoritma 4.Uii Algoritma dan Implementasi 5.Pembuatan Laporan Keterangan : :Pelaksanaan Kegiatan 31 DAFTAR PUSTAKA Andaka u (2008 AausLus 1) Notmolkob 8oJv Moss loJex AoJo? 8eLrleved Aprll 6 2011 from Andakacom wwwandakacom/normalkahbodvmasslndexbmlandaphp Anonlm (2011 MareL 27) ulseose 8eLrleved MareL 31 2011 from hLLp//enwlklpelaora/wlkl/ulsease kusrlnl (2009) Alootltmo uoto Mloloo ?oavakarLa enerblL Andl kusumadewl S (2010) Apllkosl loolko lozzv ootok leoJokooo kepotosoo ?oavakarLa Craha llmu kusumadewl S (2008) klaslflkasl kandunaan nuLrlsl 8ahan anaan Menaaunakan luzzv CMeans 5emloot Nosloool Apllkosl 1ekoolool lofotmosl (5NA1l) 2008 LuLhfl L 1 (2007 november 24) luzzv CMeans unLuk ClusLerlna uaLa (SLudl kasus uaLa erformance Menaa[ar uosen) 5emloot Nosloool 1ekoolool (5N1 2007) 8lsmawan 1 kusumadewl S (2008) Apllkasl kMeans unLuk enaelompokkan Mahaslswa 8erdasarkan nllal 8oJv Moss loJex (8Ml) ukuran keranaka 5emloot Nosloool Apllkosl 1ekoolool lofotmosl (5NA1l) 2008 Sedlvono L Wldlasarl l 8 Mllasarl (2006) enenLuan Lokasl laslllLas Ceduna Menaaunakan luzzv CMeans (lCM) Iotool lofotmotlko 133166