ANALISIS PREDIKSI TINGKAT PENYAKIT ASMA DENGAN METODE

K NEAREST NEIGHBOR (KNN)

PROFESIONAL ISSUE

Oleh
Erik Gusni Ragil

132410101036

PROGRAM STUDI SISTEM INFORMASI

UNIVERSITAS JEMBER
22016

A. JUDUL
Prediksi Tingkat Penyakit Asma Dengan Metode K Nearest Neighbor (KNN)
B. LATAR BELAKANG
Penyakit asma merupakan sebuah penyakit yang menjadi masalah kesehatan
dimasyarakat. Angka kejadian pada bayi dan anak lebih tinggi dibandingkan pada
orang dewasa. Meskipun demikian, serangna asma untuk pertama kali tidak terlau
terjadi ada masa anak anak.
Serangan asma yang berat dapat menyebabkan kematian. Banyak faktor yang
menjadi fokus terjadinya kematian karena penyakit asma. Akan tetapi, yang jelas 77
dari 90kasus kematian karena asma dapat dicegah. Faktor faktor utama penyebab
kematian karena asma adalah ketidaktepatan diagnosisi, penelitian beratnya asma oleh
penderita maupun oleh dokter yang merawat kurang akurat, serta pengobatan yang
kuang memadai. Oleh karena itu, ketepatan dalam diagnosis, penilaian beratnya asma,
serta pemberian pengobatan yang tepat merupakan kunci pengobatan dalam serangan
penyakit asma akut.
Setelah melalui bebrapa fase perkembanganya, komputermodern telah
berperan nesar dalam memberikan dukungan kepada manusia untuk menyelesaikan
berbagai macam persoalan. Seiring dengan berkembangnya teknologi perangkat keras
computer, pekerjaan yang sebelumnya tidak dapat atau sulit dilakukan oleh computer,
kini dapat diselesaikan dengan cukup baik. Dengan hal ini, komputer telah banyak
digunakan dalam kehidupan manusia. Komputer telah menjadi subjek yang dominan
dalam bidang industry, perdagangan, kedokteran dan hampir disemua bidang aktivitas
kehidupan manusia.
Didunia kesehatan, komputer dapat diterapkan dibanyak kasus. Dalam kasus
ini komputer akan dilibatkan tentang penyakit asma pada masyarakat. Komputer akan
mendiagnosa gejala gejala yang dialami oleh pasien dan akan menghasilkan sebuah
keputusan bahwa pasien tersebut positif atau negatif mengidap penyakit asma.
Untuk mensukseskan diagnosa gejala gejala asma tersebut, metode k
nearest neighbor (KNN) adalah algoritma yang cocok untuk menghasilkan sebuah
prediksi keputusan medis dari atribut atribut yang telah dikumpulkan.

C. RUMUSAN MASALAH
Berdasarkan uraian diatas, permasalahan yang muncul adalah :
1. Bagaimana asma menjadi penyakit yang banyak dialami oleh masyarakat ?
2. Bagaimana mendiagnosis masyarakat yang memiliki penyakit asma atau tidak dan
cara pencegahannya ?
3. Bagaimana menerapkan metode k nearest neighbor (KNN) pada sistem
pendukung keputusan prediksi penyakit asma ?
D. TUJUAN
1. Memberikan wawasan tentang gejala gejala penyakit asma pada masyarakat.
2. Memberikan wawasan cara pencegahan terhadap penyakit asma.
3. Menerapkan metode datamining dalam dunia kedokteran.
4. Merancang dan membangun sistem pendukung keputusan prediksi penyakit asma.
E. MANFAAT
Manfaat penelitian ini adalah :
1. Bagi akademis
Penelitian yang dilakukan diharapkan memberikan sebuah informasi baru
terhadap pembaca yang akan membuat skripsi atau penelitian tentang dunia
kesehatan.
2. Bagi peneliti
a. Mengetahui gejala gejala yang diprediksi sebagai gejala pada penyakit asma.
b. Mengetahui cara penangan dari gejala gejala yang muncul.
c. Mengetahui penerapan metode k nearest neighbor (KNN) terhadap dunia
kesehatan dan algoritma alur kerjanya.
3. Bagi objek penelitian
Mempermudah proses pencegahan dan penanganan pada pasien yang mengalami
penyakit asma.
E. BATASAN MASALAH
Agar pembahasan penilitian ini tidak menyimpang dari apa yang telah
dirumuskan, maka dilakukan batasan pembahasan dalam penelitian ini,
antara lain :

1. Sistem Prediksi Tingkat Penyakit Asma sebagai alternatif bagi

masyarakat yang memiliki gejala gejala yang akan muncul pada
penderita penyakit asma.
2. Sistem dibangun berbasis website.

F. TINJAUAN PUSTAKA
F.1.

Landasan Teori

F.1.1. Asma
F.1.1.1.

Definisi Penyakit Asma

Asma adalah penyakit yang disebabkan oleh keadaan saluran napas

yang sensitif terhadap banyak rangsangan. Akibat dari kepekaan yang

berlebihan terhadap lingkungan sekitar, akan menyebabkan penyempitan
saluran pernapasan.
F.1.1.2.

Gejala Asma
Dasar kelainan adalah keadaan bronkus (percabangan

saluran pernapasan bagian dalam) yang hiperraktif akan terjadi

hal hal berikut:
1. Otot bronkus akan menyempit.
2. Selaput lendir bronkus membengkak.
3. Produksi lender menjadi banyak dan kental. Lendir yang
kental akan sulit dikeluarkan sehingga penderita menjadi
sesak napas.
Keadaan bronkus yang peka berlebihan akan menyebabkan
susah
bernapas. Hal ini menimbulkan gejala asma yang khas, yaitu
batu, sesak napas, dan wheezing atau mengi (napas berbunyi).
Bunyi mengi disebabkan oleh saluran napas yang menyempit,
sedangkan batuk disebabkan oleh produksi lendir yang
berlebihan.
Serangan asma disini tidak sama pada setiap orang. Bahkan,
pada satu penderita yang sama, berat dan lamanya seranga
dapat berbeda dari waktu ke waktu. Beratnya serangan dapat
bervariasi, mulai dari yang ringan sampai yang berat. Demikian

pula dengan lamanya serangan, bias saja singkat sebaliknya

dapat berhari hari. Diluar waktu serangan, biasanya penderita
berada dalam keadaan sehat.

F.1.1.3.

Klasifikasi Asma
Berdasarkan konsensus nasional, asma diklasifikasikan menjadi 3

kelompok:
1. Asma episodik jarang.
2. Asma episodik sedang.
3. Asma persisten (asma berat)
Klasifikasi tersebut berdasarkan pada 8 macam penilaian, yaitu
frekuensi serangan, lama serangan, intensitas serangan, keadaan diantara
serangan , tidur dan akktivitas, pemeriksaan fisik diluar serangan, perlu
atau tidaknya obat pengendali, dan fungsi paru paru diluar serangan.
Setelah diagnosis dan klasifikasi ditentukan dokter akan merencanakan
pengobatan untuk penderita.
Table 1 Klasifikasi Asma

No

1.

Parameter klinis

Asma episodik

Asma episodik

Asma

kebutuhan obat

jarang (asma

sering (asma

persisten

dan fungsi paru

Frekuensi

ringan )

sedang )

(asma berat)

< 1 kali/bulan

> 1 kali/bulan

Sering

serangan

Hampir
2.

Lama serangan

< 1 minggu

Satu minggu

sepanjang

atau lebih

tahun, tidak
ada remisi

3.
4.
5.
6.

Intensitas
serangan
Diantara
serangan
Tidur dan
aktivitas
Pemeriksaan
fisik diluar

Ringan
Tanpa gejala
Tidak terganggu
Normal

Lebih berat

Berat

Sering ada

Gejala siang

gejala
Sering

dan malam
Sangat

terganggu
Mungkin

terganggu
Tidak

terganggu

pernah

7.
8.

F.1.1.4.

serangan
Obat

Tidak perlu

Perlu,

terganggu
Perlu,
steroid
FEF/FEV, <
60%

pengendali
Fungsi paru

FEF/FEV, lebih

nonsteroid
FEF/FEV, 60

diluar serangan

dari 80%

80%

Pengobatan Asma
Serangan asma akut dapat dibedakan menjadi serangan akut, ringan,

serangan asma akut dan serangana akut berat. Kelaurga harus mengetahui
beratnya serangan asma yang dapat terjadi pada anak. Anak oerlu dibawa
ke rumah sakit jika terdaat gejala gejala seperti:
1.

Tidak dapat bernapas, badannya bungkuk kedepan, dan berbicara

terbata bata. Pada bayi, bayi tidak dapat minum, gelisah, kesadaran
menurun, pernapasan cepat dang dangkal.

2. Anak mengi sangat keras

Table 2 Derajat Serangan Asma Akut

Gejala klinis

Serangan

Serangan

ringan

sedang

Berjalan susah

Sesak napas

Serngan berat

Berbicara

Istirahat sudah

sudah sesak

sesak

Masih dapat

Lebih enak

Duduk harus

berbaring

duduk,

membungkuk

berbaring

kedepan

sesak
Berbicara

Dapat

Berbicara

Sukar

menyesuaikan

terputus

berbicara

Kegelisahaan

kalimat
Kadang

putus
Selalu gelisah

karena sesak
Selalu gelisah

Frekuensi

kadang gelisah
Meningkat

Meningkat

Sering > 30

pernapasan
Otot otot

Biasanya tidak

Biasanya

kali/menit
Biasanya

bantu napas
Bising mengi

digunakan
Sedang, sering

digunakan
Keras

digunakan
Keras

hanya akhir

ekspirasi
Nadi/menit

< 100

100

>120

120
Potensi asma dapat menyebabkan nyawa menghilang. Oleh
karena itu, pengobatan dan penilaian keadaan penderita harus akurat
dan tepat. Secara idealnya harus lewat kerumah sakit. Meskipun
demikian, pencegahan dan pengobatan dini, merupakan obat yang
paling ampuh dalam mengatasinya.
Secara keseluruhan, tujuan tatalaksanaan serangan asma akut
adalah sebagi berikut:
1. Meredakan penyempitan jalan napas dengan segera mungkin
2. Mengurangi hipoksema (kurangnya oksiegen delam darah)
3. Mengembalikan fungsi paru paru ke keadaan normal secepatnya
Berikut ini adalah jenis jenis serangan asama akut:
1. Asma akut ringan
Asma akut ringan dapat ditandai dengan gejala berupa batuk
dan mengi tanpa disertai kegelisahaan. Tidak ada gangguan
aktivitas dan anak dapat berbicara normal.
Dapat diberikan pengobatan dengan inhalasi agonis beta-2
sampai 3 kali pemberian dalam 1 jam pertama,dengan selang waktu
20 menit. Dapat juga diberikan nebulizer. Jika dengan 1kali
pemeberian obat keadaan anak membaik, berarti serangan akut
ringan. Biasanya, anak akan membaik terus tanpa membutuhkan
tindakan lain. Obat dapat diteruskan selama 24-28 jam, berikan 4-6
jam.
Jika serangan timbul kembali dalam waktu kurang dari 3 jam
maka perlu diberikan steroid tablet, selain agonis beta-2 jika
gejala memburuk anak harus dibawa kerumah sakit.
2. Asma akut sedang

Penderita ini biasaya mengi yang terdengar tanpa stetoskop,

juga namapak otot otot pernapasan tamabahan, pernapasan agak
cepat terdapat gangguan aktivitas (sulit berjalan) dan berbicara
terganggu. Kadang kadang pemberian agonis beta-2 dosis tinggi
secara inhalasi atau agonis beta-2 dikombinasikan dengan
ipratropium bromide melaui nebulizer, kondisi sesak membaik.
Jika keadaan membaik, pengobatan dapat diberikan seriap 4 jam
selama 24-36 jam.
Akan tetapi, jika kondisi tidak berubah, perlu diberikan steroid
yaitu prednisolone atau sejenis 1-2 mg/kbBB/hari. Meskipun
demikian, agonis beta-2 tetap akan diberikan. Jika setelah
pemeberian agonis beta-2 sebanyak 1 kali tidak ada
perbaikan, anak harus dirujuk kerumah sakit.

3. Asma akut berat

Semua penderita asma akut harus dibawa kerumah sakit dan
memberikan oksigen. Agonis beta-2 diberikan secara nebulizer
disertai dengan pemberian oksigen. Selain itu anak emerlukan obat
obatan lain yang doberikan secara intravena (suntikan). Jika
keadaan seudah membaik, biasanya dokter mengajurkan agar anak
dapat dirawat inap sementara waktu, untuk pengobatan dan
evaluasi keadaan penyakitnya.
Jika pengobatan tersebut tidak menolong, maka perlu di unit
perawatan intensif (ICU = intensive care unit). Jika perlu dapat
dipasang intubasi (pemasangan selang ke dalam trakea) dan
kemudian disambung ke ventilitator untuk membantu pernapasan.
F.1.2. Decision Support System
Decision Support System (DSS) adalah sebuah teknik untuk membantu
manajement dalam proses megambil keputusan. Sebuah system yang dapat dibuat
sebagai pertimbangan sebelum seroang individu memutuskan perkara suatu hal. DSS
merupakan implementasi dari teori-teori pengambilan keputusan yang telah
diperkenalkan oleh ilmu-ilmu operation research dan management science. Yang

terdahulunya masih menggunakan manual dalam perhitungan keputusan, dengan

adanya DSS akan mengkomputerisasi suatu pekerjaan manual.
F.1.3. K Nearest Neighbor (KNN)
Algoritma K Nearest Neighbor (KNN) adalah sebuah metode untuk
melakukan klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya
paling dekat dengan objek tersebut. K Nearest Neighbor (KNN) termasuk kelompok
instance-based learning. Algoritma ini juga merupakan salah satu teknik lazy
learning. KNN dilakukan dengan mencari kelompok k objek dalam data training yang
paling dekat (mirip) dengan objek pada data baru atau data testing. Objek berdasarkan
data pembelajaran yang jaraknya paling dekat dengan objek tersebut. Nearest
Neighbor adalah pendekatan untuk mencari kasus dengan menghitung kedekatan
antara kasus baru dan kasus lama yaitu berdasarkan pada pencocokan bobot dari
sejumlah fitur yang ada.
Untuk mendefinisikan jarak antara dua titik yaitu titik pada data training (x) dan
titik pada data testing (y) maka digunakan rumus Euclidean, seperti yang ditunjukkan
pada persamaan.

Dengan D adalah jarak antara titik pada data training x dan titik data testing y
yang akan diklasifikasi, dimana x = x1,x2,,xi dan y = y1,y2,,yi dan I
merepresentasikan nilai atribut serta n merupakan dimensi atribut.
Pada fase training, algoritma ini hanya melakukan penyimpanan vektor vektor
fitur dan klasifikasi data training sample. Pada fase klasifikasi, fitur-fitur yang sama
dihitung untuk testing data (yang klasifikasinya tidak diketahui). Jarak dari vektor
baru yang ini terhadap seluruh vektor training sample dihitung dan sejumlah k buah
yang paling dekat diambil.
Langkah-langkah untuk menghitung metode Algoritma K-Nearest Neighbor:
a. Menentukan Parameter K (Jumlah tetangga paling dekat).
b. Menghitung kuadrat jarak Euclid (queri instance) masing-masing objek
terhadap data sampel yang diberikan.
c. Kemudian mengurutkan objek-objek tersebut ke dalam kelompok yang
mempunyai jarak Euclid terkecil.

d. Mengumpulkan kategori Y (Klasifikasi Nearest Neighbor)

e. Dengan menggunakan kategori Nearest Neighbor yang paling mayoritas maka
dapat diprediksi nilai queri instance yang telah dihitung.
Metode Pembobotan
Rumus yang dapat digunakan sebagai berikut:
a. Input nilai kriteria masing masing model
b. Input bobot masing masing kriteria
c. Hitung normalisasi dari bobot
Keterangan : SBK = kriteria
BBT = bobot kriteria
NK = nilai kriteria
F.1.4. Klasifikasi
Data classification memiliki dua tahap proses. Tahap pertama adalah membangun
suatu model yang berdasarkan serangkaian data class, yang disebut learned model.
Model tersebut dibangun dengan menganalisa database tuple. Setiap tuple
diasumsikan menjadi predefined class yang ditentukan oleh satu atribut yang disebut
class label attribute.
F.1.5. Model Rekayasa Perangkat Lunak
Untuk membangun sebuah sistem perangkat lunak haruslah menggunakan sebuah
model pengembangan. Berikut adalah model pengembangan model Waterfall

gambar. 1 Waterfall model

F.1.5.1.

Analisi kebutuhan
Tahap pertama pada proses perancangan perangkat lunak adalah analisis

kebutuhan. Pada tahap ini, peneliti mencari permasalahan yang ada untuk dapat
dianalisis kebutuhan yang diperlukan, sebagai solusi dari permasalahan yang muncul.
Data kebutuhan dibagi menjadi kebutuhan fungsional dan non-fungsional. Pada
sistem ini dibutuhkan juga data-data kriteria yang akan digunakan sebagai pendukung
keputusan. Data yang sudah terkumpul akan menentukan bagaimana fitur yang akan
dibagun pada sistem.
F.1.5.2.

Desain
Pembuatan desain system pada penelitian ini menggunakan Unified Modelling

Languange (UML) yang dirancang dengan konsep Object-Oriented Programming

(OOP). Pemodelan UML yang digunakan adalah sebagai berikut:
a. Business Process
Business process adalah diagram yang memperlihatkan inputan yang
digunakan sistem, output yang dihasilkan sistem, dan tujuan pembuatan
sistem.
b. Use Case Diagram
Use case diagram adalah gambaran fitur dari sistem yang dijalankan oleh
aktor. Pada diagram ini dapat dilihat juga hak akses dari aktor.
c. Sequance Diagram
Sequance diagram adalah diagram yang menggambarkan interaksi antara
objek satu dengan yang lain di dalam sistem yang dibangun pada urutan
waktu. Diagram juga menggambarkan interaksi antara aktor, fitur, serta data
yang berjalan.
d. Activity Diagram
Activity diagram adalah penggambaran alir sistem yang akan dibangun,
bagaimana sistem dari awal hingga sistem ditutup, serta bagaimana alir sistem
ketika diimplementasikan dengan metode yang digunakan.
e. Class Diagram
Class diagram adalah diagram yang menggambarkan kelas-kelas dalam
sebuah sistem dan hubungannya antara satu kelas dengan yang lain. Dalam
kelas ini juga ditampilkan atribut dan operasi yang ada pada sistem.
f. Entity Relation Diagram (ERD)

Entity relation diagram (ERD) adalah diagram yang menggambarkan relasi objek-objek
dasar data dalam sebuah basis data.
F.1.5.3.

Implementation & Unit Testing

Desain yang sudah dibuat pada tahap sebelumnya digunakan sebagai acuan

dalam pembangunan sistem. Sistem dibangun menggunakan bahasa pemrograman

Page Hypertext Pre-Processor (PHP) dengan tool yang digunakan Notepad++, dan
database yanng digunakan adalah MySQL. Proses pengkodean menggunakan
framework Laravel karena mendukung penggunaan konsep Object Oriented
Programming (OOP).
F.1.5.4.

Integration and Testing

Tahap testing harus dilakukan sebelum sistem diserahkan kepada user. Tahap

dilakukan agar programer dapat mengetahui apakah sistem yang dibangun sesuai
dengan kebutuhan yang telah dianalisis diawal. Serta agar mengetahui apakah
terdapat kesalahan pada sistem yang dibangun. Tahap testing dilakukan guna
menyempurnakan sistem sebelum diserahkan kepada user. Pada tahap testing ini
dilakukan pengujian dengan metode white-box dan metode balck-box.
White-box testing adalah metode desain test case yang menggunakan struktur
kontrol desain prosedural untuk memperoleh test case (Pressman 2005). Pada
penelitian ini metode yang digunakan dalam pengujian white box adalah independent
path dengan menggunakan cyclomatic complexity.
Cyclomatic complexity yaitu metrik perangkat lunak yang menyajikan ukuran
kuantitatif dari kekompleksan logikal suatu program. Cyclomatic coplexity digunakan
untuk mencari jumlah path dalam suatu flowgraph. Rumus yang digunakan dalam
menghitung cyclomatic complexity adalah sebagai berikut :
V(G) = E N + 2
Keterangan :
E : Jumlah edge grafik alir
N : Jumlah node grafik alir
Black box testing adalah menguji perangkat lunak dari segi spesifikasi
fungsional tanpa menguji desain dan kode program. Pengujian dimaksudkan untuk
mengetahui apakah fungsi-fungsi, masukan, dan keluaran dari perangkat lunak sesuai

dengan spesifikasi yang dibutuhkan. Pengujian dilakukan dengan membuat kasus uji
yang bersifat mencoba semua fungsi apakah sesuai dengan spesifikasi yang
dibutuhkan (Shalahuddin dan Rosa 2011). Pengujian black box sperti pada tabel
berikut:
Tabel 3. 1

Tabel Uji

Black Box

F.1.5.5.

Operation and Maintenance

Tahap operations & maintenance adalah tahap akhir dari model waterfall.

Tahap ini dilakukan setelah sistem melalui tahap pengujian baik melalui pengujian
white-box maupun pengujian black-box. Tahap operations & maintenance dilakukan
guna pengembangan sistem atau mengatasi masalah (bugs) yang muncul setelah sistem
diserahkan kepada user.

G. LUARAN YANG DIHARAPKAN

1. Artikel Ilmiah
2. Applikasi Prediksi Tingkat Penyakit Asma
3. Proposal Skripsi
H. DAFTAR PUSTAKA