DIAGNOSIS GANGGUAN SISTEM URINARI PADA ANJING DAN KUCINGMENGGUNAKAN VFI 5

Dhany Nugraha Ramdhany 1, Aziz Kustiyo 2, Ekowati Handharyani 3, dan Agus Buono"

1,2,4 Departemen IImu Komputer, FMIP A, IPB, Kampus IPB Darmaga3 Departemen Klinik, Reproduksi dan Patologi, Fakultas Kedokteran Hewan, IPB

pudesharglyahoo.co.id

Abstrak

Sistem urinari hewan dapat dibagi menjadi 2 bagian yaitu sistem urinari bagian atas dan sistemurinari bagian bawah. Ginjal yang merupakan bagian dari sistem urinari memiliki 2 fungsi penting,yaitu filtrasi dan reabsorpsi. Dalam mendiagnosis penyakit yang diderita hewan pada sistemurinarinya terdapat beberapa kendala. Pada penelitian ini, dikembangkanmodel untukmendiagnosis gangguan sistem urinari pada anjing dan kucing dengan menggunakan algoritmaVFI 5 berdasarkan gejala klinis (terdapat 37 feature) dan pemeriksaan laboratorium (39 feature).Percobaan dilakukan baik pada feature gejala klinis dan juga pada feature pemeriksaanlaboratorium. Hasil pengamatan yang dilakukan menunjukkan bahwa akurasi rata-rata sebesar77,38% untuk percobaan denganfeature gejala klinis, dan 86,31 % untuk percobaan denganfeaturepemeriksaan laboratorium. Peningkatan ini mengindikasikan bahwa dalam mendiagnosis penyakitdalam sistem urinari, pemeriksaan laboratonum masih sangat dibutuhkan dalam menentukan hasildiagnosis suatu penyakit.

Kata kunci: Voting Feature Interval 5 (VFI5), Renal Disease, Urinary Tract.

1. Pendahuluan

Sistem urinari memiliki tiga fungsi, yaitumetabolisme, hormonal dan ekskresi. Sistem initerdiri dari dua bagian, yaitu sistem urinari bagianatas dan bagian bawah. Sistem urinari bagian atashanya terdiri dari ginjal sedangkan sistem urinaribagian bawah disusun oleh ureter, vesica urinaria(gall bladder) dan urethra, seperti diperlihatkan padaGambar 1.

Gambar 1. Sistem Urinari Atas dan bawah padaAnjing

Pada sistem urinari, ginjal memiliki peranan yangsangat penting karena ia memiliki dua fungsi utama,yaitu filtrasi dan reabsorpsi. Selain itu, ginjal jugamemiliki peranan penting dalam sistem sirkulasidarah. Ginjal turut berperan, dalam proses

pembentukan sel darah merah dan menjaga tekanandarah [1].

Sama halnya pada manusia, hewan pun dapatmengalami gangguan pada sistem urinarinya.Gangguan tersebut dapat terjadi pada sistem urinaribagian bawah, bagian atas, maupun keduanya.Gangguan yang diderita baik oleh manusia maupunhewan, pada akhimya dapat menyebabkan individutersebut mengalami gagal ginjal, yaitu suatu keadaantidak berfungsinya ginjal dengan baik, dan kondisitersebut dapat menyebabkan kematian pada individupenderitanya.

Terdapat beberapa kendala dalam mendiagnosisgangguan sistem urinari pada hewan, antara lain: (1)hewan tidak dapat memberitahukan secara langsungapa keluhan yang dideritanya, dan (2) beberapapemeriksaan yang dilakukan memerlukan biaya yangcukup besar sedangkan tidak semua pernilik hewanbersedia mengeluarkan dana yang cukup besar untukpemeriksaan tersebut.

Kendala-kendala di atas dapat menyulitkanpemeriksaan dan penentuan diagnosis yang tepatapakah hewan-1ei-sebut terkena gangguan ginjal atautidak. Padahal dibutuhkan diagnosis yang tepat untukmenentukan terapi yang sesuai. Hal ini dikarenakanterdapat beberapa obat yang bersifat meracuni ginjal.Jika hewan yang bermasalah pada ginjalnya tidakberhasil di diagnosis dengan tepat, maka terdapatkemungkinan terapi yang dilakukan mengharuskanhewan itu mengkonsumsi obat-obatan yang dapatmeracuni ginjalnya. Jika hal itu terjadi saat ginjal

85 [urnal Ilmu Komputerdan lnformasi, Volume 2, Nomor 2, ISSN 1979 - 0732

Diagnosis Ganggunan Sistem Urinari pada Anjing dan Kucinq Menggunakan VFI5

hewan terganggu, rnaka kondisi ginjal terutamafungsi dari ginjalnya akan semakin memburuk danakan mempercepat proses terjadinya gagal ginjal.

Oleh karena itu diperlukan suatu caralalat yangdapat membantu penentuan diagnosis, dalam kasusini penyakit pada gilljal atau bukan, agar dapatditentukan terapi yang tepat sehingga pada saatpengobatan tidak menimbulkan efek buruk padaginjal,

Selanjutnya, paper ini disajikan dengan susunansebagai berikut: Bagian 2 mengenai landasan teoriyang terdiri dari sistem urinari, ginjal, K-Fold CrossValidation, dan Voting Feature Intervals (VFI5).Tahapan yang dilakukan pada penelitian ini disajikanpada bagian 3. Bagian 4 memberikan deskripsimengenai hasil serta bahasannya. Bagian akhir paperini menyajikan kesimpulan serta saran untukpenelitian selanjutnya.

2. Landasan Teori

2.1. Sistem UrinariSistem urinari adalah sistem organ dalam tubuh

yang terdiri dari ginjal, vesica urinaria, ureter danurethra [1,2]. Organ-organ tersebut berperan dalamproduksi dan ekskresi urin. Organ utama dari sistemini adalah ginjal yang memfiltrasi darah danmemproduksi urin sedangkan organ lainnya hanyalahstruktur tambahan untuk menyimpan danmengalirkan urin [2J.

Sistem urinari memiliki tiga fungsi yaitu:metabolisme, hormonal dan ekskresi [3J. Sistemurinari bertanggung jawab dalam filtrasi kotorandalam darah dan dalam produksi maupun sekresi urin.

2.1. GinjalGinjal adalah organ yang terdapat pada daerah

lumbal dan termasuk ke dalam bagian dari sistemurinari [1]. Fungsi dari ginjal adalih mem-filterdarah, mengekskresikan urin dan mengaturkonsentrasi hidrogen, sodium, potasium, fosfat danion-ion lain yang terdapat di dalam cairan ekstrasel.

2.2. KlasifikasiKlasifikasi merupakan proses menemukan

sekumpulan model (atau fungsi) yangmenggambarkan dan membedakan konsep atau kelas-kelas data. Tujuannya adalah agar model tersebutdapat digunakan untuk memprediksi kelas dari suatuobjek atau data yang label kelasnya tidak diketahui[4J.

Klasifikasi terdiri atas dua tahap, yaitu pelatihandan prediksi. Pada tahap pelatihan, dibentuk sebuahmodel domain permasalahan dari setiap instance yangada. Penentuan model terse but berdasarkan analisispada sekumpulan data pelatihan, yaitu data yang labelkelasnya sudah diketahui. Pada tahap prediksi,dilakukan prediksi kelas dari instance (kasus) barudengan menggunakan model yang telah dibuat pada

tahap pelatihan [5].2.3. K-Fold Cross Validation

Validasi silang dan bootstrapping merupakanmetode dalam memperkirakan generalisasi errorberdasarkan resampling (Weis dan Kulikowski 1991,dalam [6]). Metode k-fold cross validation membagisebuah himpunan contoh secara acak menjadi ksubset yang saling bebas. Dilakukan pengulangansebanyak k-kali untuk pelatihan dan pengujian. Padasetiap ulangan, disisakan satu subset untuk pengujiandan subset lainnya untuk pelatihan (Stone 1974,dalam [7]). Tingkat akurasi dihitung dengan membagijumlah keseluruhan klasifikasi yang benar denganjumlah semua instance pada data awal [4].

2.5. Voting Feature Intervals (VFI5)Algoritrna klasifikasi Voting Feature Intervals

(VFI 5) merepresentasikan deskripsi sebuah konsepoleh sekumpulan interval nilai-nilai feature atauatribut (Demiroz et al. 1997, [5J dan [8]).Pengklasifikasian instance baru berdasarkan votingpada klasifikasi yang dibuat oleh nilai tiap-tiapfeature seczra terpisah. VFI 5 merupakan algoritmaklasifikasi yang bersifat non-incremental di manasemua instance pelatihan diproses secara bersamaan(Gtrvenir & Sirin 1996 dalam [8]).

Dari instance-instance pelatihan tersebut,Algoritma VFI 5 membuat interval untuk setiapfeature. Interval-interval yang dibuat dapat beruparange interval atau point interval. Point intervalterdiri atas seluruh end point secara berturut-turut.Range interval terdiri atas nilai-nilai antara dua endpoint yang berdekatan tetapi tidak termasuk keduaend point tersebut. Untuk setiap interval, vote setiapkelas pada interval tersebut disimpan. Dengandemikian, sebuah interval dapat merepresentasikanbeberapa kelas dengan menyimpan vote setiap kelas,sehingga algoritma VFI dapat dikatakan sebagaiMulti-Class feature projection based algorithms.

Keunggulan algoritma'VFI 5 adalah algoritma inicukup kokoh (robust) terhadap feature yang tidakrelevan tetapi mampu memberikan hasil yang baikpada real-world datasets yang ada. VFI 5 mampumenghilangkan pengaruh yang kurangmenguntungkan dari feature yang tidak relevandengan mekanisme voting-nya, [5].

Algoritma Klasifikasi VFI 5 mampu melakukanklasifikasi lebih cepat dibandingkan dengan algoritmaNearest Neighbor dan Decision Tree, [9J. VFI 5mampu menangani nilai feature yang tidak diketahui(hilang) dengan cara mengabaikan nilai featureterse but yang ada pada data pelatihan dan datapengujian. Namun pada algoritma klasifikasi lainseperti Nearest Neighbor dan Decision Tree, nilaitersebut harus diganti (Quinlan 1993 dalam [9]).Algoritma VFI 5 terdiri atas dua tahap, yaitupelatihan dan klasifikasi.

[urnal Ilmu Komputer dan lnformasi, Volume 2, Nomor 2, ISSN 1979 - 0732 86

> .

Dhany Nugraha Ramdhany, Aziz Kustiyo, Ekowati Handharyani, dan Agus Buwono

2.5.1. PelatihanLangkah pertama pada tahap pelatihan adalah

menemukan end point setiap feature f dari setiapkelas c. End point untuk feature linier, yaitu featureyang nilainya memiliki urutan atau bisa dibandingkantingkatannya, merupakan nilai minimum dan nilaimaksimum feature tersebut. End point untuk featurenominal, yaitu feature yang nilainya tidak memilikiurutan dan tidak bisa dibandingkan tingkatannya,merupakan semua nilai yang berbeda yang ada padafeature kelas yang sedang diamati. Sebelum dibentukinterval, seluruh end point yang diperoleh untuksetiap feature linier diurutkan. Jika suatu featuremerupakan feature linier maka akan dibentuk duainterval yaitu point interval dan range interval. Jikafeature tersebut merupakan feature nominal makahanya dibentuk point interval.

Batas bawah pada range interval (ujung palingkiri) adalah -00 sedangkan batas atas range interval(ujung paling kanan) adalah +00. Jumlah maksimumend point pada feature linier adalah 2k sedangkanjumlah maksimum intervalnya adalah 4k+ 1, dengan kadalah jumlah kelas yang diamati.

Setelah itu, jumlah instance pelatihan setiap kelasc dengan feature f untuk setiap interval i dihitung dandirepresentasikan sebagai interval_class _count[/, i,c].Untuk setiap instance pelatihan, dicari interval i,yaitu interval nilai feature f dari instance pelatihan e(ej) tersebut berada. Jika interval i merupakan pointinterval dan ej sarna dengan batas bawah intervaltersebut (sarna dengan batas atas untuk pointinterval), jumlah kelas instance tersebut (ej) padainterval i ditambah 1. Jika interval i merupakan rangeinterval dan ej jatuh pada interval tersebut makajumlah kelas instance ej pada interval i ditambah 1.Hasil proses ini merupakan vote kelas c pada intervali.

Untuk menghilangkan efek perbedaan distribusisetiap kelas, vote kelas c untuk feature f pada intervali dinormalisasi dengan cara membagi vote tersebutdengan jumlah instance kelas c yangdirepresentasikan dengan class _count[ c]. Hasilnormalisasi ini dinotasikan sebagaiinterval_class _vote[/, i,c]. Kemudian nilai-nilaiinterval_class _vote[/, i,c] dinormalisasi sehinggajumlah vote beberapa kelas pada setiap feature sarnadengan 1. Normalisasi ini bertujuan agar setiapfeature memiliki 'kekuatan voting yang sarna padaproses klasifikasi yang tidak dipengaruhi olehukurannya.

2.5.2. Prediksi (klasifikasi)Proses klasifikasi diawali dengan inisialisasi vote

setiap kelas dengan nilai DOl.Untuk setiap feature j,dicari interval i di mana nilai ej jatuh, dengan ejmerupakan nilai feature f dari instance tes e. Jika ejtidak diketahui (hilang), feature tersebut tidakdiikutsertakan dalam voting (memberikan vote nol

untuk setiap kelas). Oleh karena itu, feature yangmemiliki nilai tidak diketahui diabaikan.

Jika ej diketahui maka interval tersebut dapatditemukan. Interval tersebut dapat menyimpaninstance pelatihan dari beberapa kelas. Kelas-kelasdalam sebuah interval direpresentasikan oleh votekelas-kelas tersebut pada interval itu. Untuk setiapkelas c,feature f memberikan vote yang sarna denganinterval class vote[/,i,c]. Notasi tersebutmerepresentasikan vote feature f yang diberikan untukkelas c.

Setiap feature f mengumpulkan vote-vote-nyadalam sebuah vektor (feature_vote[f,Cj], ••• ,

feature_vote[f,~], ... , feature_vote[f,Ck]), di manafeature_vote[f,Cj] meiupakan vote feature f untukkelas Cj dan k adalah jumlah kelas.. Kemudian dvektor vote, di mana d merupakan jumlah feature,dijumlahkan untuk memperoleh total vektor vote(vote[Cj], .•. , vote[Ck]). Kelas dengan jumlah voteterbesar diprediksi sebagai kelas dari instance tes e.Algoritma detail dari VFI5 dapat dilihat pada [9].

3. Tahapan Proses Penelitian

Penelitian ini mempunyai beberapa tahapanproses untuk mengetahui akurasi yang diperolehalgoritma VFI 5 dalam pengklasifikasian penyakityang menyerang ginjal dan non ginjal, sepertidisajikan pada Gambar 2. Proses utama yang terjadiyaitu praproses, pelatihan untuk melihat domainpermasalahan data dan prediksi (klasifikasi) untukmenduga kelas dari suatu instance baru.

3.1. DataSemua data yang akan digunakan dalam

penelitian ini adalah data hewan dalam hal ini anjingdan kucing yang menderita gangguan sistem urinari(ginjal dan non-ginjal) dari Rumah Sakit HewanInstitut Pertanian Bogor.

Gambar 2. Tahapan proses klasifikasi data.

87 ~Jurnal Ilmu Komputer dan Informasi, Volume 2, Nomor 2, ISSN 1979 - 0732

Diagnosis Ganggunan Sistem Urinari pada Anjing dan Kucing Menggunakan VFI5

3.2. PraprosesSebelum digunakan dalam Algoritma VFI 5,

feature pada setiap instance dipilih kembali agardiperoleh feature-feature yang bersesuaian dengangejala pada gangguan sistem urinari. Proses ini akanmenghasilkan 2 himpunan data yang sama tapidengan jumlah feature yang berbeda untuk masing-masing himpunan.

3.3. Data Latih dan Data UjiSeluruh data yang digunakan dibagi menjadi tiga

subset dengan ukuran contoh yang lebih kurang samaberdasarkan metode 3-fold cross validation yangdigunakan. Pembagian data dilakukan secara acakdengan mempertahankan perbandingan jumlahinstance setiap kelas. Ketiga subset yang dihasilkanakan digunakan sebagai data pelatihan dan datapengujian.

Sesuai dengan hasil praproses, maka data latihdan data uji pada penelitian ini akan digunakan dalamdua kali percobaan dengan jurnlah feature yangberbeda. Pada percobaan pertama, featurepemeriksaan laboratorium akan dihilangkansedangkan pada percobaan yang kedua featurepemeriksaan laboratorium akan digunakan. Hal inidilakukan untuk membandingkan akurasi yangdiperoleh dengan dan tanpa feature pemeriksaanlaboratorium.

3.4. Algoritma VFl5Pada penelitian ini digunakan algoritma VFI 5

dengan bobot setiap feature diasumsikan seragam,yaitu satu. Bagian ini terdiri atas dua proses yaitupelatihan dan prediksi (klasifikasi) kelas instancebaru.

3.5. PelatihanData yang telah dibagi menjadi beberapa subset

kemudian digunakan sebagai input algoritmaklasifikasi VFI 5. Pelatihan dilakukan dalam tiga kaliiterasi. Pada iterasi pertama, subset yang digunakansebagai data latih adalah subset kedua dan ketiga.Pada iterasi kedua, data latih terdiri dari subsetpertama dan ketiga sedangkan pada iterasi ketiga,data latih terdiri dari subset pertama dan kedua.

Pada tahap pelatihan akan dibentuk interval-interval dari setiap feature yang ada. Jika featuretersebut adalahfeature linier maka akan dibentuk duabuah interval, yaitu point interval dan range interval.Jika feature tersebut adalah feature nominal maka'~~;'hanya akan dibentuk satu interval, yaitu pointinterval. Setelah semua interval terbentuk, langkahselanjutnya adalah menghitung jumlah instance setiapkelas yang berada pada setiap interval tersebut.

3.6. KlasifikasiPada tahap klasifikasi, setiap nilai feature dari

suatu instance baru diperiksa letak interval nilai

feature tersebut. Vote-vote setiap kelas untuk setiapfeature pada setiap interval yang bersesuaian diambildan kemudian dijurnlahkan. Ke1as dengan nilai totalvote tertinggi menjadi ke1as prediksi instance barutersebut. Sama seperti tahap pelatihan, tahap inipundilakukan dalam tiga iterasi. Pada iterasi pertama,data uji yang digunakan untuk klasifikasi adalah datadari subset pertama. Pada iterasi kedua, data uji yangdigunakan berasal dari subset kedua sedangkan padaiterasi ketiga, subset ketigalah yang digunakansebagai data uji.

Proses pelatihan dan klasifikasi dilakukan selang-seling pada tiap iterasi. Pada iterasi pertamadilakukan pelatihan terlebih dahulu lalu dilanjutkandengan klasifikasi, begitu seterusnya hingga tigaiterasi.

3. 7. AkurasiHasil yang diamati pada penelitian ini adalah

perubahan rata-rata tingkat akurasi algoritma VFI 5dalam mengklasifikasikan data pengujian denganmenggunakan validasi silang, yaitu 3-fold crossvalidation. Tingkat akurasi diperoleh denganperhitungan :

tingkat akurasiL data uji benar dildasifikasi

L total data uji

4. Hasil dan Analisis

Penelitian diawali dengan pengumpulan datarekam medik dari Rumah Sakit Hewan IPB, Bogor.Data yang diambil merupakan data hewan penderitagangguan sistem urinari dengan jenis hewan 2 yaituanjing (canine) dan kucing (feline). Selanjutnyadilakukan tahap praproses terhadap data yang berhasildiperoleh. Tahap ini dilakukan dengan tujuan untukmengurangi feature (gejala klinis dan hasilpemeriksaan laboratorium) yang diperoleh dalamtahap pengumpulan data sehingga didapatkanfeature-feature yang relevan terhadap gangguan sistemurinari. Data rekam medik hasil praproses memiliki39 feature yang terdiri dari 37 feature gejala klinisdan 2 feature pemeriksaan laboratorium. Pada Tabel Idapat terlihat spesifikasi data hasil praproses tanpafeature pemeriksaan laboratorium sedangkan padaTabel 2 dapat terlihat spesifikasi data hasil praprosesdenganfeature pemeriksaan laboratorium.

Tabell. Spesifikasi data basil praproses tanpafeaturepemeriksaan laboratorium

Nama data Jumlah Jumlah Jumlahinstance feature kelas

Hasil pra-proses 44 37 2

[urnal Ilmu Komputer dan lnformasi, Volume 2, Nomor 2, ISSN 1979 - 0732 88

Dhany Nuqraha Ramdhany, Aziz Kustiyo, Ekowati Handharyani, dan A!Jus Buwono

4.1.1. Iterasi pertamaPada iterasi ini, proses pelatihan menghasilkan

vote yang cukup berimbang pada beberapa featureuntuk kedua kelas. Sebagai contoh, pada feature 5(kiposis) vote yang diberikan untuk interval bemilai °(tidak terdapat gejala kiposis) hanya berbeda 0,05.Hal ini mempengaruhi kecilnya rasio peluang suatuindividu uji diklasifikasikan sebagai kelas ginjal ataukelas non-ginjal.

Hasil proses klasifikasi pada iterasi ini dapatdilihat pada Tabel 4. Dari 8 instances kelas ginjalyang diuji, 7 instances benar diprediksi sebagai kelas ,.,~'"Tab 15ginjal dan sisanya I instance diprediksi sebagai kelasnon-ginjal. Dengan demikian, akurasi untuk kelasginjal pada iterasi pertama ini mencapai 87,50%.Untuk kelas non-ginjal, akurasi yang diperolehsebesar 83,33% dengan jumlah instances yang benardiprediksi sebagai kelas non-ginjal sebanyak 5instances dari 6 instances kelas non-ginjal yang diuji.

Feature-feature pada data rekam medik hasilpraproses masing-masing dilambangkan berturut-turut dengan variabel FI, F2, F3, ... , F39.

Pembagian data latih dan data ujiData keseluruhan sebanyak 44 instances hasil

praproses terlebih dahulu dibagi menjadi tiga subset.dengan jurnlah instance yang hampir sarna di tiapsubset dan perbandingan ukuran kelas yangseimbang. Setiap subset yang dihasilkan laludigunakan dalam metode validasi silang, yaitumetode 3-fold cross validation. Tabel 3 menunjukkanproporsi jumlah instance pada setiap kelas untuksetiap subset.

Tabel 3. Proporsi jumlah instance setiap kelas pada. . b tmasmg-rnasmg su se

Subset Ginjal (G) Non-Ginjal (N)1 8 62 9 7 --3 8 .J 6

Dengan metode 3-fold cross validation, makaakan dilakukan tiga kali iterasi dengan menggunakandua subset sebagai data latih dan satu subset lainsebagai data uji. Data latih dan data uji pada masing-masing iterasi akan digunakan dalam dua kalipercobaan dengan jumlahfeature yang berbeda. Padapercobaan pertama, feature yang digunakan hanyalahfeature gejala klinis tanpa feature pemeriksaanlaboratorium. Pada percobaan kedua, feature yangdigunakan merupakan gabungan dari feature gejalaklinis denganfeature pemeriksaan laboratorium.

4.1 Percobaan pertamaPada tahap ini, di setiap iterasinya digunakan data

dengan jumlah feature 37 buah yang terdiri darifeature gejala klinis.

Secara keseluruhan, jumlah instances yang benardiprediksi pada iterasi ini sebanyak 12 instances dari14 instances yang diuji sehingga dihasilkan akurasisebesar 85,71 %.

Tabel4. Hasil percobaan pertama pada iterasipertama

Diprediksi sebagai kelasKelas G N Akurasi

G 7 1 87.50%

N 1 5 83.33%

Akurasi iterasi pertama 85.71%

4.1.2. Iterasi keduaSarna ~perti pada iterasi pertama, vote yang

dihasilkan dari proses pelatihan pada iterasi inipuncukup berimbang pada beberapa feature untuk keduakelas bahkan terdapat feature yang memiliki nilaivote yang benar-benar seimbang di kedua kelas.Sebagai contoh, padafeature 30 (abdomen besar) voteyang diberikan di setiap interval sebesar 0,5 untukmasing-masing kelas. Hal ini mempengaruhi kecilnyarasio peluang suatu individu uji diklasifikasikansebagai ke1as ginjal atau kelas non-ginjal.

Hasil proses klasifikasi pada iterasi ini dapatdilihat pada Tabel 5. Dari 9 instances kelas ginjalyang diuji, 6 instances benar diprediksi sebagai kelasginjal dan sisanya 3 instances diprediksi sebagaikelas non-ginjal. Dengan demikian, akurasi untukkelas ginjal pada iterasi kedua ini mencapai 66,67%.Untuk kelas non-ginjal, akurasi yang diperolehsebesar 85,71 % dengan jumlah instances yang benardiprediksi sebagai kelas non-ginjal sebanyak 6instances dari 7 instances kelas non-ginjal yang diuji.Secara keseluruhan, jumlah instances yang benardiprediksi pada iterasi ini sebanyak 12 instances dari16 instances yang diuji sehingga dihasilkan akurasisebesar 75%.

Sarna seperti pada iterasi pertama dan kedua, voteyang dihasilkan dari proses pelatihan pada awaliterasi inipun cukup berimbang pada beberapa featureuntuk kedua kelas bahkan terdapat setidaknya 4feature yang memiliki nilai vote yang benar-benarseimbang di kedua kelas. Sebagai contoh, padafeature 11 (nafas aritmis) vote yang diberikan disetiap interval sebesar 0,5 untuk masing-masingkelas. Hal ini mempengaruhi kecilnya rasio peluang.L.suatu individu uji diklasifikasikan sebagai kelas ginjalatau kelas non-ginjal.

H '1 d . k duab rtae as! perco aan pe ma pa a! eras! eDiprediksi sebagai kelas

Kelas G N Akurasi

G 6 3 66.67%

N 1 6 85.71%

Akurasi iterasi kedua 75%

89 [urnal Ilmu Komputer dan Informasi, Volume 2, Nomor 2, ISSN 1979 - 0732------------------------~

Diagnosis Ganggunan Sistem Urinari pada Anjing dan Kucing Menggunakan VFI 5

4.1.3. Iterasi ketigaHasil proses klasifikasi pada iterasi ini dapat

dilihat pada Tabel 6. Dari 8 instances kelas ginjalyang diuji, 7 instances. benar diprediksi sebagai kelasginjal dan sisanya 1 instances diprediksi sebagaikelas non-ginjal. Dengan demikian, akurasi untukkelas ginjal pada iterasi ketiga ini mencapai 87.50%.Untuk kelas non-ginjal, akurasi yang diperoleh hanyamencapai 50% dengan jumlah instances yang benardiprediksi sebagai kelas non-ginjal sebanyak 3instances dari 6 instances kelas non-ginjal yang diuji.Secara keseluruhan, jumlah instances yang benardiprediksi pada iterasi ini sebanyak 10 instances dari14 instances yang diuji sehingga dihasilkan akurasisebesar 71,43%.

Pada percobaan pertama ini, digunakan datadengan jumlahfeature 37 buah yang keseluruhannyamerupakan gejala klinis yang mungkin diderita saatseekor hewan mengalami gangguan saluran urinari.Ke-37 buah feature tersebut dapat dibagi kedalam 7bagian utama, yaitu bagian keadaan umum (terdiridari 5 feature), muiut (2 feature), mukosa/selaputlendir (3 feature), nafas (5 feature), jantung (7feature), ekskresi (7 feature), dan palpasi (8 feature).Dari ke-37 feature tersebut, hanya satu feature yangmemiliki range interval yaitu feature suhu di bagiankeadaan umum sedangkan ke-36 feature yang lainnyamemiliki point interval (bemilai 1 untukditemukannya gejala klinis tertentu, dan bemilai 0untuk tidak ataujika gejala yang ditemukan normal).

Tabel 6. Hasil percobaan pertama pada iterasi ketigaDiprediksi sebagai kelas

Kelas G N Akurasi

G 7 1 87.50%

N 3 3 50%

Akurasi iterasi ketiga 71.43%

4.1.4. Hasil pelatihan dan pengklasifikasian padapercobaan pertama

Hasil pelatihan dari ketiga iterasi yang dilakukanpada percobaan yang pertarna ini memperlihatkanbahwa vote yang dihasilkan baik di iterasi pertama,kedua maupun ketiga cukup berimbang padabeberapa feature untuk kedua kelas. Hal ini akanmempengaruhi nilai total vote yang didapatkan

.f

instances uji pada suatu kelas. Pada akhimya, akurasidalam memprediksi kelas pada instance uji tersebutakan berkurang. -."'....

Hasil klasifikasi dari ketiga iterasimemperlihatkan kurang akuratnya prediksi yangdiberikan dengan akurasi sebesar 85,71 % pada iterasipertama, 75% pada iterasi kedua, dan 71,43% padaiterasi ketiga. Secara keseluruhan, rata-rata akurasiyang dihasilkan algoritma VFI 5 pada percobaanpertama ini sebesar 77,38%.

4.2. Percobaan keduaPada tahap ini, di setiap iterasinya digunakan data

dengan jumlah feature 39 buah yang terdiri dari 37feature gejala klinis dan 2 feature pemeriksaanlaboratorium. Perrteriksaan laboratorium yangdigunakan merupakan pemeriksaan laboratoriumyang berhubungan langsung dengan fungsi ginjalyaitu naik tidaknya nilai ureum dan creatinine.Anggota subset yang digunakan pada tahap ini tidakdipilih secara acak, melainkan menggunakan susunananggota yang sama persis dengan subset padapercobaan pertama. Hal ini dilakukan agar dapatterlihat pengaruh dari penggunaan featurepemeriksaan laboratorium pada akurasi yangdih~~iJkan.

4.2.1. Iterasi pertamaSarna seperti pada iterasi pertama di percobaan

pertama, proses pelatihan pada iterasi pertama dipercobaan kedua ini pun menghasilkan vote yangcukup berimbang pada beberapa feature untuk keduakelas. Akan tetapi, terlibatnya feature pemeriksaaniaboratorium memberikan pengaruh yang cukupsignifikan karena feature kenaikan nilai creatininememberikan vote yang cukup tinggi (sebesar 0,74)untuk kelas non-ginjal saatfeature tersebut bemilai 0(nilai creatinine normal) sedangkan saat featuretersebut bemilai 1 (nilai creatinine meningkat) voteyang cukup tinggi (sebesar I) diberikan pada kelasginjal. Hal ini bersesuaian dengan fakta bahwa fungsiginjal terganggu jika nilai creatinine-nya diatas batasnormal.

Hasil proses klasifikasi pada iterasi ini dapatdilihat pada Tabel 7. Dari 8 instances kelas ginjalyang diuji, tidak ada satu instance pun yangdiprediksi sebagai kelas non-ginjal, ini berarti akurasiuntuk kelas ginjal pada iterasi pertama ini mencapai100%. Nilai akurasi ini meningkat dari percobaanpertama, hal ini terjadi karena pada percobaan keduaini, instance uji kedua pada subset pertama yaitu G 14benar diprediksi sebagai Ginjal sedangkan padapercobaan pertama G14 diprediksi sebagai non-ginjal.Untuk kelas non-ginjal, akurasi yang diperoleh sarnadengan akurasi yang diperoleh pada iterasi pertamadi percobaan pertama, yaitu sebesar 83,33% denganjumlah instances yang benar diprediksi sebagai kelasnon-ginjal sebanyak 5 instances dari 6 instances kelasnon-ginjal yang diuji. Secara keseluruhanrjumlahinstances yang benar diprediksi pada iterasi inisebanyak 13 instances dari 14 instances yang diujisehingga dihasilkan akurasi sebesar 92,86%.

4.2.2. Iterasi keduaSama seperti pada iterasi pertama di percobaan

kedua, pada iterasi ini feature kenaikan nilaicreatinine memberikan vote yang cukup tinggi(sebesar 0,75) untuk kelas non-ginjal saat featuretersebut bemilai 0 (nilai creatinine normal)sedangkan saat feature tersebut bernilai 1 (nilai

jurnal Ilmu Komputer dan lnformasi, Volume 2, Nomor 2, ISSN 1979 - 0732 90

Dhany Nuqraha Ramdhany, AzizKustiyo, Ekowati Handharyani, dan Agus Buwono

creatinine meningkat) vote yang cukup tinggi(sebesar 1) diberikan pada kelas ginjal. Selain itu,vote yang diberikan olehfeature kenaikan nilai ureumpun memberikan vote yang cukup tinggi (sebesar0.,80.) untuk kelas non-ginjal saat feature tersebutbemilai 0. (nilai ureum normal).

Tab 17 H '1 b kd d .e aSljJerco aan e ua pa a iterasi pertaDiprediksi sebagai kelas

Kelas G N AkurasiG 8 0 100%N 1 5 83.33%

Akurasi iterasi pertama 92.86%

Hasil proses klasifikasi pada iterasi ini dapatdilihat pada Tabel 8. Dari 9 instances kelas ginjalyang diuji, 8 instances benar diprediksi sebagai kelasginjal dan sisanya 1 instances diprediksi sebagaikelas non-ginjal, Dengan demikian, akurasi untukkelas ginjal pada iterasi kedua ini mencapai 88,89%atau meningkat sebanyak :? instances yang benardiprediksi. Kedua instances tersebut adalah G2(instance uji ke-S) dan G 1 (instance uji ke-9) yangberasal dari subset kedua yang dijadikan data uji.Untuk kelas non-ginjal, akurasi yang diperolehsebesar 85,71 % dengan jumlah instances yang benardiprediksi sebagai kelas non-ginjal sebanyak 6instances dari 7 instances kelas non-ginjal yang diuji.Nilai akurasi ini sama dengan nilai akurasi yangdiperoleh pada percobaan pertama, atau tidakmengalami peningkatan. Secara keseluruhan, jumlahinstances yang benar diprediksi pada iterasi inisebanyak 14 instances dari 16 instances yang diujisehingga dihasilkan akurasi sebesar 87,5%.

11b 18 H '1 b kd d . . k d aa e asi perco aan e ua pa a iterasi .•e uDiprediksi sebagai kelas

Kelas G N Akurasi

G 8 1 88.89%.,N 1 6 85.71%

Akurasi iterasi ketfga 87.50%

4.2;3. Iterasi ketigaSarna seperti pada iterasi kedua di percobaan

kedua, pada iterasi ini feature kenaikan nilaicreatinine clan feature kenaikan nilai ureum.memberikan vote yang cukup tinggi. Untuk kelasnon-ginjal feature kenaikan nilai creatininememberikan vote sebesar 6,74 saat bemilai O,(nilaicreatinine normal) sedangkan feature kenaikan nilaiureum memberikan vote sebesar 0,82 saatbefnilai 0.(nilai ureum normal). Untuk kelas ginjal, featurekenaikan nilai creatinine memberikan vote sebesar Isaat bemilai 1 (nilai creatinine meningkat).

Tabel 9. Hasil percobaan kedua pada iterasi ketigaDiprediksi sebagai kelas

Kelas G N Akurasi

G 7 1 87.50%

N 2 4 66.67%

Akurasi iterasi ketiga 78.57%

maHasil proses klasifikasi pada iterasi ini dapat

dilihat pada Tabel 9. Berbeda dengan kedua iterasisebelurnnya, pada iterasi ini, instance yang berhasildiperbaiki prediksinya justru berasal dari kelas non-ginjal. Dari 6 instances yang diuji, 4 instances benardiprediksi sebagai kelas non-ginjal, dan sisanyasehanyak 2 instances diprediksi sebagai kelas ginjal.

,"",'Bila' dibandingkan dengan hasil dari percobaanpertama, pada percobaan kedua ini terdapat satuinstance uji yang pada percobaan pertama salahdiprediksi, pada percobaan kedua ini justru benardiprediksi, instance tersebut adalah instance uji ke-12dari subset ketiga yaitu instance N4. Dengandemikian akurasi yang diperoleh mencapai 66,67%.Untuk kelas ginjal, akurasi yang diperoleh tidakmengalami peningkatan dari percobaan pertama yaitusebesar 87.50.% dengan memprediksi benar 7instances dari 8 instances yang diuji. Secarakeseluruhan, jurnlah instances yang benar diprediksipada iterasi ini sebanyak II instances dari 14instances yang diuji sehingga dihasilkan akurasisebesar 78,57%.

4.2.4. Hasil pelatihan dan pengklasifikasian padapercobaan kedua

Pada percobaan yang kedua ini, digunakan datadengan jurnlah feature 39 buah di mana 37 featuremerupakan gejala klinis dan 2 lainnya merupakanpemeriksaan laboratorium. Pengelompokan 37feature gejala klinis sama dengan pengelompokansaat percobaan pertama sedangkan 2 feature terakhiryang merupakan pemeriksaan laboratorium dibuatkankelompok baru yaitu bagian fungsi ginjal. Dari ke-39feature tersebut, hanya satu feature yang memilikirange interval yaitu feature suhu di bagian keadaanumum sedangkan ke-38 feature yang lainnya(termasuk feature pemeriksaan laboratorium)memiliki point interval. Feature pemeriksaanlaboratorium dijadikan point interval karena padaprakteknya, pemeriksaan laboratorium memiliki batas

, normal sendiri untuk setiap jenis hewan sedangkanpada penelitian ini digunakan 2 jenis hewan yaitukucing dan anjing. Oleh karena itu, agar nilai intervalkedua jenis hewan itu sama, maka dibuatlah pointinterval yang bemilai 0. jika nilai ureumlcreatininenormal dan 1jika nilai ureumlcreatinine meningkat.

Karena susunan anggota setiap subset padapercobaan kedua ini sarna dengan yang di percobaanpertama, rnaka vote dan interval yang dihasilkannyapun sarna, kecuali di feature pemeriksaanIaboratorium. Padafeature pemeriksaan laboratorium,

91 ~Jurnal Ilmu Komputer dan lnformasi, Volume 2, Nomor 2, ISSN 1979 - 0732

Diagnosis Ganggunan Sistem Urinari pada Anjing dan Kucing Mfmggunakan VFl5

vote yang diberikan kepada kedua kelas memilikirasio yang cukup tinggi, hal ini terlihat terutama padafeature kenaikan nilai creatinine. Hal ini akanmempengaruhi nilai total 'vote yang didapatkaninstances uji pada suatu kelas. Pada akhirnya, akurasidalam memprediksi kelas pada instance uji tersebutakan meningkat j ika dibandingkan dengan akurasiyang diperoleh pada percobaan pertama.

Hasil klasifikasi dari ketiga iterasi di percobaankedua memperlihatkan peningkatan dibandingkanakurasi di percobaan pertama. Pada percobaan kedua,akurasi sebesar 92,86% dihasilkan pada iterasipertama, akurasi sebesar 87,5% dihasilkan pad~,~iterasi kedua, dan pada iterasi terakhir dihasilkan'Lakurasi sebesar 78,57%. Secara keseluruhan, padapercobaan kedua ini algoritma VFI 5 dapatmenghasilkan rata-rata akurasi sebesar 86,31 %.Peningkatan akurasi In! diperoleh denganmemperbaiki prediksi 3 instances kelas ginjal (1instance pada iterasi pertama dan 2 instances padaiterasi kedua) dan 1 instance kelas non-ginjal (padaiterasi ketiga) yang salah diprediksi saat percobaanpertama.

4.2.5. Feature-feature yang konsisten terhadapkelas tertentu

Pada setiap iterasi, dihasilkan selang-selangdengan nilai vote yang diberikan oleh setiap featureuntuk masing-masing kelas.

Terdapat feature-feature yang konsistenmemberikan nilai vote yang lebih besar kepada suatukelas (baik kelas ginjal maupun kelas non-ginjal)pada setiap iterasi. Feature-feature tersebut adalah :• Kelas ginjal

oF2 = Muntaho F3 = Gemetaro F4 = Dehidrasio F6 = Ulcus di muluto F7 = Mulut bau ureumo F9 = Mukosa icterusof 10 = Mukosa jaundiceoF13 = Frekuensi nafas cepatoF23 = Diareo F27 = Poliuriao F29 = Disuriao F31 = Palpasi abdomen sakito F34 = Ginjal membesaroF35 = Ada batu di ginjaloF38 = Ureum naikoF39 = Creatinine naik

• Kelas non-ginjalo F8 = Mukosa hiperemio F24 = Konstipasio F32 = Abdomen tegango F36 = Ada batu di urethralVU

. ..:':'>~:

Selain itu terdapat pula feature yang di setiapiterasinya, memberikan vote yang selalu seimbang

untuk kedua kelas. Feature tersebut adalah F12Frekuensi nafas lamb at.

5 Kesimpulan

Penelitian yang telah dilakukan menghasilkansuatu model diagnosis gangguan sistem urinari yangdiimplementasikan dalam suatu prototipe aplikasidiagnosis. Tingkat akurasi yang diperoleh pada prosesklasifikasi tanpa feature pemeriksaan laboratoriumlebih kecil daripada tingkat akurasi dari prosesklasifikasi dengan feature pemeriksaan laboratorium.Hal im semakin membuktikan bahwa dalampendiagnosisan penyakit dalam sistem urinari,pemeriksaan laboratorium masih sangat dibutuhkandalam menentukan hasil diagnosis suatu penyakit.Pada proses klasifikasi tanpa feature pemeriksaanlaboratorium, tingkat akurasi rata-rata yang diperolehsebesar 77,38%, sedangkan tingkat akurasi rata-ratayang diperoleh dari proses klasifikasi dengan featurepemeriksaan laboratorium sebesar 86,31 %.

Untuk penelitian selanjutnya, maka padadiagnosis gangguan sistem urinari, teknik yangdisajikan perlu dimodifikasi dengan memberikanbobot yang berbeda untuk tiap feature danmenambahkan feature pemeriksaan laboratoriumyang lainnya. Selain itu dapat ditambahkan jugathreshold untuk mengantisipasi kemungkinan seekorhewan terkena gangguan ginjal dan non-ginjal secarabersamaan.

REFERENSI

[1] Blood DC dan Studdert VP., SaundersComprehensive Veterinery Dictionary SecondEdition. Philadelphia: WB Saunders Company,1999.

[2] S. Foster, "Kidney Disease: Causes, Signs, andDiagnosis".http://www.peteducation.com/articie.cfm?cis=2&cat= 1634&articieid=350, [diakses pada Agustus2007],2007

[3] Aieolo SE. et al., The Merck Veterinary ManualEight Edition. USA: Merck & CO, Inc. WhiteHouse Station, 2000.

[4] Han J dan Kamber M. Data Mining Concepts &Techniques. USA: Academic Press, 200l.

[5] Guvenir HA, Demiroz G, dan ilter N. "LearningDifferential Diagnosis of Erythemato-SquamousDiseases using Voting Feature Intervals".Artificial Intelligence in Medicine, 13 (3), 1998,pp.147-165.

[6] Sarle W. What are cross-validation andbootstrapping?http.llwww.faqs.orglai-faq/neural-nets/part3/section-12.html [diaksespada Maret 2006], 2004.

[7] Liming Fu, Neural Network in ComputersIntelligence. Singapura: McGraw-Hill, 1994.

[urnal Ilmu Komputer dan Informasi, Volume 2, Nomor 2, ISSN 1979 - 0732 92

Dhany Nugraha Ramdhany, Aziz Kustiyo, Ekowati Handharyani, dan Agus Buwono

[8] Guvenir HA dan Emeksiz N., An Expert Systemfor the Differential Diagnosis of Erythemato-- Squamous Diseases. Expert Systems withApplications, 18(1),2000, pp. 43-49.

[9] Demiroz G., Non-Incremental ClassificationLearning Algorithms Based on Voting FeatureIntervals. http://www.cs.bilkent.edu.tr/tech-reports/ 1997IBU-CEIS-97 15.ps.gz, [diakses2007], 1997.

93 ~Jurnal Ilmu Komputerdan lnformasi, Volume 2, Nomor 2, ISSN 1979 - 0732