BAB 2 LANDASAN KEPUSTAKAAN

2.1 Kajian Pustaka

Penelitian yang berjudul Sistem Pakar untuk Mendiagnosis Penyakit Skizofrenia dengan Metode Forward Chaining. Untuk mendapatkan suatu kesimpulan dalam penelitian tersebut menerapkan metode forward chaining yang dimulai mengamati fakta yang ada dalam mendiagnosis penyakit skizofrenia. Cara kerja dari sistem yaitu dengan cara memasukkan gejala yang didapat dari hasil wawancara sebanyak 11 gejala. Hasil keluaran dari sistem terdapat 4 jenis penyakit skizofrenia, yakni skizofrenia paranoid, catatonic, hebepgrenic, dan skizofrenia tak terperinci. Hasil akurasi yang didapat yaitu sebesar 87% untuk fungsi dari sistem diagnosis penyakit skizofrenia, sedangkan untuk tampilan sistem pakar tersebut menghasilkan tingkat akurasi sebesar 83% (Kurniawan, 2016).

Penelitian selanjutnya bertujuan untuk mengefisienkan dalam penentuan penyakit jiwa yang menerapkan case based reasoning dengan meggunakan metode nearest neighbor pada sistem pendukung keputusan. Data yang digunakan merupakan data rekam medis penyakit skizofrenia yaitu berupa gejala, dan disertai solusi pengobatannya. Pengujian yang dilakukan terdapat pperbedaan yang cukup signifikan dalam mengefisienkan diagnosis penyakit skizofrenia, yaitu mengacu pada nilai p=0,002 < 0,05 dari hasil uji paired test. Sistem tersebut menghitung kedekatan case base dengan target case secara efisien terhadap diagnosis penyakit skizofrenia (Ibrahim & Winiarti, 2014).

Penelitian dengan judul Diagnosis of Diabetes Using Support Vector Machine with Radial Basis Function Kernels, yang mana penelitian tersebut digunakan untuk mendiagnosis diabetes dan menggunakan algoritme Support Vector Machine yang menerapkan fungsi kernel RBF. Data yang digunakan yaitu berjumlah 768 dataset yang berasal dari Pima Indian, University of California, Irvine (UCI) Machine Learning Repository. Beberapa parameter yang digunakan yaitu jumlah kehamilan, glukosa, lingkar perut, tekanan darah diastole, insulin, riwayat keturunan diabetes, berat badan, dan umur. Hasil output dari penelitian tersebut berupa 2 klasifikasi yaitu positif dan negatif. Berdasarkan dari kinerja algoritme Support Vector Machine-RBF, diperoleh hasil yang menjanjikan dalam mendiagnosis penyakit diabetes, hasil akurasi yang didapat sebanyak 80,22% (Abdillah & , 2016).

Penelitian selanjutnya yaitu membuat sebuah sistem yang digunakan untuk klasifikasi rasa kantuk seseorang dalam mengatasi masalah yaitu mengantuk pada saat mengemudi, yang mana faktor utama penyebabnya yaitu makan sebelum mengemudi dan pada saat tengah malam mengemudi. Algoritme yang digunakan untuk menyelesaikan permasalahan tersebut adalah Support Vector Machine (SVM). Hasil keluaran dalam sistem tersebut adalah 3 klasifikasi yaitu berat dengan nilai 8 atau 9, lalu ringan yang nilainya 6-8, kemudian tidak ada

rasa kantuk yang bernilai 1-5. Algoritme SVM menghasilkan akurasi yang cukup baik dalam penelitian ini, yakni sebesar 89,4% (Igasaki, et al., 2016).

Penelitian selanjutnya menerapkan algoritme Support Vector Machine (SVM) untuk mengklasifikasikan kondisi pasien yang terkena penyakit hepatitis. Pada penelitian tersebut untuk pemeriksaan dilakukan melalui 2 tahap yakni pemeriksaan lab dan pemeriksaan fisik yang mana hasil dari pemeriksaan tersebut akan digunakan sebagai dataset. Dari hasil uji coba sistem didapatkan hasil akurasi yang cukup tinggi sebesar 84,93% dengan menggunakan algoritme SVM yang menerapkan kernel linear (Hardono, 2013).

Penelitian selanjutnya yaitu klasifikasi detak jantung, dengan cara menentukan klasifikasi sinyal gelombang EKG dengan menerapkan algoritme Support Vector Machine (SVM) One Againts All. Penelitian tersebut menyelesaikan permasalahan multiclass. Hasil dari penelitian tersebut memiliki rata-rata akurasi 81,3%. Dataset yang digunakan dari fitur 3601 MLII dan menerapkan kernel polynomial serta nilai parameter 01,0 , 5,0 , nilai

epsilon 1010 , dan nilai 1C , serta nilai iterasi maksimal sebanyak 100 kali (Hasanah, 2016).

Penelitian selanjutnya yaitu klasifikasi pada tingkat kerusakan rel kereta api dengan menerapkan algoritme SVM. Penelitian tersebut menguji rasio perbandingan 90%:10%, nilai parameter lambda = 0,1, gamma = 0,01, epsilon = 0,00001, dan C = 1. Hasil rata-rata akurasi terbaik diperoleh yaitu 91,24%. Pada penelitian tersebut mengatakan bahwa metode SVM cocok untuk klasifikasi dengan jumlah dimensi besar, karena dapat menghasilkan akurasi yang tinggi (Munawaroh, 2016).

Berikut penelitian yang terkait dalam bentuk tabel, agar mudah dipahami yang ditunjukkan pada Tabel 0.1.

Tabel 0.1 Kajian Pustaka

No. Peneliti Objek Metode Hasil

1. (Kurniawan, 2016)

- Objek: data pasien penyakit skizofrenia

- Input: gejala-gejala penyakit skizofrenia

Metode Forward Chaining

hasil akurasi sebesar 87% terkait fungsi dari sistem untuk mendiagnosis penyakit skizofrenia, dan 83% terkait dengan tampilan dari sistem pakar tersebut

2. (Ibrahim & Winiarti, 2014)

- Objek: data pasien penyakit skizofrenia

- Input: gejala-gejala skizofrenia

Metode Case Based Reasoning Nearest Neigbhor

Sistem mampu menghitung kedekatan case based dengan target case secara efisien, yakni mengacu pada nilai p

= 0,002<0,005

3. (Abdillah & , 2016)

- Data penyakit diabetes

- Masukan berupa gejala: jumlah kehamilan, glukosa, tekanan darah diastol, lingkar perut, insulin, berat badan, riwayat keturunan diabetes, dan umur

Metode Supper Vector Machine (SVM) dengan menggunakan kernel RBF

Menghasilkan 2 klasifikasi yaitu positif dan negatif terkena diabetes. Akurasi yang didapat sebanyak 80,22%.

4. (Igasaki, et al., 2016)

- Objek: orang laki-laki berusia 22-23

- Setiap orang melakukan percobaan dengan makan siang antara jam 1 siang-jam 3 sore, kemudian duduk di kursi pengemudi simulator dengan mengemudi selama 50 menit

Metode Supper Vector Machine (SVM)

Hasil penelitian ini cukup baik, yakni dengan tingkat akurasi sebesar 89,4%.

5. (Hardono, 2013)

- Objek data penyakit hepatitis

- Masukan gejala penyakit hepatitis

Metode Support Vector Machine (SVM)

Berdasarkan hasil uji coba pada sistem tersebut diperoleh akurasi yang cukup tinggi yakni sebesar 84,93%

6. (Hasanah, 2016)

- Objek data detak jantung dari hasil rekam elektrokardiografi (EKG)

- Dataset berupa gambar EKG

Metode Support Vector Machine (SVM)

Berdasarkan hasil uji coba pada sistem diperoleh rata-rata akurasi sebesar 83,1%.

selama 10 detik

7. (Munawaroh, 2016)

- Obejk data rel kereta api yang diperoleh dari PT KAI Daop VIII Surabaya

Support Vector Machine (SVM)

Berdasarkan hasil pengujian mendapatkan rata-rata akurasi yang tinggi yaitu sebesar 91,24%.

2.2 Gangguan Jiwa

Berdasarkan Pedoman Penggolongan dan Diagnosis Gangguan Jiwa di Indonesia III (PPDGJ III), gangguan jiwa adalah suatu penyakit yang banyak dijumpai di masyarakat, dapat dialami oleh siapapun dan di manapun. Beberapa macam gangguan jiwa adalah gangguan skizotipal, waham, disosiatif, skizofrenia dan lain sebagainya (Depkes, 1993).

Menurut Nasir & Muhith (2011), gangguan jiwa adalah manifestasi dari menyimpangnya tingkah laku yang diakibatkan distorsi emosi, sehingga terjadi ketidakwajaran dalam berperilaku. Dikatakan bahwa seseorang mengalami gangguan jiwa apabila terdapat fungsi mental yang terganggu, yakni meliputi: perasaan, pola pikir, tingkah laku, emosi, motivasi, keinginan, tilik diri dan persepsi. Hal ini dapat ditandai dengan turunnya kondisi fisik yang disebabkan oleh pencapaian keinginnan yang gagal, serta dapat mengakibatkan menurunnya fungsi kejiwaan.

2.2.1 Skizofrenia

Skizofrenia merupakan gangguan jiwa yang menunjukkan gangguan pada fungsi kognitif, yakni mengenai pembentukan arus dan juga isi pikiran. Selain itu ditemukan juga gejala pada persepsi, wawasan diri, emosi serta keinginan. Kebanyakan gangguan jiwa skizofrenia terjadi pada usia 15-35 tahun (Nasir & Muhith, 2011).

Gangguan jiwa skizofrenia tidak akan terjadi dengan begitu saja, terdapat faktor yang berperan penting dalam munculnya gejala skizofrenia. Faktor-faktor yang dapat memicu gangguan jiwa skizofrenia antara lain (Hawari, 2014):

1. Faktor keturunan.

2. Adanya virus.

3. Auto-antibody.

4. Kekurangan gizi.

2.2.2 Gejala Skizofrenia

Gejala psikotik ditandai dengan adanya abnormalitas dalam bentuk serta isi dari pikiran, pemahaman, perasaan, dan tingkah laku. Berikut beberapa gejala yang dapat diamati oleh pasien penderita skizofrenia (Maramis, 2009):

1. Penampilan dan Perilaku Umum

Tidak ada ciri khusus penampilan atau perilaku bagi penderita skizofrenia, beberapa di antaranya dapat berpenampilan dan berperilaku layaknya orang normal. Penderita skizofrenia cenderung tidak memperhatikan penampilannya.

2. Gangguan Pembicaraan

Gangguan pembicaraan termasuk gejala inti pada pasien penderita skizofrenia. Kalimat yang diutarakan tidak nyambung atau tidak saling berhubungan. Gangguan pembicaraan akan menyebabkan pola pikir penderita skizofrenia sulit untuk dipahami.

3. Gangguan Afek

Pada gangguan ini penderita menjadi tidak peduli terhadap hal penting dalam dirinya misalnya keadaan keluarga serta masa depannya. Pada skizofrenia kemampuan untuk membuat hubungan emosi yang baik akan hilang, sehingga sulit mengetahui perasaan penderita.

4. Gangguan Persepsi

Gangguan halusinasi terjadi tanpa adanya kesadaran yang menurun, hal ini hampir tidak ditemukan pada keadaan lainnya. Untuk penderita skizofrenia paling sering mengalami halusinasi pendengaran, halusinasi penciuman.

5. Gangguan Pikiran

Waham atau gangguan isi pikiran pada pasien penderita skizofrenia sering tidak logis. Waham dibagi menjadi 2 kelompok, yakni waham primer dan waham sekunder (Meyer-Gross dalam Maramis, 2009).

2.2.3 Jenis Skizofrenia

Menurut Hawari (2014), skizofrenia dapat dibagi menjadi 5 kelompok atau tipe yang mana masing-masing tipe tersebut memiliki spesifikasi, yaitu:

1. Skizofrenia tipe Hebefrenik

Pasien penderita skizofrenia tipe ini dapat dikatakan juga sebagai disorganized type atau biasa disebut kacau balau, dengan ditandai beberapa gejala yaitu inkoherensi, yang mana pasien memiliki jalan pikiran yang kacau dan sulit dimengerti apa yang diinginkannya, kata-kata yang diucapkan tidak nyambung. Kemudian memiliki perasaan yang datar, dan perilaku kekanak-kanakan.

2. Skizofrenia tipe Katatonik

Seorang penderita skizofrenia tipe katatonik menunjukkan gejala stupor katatonik, yang mana terjadi penurunan hebat dalam reaksinya terhadap lingkungan, sehingga tampak seperti orang yang pendiam atau bisu. Penderita sering tidak mau makan maupun minum dan tidak tidur bahkan sampai berminggu-minggu, sehingga kondisi fisik akan memburuk.

3. Skizofrenia tipe Paranoid

Penderita skizofrenia tipe ini menunjukkan gejala waham, halusinasi yang berisi kejaran atau kebesaran. Tipe ini juga sering mengalami gangguan perilaku, misalnya cemas, merasa dirinya kebingungan.

4. Skizofrenia tipe Residual

Gejala penderita skizofrenia tipe residual tidak begitu menonjol, karena tidak menunjukkan gejala positif dari skizofrenia. Namun penderita ini harus tetap diperhatikan dengan cara menghidari melamun, menyendiri, dan perbanyak kegiatan atau bersosialisasi.

5. Skizofrenia tipe Tak Tergolongkan

Skizofrenia tipe ini tidak dapat digolongkan dalam tipe hebefrenik, katatonik, paranoid, maupun residual. Namun penderita skizofrenia tipe ini hanya memiliki gambaran klinis seperti waham, halusinasi dan tingkah laku kacau.

6. Skizofrenia tipe lainnya

a. Skizofrenia Simplex

Merupakan gangguan jiwa dengan adanya tanda gangguan realitas serta pemahaman diri yang buruk, yang berkembang secara perlahan dari perilakunya yang aneh. Penderita skizofrenia ini tidak terdapat waham ataupun halusinasi.

b. Gangguan Skizofreniform

Merupakan gangguan jiwa yang mirip dengan skizofrenia atau bisa dikatakan episode skizofrenia akut, namun jika penderita mengalami gangguan jiwa ini selama lebih dari 6 bulan bisa dikatakan sebagai gangguan skizofrenia.

c. Skizofrenia Laten

Penderita skizofrenia laten memiliki perilaku yang eksentrik atau bisa dikatakan tidak konsekuen. Alam perasaan yang aneh memberi kesan seperti penderita skizofrenia.

d. Gangguan Skizoafektik

Secara klinis, gangguan tipe ini didominasi pada gangguan perasaan yang menonjol seperti gembira yang berlebihan dan juga sedih yang terlalu mendalam atau depresi, serta adanya waham dan halusinasi.

2.3 Data Mining

Terdapat beberapa pendapat mengenai definisi dari data mining, secara umum definisi data mining dapat didefinisikan sebagai berikut:

1. Menurut Han & Kamber (2007), menerangkan bahwa data mining merupakan suatu proses dalam menemukan suatu pengetahuan berdasarkan jumlah data yang sangat besar dan disimpan dalam sebuah database, warehouse, atau tempat penyimpanan data informasi yang lain.

2. Data mining dapat diartikan sebagai knowledge discovery in database (KDD) yang merupakan suatu kegiatan dalam pengumpulan, penggunaan data historis yang berguna untuk menemukan suatu keteraturan serta hubungan pada set data dan memiliki ukuran yang besar (Santoso, 2007).

3. Kemudian menurut T. Larose (2005), mengatakan bahwa data mining termasuk bidang keilmuan yang menyatukan suatu teknik dari machine learning atau pembelajaran mesin, statistik, pengenalan pola, database serta visualisasi dalam menangani masalah terhadap pengambilan informasi dari jumlah data yang begitu besar.

Pada dasarnya, data mining berarti menganalisis suatu data dan menggunakan perangkat lunak dalam pencarian pola serta kecocokan pada sekumpulan data. Model data mining dibuat berdasarkan dua jenis yaitu supervised dan unsupervised. Metode data mining dapat dibagi menjadi beberapa jenis berdasarkan fungsinya, yakni klasifikasi, pengklasteran, association rules, dan attribute importance.

2.3.2 Klasifikasi

Klasifikasi merupakan suatu kegiatan atau proses dalam mengelompokan data ke dalam kelas tertentu berdasarkan ciri-ciri atau sifat serta pola yang terdapat dalam kelas tersebut. Proses dalam klasifikasi dilakukan dengan cara memberikan suatu data sebagai acuan dalam membuat aturan untuk pengklasifikasian data. Menurut Kuswani (2007), menerangkan bahwa klasifikasi merupakan suatu teknik melihat kelakuan serta atribut dari data yang sudah dikelompokkan, yang bertujuan untuk memberikan klasifikasi pada sebuah data baru dengan cara memanipulasi data yang sudah diklasifikasikan, dan hasilnya akan digunakan sebagai aturan. Proses dari klasifikasi dibagi menjadi 2 fase, menurut yakni learning dan testing (Pramudiono, 2003). Terdapat beberapa metode yang dapat digunakan untuk pengklasifikasian antara lain, Naive Bayes, Decision Tree, Neural Network, Support Vector Machine (SVM), dan K-Nearest Neighbor.

2.4 Machine Learning

Machine Learning adalah suatu metode untuk menempatkan data ke dalam kelas terbaik, yang memiliki suatu pembelajaran yang nantinya akan digunakan pada sistem. Metode pada Machine Learning memiliki karakter atau ciri masing-masing. Algoritme dalam Machine Learning dibagi menjadi dua yaitu supervised

learning yang memiliki fungsi memetakan nilai masukan ke dalam nilai keluaran yang diinginkan, contohnya adalah klasifikasi, dan unsupervised learning dimana memodelkan suatu himpunan masukan misalnya penggolongan, contohnya klastering. Salah satu metode Machine Learning untuk klasifikasi adalah Support Vector Machine (SVM), SVM termasuk dalam supervised learning yang berlaku untuk masalah klasifikasi dan regresi (Maimon & Rokach, 2010).

2.5 Support Vector Machine (SVM)

Support Vector Machine (SVM) adalah suatu pembelajaran menggunakan hipotesis yakni fungsi linier pada ruang fitur yang memiliki dimensi tinggi, dan dilatih menggunakan algoritme yang didasarkan pada optimasi. SVM berusaha menemukan suatu hyperplane atau garis pemisah yang dapat memisahkan kedua kelas (Nugroho, et al., 2003) yang dapat dilihat pada Gambar 0.1.

Gambar 0.1 Hyerplane SVM

Untuk mencari hyperplane yang terbaik antara dua kelas yaitu dengan cara menghitung nilai margin yang mana merupakan jarak antara hyperplane dengan pola terdekat dari setiap kelas. Pola yang terdekat disebut sebagai support

vector. Margin dapat dihitung dengan rumus w/1 (Nugroho, et al., 2003).

2.5.1 SVM Linear

SVM Linear merupakan suatu metode klasifikasi dengan cara memisahkan data secara linear. Untuk mencari garis pemisah (hyperplane) dari kedua kelas atau kelompok dapat menggunakan fungsi bwxbwf i ),( yang dapat

memisahkan menjadi dua kelompok yaitu kelas positif dan kelas negatif.

1 bwxi untuk 1iy (2.1)

1 bwxi untuk 1iy (2.2)

Keterangan:

Kelas 1

Kelas 2

Hyperplane

Maximum margin

Hyperplane Optimal Hyperplane

ix = data ke-i

w = nilai bobot support vector tegak lurus terhadap hyperplane

b = nilai bias

iy = kelas data ke-i yang ekuivalen dengan persamaan 2.3

01)( bwxiyi untuk i = 1,..,..,n. (2.3)

Keterangan:

n = jumlah data

2.5.2 SVM Non Linear

Terdapat data di beberapa kasus yang tidak dapat dikelompokkan dengan menggunakan metode SVM linear. Pada SVM non linear untuk mengklasifikasikan data dengan menggunakan fungsi kernel. Berikut macam-macam kernel dalam SVM:

1. Linier, dengan persamaan yxyxK ),( (2.4)

2. Polinomial of degree, dengan persamaan dyxyxK )(),( (2.5)

3. Polinomial of degree 2, dengan persamaan dcyxyxK )(),( (2.6)

4. Gaussian RBF, dengan persamaan

2

2

2exp),(

yxyxK (2.7)

Penjelasan:

),( yxK = fungsi kernel

x = data

y = kelas data

c = konstanta C

= sigma

2.5.3 Sequential Training

Terdapat beberapa jenis proses training pada Support Vector Machine (SVM), yakni Quadratic Programming, Sequential Minimal Optimization, dan Sequential Training. Penggunaan Quadratic Programming memerlukan waktu yang cukup lama, selain itu algoritmenya cukup kompleks. Sequential Minimal Optimization merupakan pengembangan dari Quadratic Programming, dan memilih untuk penyelesaian optimasi yang kecil, serta algoritme juga cukup kompleks. Sedangkan pada Sequential Training algoritme yang dimiliki lebih sederhana, serta tidak membutuhkan waktu yang begitu lama. Berikut adalah Algoritme Sequential Training (Vijayakumar & Wu, 1999).

1. Melakukan inisialisasi terhadap 1 lalu parameter lainnya, seperti .,,, C

Penjelasan

1 = sigma

1 = alfa, digunakan untuk mencari support vector

= konstanta gamma untuk mengontrol kecepatan

C = konstanta C untuk membatasi nilai alfa

= epsilon digunakan untuk mencari nilai error

2. Menghitung matriks Hessian dengan persamaan

)),(( 2 jijiij xxKyyD (2.8)

Dengan nji ,...,..,1,

Penjelasan

ix = data ke-i

jx = data ke-j

iy = kelas data ke-i

jy = kelas data ke-j

n = jumlah data

),( ji xxK = fungsi kernel yang digunakan

3. Mulai dari data ke i sampai dengan j, dapat dihitung menggunakan persamaan berikut

2.5.3.1.1.1.3.1 ij

n

j

ji DE

1

(2.9)

Penjelasan

ja = alfa ke-j

ijD = Matriks Hessian

ijE = Error rate

2.5.3.1.1.1.3.2 ),),1(min(max iiii aCaEa

(2.10)

Penjelasan

ia = alfa ke-i

= konstanta gamma

ijE = Error rate

C = konstanta C

2.5.3.1.1.1.3.3 iii aaa

(2.11)

Penjelasan

ia = alfa ke-i

ia = delta alfa ke-i

4. Langkah ketiga dilakukan secara berulang-ulang sampai mendapatkan iterasi

maksimum atau ( i )

5. Kemudian akan didapatkan nilai support vector SV, )( VthresholdSaSV i

misal thresholdSV = 0.

2.5.4 Testing Support Vector Machine

1. Langkah pertama menghitung nilai )(xf , dengan rumus sebagai berikut:

bxxKyaxf ij

m

i

i

),()(1

(2.12)

Penjelasan

ia = alfa ke-i

iy = kelas data ke-i

m = jumlah data yang merupakan SV

),( xxK i = fungsi kernel

b = nilai bias

Untuk mencari nilai b (bias) dapat menggunakan rumus sebagai berikut

m

i

m

i

iiiiii xxKyaxxKyab1 1

),(),(2

1 (2.13)

Penjelasan

ia = alfa ke-i

iy = kelas data ke-i

m = jumlah data yang merupakan SV

),(),,( xxKxxK ii = fungsi kernel yang akan digunakan

2. Langkah selanjutnya menghitung nilai ),( testji xxK

m

i

iji xxKyy1

)( (2.14)

Penjelasan

iy = kelas data ke-i

jy = kelas data ke-j

m = jumlah data yang merupakan SV

),( xxK i = fungsi kernel yang akan digunakan

3. Menghitung nilai )(xf test

m

i

iji bxxKyaxtestf1

),()( (2.15)

Penjelasan

iy = kelas data ke-i

jy = kelas data ke-j

m = jumlah data yang merupakan SV

),( xxK i = fungsi kernel yang akan digunakan

2.6 Model Evaluasi

Mengukur kinerja suatu sistem klasifikasi merupakan suatu hal yang sangat penting, yang mana menggambarkan apakah baik atau tidak sistem dalam mengklasifikasikan suatu data sehingga dapat diperoleh suatu nilai akurasi yang mana akurasi menggambarkan seberapa akurat sistem tersebut dalam mengklasifikasikan data dengan benar. Akurasi dapat dilihat pada Persamaan 2.16.

%100*aseluruhdat

benarjumlahdataAkurasi (2.16)

2.7 Tingkat Akurasi Hasil Pengujian

Nilai akurasi dilihat berdasarkan jumlah data yang diuji dan bernilai sama dengan nilai hasil klasifikasi. Untuk menghitung nilai akurasi dapat dicari dengan Persamaan 2.16.