penerapan algoritma c4.5 untuk deteksi penyakit … · 2019. 8. 27. · x kata pengantar puji...

PENERAPAN ALGORITMA C4.5 UNTUK DETEKSI PENYAKIT

KANKER SERVIKS

SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Oleh :

Ventya Fernitha

155314088

PROGRAM STUDI TEKNIK INFORMATIKA

JURUSAN TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS SANATA DHARMA

YOGYAKARTA

2019

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI

ii

IMPLEMENTATION OF C4.5 ALGORITHM FOR CERVICAL CANCER

DETECTION

A THESIS

Present as Partial Fullfillment of Requirements

to Obtains Sarjana Komputer Degree

in Informatics Engineering Study Program

By :

Ventya Fernitha

155314088

INFORMATICS ENGINEERING STUDY PROGRAM

DEPARTMENT OF INFORMATICS ENGINEERING

FACULTY OF SCIENCE AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2019


iii


iv


v

HALAMAN MOTTO

“Kita berdiri paling tinggi dan paling kuat ketika kita berlutut dan

berserah dihadapan-Nya.”

“I can do all things through Christ who strengthens me”

Philipians 4 : 13


vi


vii

ABSTRAK

Algoritma C4.5 merupakan metode klasifikasi dan prediksi dalam teknik

penambangan data yang digunakan untuk mengidentifikasi pola tersembunyi

dalam data untuk memperoleh informasi atau pengetahuan yang berguna dari

suatu data yang berjumlah besar. Pada penelitian ini algoritma C4.5 diterapkan

untuk mendeteksi penyakit kanker serviks dengan mengklasifikasi hasil biopsi

pasien berdasarkan atribut yang mempengaruhi risiko kanker serviks dari dataset

sebuah Rumah Sakit di Caracas, Venezuela. Data tersebut berjumlah 858 data

dalam kondisi imbalanced data karena terdapat kelas yang mendominasi dari

kelas lainnya. Masalah imbalanced data dapat menyebabkan hasil dari klasifikasi

tidak akurat. Untuk mengatasi masalah tersebut, peneliti menerapkan teknik

undersampling terhadap data mayoritas agar data yang dimiliki menjadi seimbang

dan memperoleh hasil yang akurat.

Peneliti melakukan pengujian dengan jumlah 165 data. Pada pengujian

dengan perbandingan data training dan data testing secara descending sebesar

80:20 menghasilkan tingkat akurasi tertinggi sebesar 75,76%. Berdasarkan hasil

perhitungan dapat disimpulkan bahwa algoritma C4.5 dapat diterapkan dan

menemukan aturan klasifikasi yang menarik dari pohon keputusan yang terbentuk.

Kata kunci : algoritma C4.5, undersampling, kanker serviks


viii

ABSTRACT

C4.5 algorithm is a method of classification and prediction in data

mining techniques that used to identify hidden patterns in data to obtain

information or knowledge from a large amount of data. In this research, the C4.5

algorithm was applied to detect cervical cancer by classifying the patient's biopsy

results based on attributes that affect the risk of cervical cancer from the dataset of

a hospital in Caracas, Venezuela. The used of 858 data is imbalanced data

conditions because there are dominating classes from other classes. Imbalanced

data problems can cause the inacurate classification. To overcome this problem,

researchers applied the undersampling technique to the majority data so the data

will be balanced and obtained accurate results.

The researcher conducted a test with 165 data. The testing with

comparison of training data and descending data testing of 80:20 show the highest

accuracy rate was 75.76%. Based on the results of the calculation it can be

concluded that the C4.5 algorithm can be applied and find interesting

classification rules from the formed decision tree.

Keyword: C4.5 algorithm, undersampling, cervical cancer.


ix


x

KATA PENGANTAR

Puji syukur penulis haturkan kepada Tuhan Yang Maha Esa karena berkat,

rahmat dan karunia-Nya, penulis dapat menyelesaikan tugas akhir ini yang

berjudul “PENERAPAN ALGORITMA C4.5 UNTUK DETEKSI

PENYAKIT KANKER SERVIKS”.

Penulisan skripsi ini tidak lepas dari peran pentingnya berbagai pihak yang

telah memberi banyak dukungan, doa dan motivasi kepada penulis dalam proses

penyelesaian skripsi hingga selesai. Oleh karena itu, dalam kesempatan ini penulis

dengan kerendahan hati mengucapkan terima kasih kepada :

1. Tuhan Yesus Kristus yang memberikan kekuatan, berkat dan selalu

menyertai penulis.

2. Kedua orang tua tercinta, Gilbert Alfried Djohan dan Newiwatie Tajah

Setia, S.Sos. yang selalu memberikan doa, perhatian, kepercayaan,

dukungan moral maupun fasilitas serta kasih sayang.

3. Kakak-kakak penulis, Hefriandhi, S.H., Winda Roslina S.Pd., Andre

Fernadi, S.AN., Erlina dan Alexandro Andreas Herman Kandou, S.H.

yang selalu memberikan doa, dukungan dan motivasi.

4. Bapak Drs. Johanes Eka Priyatma, M.Sc., Ph.D. selaku Rektor

Universitas Sanata Dharma dan selaku Dosen Pembimbing Skripsi

yang telah memberikan waktu luangnya untuk membimbing serta

memberikan saran dan dukungan kepada penulis selama menyusun

tugas akhir.

5. Bapak Sudi Mungkasi, S.Si., M.Math.Sc., Ph.D. selaku Dekan

Fakultas Sains dan Teknologi.

6. Ibu Dr. Anastasia Rita Widiarti, M.Kom. selaku Ketua Program Studi

Teknik Informatika Universitas Sanata Dharma.

7. Bapak Eko Hari Parmadi, S.Si., M.Kom. selaku Dosen Pembimbing

Akademik yang telah memberikan bimbingan dan saran selama

penulis menempuh studi.


xi


xii

DAFTAR ISI

HALAMAN JUDUL ................................................................................................ i

TITTLE PAGE ......................................................................................................... ii

HALAMAN PERSETUJUAN ............................... Error! Bookmark not defined.

HALAMAN PENGESAHAN ................................ Error! Bookmark not defined.

HALAMAN MOTTO ............................................................................................. v

PERNYATAAN KEASLIAN KARYA ................ Error! Bookmark not defined.

ABSTRAK ............................................................................................................ vii

ABSTRACT ......................................................................................................... viii

LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH

UNTUK KEPERLUAN KEPENTINGAN AKADEMIS .... Error! Bookmark not

defined.

KATA PENGANTAR ............................................................................................ x

DAFTAR ISI ......................................................................................................... xii

DAFTAR TABEL ................................................................................................. xv

DAFTAR GAMBAR ........................................................................................... xvi

BAB 1PENDAHULUAN ....................................................................................... 1

1.1. Latar Belakang .................................................................................. 1

1.2. Rumusan Masalah ............................................................................. 3

1.3. Tujuan Penelitian .............................................................................. 3

1.4. Manfaat Penelitian ............................................................................ 3

1.5. Batasan Masalah................................................................................ 3

1.6. Sistematika Penulisan ....................................................................... 4

BAB IITINJAUAN PUSTAKA .............................................................................. 5

2.1. Penambangan Data ............................................................................ 5

2.1.1. Definisi Penambangan Data .............................................................. 5

2.1.2. Fungsi Penambangan Data ................................................................ 5

2.1.3. Tahap-Tahap Penambangan Data ..................................................... 6

2.2. Algoritma C4.5 .................................................................................. 8

2.2.1. C4.5 ................................................................................................... 8

2.2.2. Contoh Penerapan C4.5 ................................................................... 12


xiii

2.3. Kanker Serviks ................................................................................ 22

2.3.1. Definisi Kanker Serviks .................................................................. 22

2.3.2. Penyebab Kanker Serviks ............................................................... 23

2.3.3. Faktor Risiko Kanker Serviks ......................................................... 23

2.3.4. Diagnosis Kanker Serviks ............................................................... 24

2.4. Imbalanced Data.............................................................................. 25

2.5. Split Validation ............................................................................... 26

2.6. ConfusionMatrix ............................................................................. 27

BAB IIIMETODOLOGI PENELITIAN............................................................... 29

3.1. Sumber Data .................................................................................... 29

3.2. Tahapan Penelitian .......................................................................... 33

3.2.1. Knowledge Discovery in Database (KDD) ..................................... 33

3.2.2.1 Pembersihan Data (Data Cleaning) ............................................ 33

3.2.2.2 Integrasi Data (Data Integration) ................................................ 35

3.2.2.3 Seleksi Data (Data Selection) ...................................................... 35

3.2.2.4 Transformasi Data (Data Transformation) ................................. 36

3.2.2.5 Penambangan Data (Data Mining) .............................................. 41

3.2.2.6 Evaluasi Pola (Pattern Evaluation) ............................................. 42

3.2.2.7 Presentasi Pengetahuan (Knowledge Presentation) .................... 42

3.2.2. Analisis dan Kesimpulan................................................................. 42

3.3. Perancangan Perangkat Lunak ........................................................ 42

3.3.1. Perancangan Umum ........................................................................ 42

3.3.1.1 Input ............................................................................................. 43

3.3.1.2 Proses ........................................................................................... 43

3.3.1.3 Output .......................................................................................... 46

3.3.2. Model Fungsi .................................................................................. 46

3.3.2.1 Diagram Use Case ....................................................................... 46

3.3.2.2 Narasi Use Case .......................................................................... 47

3.3.2.3 Diagram Aktivitas ....................................................................... 54

3.3.3. Model Perancangan ......................................................................... 57

3.3.3.1 Perancangan Antarmuka .............................................................. 57

3.3.3.2 Diagram Kelas Analisis ............................................................... 61


xiv

3.3.3.3 Entity Relationship Diagram (ERD) ........................................... 62

3.3.3.4 Desain Basis Data Logikal .......................................................... 63

3.4. Spesifikasi Alat ............................................................................... 63

BAB IVIMPLEMENTASI DAN ANALISIS HASIL .......................................... 64

4.1. Implementasi Program .................................................................... 64

4.1.1. Halaman Masuk .............................................................................. 64

4.1.2. Halaman Utama ............................................................................... 64

4.1.3. Data Pasien ...................................................................................... 65

4.1.4. Partisi Data ...................................................................................... 65

4.1.5. Proses Algoritma C4.5 .................................................................... 66

4.1.6. Kinerja ............................................................................................. 68

4.1.7. Uji Data Tunggal ............................................................................. 69

4.2. Pengujian Perangkat Lunak (Black Box)......................................... 70

4.2.1. Rencana Pengujian Validasi Black Box .......................................... 70

4.2.2. Hasil Pengujian Validasi ................................................................. 70

4.3. Hasil Perangkat lunak ..................................................................... 70

4.4. Kelebihan dan Kekurangan Perangkat lunak .................................. 72

4.4.1. Kelebihan Perangkat lunak ............................................................. 72

4.4.2. Kekurangan Perangkat lunak .......................................................... 72

BAB VPENUTUP ................................................................................................. 73

5.1. Kesimpulan ..................................................................................... 73

5.2. Saran ................................................................................................ 73

DAFTAR PUSTAKA ........................................................................................... 74

LAMPIRAN .......................................................................................................... 76


xv

DAFTAR TABEL

Tabel 2.1 Perbedaan Algoritma C4.5 dan ID3 ........................................................ 8

Tabel 2.2 Data Pasien ............................................................................................ 12

Tabel 2.3 Perhitungan Root/Node 1 ...................................................................... 17

Tabel 2.4 Data Pasien dengan Dx:CIN = False .................................................... 19

Tabel 2.5 Perhitungan Node 1.1 ............................................................................ 19

Tabel 2.6 Data Pasien Dx:CIN = False dan IUD (years) = 6-11 .......................... 21

Tabel 2.7 Perhitungan Node 1.1.2 ......................................................................... 21

Tabel 2.8 Confusion Matrix .................................................................................. 27

Tabel 3.1 Atribut Data Kanker Serviks ................................................................. 29

Tabel 3.2 Detail Kelas Biopsy ............................................................................... 32

Tabel 3.3 Beberapa atribut yang Memiliki Sedikit Nilai Kosong ......................... 33

Tabel 3.4 Narasi Use Case Login ......................................................................... 47

Tabel 3.5 Narasi Use Case Masukkan Data .......................................................... 48

Tabel 3.6 Narasi Use Case Partisi Data ................................................................ 49

Tabel 3.7 Narasi Use Case Proses Algoritma C4.5 .............................................. 50

Tabel 3.8 Narasi Use Case Uji Data Tunggal ....................................................... 52

Tabel 3.9 Narasi Use Case Hapus Semua Data .................................................... 53

Tabel 4.1 Rencana Pengujian Validasi Black Box ................................................ 70

Tabel 4.2 Akurasi Split Validation Ascending ...................................................... 71

Tabel 4.3 Akurasi Split Validation Descending .................................................... 71

Tabel 4.4 Akurasi Split Validation Random ......................................................... 71


xvi

DAFTAR GAMBAR

Gambar 2.1 Tahap-tahap penambangan data (Han & Kamber, 2006) .................... 7

Gambar 2.2 Pohon Keputusan Node 1 (Root Node) ............................................. 18

Gambar 2.3 Pohon Keputusan Node 1.1 ............................................................... 20

Gambar 2.4 Pohon Keputusan Node 1.1.2 ............................................................ 22

Gambar 2.5 Ilustrasi Split Validation .................................................................... 27

Gambar 3.1 Diagram Flowchart ........................................................................... 46

Gambar 3.2 Diagram UseCase .............................................................................. 47

Gambar 3.3 Diagram Aktivitas Login ................................................................... 54

Gambar 3.4 Diagram Aktivitas Masukkan Data ................................................... 54

Gambar 3.5 Diagram Aktivitas Partisi Data ......................................................... 55

Gambar 3.6 Diagram Aktivitas Proses Algoritma C4.5 ........................................ 55

Gambar 3.7 Diagram Aktivitas Uji Data Tunggal ................................................ 56

Gambar 3.8 Diagram Aktivitas Hapus Semua Data.............................................. 56

Gambar 3.9 Perancangan Halaman Masuk ........................................................... 57

Gambar 3.10 Perancangan Halaman Utama ......................................................... 57

Gambar 3.11 Perancangan Halaman Data Pasien ................................................. 58

Gambar 3.12 Perancangan Halaman Partisi Data ................................................. 58

Gambar 3.13 Perancangan Halaman Proses Algoritma C4.5 ............................... 59

Gambar 3.14 Perancangan Halaman Pohon Keputusan ........................................ 59

Gambar 3.15 Perancangan Halaman Kinerja ........................................................ 60

Gambar 3.17 Diagram Kelas Analisis ................................................................... 61

Gambar 3.18 Entity Relationship Diagram (ERD) ............................................... 62

Gambar 3.19 Desain Basis Data Logikal .............................................................. 63

Gambar 4.1 Halaman Masuk................................................................................. 64

Gambar 4.2 Halaman Utama ................................................................................. 64

Gambar 4.3 Tampilan Data Pasien........................................................................ 65

Gambar 4.4 Tampilan Partisi Data ........................................................................ 66

Gambar 4.5 Tampilan Proses Algoritma C4.5 ...................................................... 67

Gambar 4.6 Tampilan Pohon Keputusan dan Rule C4.5 ...................................... 67


xvii

Gambar 4.7 Tampilan Proses Kinerja ................................................................... 68

Gambar 4.8 Tampilan Hasil Kinerja ..................................................................... 68

Gambar 4.9 Tampilan Input Uji Data Tunggal ..................................................... 69

Gambar 4.10 Hasil Akurasi Confusion Matrix ..................................................... 72


1

BAB 1

PENDAHULUAN

1.1. Latar Belakang

Penambangan data merupakan proses mengidentifikasi pola

tersembunyi dalam data untuk memperoleh informasi atau pengetahuan

yang berguna dari suatu data yang berjumlah besar. Terdapat beberapa

teknik penambangan data, salah satunya yaitu Decision Tree dengan

algoritma C4.5. Algoritma C4.5 merupakan metode klasifikasi dan

prediksi yang sudah banyak digunakan dalam implementasi penentuan

keputusan karena memiliki banyak kelebihan. Beberapa kelebihan dari

algoritma ini dapat menangani pruning, mengolah data numerik diskret,

dapat menangani nilai atribut yang hilang serta menghasilkan aturan-

aturan yang mudah diinterpretasikan.

Kemajuan algoritma C4.5 yang begitu pesat saat ini telah memperoleh

banyak manfaat seperti halnya dalam bidang kesehatan. Penambangan

data dengan teknik pembelajaran mesin yang canggih dapat dijadikan

penelitian dalam bidang medis untuk mengidentifikasi berbagai masalah

kesehatan. Pengetahuan yang diperoleh dengan teknik penambangan data

dapat membantu dalam mempercepat proses diagnosis beberapa penyakit

salah satunya seperti penyakit kanker serviks.

Kanker serviks adalah jenis kanker yang muncul pada leher rahim.

Kanker jenis ini sering disebut dengan silent killer karena wanita dengan

kanker serviks stadium awal dan pre-kanker tidak merasakan gejala sama

sekali hingga sel kanker menyebar ke jaringan di sekitarnya membentuk

tumor. Gejala-gejala kanker serviks baru akan muncul saat kanker sudah

memasuki stadium lanjut(di atas stadium dua). Padahal, jika kanker

serviks terdeteksi sejak dini akan lebih mudah untuk disembuhkan.

Berdasarkan penelusuran mengenai pengaruh risiko kanker serviks,

terdapat beberapa faktor risiko yang diduga berpengaruh. Beberapa faktor


2

yang diduga berpengaruh terhadap penyebab munculnya kanker serviks

yaitu meliputi usia, faktor seksual yang meliputi usia pertama kali

melakukan hubungan seks, pasangan seks yang berganti-ganti, paritas,

kurang menjaga kebersihan genital, merokok, riwayat penyakit kelamin,

trauma kronis pada serviks, serta penggunaan kontrasepsi oral dalam

jangka waktu lama(Diananda, 2007).

Wen Wu & Hao Zhou (2017) melakukan klasifikasi untuk

mendiagnosis penyakit kanker serviks dengan menggunakan tiga metode

berbasis Support Vector Machine (SVM).Tiga metode tersebut yaitu

SVM-standar, SVM-RFE (Recursive Feature Elimination) dan SVM-

PCA (Principal Component Analysis). Dataset yang digunakan yaitu

dataset faktor risiko kanker serviks dari Rumah Sakit Universitario de

Caracas di Caracas, Venezuela. Dataset berisi 32 atribut mengenai faktor

risiko yang meliputi informasi demografis, kebiasaan, dan catatan rekam

medis. Selanjutnya, dilakukan perbandingan pada hasil ketiga metode

yang digunakan dalam mengklasifikasi dataset tersebut. Hasil

menunjukan bahwa SVM-PCA lebih baik dibanding metode yang lain.

Berdasarkan uraian tersebut pada penelitian ini penulis mencoba

mengaitkan kasus dengan menggunakan teknik penambangan data (data

mining) dengan algoritma C4.5 dalam membangun sebuah perangkat

lunak untuk mendeteksi penyakit kanker serviks dengan memprediksi hasil

biopsi pasien berdasarkan atribut yang mempengaruhi risiko kanker

serviks. Biopsi merupakan tes yang dilakukan dengan mengambil sampel

dari jaringan serviks untuk memverifikasi apakah pasien menderita kanker

serviks atau tidak. Tes biopsi memakan waktu 5-6 hari untuk

mengkonfirmasi keberadaan kanker, diagnosis yang tertunda tersebut

dapat memakan waktu seumur hidup bagi seorang pasien. Dengan

dibangunnya suatu perangkat lunak untuk mendeteksi penyakit kanker

serviks menggunakan algortima C4.5, diharapkan dapat mempercepat

proses diagnosis biopsi sehingga dapat dilakukan proses pengobatan sedini

mungkin.


3

1.2. Rumusan Masalah

Berdasarkan latar belakang di atas, maka masalah yang akan

diselesaikan adalah bagaimana menerapkan algoritma C4.5 untuk

mendeteksi penyakit kanker serviks dan menghitung akurasi yang

diperoleh dengan membandingkan hasil klasifikasi yang dilakukan oleh

perangkat lunak dengan hasil klasifikasi pada data kanker serviks yang

digunakan.

1.3. Tujuan Penelitian

Tujuan dari penelitian ini adalah :

1. Membangun sebuah perangkat lunak untuk mendeteksi penyakit

kanker serviks dengan menerapkan algoritma C4.5.

2. Untuk mengetahui seberapa baik algoritma C4.5 diterapkan pada

perangkat lunak.

1.4. Manfaat Penelitian

Manfaat dari penelitian ini adalah :

1. Membantu mempercepat proses diagnosis biopsi dalam mendeteksi

penyakit kanker serviks dengan menerapkan algoritma C4.5.

2. Menambah wawasan bagi pembaca yang ingin mempelajari algoritma

C4.5.

1.5. Batasan Masalah

a. Perangkat lunak yang dibangun hanya dapat digunakan untuk

mendeteksi penyakit kanker serviks berdasarkan beberapa faktor yang

diduga berpengaruh terhadap munculnya kanker serviks, bukan

memberikan cara penanganan.

b. Data yang digunakan adalah data yang diperoleh dari UCI Machine

Learning yang dikumpulkan dari Rumah Sakit Universitario de

Caracas di Caracas, Venezuela.

c. Perangkat lunak yang dibangun untuk mendeteksirisiko penyakit

kanker serviks hanya akan berfokus pada target biopsi.


4

1.6. Sistematika Penulisan

BAB I : Pendahuluan

Bab ini berisi tentang latar belakang, rumusan masalah, tujuan

penelitian, batasan masalah dan perangkat lunakatika penulisan.

BAB II : Tinjauan Pustaka

Bab ini berisi tentang teori yang berkaitan dengan judul atau

masalah pada tugas akhir yang digunakan sebagai penunjang penelitian

dan menjadi dasar atau sumber tertulis dari apa yang akan dilakukan.

BAB III : Metodologi Penelitian

Bab ini berisi tentang data, tahapan penelitian, perancangan

perangkat lunak yang akan dibuat dan spesifikasi alat.

BAB IV : Implementasi dan Analisis Hasil

Bab ini berisi tentang implementasi perangkat lunak berdasarkan

analisis dan perancangan yang dibuat sebelumnya, uji coba perangkat

lunak serta analisis hasil.

BAB V : Penutup

Bab ini berisi tentang kesimpulan dan saran dari penelitian yang

telah dilakukan.


5

BAB II

TINJAUAN PUSTAKA

2.1. Penambangan Data

2.1.1. Definisi Penambangan Data

Penambangan data atau Data Mining merupakan suatu proses

untuk menemukan informasi atau pengetahuan yang berguna dari

suatu data yang berjumlah besar. Data mining juga disebut sebagai

serangkaian proses untuk menggali nilai tambah berupa pengetahuan

yang selama ini tidak diketahui secara manual dari suatu kumpulan

data (Pramudiono, 2007).

Data mining, sering juga disebut sebagai Knowledge Discovery in

Database (KDD). KDD adalah kegiatan yang meliputi pengumpulan,

pemakaian data, historis untuk menemukan keteraturan, pola atau

hubungan dalam set data berukuran besar (Santoso, 2007).

Menurut Turban et.al.(2005) data mining adalah suatu istilah yang

digunakan untuk menguraikan penemuan pengetahuan di dalam

database. Data mining adalah proses yang menggunakan teknik

statistik, matematika, kecerdasan buatan, dan machine learning untuk

mengekstraksi dan mengidentifikasi informasi yang bermanfaat dan

pengetahuan yang terkait dari berbagai database besar.

2.1.2. Fungsi Penambangan Data

Menurut Yusuf W. dkk (2006) dikutip oleh (Citra, 2015) data

mining dapat menjalankan fungsi-fungsi sebagai berikut :

1.Deskripsi

Deskripsi dapat membantu dalam menjelaskan pola dan

tren yang terjadi, pola dan trend data sering dideskripsikan.

Model data mining harus transparan, sehingga hasilnya dapat

mendeskripsikan pola dengan jelas.

2.Estimasi


6

Estimasi sama dengan deskripsi kecuali variabel targetnya

numerik ketimbang kategorikal. Model yang dibuat

menggunakan record yang lengkap, yang telah menyediakan

nilai variabel target prediktor.

3.Prediksi

Prediksi sama dengan klasifikasi dan estimasi yang

membedakannya hanya hasil dalam prediksi yang terjadi dimasa

yang akan datang.

4.Klasifikasi

Variabel target dalam kasifikasi adalah kategorikal.

Mode data mining memeriksa set record yang besar, di mana

setiap record memiliki informasi variabel target dan set input.

5.Clustering

Pengelompokan record, observasi atau kasus ke dalam

objek-objek yang mirip disebut dengan clustering. Didalam

clustering tidak terdapat variabel target, clusteringmencoba

memfregmentasi seluruh set data ke dalam subgroup yang relatif

homogen, di mana kemiripan atar record luar cluster

diminimalisasikan sedangkan kemiripan didalam record

dimaksimalkan.

6.Asosiasi

Asosiasi adalah suatu tugas untuk menemukan atribut-

atribut yang terjadi bersamaan yang mencoba menemukan aturan

untuk mengkuantifikasi hubungan antara dua atau lebih atribut.

2.1.3. Tahap-Tahap Penambangan Data

Rangkaian proses penambangan data dapat dibagi menjadi

beberapa tahap yang diilustrasikan seperti pada Gambar 2.1.


7

Gambar 2.1Tahap-tahap penambangan data (Han & Kamber, 2006)

Tahap-tahap penambangan data yaitu :

1. Pembersihan data (data cleaning)

Proses untuk menghilangkan noise dan data yang tidak

konsisten atau data tidak relevan.

2. Integrasi data (data integration)

Proses penggabungan data dari berbagai database ke dalam

satu database baru.

3. Seleksi data (data selection)

Proses untuk mengambil data dari database yang sesuai

untuk dianalisis.

4. Transformasi data (data transformation)

Proses mengubah atau menggabung data ke dalam format

yang sesuai untuk diproses dalam data mining.

5. Penambangan data (data mining)

Proses utama saat metode diterapkan untuk menemukan

pengetahuan berharga dan tersembunyi dari suatu data.

6. Evaluasi pola (pattern evaluation)


8

Proses mengidentifikasi pola-pola menarik yang ditemukan.

Pola-pola menarik maupun model prediksi pada hasil dari tahap

data mining dievaluasi untuk menilai apakah hipotesa yang ada

tercapai atau tidak.

7. Presentasi pengetahuan (knowledge presentation)

Visualisasi dan penyajian pengetahuan mengenai metode

yang digunakan untuk memperoleh pengetahuan yang diperoleh

pengguna. Dalam tahap terakhir ini, presentasi hasil data mining

dalam bentuk pengetahuan yang bisa dipahami semua orang

merupakan salah satu tahapan yang diperlukan.

2.2. Algoritma C4.5

2.2.1. C4.5

Menurut Quinlan J.R, Algoritma Classification version 4.5 atau

biasa disebut C4.5 adalah algoritma yang paling terkenal (Pramudiono,

2003). Algoritma C4.5 merupakan algoritma yang digunakan untuk

membentuk pohon keputusan (decision tree). Pohon keputusan

merupakan metode klasifikasi dan prediksi yang berguna untuk

mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah

calon variabel input dengan sebuah variabel target. Algoritma ini

merupakan pengembangan dari algoritma Iterative Dichotomiser (ID3).

Perbedaan utama algoritma C4.5 dari ID3 yaitu :

Tabel 2.1 Perbedaan Algoritma C4.5 dan ID3

Algoritma C4.5 Algoritma ID3

1. C4.5 dapat menangani atribut

kontinyu dan diskrit

1. ID3 hanya mampu menangani

atribut diskrit

2.C4.5 dapat menangani data

training dengan missing value.

2. ID3 tidak dapat menangani data

training dengan missing value.

3. Hasil pohon keputusan C4.5 3. Hasil pohon keputusan ID3 tidak


9

akan terpangkas setelah dibentuk terpangkas setelah dibentuk

4. Pemilihan atribut yang dilakukan

dengan menggunakan Gain Ratio.

4. Pemilihan atribut yang dilakukan

dengan menggunakan Information

Gain.

Secara umum algoritma C4.5 untuk membangun pohon keputusan

adalah sebagai berikut :

1) Memilih atribut sebagai akar(root) dengan menghitung nilai

entropy, information gain, split information dan gain ratio.

Atribut yang memiliki nilai gain ratio tertinggi akan dipilih

sebagai simpul akar dari pohon.

2) Membuat cabang untuk masing-masing nilai.

3) Membagi kasus dalam cabang

4) Mengulangi proses perhitungan untuk masing-masing cabang

sampai semua kasus pada cabang memiliki kelas yang sama.

Untuk mengukur efektifitas suatu atribut dalam melakukan teknik

pengklasifikasian sampel data dapat menggunakan information gain.

Sebelum mencari nilai gain, dilakukan perhitungan untuk mencari peluang

kemunculan suatu record dalam atribut (entropy) dengan menggunakan

rumus 2.1 berikut :

( ) ∑

..........................(2.1)

Keterangan :

S : Himpunan kasus

n : Jumlah partisi S

pi : Proporsi dari Si terhadap S


10

Untuk melakukan perhitungan information gain digunakan seperti

rumus 2.2sebagai berikut:

( ) ( ) ∑

( )

.........(2.2)

Keterangan :

S : Himpunan kasus

A : Atribut

n : jumlah partisi atribut A

|Si| : Jumlah kasus pada partisi ke i

|S| : Jumlah kasus dalam S

Dalam algoritma C4.5, pemilihan atribut dilakukan dengan

menggunaan gain ratio. Atribut dengan nilai gain ratio tertinggi dipilih

sebagai atribut test untuk simpul. Untukmenghitung gain ratio perlu

diketahui suatu term baru yang disebut dengan split information.Split

information dihitung dengan menggunakan rumus 2.3 sebagai berikut :

( ) ∑

....................(2.3)

Di mana :

S1 sampai Sc adalah c subset yang dihasilkan dari pemecahan S

dengan menggunakan atribut A yang mempunyai sebanyak c nilai.

Untuk menghitung gain ratio digunakan rumus 2.4 sebagai

berikut :


11

( ) ( )

( )

....................(2.4)

Pada saat membangun pohon keputusan, banyaknya cabang

mungkin karena adanya noise atau outlierpada data training. Pemangkasan

pohon (pruning) dapat dilakukan untuk mengenali dan menghilangkan

cabang tersebut agar pohon lebih kecil dan lebih mudah dipahami. Selain

itu, pemangkasan pohon juga perlu dilakukan karena dalam teknik

klasifikasi yang akan dijalankan nantinya akan mengeluarkan pola atau

rule yang dibentuk berdasarkan struktur pohon, jadi jika struktur pohon

tidak teratur atau kurang sederhana, maka rule yang dihasilkan pun akan

rumit untuk diimplementasikan. Ada dua metode yang dapat digunakan

untuk melakukan pemangkasan pohon keputusan, yaitu :

1. Prepruning

Prepruningyaitu melakukan pemangkasansubtree lebih awal,

yakni dengan memutuskan untuk tidak lebih jauh mempartisi

data training. Pada pendekatan prepruning, sebuah pohon

dipangkas dengan cara menghentikan pembangunannya jika

partisi yang akan dibuat dianggap tidak signifikan. Keuntungan

dari prepruningyaitu lebih hemat waktu dalam proses

pembentukan pohon keputusan.

2. Postpruning

Postpruning yaitu menyederhanakan pohon dengan cara

memangkas beberapa cabang subtree setelah pohon selesai

dibangun.

Langkah-langkah pemangkasan pohon :

1. Hitung Pessimistic error rate parent.

2. Hitung Pessimistic error rate child.

3. Jika Pessimistic error rate child>parent, maka lakukan

pemangkasan.

4. Jika Pessimistic error rate child<parent, maka lanjutkan split.


12

Untuk menghitung Pessimistic error rate digunakan rumus 2.5

berikut.

√

..................(2.5)

Jika c= 25% (default untuk C4.5) maka z= 0,69 (dari distribusi

normal)

f = nilai perbandingan error rate.

n = total sample.

2.2.2. Contoh Penerapan C4.5

Berikut merupakan contoh sederhana penerapan algoritma C4.5

untuk menyelesaikan kasus apakah pasien mengidap penyakit kanker

serviks atau tidak, berdasarkan IUD (years) yang menyatakan berapa

tahun pasien menggunakan alat kontrasepsi IUD, First Sexual

Intercourse menyatakan umur pasien saat pertama kali melakukan

hubungan seksual, Dx:CINmenyatakan hasil diagnosis Cervical

Intraepithelial Neoplasiadan status STDs:HIV menyatakan apakah

pasien menderita penyakit menular seksual jenis HIV. Pada tabel 2.2

berikut akan digunakan untuk membentuk pohon keputusan:

Tabel 2.2 Data Pasien

IUD

(years)

First

Sexual

Intercoure

Dx : CIN STDs :

HIV BIOPSY

0 - 5 10 - 16 False True No

0 - 5 10 - 16 False False No

>= 12 10 - 16 False True Yes

6 - 11 17 - 23 False True Yes

6 - 11 >= 24 True True Yes

6 - 11 >= 24 True False Yes


13

>= 12 >= 24 True False Yes

0 - 5 17 - 23 False True No

0 - 5 >= 24 True True Yes

6 - 11 17 - 23 True True Yes

0 - 5 17 - 23 True False Yes

>= 12 17 - 23 False False Yes

>= 12 10 - 16 True True Yes

6 - 11 17 - 23 False False No

Pada tabel 2.2, atribut-atributnya adalah IUD (years), First Sexual

Intercourse, Dx:CIN dan STDs:HIV. Setiap atribut memiliki nilai

masing-masing. Sedangkan kelasnya ada pada kolom Biopsy, yaitu

kelas “Yes” atau “No”. Data tersebut memiliki 14 kasus yang terdiri

dari 10 “Yes” dan 4 “No”.

Langkah 1, menghitung Entropy Total dari masing-masing nilai

Biopsy dengan rumus 2.1 :

EntropyTotal(10Yes,4No) =(-10/14*log2(10/14)) + (-4/14*log2(4/14))

=0,346733448 + 0,516387121

= 0,863120569

Langkah 2, menghitung Entropy dari atribut IUD (years) dengan

rumus 2.1:

EntropyIUD (years)0 - 5(2Yes,3No)=(-2/5*log2(2/5)) + (-3/5*log2(3/5))

=0,528771238 + 0,442179356

= 0,970950594

EntropyIUD (years)6-11(4Yes,1No)=(-4/5*log2(4/5)) + (-1/5*log2(1/5))

=0,257542476 + 0,464385619

= 0,721928095

EntropyIUD (years)>= 12(4Yes,0No)=(-4/4*log2(4/4)) + (0/4*log2(0/4))


14

=0+ 0

= 0

EntropyTotal(IUD (years))=5/14*(0,970950594)+5/14*

(0,721928095)+0

=0,346768069 + 0,257831463 + 0

= 0,604599532

Langkah 3, menghitung Information Gain dari atribut IUD (years)

dengan rumus 2.2:

Gain(Total,IUD (years)) =0,863120569 - 0,604599532

= 0,258521037

Langkah 4, menghitung Split Information dari atribut IUD (years)

dengan rumus 2.3:

SplitInformation(Total,IUD (years)) = (-5/14*log2(5/14)) +

(-5/14*log2(5/14)) +

(-4/14*log2(4/14))

= 1,577406283

Langkah 5, menghitung Gain Ratio dari atribut IUD (years) dengan

rumus 2.4:

GainRatio(Total,IUD (years)) =0,258521037/1,577406283

= 0,16388995

Ulangi langkah 2, menghitung Entropy dari atribut First Sexual

Intercourse dengan rumus 2.1:

EntropyFirstSexualIntercourse10 - 16(2Yes,2No) =(-2/4*log2(2/4))+

(2/4*log2(2/4))

=0,5 + 0,5

= 1

EntropyFirstSexualIntercourse17 - 23(4Yes,2No) =(-4/6*log2(4/6)) +

(-2/6*log2(2/6))

=0,389975 +

0,528320834


15

= 0,918295834

EntropyFirstSexualIntercourse>= 24(4Yes,0No)=(-4/4*log2(4/4)) +

(0/4*log2(0/4))

=0+ 0

= 0

EntropyTotal(FirstSexualIntercourse) = 4/14 * 1 + 6/14 *

(0,918295834) + 0

=0,285714286 +

0,393555357 + 0

= 0,679269643

Ulangi langkah 3, menghitung Information Gain dari atribut First

Sexual Intercourse dengan rumus 2.2:

Gain(Total,FirstSexualIntercourse) =0,863120569 - 0,679269643

= 0,183850926

Langkah 4, menghitung Split Information dari atribut First Sexual


SplitInformation(Total,FirstSexualIntercourse)= (-4/14*log2(4/14))

+(-6/14*log2(6/14))

+(-4/14*log2(4/14))

= 1,556656707

Langkah 5, menghitung Gain Ratio dari atribut First Sexual


GainRatio(Total,FirstSexualIntercourse)=0,183850926/

1,556656707

= 0,118106275

Ulangi langkah 2, menghitung Entropy dari atribut Dx:CIN dengan

rumus 2.1:

EntropyDx:CINFalse(3Yes,4Np) =(-3/7*log2(3/7))+(-4/7*log2(4/7))

=0,523882466+ 0,46134567


16

= 0,985228136

EntropyDx:CINTrue(7Yes,0No) =(-7/7*log2(7/7))+(-0/7*log2(0/7)

=0 + 0

= 0

EntropyTotal(Dx:CIN) = 7/14*(0,985228136) + 0

=0,492614068 + 0

= 0,492614068

Ulangi langkah 3, menghitung Information Gain dari atribut Dx:CIN

dengan rumus 2.2:

Gain(Total, Dx:CIN) =0,863120569 - 0,492614068

= 0,370506501

Langkah 4, menghitung Split Information dari atribut Dx:CIN dengan

rumus 2.3:

SplitInformation(Total,Dx:CIN) = (-7/14*log2(7/14)) +

(-7/14*log2(7/14))

= 1

Langkah 5, menghitung Gain Ratio dari atribut Dx:CIN dengan

rumus 2.4:

GainRatio(Total,Dx:CIN) =0,370506501/1

= 0,370506501

Ulangi langkah 2, menghitung Entropy dari atribut STDs:HIV

dengan rumus 2.1:

EntropySTDs:HIVFalse(2Yes,4No)=(-2/6*log2(2/6))+(-4/6*log2(4/6))

=0,528320834+ 0,389975

= 0,918295834

EntropySTDs:HIVTrue(6Yes,2No) =(-6/8*log2(6/8))+(-2/8*log2(2/8)

=0,311278124 + 0,5

= 0,811278124

EntropyTotal(STDs:HIV) = 6/14*(0,918295834) + 8/14 *


17

(0,811278124)

=0,393555357 + 0,4635875

= 0,857142857

Ulangi langkah 3, menghitung Information Gain dari atribut

STDs:HIV dengan rumus 2.2:

Gain(Total,STDs:HIV) =0,863120569 - 0,857142857

= 0,005977712

Langkah 4, menghitung Split Information dari atribut STDs:HIV

dengan rumus 2.3:

SplitInformation(Total,STDs:HIV) = (-6/14*log2(6/14)) +

(-8/14*log2(8/14))

= 0,985228136

Langkah 5, menghitung Gain Ratio dari atribut STDs:HIV dengan

rumus 2.4:

GainRatio(Total,STDs:HIV) =0,005977712/ 0,985228136

= 0,006067338

Hasil perhitungan root ditampilkan pada tabel 2.3 berikut:

Tabel 2.3 Perhitungan Root/Node 1

Atr

ibu

t

Nil

ai

Ju

mla

h D

ata

Ju

mla

h (

Yes

)

Ju

mla

h (

No

)

En

trop

y

Gain

Sp

lit

Info

Gain

Rati

o

Total (S) 14 10 4 0,863120569

IUD

(yea

rs)

0 - 5 5 2 3 0,970950594

0,258521037 1,577406283 0,16388995

6-11 5 4 1 0,721928095


18

>= 12 4 4 0 0

Fir

st S

exu

al

Inte

rco

urs

e

10 - 16 4 2 2 1

0,183850926 1,556656707 0,118106275 17 - 23 6 4 2 0,918295834

>= 24 4 4 0 0

Dx

:CIN

False 7 3 4 0,985228136

0,370506501 1 0,370506501

True 7 7 0 0

ST

Ds:

HIV

False 6 2 4 0,918295834

0,005977712 0,985228136 0,006067338

True 8 6 2 0,811278124

Dari hasil perhitungan pada tabel 2.3 di atas diperoleh nilai Gain

Ratio tertinggi adalah atribut Dx:CIN yaitu 0,370506501. Dengan

demikian atribut terbentuk sebagai root. Pada atribut Dx:CIN terdapat

dua nilai atribut, yaitu “False” dan “True”. Pada status Dx:CIN

“True”, memiliki 7 kasus dan semuanya bernilai “Yes”. Hal ini

menunjukan bahwa Dx:CIN “True” menjadi daun atau leaf. Jika

divisualisasi maka pohon keputusan akan tampak seperti Gambar 2.2.

Gambar 2.2 Pohon Keputusan Node 1 (Root Node)

Berdasarkan Gambar 2.2 di atas, node 1.1 akan dianalisis lebih

lanjut. Untuk mempermudahnya, maka Tabel 2.2 difilter dengan

Yes


19

mengambil data yang memiliki Dx:CIN = False sehingga

menghasilkan Tabel 2.4 seperti berikut:

Tabel 2.4 Data Pasien dengan Dx:CIN = False

NO IUD

(YEARS)

FIRST SEXUAL

INTERCOURSE DX:CIN STDS:HIV BIOPSY

1 0 - 5 10 - 16 False True No

2 0 - 5 10 - 16 False False No

3 >= 12 10 - 16 False True Yes

4 6-11 17 - 23 False True Yes

5 0 - 5 17 - 23 False True No

6 >= 12 17 - 23 False False Yes

7 6-11 17 - 23 False False No

Kemudian data di Tabel 2.3 dianalisis dan dihitung dengan

mengulangi langkah-langkah perhitungan seperti yang sudah

dilakukan sebelumnya. Hasil perhitungan tersebut ditampilkan pada

Tabel 2.5 berikut.

Tabel 2.5 Perhitungan Node 1.1

Atr

ibu

t

Nil

ai

Ju

mla

h D

ata

Ju

mla

h (

Yes

)

Ju

mla

h (

No)

En

trop

y

Gain

Sp

lit

Info

Gain

Rati

o

Total (S) 7 3 4 0,985228136

IUD

(y

ears

)

0 - 5 3 0 3 0

0,69951385 1,556656707 0,449369374 6-11 2 1 1 1

>= 12 2 2 0 0

Fir

st

Sex

ual

Inte

rco

urs

e

10 - 16 3 1 2 0,918295834

0,020244207 0,985228136 0,020547736

17 - 23 4 2 2 1


20

>= 24 0 0 0 0

ST

Ds:

HIV

False 3 1 2 0,918295834

0,020244207 0,985228136 0,020547736

True 4 2 2 1


Ratio tertinggi adalah atribut IUD (years) yaitu 0,449369374. Dengan

demikian atribut IUD (years) terbentuk menjadi node 1.1. Pada atribut

IUD (years) “>= 12” memiliki 2 kasus dan semuanya bernilai “Yes”,

sedangkan pada atribut IUD (years) “0 - 5” memiliki 3 kasus dan

semuanya bernilai “No”. Dengan demikian kedua nilai tersebut

dijadikan daun atau leaf. Jika divisualisasikan maka pohon keputusan

akan tampak seperti Gambar 2.3.

Gambar 2.3 Pohon Keputusan Node 1.1

Untuk menganalisis node 1.1.2, kembali dilakukan filter untuk data

yang memiliki atribut bernilai Dx:CIN = False dan IUD (years) = 6-11

sehingga data yag dihasilkan seperti pada Tabel 2.5.

No Ye

Ye

s


21

Tabel 2.6 Data Pasien Dx:CIN = False dan IUD (years) = 6-11

NO IUD

(YEARS)

FIRST SEXUAL

INTERCOURSE DX:CIN STDS:HIV BIOPSY

1 6-11 17 - 23 False True Yes

2 6-11 17 - 23 False False No

Tabel 2.6 dianalisis dan dihitung dengan mengulangi langkah-

langkah perhitungan seperti yang sudah dilakukan sebelumnya. Hasil

perhitungan tersebut ditampilkan pada Tabel 2.7 berikut.

Tabel 2.7 Perhitungan Node 1.1.2

Atr

ibu

t

Nil

ai

Ju

mla

h D

ata

Ju

mla

h (

Yes

)

Ju

mla

h (

No)

En

trop

y

Gain

Sp

lit

Info

Gain

Rati

o

Total (S) 2 1 1 1

Fir

st S

exu

al

Inte

rco

urs

e

10 - 16 0 0 0 0

0 0 0 17 - 23 2 1 1 1

>= 24 0 0 0 0

ST

Ds:

HIV

False 1 0 1 0

1 1 1

True 1 1 0 0


Ratio tertinggi adalah atribut STDs:HIV yaitu 1. Maka atribut

STDs:HIV terbentuk menjadi node 1.1.2 Pada atribut STDs:HIV

“False” memiliki 1 kasus dan bernilai “No”, sedangkan pada atribut

STDs:HIV “True” memiliki 1 kasus dan bernilai “Yes”. Dengan

demikian kedua nilai tersebut dijadikan daun atau leaf. Pohon

keputusan yang terbentuk pada perhitungan node 1.1.2 ditampilkan

pada Gambar 2.4 berikut:


22

Gambar 2.4 Pohon Keputusan Node 1.1.2

Dengan memperhatikan pohon keputusan pada Gambar 2.4 di atas,

diketahui bahwa semua kasus telah masuk dalam kelas. Dengan

demikian pohon keputusan tersebut merupakan pohon terakhir yang

terbentuk.

2.3. Kanker Serviks

2.3.1. Definisi Kanker Serviks

Kanker serviks adalah jenis kanker yang muncul pada leher rahim.

Pengertian kanker serviks adalah suatu proses keganasan yang terjadi

pada leher rahim, sehingga jaringan di sekitarnya tidak dapat

melaksanakan fungsi sebagaimana mestinya. Keadaan tersebut

biasanya disertai dengan adanya perdarahan dan pengeluaran cairan

vagina yang abnormal, penyakit ini dapat terjadi berulang-ulang

(Prayetni, 2007).

No

No

Y

Y

Y


23

2.3.2. Penyebab Kanker Serviks

Kanker serviks 99,7 % disebabkan oleh Human Papilloma Virus

(HPV). HPV adalah virus yang paling sering dijumpai pada penyakit

menular seksual dan diduga berperan dalam proses terjadinya kanker.

Saat ini terdapat 138 jenis HPV yang sudah teridentifikasi, 40

diantaranya dapat ditularkan melalui hubungan seksual. HPV yang

dapat menyebabkan kanker serviks yaitu HPV risiko sedang maupun

tinggi. Beberapa penelitian mengemukakan bahwa 90% kanker

serviks disebabkan oleh HPV tipe 16 dan 18. Dari kedua tipe ini,

HPV tipe 16 telah menyebabkan lebih dari 50% kanker serviks.

Seseorang yang sudah terinfeksi HPV 16 maka memiliki

kemungkinan terkena kanker serviks sebesar 5% (Rasjidi, 2009).

2.3.3. Faktor Risiko Kanker Serviks

Menurut Diananda (2007), faktor-faktor yang mempengaruhi

kanker serviks yaitu :

1.Usia > 35 tahun mempunyai risiko tinggi terhadap kanker

serviks.

2.Melakukan hubugan seksual pada usia kurang dari 20

tahun. Hubugan seks idealnya dilakukan setelah seorang

wanita benar-benar matang.

3. Wanita dengan aktivitas seksual yang tinggi, dan sering

berganti-ganti pasangan. Berganti-ganti pasangan

memungkinkan seseorang tertular penyakit kelamin, seperti

HPV.

4. Penggunaan antiseptik dengan menggunakan obat-obatan

antiseptik maupun deodoran ketika mencuci vagina dapat

mengakibatkan iritasi yang mengakibatkan terjadinya

kanker.

5. Wanita yang merokok. Wanita perokok memiliki risiko 2

kali lebih besar terkena kanker serviks dibandingkan

dengan wanita yang tidak merokok.


24

6. Riwayat penyakit kelamin dan infeksi virus seperti herpes

dan kutil genetalia

7. Paritas (jumah kelahiran). Wanita yang memiliki banyak

anak dengan jarak persalinan yang terlalu pendek memiliki

risiko yang semakin tinggi karena berdampak pada

seringnya terjadi perlukaan di organ reproduksinya yang

memudahkan munculnya HPV.

8. Penggunaan kontrasepsi oral dalam jangka waktu lama.

2.3.4. Diagnosis Kanker Serviks

Wanita dengan kanker serviks stadium awal dan pre-kanker tidak

menimbulkan gejala sama sekali hingga sel kanker menyebar ke

jaringan di sekitarnya membentuk tumor. Gejala-gejala kanker

serviks baru akan muncul saat kanker sudah memasuki stadium

lanjut(di atas stadium dua).

Dalam diagnosis penyakit kanker, dokter akan melakukan beragam

tes sebagai berikut :

1. Tes Pap Smear

Tes pap smear bertujuan untuk mengetahui apakah terdapat

pertumbuhan sel yang abnormal pada rahim. Tes ini harus mulai

dilakukan pada wanita usia 18 tahun atau ketika telah melakukan

aktivitas seksual sebelum itu. Setiap wanita yang telah aktif

secara seksual dianjurkan menjalani pap smear secara teratur

yaitu 1 kali setiap tahun.

2. Tes HPV

Tes HPV adalah tes yang dilakukan untuk mengidentifikasi

jenis HPV mana yang paling mungkin menyebabkan kanker

serviks. Tes HPV memiliki tujuan yang sama dengan tes pap

smear yaitu mendeteksi kanker serviks secara dini. Tes HPV

dapat dilakukan bersamaan dengan tes pap smear.

3. Tes Kolposkopi


25

Tes kolposkopi digunakan dokter untuk mengonfirmasi

keberadaan sel abnormal di serviks. Tes ini juga dapat digunakan

untuk memandu biopsi. Tes kolposkopi menggunakan alat

khusus yang bernama kolposkop. Kolposkop tidak dimasukkan

ke dalam tubuh dan alat ini dapat memperlihatkan tampilan sel-

sel serviks dan vagina yang diperbesar.

4. Biopsi

Biopsi merupakan tes yang dilakukan dengan mengambil

sejumlah kecil jaringan sebagai sampel untuk diperiksa

menggunakan mikroskop. Biopsi sering dilakukan untuk

memastikan suatu diagnosis. Selain untuk diagnosis, biopsi juga

dapat dilakukan untuk mengangkat jaringan abnormal dari

serviks serta memberikan pengobatan untuk sel pra-kanker.

Walaupun tes-tes lain dapat menunjukkan kemungkinan adanya

kanker di serviks, tetapi hanya biopsi lah satu-satunya cara pasti

dalam mendeteksi kanker.

2.4. Imbalanced Data

Sebuah data dapat dikatakan menjadi tidak seimbang (imbalanced)

jika terdapat satu kelas yang direpresentasikan dalam jumlah instance

yang kecil bila dibandingkan dengan jumlah instancekelas yang lainnya.

Kondisi tersebut dapat menimbulkan masalah pada klasifikasi data yang

kasusnya jarang terjadi akan tetapi sangat penting, contohnya pada

pengklasifikasian data kecurangan transaksi telepon, pengenalan citra

satelit untuk pendeteksian tumpahan minyak, deteksi kkegagalan mesin

suatu pabrik, deteksi penyakit yang langka tetapi berbahaya (Barandela et

al. 2002).

Kondisi imbalanced data dapat terlihat secara nyata pada himpunan

data yang memiliki dua kelas. Kelas yang jumlah instance terkecil

(minority class) disebut kelas positif dan kelas yang jumlah instance


26

terbesar (majority class) disebut kelas negatif. Rasio jumlah instance

antara kedua kelas yaitu 1:100, 1:1000 dan 1:10000 atau lebih.

Ada dua pendekatan yang dapat dilakukan untuk mengatasi kondisi

imbalanced data. Pendekatan pertama yaitu pada level data,

menggunakan teknik pengambilan contoh (sampling technique) dan

pendekatan kedua yaitu pada level algoritma. Pendekatan sampling

technique terdiri dari dua cara yaitu Oversampling kelas terkecil dan

Undersamplingkelas terbesar.

1. Oversampling

Teknik pengambilan contoh meningkatkan jumlah kelas

terkecil dengan cara mereplikasi data secara acak sehingga

jumlahnya sama dengan kelas terbesar.

2. Undersampling

Teknik pengambilan contoh mengurangi jumlah data kelas

terbesar secara acak sehingga jumlahnya sama dengan kelas

terkecil.

2.5. SplitValidation

Split Validation merupakan teknik validasi yang membagi data

menjadi dua bagian, sebagian sebagai data training dan sebagian lainnya

sebagai data testing. Dengan menggunakan split validation akan

dilakukan proses training berdasarkan splitratio yang telah ditentukan

sebelumnya, kemudian sisa dari split ratio data training akan dianggap

sebagai data testing. Data training merupakan data yang akan dipakai

dalam melakukan pembelajaran sedangkan data testing merupakan data

yang belum pernah dipakai sebagai pembelajaran dan akan digunakan

sebagai data pengujian kebenaran hasil pembelajaran. Ilustrasi

splitvalidation dipaparkan pada Gambar 2.4 berikut :


27

Gambar 2.5 Ilustrasi Split Validation

2.6. ConfusionMatrix

Confusion Matrix merupakan suatu metode yang dapat digunakan

untuk menghitung akurasi suatu metode klasifikasi pada konsep data

mining. Pada dasarnya confusion matrix mengandung informasi yang

membandingkan hasil klasifikasi yang dilakukan oleh perangkat lunak

dengan hasil klasifikasi yang seharusnya. Tabel 2.8 menyajikan bentuk

confusion matrix sebagai berikut :

Tabel 2.8 Confusion Matrix

PREDIKSI

Positif Negatif

AKTUAL

Positif TP FN

Negatif FP TN

Keterangan :

a. TP (True Positive), yaitu jumlah data yang kelas aktualnya

adalah kelas positif dengan kelas prediksinya adalah kelas

positif.


28

b. FN (False Negative), yaitu jumlah data yang kelas

aktualnya adalah kelas positif dengan kelas prediksinya

adalah kelas negatif.

c. FP (False Positive), yaitu jumlah data yang kelas aktualnya

adalah kelas negatif dengan kelas prediksinya adalah kelas

positif.

d. TN (True Negative), yaitu jumlah data yang kelas aktualnya

adalah kelas negatif dengan kelas prediksinya adalah kelas

negatif.

Berdasarkan Tabel 2.8di atas, untuk menghitung akurasi yaitu

dengan menggunakan rumus 2.6 berikut :

.............................(2.6)


29

BAB III

METODOLOGI PENELITIAN

3.1. Sumber Data

Data yang digunakan oleh penulis dalam penelitian ini adalah data

yang diperoleh dari situsUCI Machine Learning yang dapat diakses

melalui alamat https://archive.ics.uci.edu/ml/index.php. Data pasien

dikumpulkan dari Rumah Sakit Universitario de Caracas di Caracas,

Venezuela. Data tersebut berfokus pada prediksi/indikator risiko kanker

serviks. Jumlah data sebanyak 858 data pasien, dengan 32 atribut yang

terdiri dari informasi demografis, kebiasaan, dan catatan rekam medis

serta 4 label kelas yaitu Hinselmann, Schiller, Citology dan

Biopsy.Namun pada penelitian ini penulis hanya akan berfokus pada

target biopsy. Beberapa pasien tidak menjawab beberapa pertanyaan

karena masalah privasi (missing value).Atribut data kanker serviks

dipaparkan pada tabel 3.1 berikut.

Tabel 3.1 Atribut Data Kanker Serviks

No Attribut Keterangan Tipe Data

1 Age Umur pasien Integer

2 Number of sexual

partners

Jumlah pasangan seksual Integer

3 First sexual intercourse

(age)

Umur pasien saat

melakukan hubungan

seksual pertama

Integer

4 Num of pregnancies Jumlah kehamilan pasien Integer

5 Smokes Apakah pasien merokok Boolean

6 Smokes (years)

Berapa tahun pasien

merokok

Integer


https://archive.ics.uci.edu/ml/index.php

30

7 Smokes (packs/year)

Berapa bungkus rokok yang

dihabiskan pasien per tahun

Integer

8 Hormonal

contraceptives

Apakah pasien

menggunakan kontrasepsi

hormonal

Boolean

9 Hormonal

contraceptives (years)

Berapa tahun pasien


hormonal

Integer

10 IUD

Apakah pasien

menggunakan alat

kontrasepsi intrauterine

device

Boolean

11 IUD (years)

Berapa tahun pasien


intrauterine device

Integer

12 STDs Apakah pasien menderita

penyakit menular seksual

Boolean

13 STDs (number) Jumlah penyakit menular

yang diderita pasien

Integer

14 STDs:condylomatosis

Apakah pasien menderita


jenis condylomatosis

Boolean

15 STDs:cervical

condylomatosis



jeniscervical

condylomatosis

Boolean

16 STDs:vaginal

condylomatosis



jenis vaginal

condylomatosis

Boolean


31

17 STDs:vulvo-perineal

condylomatosis



jenis vulvo-perineal

condylomatosis

Boolean

18 STDs:syphilis



jenissyphilis

Boolean

19 STDs:pelvic

inflammatory disease



jenispelvic inflammatory

disease

Boolean

20 STDs:genital herpes



jenisgenital herpes

Boolean

21 STDs:molluscum

contagiosum



jenismolluscum

contagiosum

Boolean

22 STDs:AIDS



jenisAIDS

Boolean

23 STDs:HIV



jenisHIV

Boolean

24 STDs:Hepatitis B



jenisHepatitis B

Boolean

25 STDs:HPV Apakah pasien menderita Boolean


32


jenisHPV

26 STDs: Number of

diagnosis

Jumlah diagnosis penyakit

menular seksual

Integer

27 STDs: Time since first

diagnosis

Tahun diagnosis penyakit

menular seksual pertama

kali

Integer

28 STDs: Time since last

diagnosis

Tahun diagnosis penyakit

menular seksual terakhir

kali

Integer

29 Dx:Cancer Hasil diagnosis kanker Boolean

30 Dx:CIN

Hasil diagnosis Cervical

Intraepithelial

Neoplasia (CIN)

Boolean

31 Dx:HPV

Hasil diagnosis Human

Papilloma Virus (HPV)

Boolean

32 Dx Hasil diagnosis Boolean

Contoh data mentah yang digunakan pada penelitian ini dapat

dilihat pada lampiran 1.

Data yang diperoleh pada penelitian ini merupakan data tidak

seimbang (imbalanced data) karena terdapat kelas yang mendominasi

dari kelas lainnya. Kelas dari biopsy yang menyatakan pasien tidak

menderita kanker serviks merupakan kelas mayoritas, sedangkan kelas

dari biopsyyang menyatakan pasien menderita kanker serviks merupakan

kelas minoritas. Detail mengenai kelas biopsy pada dataset dipaparkan

pada tabel 3.2 berikut.

Tabel 3.2 Detail Kelas Biopsy

Biopsy Jumlah


33

No 803

Yes 55

Total : 858

3.2. Tahapan Penelitian

Pendekatan sistematis yang akan digunakan dalam merealisasikan

tujuan dan rumusan masalah di atas adalah dengan menggunakan

langkah-langkah sebagai berikut :

3.2.1. Knowledge Discovery in Database (KDD)

3.2.2.1 Pembersihan Data (Data Cleaning)

Proses pembersihan data untuk menghilangkan noise atau

data yang tidak konsisten. Pada data pasien yang digunakan,

terdapat dua atribut yang memiliki banyak nilai kosong

dikarenakan masalah privasi pasien. Kedua atribut tersebut yaitu

atribut STDs: Time since first diagnosis dan STDs: Time since last

diagnosis. Dengan begitu pada proses ini kedua atribut akan

dihilangkan. Beberapa atribut yang memiliki sedikit nilai kosong

akan diganti dengan nilai rata-rata atau dengan nilai modus

tergantung jenis datanya.Pada data integer digunakan cara

mengganti nilai kosong dengan nilai rata-rata, sedangkan untuk

data boolean maka digunakan cara mengganti nilai kosong dengan

nilai modus. Detail mengenai atribut yang memiliki sedikit nilai

kosong akan dipaparkan pada tabel 3.3 berikut.

Tabel 3.3 Beberapa atribut yang Memiliki Sedikit Nilai Kosong

No Attribut

Tipe Data Mengganti Nilai

Kosong

1 Number of sexual partners Integer Mean= 2

2 First sexual intercourse Integer Mean= 17


34

(age)

3 Num of pregnancies Integer Mean = 2

4 Smokes Boolean Modus = 0 (false)

5 Hormonal contraceptives Boolean Modus = 1 (true)

6 Hormonal contraceptives

(years)

Integer Mean = 2

7 IUD Boolean Modus = 0 (false)

8 STDs Boolean Modus = 0 (false)

9 STDs:condylomatosis Boolean Modus = 0 (false)

10

STDs:cervical

condylomatosis

Boolean Modus = 0 (false)

11

STDs:vaginal

condylomatosis


12

STDs:vulvo-perineal

condylomatosis


13 STDs:syphilis Boolean Modus = 0 (false)

14

STDs:pelvic inflammatory

disease


15 STDs:genital herpes Boolean Modus = 0 (false)

16

STDs:molluscum

contagiosum


17 STDs:AIDS Boolean Modus = 0 (false)

18 STDs:HIV Boolean Modus = 0 (false)


35

19 STDs:Hepatitis B Boolean Modus = 0 (false)

20 STDs:HPV Boolean Modus = 0 (false)

21 Dx:Cancer Boolean Modus = 0 (false)

22 Dx:CIN Boolean Modus = 0 (false)

23 Dx:HPV Boolean Modus = 0 (false)

24 Dx Boolean Modus = 0 (false)

3.2.2.2 Integrasi Data (Data Integration)

Proses penggabungan data dari berbagai database ke dalam

database baru. Integrasi data dapat dilakukan jika data yang

diperoleh berasal dari sumber yang berbeda. Pada penelitian ini

peneliti memperoleh data langsung dari satu sumber sehingga tidak

diperlukan proses integrasi data.

3.2.2.3 Seleksi Data (Data Selection)

Proses seleksi data dilakukan untuk atribut data yang tidak

diperlukan akan dibuang atau ditinggalkan. Pada penelitian ini

peneliti hanya akan berfokus pada target biopsi sehingga tiga target

lainnya yaitu Hinselmann, Schiller dan Citology akan dibuang.

Pada atribut STDs: cervical condylomatosis dan STDs: AIDS

semua data bernilai sama yaitu false sehingga kedua atribut

tersebut akan dibuang karena tidak memiliki nilai pembandingnya.

Selanjutnya, terdapat 4 atribut yang dapat dihapus yaitu atribut

Smokes, Hormonal Contraceptives, IUD dan STDs. Atribut Smokes

dihapus karena terdapat atribut lain yang telah menjelaskan atribut

Smokes yaitu Smokes (years) dan Smokes (packs/year). Ketika

pasien tidak merokok maka atribut Smokes (years) dan Smokes

(packs/year) akan diisi dengan nilai 0, maka dari kedua atribut

tersebut pun dapat menjelaskan apakah seseorang tersebut merokok


36

atau tidak. Hal ini juga berlaku untuk ketiga atribut Hormonal

Contraceptives, IUD dan STDs karena atribut-atribut tersebut

kurang memberikan informasi yang banyak maka lebih baik

dihapus dari dataset.

3.2.2.4 Transformasi Data (Data Transformation)

Proses transformasi data atau mengubah data ke dalam

bentuk yang sesuai dilakukan agar data dapat diolah dengan

perhitungan algoritma C4.5. Pada tahap ini transformasi dilakukan

dengan cara mengubah data ke dalam bentuk kategori. Berikut

transformasi yang dilakukan pada masing-masing atribut :

1. Transformasi pada kolom STDs: condylomatosis

0 : False

1 : True

2. Transformasi pada kolom STDs: vaginal condylomatosis

0 : False

1 : True

3. Transformasi pada kolom STDs: vulvo-perineal

condylomatosis

0 : False

1 : True

4. Transformasi pada kolom STDs: syphilis

0 : False

1 : True

5. Transformasi pada kolom STDs: pelvic inflammatory disease

0 : False

1 : True

6. Transformasi pada kolom STDs: genital herpes

0 : False

1 : True

7. Transformasi pada kolom STDs: molluscum contagiosum

0 : False

1 : True


37

8. Transformasi pada kolom STDs: HIV

0 : False

1 : True

9. Transformasi pada kolom STDs: Hepatitis B

0 : False

1 : True

10. Transformasi pada kolom STDs: HPV

0 : False

1 : True

11. Transformasi pada kolom Dx: Cancer

0 : False

1 : True

12. Transformasi pada kolom Dx: Cin

0 : False

1 : True

13. Transformasi pada kolom Dx: HPv

0 : False

1 : True

14. Transformasi pada kolom Dx

0 : False

1 : True

15. Transformasi STDs (number)

0 : Zero

1 : One

2 : Two

3 : Three

4 : Four

16. Transformasi STDs : Number of Diagnosis

0 : Zero

1 : One

2 : Two

3 : Three


38

17. Transformasi pada kolom Age, Number of Sexual Partners,

First Sexual Intercourse, Num of Pregnancies, Smokes

(years), Smokes (packs/year), Hormonal Contraceptives

(years) dan IUD (years).

Proses transformasi pada beberapa atribut ini menggunakan

teknik discretization untuk mengubah data numerik atau

kontinyu ke dalam interval. Teknik discretization yang

digunakan yaitu dengan menerapkan metode binning yang

membagi partisi ke dalam beberapa bin dengan lebar yang

sama (jarak). Berikut langkah-langkahnya :

a. Menentukan berapa banyak kelas interval. Pada

masing-masing atribut tersebut, peneliti akan

membagi menjadi 3 kelas interval (k=3).

b. Mencari nilai minimal dan maksimal dari masing-

masing atribut.

Age

Nilai minimal : 13

Nilai maksimal : 84

Number of Sexual Partners

Nilai minimal : 1

Nilai maksimal : 28

First Sexual Intercourse

Nilai minimal : 10

Nilai maksimal : 32

Num of Pregnancies

Nilai minimal : 0

Nilai maksimal : 11

Smokes (years)

Nilai minimal : 0

Nilai maksimal : 37

Smokes (packs/year)

Nilai minimal : 0


39

Nilai maksimal : 37

Hormonal Contraceptives (years)

Nilai minimal : 0

Nilai maksimal : 30

IUD (years)

Nilai minimal : 0

Nilai maksimal : 19

c. Menentukan panjang kelas interval dengan rumus 3.1

berikut :

( )

.............(3.1)

Panjang kelas interval pada tiap atribut adalah :

Age

( )


( )


( )

Num of Pregnancies

( )

Smokes (years)

( )

Smokes (packs/year)

( )


( )


40

IUD (years)

( )

Dari perhitungan di atas maka dihasilkan kategori sebagai

berikut :

Age

13 – 36

37 – 60

>= 61


1 – 9

10 – 18

>= 19


10 – 16

17 – 23

>= 24

Num of Pregnancies

0 – 3

4 – 7

>= 8

Smokes (years)

0 – 11

12 – 23

>= 24

Smokes (packs/year)

0 – 11

12 – 23

>= 24


0 – 9

10 – 19


41

>= 20

IUD (years)

0 – 5

6 – 11

>= 12

Contoh hasil transformasi data dapat dilihat pada lampiran 2.

3.2.2.5 Penambangan Data (Data Mining)

Pada tahap ini diterapkan proses penambangan data dengan

algoritma C4.5. Namun seperti yang telah dijelaskan sebelumnya,

data pasien yang akan digunakan berjumlah 858 dalam kondisi

imbalanced data. Oleh karena itu, untuk mengatasi masalah

tersebut digunakan suatu metode sampling yaitu undersampling.

Undersampling merupakan metode untuk mengambil beberapa

data mayoritas sehingga jumlah data mayoritas sama besar

jumlahnya dengan jumlah data minoritas. Pada proses ini data

kelas mayoritas dan minoritas akan diambil dengan perbandingan 1

: 2. Itu artinya kelas biopsy yang bernilai “Yes” akan diambil

semua yaitu sejumlah 55 data, sedangkan untuk data kelas biopsy

yang bernilai “No” akan diambil sebanyak 110 data sehingga total

data yang akan digunakan yaitu 165 data. Data ini selanjutnya

dibagi menjadi data training dan data testing. Data training akan

digunakan dalam proses pembentukan pohon keputuan

menggunakan algoritma C4.5.

Proses pembentukan pohon ditentukan dari perhitungan

nilai Entropy, Gain, Split Information, dan Gain Ratio untuk setiap

atribut. Dari perhitungan tersebut, atribut yang memiliki nilai

GainRatio tertinggi akan menjadi simpul akar dari pohon. Proses

pembentukan pohon dilakukan secara rekursif hingga seluruh data

memiliki kelas. Dalam proses pembentukan pohon keputusan akan

dilakukan prepruning yaitu dengan menghitung pessimistic error

rate seperti pada rumus 2.5. Setelah perhitungan selesai akan

ditampilkan hasil pohon yang terbentuk.


42

3.2.2.6 Evaluasi Pola (Pattern Evaluation)

Pattern evaluation adalah proses mengidentifikasi pola-

pola sehingga mempresentasikan pengetahuan yang benar-benar

menarik yang merupakan hasil dari penambangan data.Tahap ini

dilakukan setelah melakukan proses penambangan data sehingga

dapat ditarik keputusan atau ditentukan rule berdasarkan pohon

keputusan yang diperoleh.

3.2.2.7 Presentasi Pengetahuan (Knowledge Presentation)

Pada tahap ini dilakukan proses penyajian pengetahuan dari

hasil penambangan data. Hasil klasifikasi data pasien yang

menderita penyakit kanker serviks akan ditampilkan ke dalam

bentuk yang mudah dipahami oleh pengguna.

3.2.2. Analisis dan Kesimpulan

Pada tahap ini, hasil implementasi perangkat lunak yang

telah dibangun akan dianalisa untuk memastikan apakah sesuai

dengan rancangan yang dilakukan sebelumnya. Tahap pengujian

berikutnya adalahuji validasi perangkat lunak dengan

menggunakan metode pengujian black box. pengujian black box ini

berisi pengujian dengan pengisian data secara benar dan tidak

benar. Selanjutnya dilakukan pengujian untuk mencari nilai akurasi

terbaik dengan membagi data menjadi data training dan testing

menggunakan split validation. Hasil dari semua tersebut

selanjutnya disusun dalam naskah tugas akhir.

3.3. Perancangan Perangkat Lunak

3.3.1. Perancangan Umum

Perangkat lunak yang akan dibangun adalah perangkat lunak yang

dapat melakukan deteksi penyakit kanker serviks menggunakan

algoritma C4.5 sehingga menghasilkan rule atau kondisi yang

digunakan untuk penentuan keputusan pada proses deteksi.


43

3.3.1.1 Input

Input dari perangkat lunak yang dibangun yaitu file dengan

ekstensi .xls yang berupa data pasien dalam bentuk tabel berisi

beberapa atribut yang meliputi informasi demografis, kebiasaan

dan catatan rekam medis yang kemudian disimpan ke dalam

database.

3.3.1.2 Proses

Proses perangkat lunak yang akan dibangun terdiri dari

beberapa tahapan untuk mengklasifikasikan data, menghitung

akurasi dan uji data tunggal. Secara garis besar tahapan proses

perangkat lunak tersebut, yaitu:

1. Memasukkan data pasien ke dalam database, data

yang dimasukkan harus bertipe .xls.

Tahapan-tahapan yang akan dilakukan perangkat

lunak pada proses memasukkan data pasien yaitu :

1) Membaca file excel yang diupload.

2) Membaca jumlah baris dari data pasien.

3) Membaca kolom dari data pasien yang berisi

atribut-atribut menggunakan perulangan for

berdasarkan jumlah baris data pasien.

4) Menyisipkan data ke dalam tabel data pasien

di database.

5) Menampilkan status data berhasil diinput.

2. Melakukan transformasi data


lunak pada proses melakukan transformasi data yaitu :

1) Membaca data pada tabel data pasien di

database.

2) Masing-masing atribut akan dilakukan

transformasi dengan menerapkan percabangan

if-else untuk mengetahui kategori mana yang

sesuai dengan kondisi data.


44

3) Update nilai masing-masing atribut pada tabel

data pasien di database berdasarkan hasil

kategori yang diperoleh.

3. Membagi data training dan data testing berdasarkan

nilai split ratio.

4. Melakukan proses algoritma C4.5.


lunak pada proses algoritma C4.5 yaitu :

1) Menghitung nilai entropy total dan entropy

masing-masing atribut

2) Menghitung nilai information gain, split info,

dan gain ratio masing-masing atribut. Atribut

yang memiliki nilai gain ratio tertinggi akan

menjadi simpul akar dari pohon.

3) Membuat cabang untuk masing-masing nilai

4) Membagi kasus dalam cabang

5) Mengulangi proses untuk masing-masing

cabang sampai semua kasus pada cabang

memiliki kelas yang sama. Dalam proses

pembentukan pohon keputusan dilakukan

pemangkasan pohon menggunakan metode

prepruning dengan menghitung nilai

pessimistic error rateseperti yang dijelaskan

pada bab 2.

5. Menampilkan tabel perhitungan, pohon keputusan dan

rule.

6. Melakukan proses kinerja untuk memperoleh akurasi

dari algoritma C4.5


lunak pada proses kinerja algoritma C4.5 yaitu :

1) Membaca data yang akan digunakan untuk uji

akurasi yaitu data testing.


45

2) Membandingkan nilai masing-masing atribut

untuk memperoleh klasifikasi yang dilakukan

perangkat lunak berdasarkan rule yang

terbentuk dari hasil proses algoritma C4.5

yang telah dilakukan sebelumnya.

3) Hasil klasifikasi yang dilakukan perangkat

lunak akan dibandingkan dengan hasil

klasifikasi data pasien yang seharusnya

dengan menggunakan confusion matrix

sehingga diperoleh akurasi dari algoritma

C4.5.

7. Melakukan proses uji data tunggal di mana user akan

memasukkan data tunggal dan perangkat lunak akan

menampilkan hasil biopsi.


lunak pada proses uji data tunggal yaitu :

1) Membaca data yang dimasukkan oleh

pengguna

2) Membandingkan nilai masing-masing atribut

untuk memperoleh klasifikasi yang dilakukan

perangkat lunak berdasarkan rule yang

terbentuk dari hasil proses algoritma C4.5

yang telah dilakukan sebelumnya.

3) Menampilkan hasil biopsi yang diperoleh dari

proses uji data tunggal.

Proses sistem digambarkan dalam diagram flowchart seperti

pada Gambar 3.1.


46

Gambar 3.1Diagram Flowchart

3.3.1.3 Output

Perangkat lunak yang dibangun akan memberikan output

berupa hasil perhitungan algoritma, pohon keputusan, rule, dan

perhitungan akurasi. Selanjutnya untuk uji data tunggal perangkat

lunak akan meminta masukan dari user dan akan menampilkan

hasil biopsi dalam mendeteksi penyakit kanker serviks.

3.3.2. Model Fungsi

3.3.2.1 Diagram Use Case

Diagram use case dipaparkan pada Gambar 3.2 berikut.


47

Gambar 3.2 Diagram UseCase

3.3.2.2 Narasi Use Case

Diagram use case menggambarkan mengenai hubungan

antara aktor (pengguna) dengan sistem. Narasi use case akan

memperjelas setiap use case sebagai berikut.

a. Login

Tabel 3.4 Narasi Use Case Login

Login

NamaUse Case Login

ID Use Case 1

Aktor Pengguna

Deskripsi

Use case ini mendeskripsikan pengguna masuk ke dalam

sistem

Kondisi Awal Pengguna masuk ke sistem dan berada pada halaman login


48

Kondisi Akhir Pengguna berhasil masuk ke sistem

Typical Course

Aksi Aktor Reaksi Sistem

1. Pengguna memasukkan

username dan password

2. Menampilkan halaman

utama

b. Masukkan Data

Tabel 3.5 Narasi Use CaseMasukkan Data

Masukkan Data

NamaUse Case Masukkan Data

ID Use Case 2

Aktor Pengguna

Deskripsi

Use case ini merupakan proses memilih dan memasukkan

file berekstensi .xls yang akan digunakan dalam proses

klasifikasi

Kondisi Awal Pengguna telah masuk pada halaman utama sistem

Kondisi Akhir

Menampilkan data dalam bentuk tabel pada halaman data

pasien

Typical Course


1. Menekan menu data pasien


data pasien

3. Menekan tombol browse

4. Menampilkan kotak


49

dialog untuk memilih file

yang berada pada direktori

komputer

5. Memilih file berekstensi

.xls yang akan digunakan dan

menekan tombol submit.

6. Memasukkan data ke

database dan melakukan

transformasi data

7. Menampilkan data

dalam bentuk tabel pada

halaman data pasien

c. Partisi Data

Tabel 3.6 Narasi Use CasePartisi Data

Partisi Data

NamaUse Case Partisi Data

ID Use Case 3

Aktor Pengguna

Deskripsi

Use case ini merupakan proses membagi data menjadi data

training dan data testing berdasarkan nilai split ratio yang

dimasukkan pengguna.

Kondisi Awal

Pengguna telah memilih file berekstensi .xls dan data telah

ditampilkan pada halaman data pasien

Kondisi Akhir Menampilkan status jumlah data training dan data testing

Typical Course Aksi Aktor Reaksi Sistem


50

1. Menekan menu partisi data


partisi data

3. Memasukkan nilai split

ratio dan memilih teknik

pengambilan data

4. Menekan tombol proses

5. Membagi data training

dan data testing

berdasarkan nilai splitratio

dan teknik pengambilan

data yang dimasukkan

pengguna

6. Menampilkan pesan

data training berhasil

diupdate

7. Menampilkan status

jumlah data training dan

data testing

d. Proses Algoritma C4.5

Tabel 3.7 Narasi Use CaseProses Algoritma C4.5

Proses Algoritma C4.5

NamaUse Case Proses Algoritma C4.5

ID Use Case 4

Aktor Pengguna


51

Deskripsi

Use case ini merupakan proses membentuk pohon

keputusan dan rule menggunakan algoritma C4.5

Kondisi Awal

Pengguna telah membagi data training dan data testing

berdasarkan nilai split ratio serta berada pada halaman

utama

Kondisi Akhir

Menampilkan tabel hasil perhitungan, pohon keputusan,

rule, dan menghitung akurasi

Typical Course


1. Menekan menu proses

algoritma C4.5


proses algoritma C4.5

3. Menekan tombol lakukan

proses mining C4.5

4. Melakukan proses

mining C4.5

5. Menampilkan hasil

perhitungan

6. Menekan tombol kembali

7. Menampilkan pohon

keputusan dan rule yang

terbentuk pada halaman

pohon keputusan

8. Menekan menu kinerja

C4.5


kinerja C4.5


52


kinerja C4.5

11.Melakukan proses

perhitungan akurasi.


perhitungan akurasi dalam

bentuk confusion matrix

e. Uji Data Tunggal

Tabel 3.8 Narasi Use CaseUji Data Tunggal

Uji Data Tunggal

NamaUse Case Uji Data Tunggal

ID Use Case 5

Aktor Pengguna

Deskripsi Use case ini merupakan proses melakukan uji data tunggal

Kondisi Awal

Pengguna telah melakukan proses mining C4.5 dan berada

pada halaman menu utama

Kondisi Akhir Menampilkan hasil klasifikasi

Typical Course


1. Menekan menu uji data

tunggal


uji data tunggal

3. Memasukkan nilai data

tunggal


53



klasifikasi

f. Hapus Semua Data

Tabel 3.9 Narasi Use CaseHapus Semua Data

Hapus Semua Data

NamaUse Case Hapus Semua Data

ID Use Case 6

Aktor Pengguna

Deskripsi

Use case ini merupakan proses menghapus semua data

pasien

Kondisi Awal Pengguna berada pada halaman data pasien

Kondisi Akhir Data berhasil dihapus

Typical Course


1. Menekan tombol hapus

semua data

2. Menampilkan pesan

data berhasil dihapus


54

3.3.2.3 Diagram Aktivitas

a. Login

Gambar 3.3Diagram Aktivitas Login

b. Masukkan Data

Gambar 3.4Diagram Aktivitas Masukkan Data


55

c. Partisi Data

Gambar 3.5Diagram Aktivitas Partisi Data

d. Proses Algoritma C4.5

Gambar 3.6Diagram Aktivitas Proses Algoritma C4.5


56

e. Uji Data Tunggal

Gambar 3.7 Diagram Aktivitas Uji Data Tunggal

f. Hapus Semua Data

Gambar 3.8Diagram Aktivitas Hapus Semua Data


57

3.3.3. Model Perancangan

3.3.3.1 Perancangan Antarmuka

1. Halaman Masuk

Gambar 3.9Perancangan Halaman Masuk

2. Halaman Utama

Gambar 3.10Perancangan Halaman Utama


58

3. Data Pasien

Gambar 3.11Perancangan Halaman Data Pasien

4. Partisi Data

Gambar 3.12Perancangan Halaman Partisi Data


59

5. Proses Algoritma C4.5

Gambar 3.13Perancangan Halaman Proses Algoritma C4.5

Gambar 3.14Perancangan Halaman Pohon Keputusan

Pohon Keputusan | Kinerja

Pohon Keputusan | Kinerja


60

6. Kinerja

Gambar 3.15Perancangan Halaman Kinerja

7. Uji Data Tunggal

Gambar 3.16Perancangan Halaman Uji Data Tunggal

Pohon Keputusan| Kinerja


61

3.3.3.2 Diagram Kelas Analisis

Gambar 3.17Diagram Kelas Analisis


62

3.3.3.3 Entity Relationship Diagram (ERD)

Gam

bar

3.1

8 E

nti

ty R

elati

onsh

ip D

iagra

m (

ER

D)


63

3.3.3.4 Desain Basis Data Logikal

Gambar 3.19Desain Basis Data Logikal

3.4. Spesifikasi Alat

Perangkat lunak dibangun menggunakan software dan hardware sebagai

berikut:

a. Spesifikasi Software

1) Perangkat lunak operasi Microsoft Windows 7 Ultimate

32-bit.

2) Aplikasi Netbeans 8.2.

b. Spesifikasi Hardware

1) Processor Intel(R) Celeron(R) 2955U 1.40 GHz

2) Memory 2GB

3) Harddisk 500 GB


64

BAB IV

IMPLEMENTASI DAN ANALISIS HASIL

4.1. Implementasi Program

4.1.1. Halaman Masuk

Tampilan awal yaitu halaman masuk/login di mana user harus

memasukkan username dan password untuk masuk ke halaman

utama.

Gambar 4.1Halaman Masuk

4.1.2. Halaman Utama

Tampilan halaman utama yang menampilkan 3 pilihan menu

berupa data pasien, proses algoritma C4.5, dan uji data tunggal.

Gambar 4.2 Halaman Utama


65

4.1.3. Data Pasien

Halaman data pasien akan ditampilkan ketika user memilih menu

data pasien. Ketika user sebelumnya sudah pernah memasukkan data

maka data yang ada pada database akan muncul. Namun, jika belum

pernah user dapat memasukkan file berekstensi .xls dengan menekan

tombol browse untuk mencari data pada direktori komputer.

Berikutnya user menekan tombol submit maka data akan diproses

untuk dimasukkan ke database kemudian dilakukan proses

transformasi. Setelah proses berhasil maka data akan ditampilkan.

Selain itu juga terdapat opsi untuk menghapus semua data yang ada.

Gambar 4.3 Tampilan Data Pasien

4.1.4. Partisi Data

Halaman partisi data merupakan submenu dari menu data pasien.

Halaman ini menampilkan status data berupa jumlah data yang sudah

diinputkan oleh user. Pada halaman ini user diminta untuk membagi

data training dan data testing berdasarkan splitratio dan teknik

pengambilan data baik secara ascending, descending maupun

random.


66

Gambar 4.4 Tampilan Partisi Data

4.1.5. Proses Algoritma C4.5

Ketika user memilih menu proses algoritma C4.5 maka halaman ini

akan muncul di mana jika user belum melakukan proses mining akan

muncul pesan untuk melakukan proses mining. Namun jika user

sebelumnya telah melakukan proses mining maka pada halaman ini

akan langsung ditampilkan pohon keputusan dan rule yang terbentuk.

Ketika proses mining dilakukan maka akan ditampilkan proses

perhitungan serta pembentukan pohon dengan preprunning. Setelah

proses mining selesai, akan ditampilkan pesan dan akan muncul

tombol kembali yang di mana ketika user menekan tombol tersebut

akan langsung diarahkan ke halaman pohon keputusan yang berisi

pohon keputusan serta rule dari proses mining yang telah dilakukan.

Pada menu proses algoritma c4.5 ini terdapat dua submenu yaitu

submenu pohon keputusan dan submenu kinerja.


67

Gambar 4.5 Tampilan Proses Algoritma C4.5

Gambar 4.6 Tampilan Pohon Keputusan dan Rule C4.5


68

4.1.6. Kinerja

Halaman kinerja merupakan submenu dari menu proses algoritma

C4.5. Ketika user telah menyelesaikan proses mining maka user dapat

melanjutkan ke proses kinerja di mana ketika user memilih submenu

kinerja akan diberikan pesan untuk melakukan proses kinerja. Namun

jika user belum menyelesaikan proses miningmaka ketika user

memilih submenu kinerja akan diberikan pesan untuk melakukan

proses mining terlebih dahulu. Ketika proses kinerja selesai maka

akan ditampilkan pesan dan akan muncul tombol lihat hasil kinerja

yang di mana jika tombol ditekan user akan diarahkan ke halaman

kinerja yang menampilkan hasil perhitungan akurasi.

Gambar 4.7Tampilan Proses Kinerja

Gambar 4.8Tampilan Hasil Kinerja


69

4.1.7. Uji Data Tunggal

Halaman ini merupakan halaman untuk melakukan uji data tunggal

di mana user akan diminta untuk memasukkan nilai dari data

tersebut. Untuk proses ini juga sebelumnya user sudah melakukan

proses mining sehingga dari proses mining yang dilakukan

menghasilkan aturan/rule yang digunakan untuk melakukan

klasifikasi pada uji data tunggal.

Gambar 4.9Tampilan Input Uji Data Tunggal


70

4.2. Pengujian Perangkat Lunak (Black Box)

4.2.1. Rencana Pengujian Validasi Black Box

Pada tabel 4.1 berikut akan dijelaskan mengenai rencana pengujian

menggunakan metode black box.

Tabel 4.1 Rencana Pengujian Validasi Black Box

No Use Case Keterangan Kasus Uji

1 Login

Memasukkan username dan password

dengan benar

UC1-01

Memasukkan username dan password

dengan sembarang

UC1-02

2 Masukkan

Data

Memasukkan data dengan tipe .xls UC2-01

Memasukkan data dengan tipe bukan .xls UC2-02

3 Partisi Data

Memasukkan nilai split ratio dengan

benar (<= 100%)

UC3-01

Memasukkan nilai split ratio > 100% UC3-02

Tidak memasukkan nilai split ratio UC3-03

4

Proses

Algoritma

C4.5

Menekan tombol proses klasifikasi UC4-01

5

Menampilkan

Tree dan

Rule

Menekan submenu pohon keputusan UC5-01

6 Menampilkan

Hasil Akurasi

Menekan submenu kinerja UC6-01

7 Uji Data

Tunggal

Memasukkan data dengan benar UC7-01

Tidak memasukkan data UC7-02

8 Hapus Semua

Data

Menekan hapus semua data UC8-01

4.2.2. Hasil Pengujian Validasi

Hasil dari pengujian black box terdapat pada lampiran 3. Dari hasil

pengujian dapat disimpulkan bahwa sistem telah dibangun sesuai

dengan rancangan dan sistem berjalan dengan baik.

4.3. Hasil Perangkat lunak

Pada penelitian ini dilakukan beberapa pengujian untuk

mendapatkan nilai akurasi terbaik. Berdasarkan hasil pengujian yang

dilakukan dalam mengklasifikasi pasien kanker serviks menggunakan

algoritma C4.5, diperoleh nilai akurasi yang terbentuk dari perhitungan

menggunakan split validation sebagai berikut :


71

Tabel 4.2Akurasi Split Validation Ascending

Jumlah Data Data Training Data Testing Akurasi

165

60% 40% 68,18%

70% 30% 73,47%

80% 20% 72,73%

90% 10% 75%

Tabel 4.3 Akurasi Split Validation Descending


165

60% 40% 66,67%

70% 30% 66,67%

80% 20% 75,76%

90% 10% 75%

Tabel 4.4 Akurasi Split Validation Random


165

60% 40% 72,73%

70% 30% 63,27%

80% 20% 66,67%

90% 10% 62,5%

Dari ketiga tabel yang ditampilkan di atas, dapat dilihat bahwa

tingkat akurasi terbaik diperoleh pada Tabel 4.3 akurasi split validation

descending yaitu pada saat menggunakan perbandingan 80:20 dengan


72

akurasi sebesar 75,76%. Hasil akurasi tersebut dipaparkan dalam bentuk

confusion matrix pada Gambar 4.10 berikut.

Gambar 4.10Hasil Akurasi Confusion Matrix

4.4. Kelebihan dan Kekurangan Perangkat lunak

4.4.1. Kelebihan Perangkat lunak

Kelebihan yang dimiliki oleh perangkat lunak adalah :

1. Perangkat lunak mampu menerima input data berupa .xls

2. Perangkat lunak mampu melakukan metode undersampling

dengan perbandingan kelas 1:2

3. Perangkat lunak mampu menampilkan perhitungan algoritma

C4.5 secara lengkap

4. Perangkat lunak mampu melakukan pemangkasan pohon dengan

metode preprunning

5. Perangkat lunak mampu menampilkan pohon keputusan dan rule

6. Perangkat lunak mampu melakukan perhitungan akurasi

7. Perangkat lunak mampu melakukan perhitungan uji data tunggal

4.4.2. Kekurangan Perangkat lunak

Kekurangan yang dimiliki oleh perangkat lunak adalah :

1. Perangkat lunak hanya mampu menerima input data bertipe .xls

2. Perangkat lunak hanya mampu melakukan undersampling dengan

perbandingan 1:2

3. Perangkat lunak belum mampu menampilkan visualisasi pohon

keputusan

4. Perangkat lunak belum mampu menerima atribut dengan jumlah

yang bervariasi.


73

BAB V

PENUTUP

5.1. Kesimpulan

Dari hasil penelitian ini, dapat di ambil kesimpulan sebagai berikut:

1. Penerapan algoritma C4.5 untuk deteksi penyakit kanker serviks

dapat diimplementasikan dengan baik menggunakan algoritma

C4.5.

2. Pengujian yang dilakukan terhadap 165 data menggunakan split

validation descending dengan ratio 80:20 menghasilkan tingkat

akurasi sebesar 75,76%. Nilai akurasi tersebut dapat dikatakan

cukup baik untuk digunakan dalam mendeteksi penyakit kanker

serviks.

3. Data training dengan jumlah yang besar tidak selalu membuat

akurasi menjadi lebih tinggi.

5.2. Saran

Berdasarkan hasil analisis pada tugas akhir ini, saran yang dapat diberikan

penulis untuk penelitian yang akan datang :

1. Perangkat lunak mampu import data tidak hanya .xls.

2. Perangkat lunak dapat dikembangkan lagi dengan menggunakan

algoritma klasifikasi lainnya.

3. Perangkat lunak dapat dikembangkan lagi untuk metode pruning

lainnya.

4. Perangkat lunak mampu menerima masukan dengan jumlah

atribut yang bervariasi.

5. Perangkat lunak mampu melakukan jenis validasi lainnya seperti

k-fold cross validation.


74

DAFTAR PUSTAKA

Admin. 2014. Pohon Keputusan ID3 dan C4.5. Sumber :

http://pohonkeputusan.com/konsep-pohon-keputusan-id3-dan-c4-5/?i=1.

[Diakses tanggal: 14 November 2018].

Alfian, Ekky. 2018. “Metode Decission Tree C4.5 dalam Klasifikasi Kelayakan

Calon Pendonor Darah (Studi Kasus PMI Kota Yogyakarta). Skripsi.

Universitas Sanata Dharma Yogyakarta.

Anindyaputri, Irene. 2017. Apa itu Kanker Serviks?. Sumber :

https://hellosehat.com/penyakit/kanker-serviks-kanker-leher-rahim/.

[Diakses tanggal: 7 November 2018].

Diananda, Rama. 2007. Mengenal Seluk Beluk Kanker. Yogyakarta: Katahati.

Han, Jiawei & Micheline Kamber. 2006. Second Edition. Data Mining : Concepts

and Techniques. New York : Morgan Kaufman.

Han, Jiawei & Micheline Kamber. 2012. Third Edition. Data Mining : Concepts

and Techniques. New York : Morgan Kaufman.

Novaloid. 2015. Cara Menangani Missing Value.

https://novaloid.wordpress.com/2015/06/12/cara-menangani-missing-

value/. [Diakses tanggal: 15 Maret 2019].

Pramudiono, I (2007). “Pengantar Data Mining : Menambang Permata

Pengetahuan di Gunung Data”, Paper ITS Surabaya.

Prasetyo, Eko. 2014. Data Mining Mengolah Data menjadi Informasi

Menggunakan Matlab. Yogyakarta : CV. ANDI OFFSET.

Ramadhan, Roby. 2016. Data Mining dan Fungsi Data Mining. Sumber :

http://ramadhanroby.blogspot.com/2016/05/data-mining-dan-fungsi-

data-mining.html. [Diakses tanggal: 13 November 2018].


75

Rasjidi, I. 2009. Epidemiologi Kanker Serviks. Indonesian Journal of Cancer, 3:

pp.103.

Setyarini, Eka. 2009. “Faktor-Faktor Yang Berhubungan Dengan Kejadian

Kanker Leher Rahim Di RSUD Dr. Moewardi Surakarta”. Skripsi.

Universitas Muhammadiyah Surakarta.

Solichin, Achmad. 2017. Mengukur Kinerja Algoritma Klasifikasi dengan

Confusion Matrix. Sumber:https://achmatim.net/2017/03/19/mengukur-

kinerja-algoritma-klasifikasi-dengan-confusion-matrix/. [Diakses

tanggal: 9 Desember 2018].

Subagja, Indra. 2017. Kanker Serviks Pembunuh Nomor 1 Perempuan Indonesia.

Sumber : https://kumparan.com/@kumparannews/kanker-serviks-

pembunuh-nomor-1-perempuan-indonesia. [Diakses tanggal: 7

November 2018].

Turban, E., Aronson, J., E., and Liang, T., (2005). Decision Support Systemsand

Intelligent Systems, 7th Ed, jilid 1, Andi Offset, Yogyakarta.

Wijaya, Cindy. 2018. Diagnosis Kanker Serviks. Sumber ::

https://www.deherba.com/beragam-jenis-tes-untuk-diagnosis-kanker-

serviks.html. [Diakses tanggal: 7 November 2018].

Wu, W. and H. Zhou. 2017. “Data-Driven Diagnosis of Cervical Cancer With

Support Vector MachineBased Approaches”. IEEE Access. 5:p. 25189-

25195.


76

LAMPIRAN


Lampiran 1 : Data Pasien

Ag

e

Nu

mb

er o

f se

xu

al

pa

rtn

ers

Fir

st s

exu

al

inte

rco

urs

e (a

ge)

Nu

m o

f p

reg

na

nci

es

Sm

ok

es

Sm

ok

es (

yea

rs)

Sm

ok

es (

pa

cks/

yea

r)

Ho

rmo

na

l C

on

tra

cep

tiv

es

Ho

rmo

na

l C

on

tra

cep

tiv

es

(yea

rs)

IUD

IUD

(y

ears

)

ST

Ds

ST

Ds

(nu

mb

er)

ST

Ds:

co

nd

ylo

ma

tosi

s

ST

Ds:

cerv

ica

l co

nd

ylo

ma

tosi

s

ST

Ds:

va

gin

al

co

nd

ylo

ma

tosi

s

ST

Ds:

vu

lvo

-per

inea

l

con

dy

lom

ato

sis

ST

Ds:

sy

ph

ilis

ST

Ds:

pel

vic

in

fla

mm

ato

ry

dis

ease

ST

Ds:

gen

ita

l h

erp

es

ST

Ds:

mo

llu

scu

m

con

tag

iosu

m

ST

Ds:

AID

S

ST

Ds:

HIV

ST

Ds:

Hep

ati

tis

B

ST

Ds:

HP

V

ST

Ds:

Nu

mb

er o

f d

iag

no

sis

ST

Ds:

Tim

e si

nce

fir

st

dia

gn

osi

s

ST

Ds:

Tim

e si

nce

la

st

dia

gn

osi

s

Dx

: C

an

cer

Dx

: C

IN

Dx

: H

PV

Dx

Hin

selm

an

n

Sch

ille

r

Cit

olo

gy

Bio

psy

22 4 16 1 0 0 0 1 0,5 0 0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 1 0 1

14 1 14 ? 0 0 0 ? ? 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

22 3 17 1 0 0 0 0 0 0 0 1 2 1 0 0 1 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 0 1

20 3 17 2 0 0 0 1 0,2

5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 1 1

21 2 18 3 0 0 0 0 0 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 1 0 1 1 1 1 0 1

19 3 14 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

25 6 17 2 0 0 0 1 2 0 0 1 3 1 0 0 1 0 0 0 0 0 1 0 0 1 4 4 0 0 0 0 0 1 1 1

24 3 17 3 0 0 0 1 1 0 0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

15 2 13 1 0 0 0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

20 1 18 1 0 0 0 1 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 0 1

24 2 18 ? 0 0 0 1 0,6

6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

28 5 14 4 0 0 0 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 1

25 3 17 2 0 0 0 1 0,0

8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 1 1

28 2 17 ? 0 0 0 1 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 0 1

23 3 15 1 1 5 0,75 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

31 3 20 1 0 0 0 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0


31 ? 17 5 1 1,

3

0,513202

128 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

16 1 12 ? 0 0 0 1 0,4

2 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 1

20 1 19 1 0 0 0 1 0,2

5 0 0 1 1 0 0 0 0 0 0 1 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1

16 1 13 2 ? ? ? ? ? 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

29 5 17 6 1 1,

3 1,3 1 0,5 0 0 1 1 0 0 0 0 1 0 0 0 0 0 0 0 1 5 5 0 0 0 0 0 0 0 0

15 2 14 1 0 0 0 1 0,1

6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

20 1 17 ? 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

24 2 18 4 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 0 0 1 4 4 0 0 0 0 1 1 0 1

47 2 17 3 0 0 0 1 20 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 1 1

19 1 13 ? 0 0 0 1 0,7

5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

20 2 14 4 1 3 3 1 0,5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 1

38 4 18 4 0 0 0 1 16 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 1 1

35 5 11 ? 1 1

5 15 1 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 1 1

14 5 16 ? 0 0 0 1 0,0

8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

29 1 22 ? 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

33 2 21 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

17 1 16 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

48 4 16 4 0 0 0 1 10 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 0 1

35 2 17 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

33 3 19 3 0 0 0 1 0,1

6 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 1 0 1 1 1 1 0 1

34 2 16 3 0 0 0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

18 3 14 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 1 0

18 3 17 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

36 3 20 2 0 0 0 1 6 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 1 16 16 1 0 1 1 0 0 0 0


37 3 19 3 1 1

2 6 1 13 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 0 1

25 4 17 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

24 2 13 5 0 0 0 1 2 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

25 5 15 4 0 0 0 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 1 0 1 0 0 0 0

15 2 14 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

33 2 24 2 0 0 0 1 0,0

8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

18 1 18 1 0 0 0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

28 1 19 2 0 0 0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

29 2 18 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 1 0 1 1 0 1 1 1

30 1 17 3 0 0 0 1 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 0 1

35 5 19 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 0 1

34 1 15 4 0 0 0 1 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

25 4 15 3 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

18 5 14 1 1 3 1,2 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

19 1 18 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 1 0 1 1 1 1 1 1

19 2 15 3 0 0 0 1 0,5

8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 0 1

24 1 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

19 2 16 1 0 0 0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

25 7 14 3 0 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

21 1 17 2 0 0 0 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 0 1

34 ? 15 5 0 0 0 1 0,5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

21 3 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 1 0 1 0 0 0 1

26 2 18 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

24 2 16 3 0 0 0 1 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

20 2 16 1 0 0 0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

27 1 18 3 0 0 0 1 0,5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 0 1


17 2 15 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 0 1

38 2 19 5 0 0 0 1 30 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 1 0

22 3 15 1 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 1 1

22 2 14 3 0 0 0 1 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

34 2 17 3 0 0 0 1 9 1 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 0 1

35 2 17 3 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 0 1

43 4 16 3 1 2

8 7 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

23 2 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

24 2 19 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

17 1 16 ? 0 0 0 1 0,2

5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

29 ? 14 ? 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

43 3 17 3 0 0 0 1 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

24 2 18 2 0 0 0 1 0,5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

34 1 ? 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

23 2 16 1 0 0 0 1 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

29 2 13 ? 0 0 0 0 0 1 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

24 3 15 4 ? ? ? 1 3 1 2 1 1 0 0 0 0 1 0 0 0 0 0 0 0 1 2 2 0 0 0 0 0 0 0 0

35 4 16 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

22 2 15 2 1 5 1,25 1 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 0 1

20 1 18 1 0 0 0 0 0 0 0 1 2 1 0 0 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0

36 2 27 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

30 1 16 ? 0 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

26 3 15 ? 0 0 0 1 0,3

3 ? ? 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 0 1

18 1 16 1 1 2 0,05 0 0 0 0 1 2 1 0 0 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 1 1 0 1

41 1 17 3 0 0 0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

29 3 15 2 1 1

0

0,513202

128 1

0,2

5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0


29 8 17 2 1 1

4 2,8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

31 3 19 1 0 0 0 1 0,0

8 1 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 1 0 0 1 0 0 0 0

38 3 18 4 0 0 0 1 10 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 1 1

31 3 18 1 0 0 0 1 0,5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

35 3 18 3 0 0 0 1 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

21 2 19 ? 0 0 0 1 0,5 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

37 2 18 ? 0 0 0 0 0 ? ? 1 1 0 0 0 0 0 0 0 0 0 1 0 0 1 15 15 0 1 0 1 0 1 0 1

40 1 18 1 0 0 0 1 0,2

5 0 0 1 2 1 0 0 1 0 0 0 0 0 0 0 0 1 2 2 0 0 0 0 0 1 1 1

35 4 18 ? 0 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

21 4 15 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 1 1

30 3 14 3 0 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

32 2 19 1 0 0 0 1 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

19 2 15 2 0 0 0 1 0,7

5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

19 2 17 1 0 0 0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

28 4 18 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 0 1

18 3 13 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 1 0

37 3 ? 0 0 0 0 1 0,2

5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

30 3 15 0 1 1

6 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

23 2 15 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

36 2 18 ? 1 1

9 7,6 1 8 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

23 1 15 3 0 0 0 1 0,2

5 1 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

18 2 17 ? 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 0 1

30 4 19 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

41 3 18 5 0 0 0 1 1 1 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 1 0 1 1 0 0 0 0


21 1 14 2 0 0 0 1 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

40 3 23 2 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 0 0 1 8 8 0 0 0 0 0 0 0 0

28 2 19 2 1 1,

3

0,513202

128 0 0 0 0 1 2 1 0 0 1 0 0 0 0 0 0 0 0 1 3 3 0 0 0 0 0 1 0 1

19 1 14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

35 3 17 3 1 2

0 2 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

38 2 15 4 0 0 0 1 16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 1 0 1 0 0 1 0 1

21 4 15 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 1 1

52 2 19 5 0 0 0 0 0 1 11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 0 1

31 9 ? 1 1 1

1 5,5 1

0,2

5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

33 4 17 0 0 0 0 1 0,7

5 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 1 11 11 0 0 0 0 0 0 0 0

27 2 14 3 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 1 0 1 1 0 0 0 0

36 3 16 3 1 6 0,3 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

51 3 17 6 1 3

4 3,4 0 0 1 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 0 1

26 2 15 2 0 0 0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 1 0 1 0 0 0 0

25 2 17 0 0 0 0 1 0,0

8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 1 0

28 2 19 2 0 0 0 1 0,4

2 1 3 1 2 1 0 0 1 0 0 0 0 0 0 0 0 1 7 7 0 0 0 0 1 1 0 1

17 4 14 ? 1 4 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

29 3 17 3 1 1

0 2 1 6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 0 1

30 ? 13 3 1 2

2 3,3 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 1 0 0 1 3 3 0 0 0 0 1 1 0 1

37 4 26 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

18 7 14 1 0 0 0 ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 0 ? ? 0 0 0 0 0 0 0 0

33 3 19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

34 3 15 5 1 0,

2 0,001 1 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

33 3 18 2 ? ? ? 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 1 1 1 1


34 3 18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

24 1 23 1 0 0 0 1 0,7

5 0 0 1 2 1 0 0 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 1 1

34 3 14 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

21 1 17 ? 0 0 0 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 1 0 1 0 0 0 1

29 5 20 1 0 0 0 1 3 0 0 1 2 1 0 0 1 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0

25 4 16 3 0 0 0 1 1 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 0 0

33 1 29 2 0 0 0 1 0,5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 1 1

35 3 16 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

35 3 17 3 1 9 2,7 1 17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

31 7 16 5 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

30 2 18 1 1 1

1 1,65 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

42 3 17 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

30 3 22 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

17 3 13 1 1 2 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

30 2 18 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

16 1 15 ? 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

33 3 16 4 1 1

4 1,4 1 1 0 0 1 1 0 0 0 0 0 0 0 0 0 1 0 0 1 16 16 0 0 0 0 0 1 1 1

19 7 14 2 0 0 0 1 0,1

6 0 0 1 2 1 0 0 1 0 0 0 0 0 0 0 0 1 4 4 0 0 0 0 0 0 0 0

26 8 15 1 1 9 1,35 1 5 1 0,1

7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

21 1 18 1 0 0 0 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

40 1 20 2 0 0 0 1 15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 1 0 1 0 1 1 0 1

29 2 20 1 0 0 0 1 0,5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 0 0 0

32 3 18 1 1 1

1 0,16 1 6 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 1 0 ? ? 1 0 1 0 0 0 0 0

28 5 15 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 ? ? 0 0 0 0 0 1 1 1

17 1 15 2 0 0 0 1 0,1

6 0 0 1 2 1 0 0 1 0 0 0 0 0 0 0 0 1 2 2 0 0 0 0 0 0 0 0


Lampiran 2: Contoh Hasil Transformasi Data

Contoh Data Sebelum Transformasi

Age

Nu

mb

er o

f se

xu

al

part

ner

s

Fir

st s

exu

al

inte

rcou

rse

Nu

m o

f p

regn

an

cies

Sm

ok

es (

yea

rs)

Sm

ok

es (

pack

s/yea

r)

Horm

on

al

Con

trace

pti

ves

(yea

rs)

IUD

(yea

rs)

ST

Ds

(nu

mb

er)

ST

Ds:

con

dylo

mato

sis

ST

Ds:

vagin

al

con

dylo

mato

sis

ST

Ds:

vu

lvo

-per

inea

l

con

dylo

mato

sis

ST

Ds:

syp

hil

is

ST

Ds:

pel

vic

in

flam

mato

ry

dis

ease

ST

Ds:

gen

ital

her

pes

ST

Ds:

moll

usc

um

co

nta

gio

sum

ST

Ds:

HIV

ST

Ds:

Hep

ati

tis

B

ST

Ds:

HP

V

ST

Ds:

Nu

mb

er o

f d

iagn

osi

s

Dx:

Can

cer

Dx:

CIN

Dx:

HP

V

Dx

Bio

psy

34 1 17 1 0 0 0 0 3 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0

52 10 16 9 37 37 3 0 0 0 0 0 0 0 0 0 0 0 0 2 1 0 1 0 0

42 3 23 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

61 3 17 6 15 20 0 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1

62 11 26 3 0 0 26 14 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 1


Contoh Data Setelah Transformasi

Age

Nu

mb

er o

f se

xu

al

part

ner

s

Fir

st s

exu

al

inte

rcou

rse

Nu

m o

f p

regn

an

cies

Sm

ok

es (

yea

rs)

Sm

ok

es (

pack

s/yea

r)

Horm

on

al

Con

trace

pti

ves

(yea

rs)

IUD

(yea

rs)

ST

Ds

(nu

mb

er)

ST

Ds:

con

dylo

mato

sis

ST

Ds:

vagin

al

con

dylo

mato

sis

ST

Ds:

vu

lvo

-per

inea

l

con

dylo

mato

sis

ST

Ds:

syp

hil

is

ST

Ds:

pel

vic

in

flam

mato

ry

dis

ease

ST

Ds:

gen

ital

her

pes

ST

Ds:

moll

usc

um

con

tagio

sum

ST

Ds:

HIV

ST

Ds:

Hep

ati

tis

B

ST

Ds:

HP

V

ST

Ds:

Nu

mb

er o

f d

iagn

osi

s

Dx:

Can

cer

Dx:

CIN

Dx:

HP

V

Dx

Bio

psy

13

-

36

1

-

9

17

-

23

0

-

3

0

-

11

0

-

11

0

-

9

0

-

5

three False True False True False True False False False False zero False False False False No

37

-

60

10

-

18

10

-

16

>=

8

>=

24

>=

24

0

-

9

0

-

5

zero False False False False False False False False False False two True False True False No

37

-

60

1

-

9

17

-

23

0

-

3

0

-

11

0

-

11

0

-

9

0

-

5

zero False False False False False False False False False False zero False False False False No

>=

61

1

-

9

17

-

23

4

-

7

12

-

23

12

-

23

0

-

9

6

-

11

zero False False False False False False False False False False zero False False False False Yes

>=

61

10

-

18

>=

24

0

-

3

0

-

11

0

-

11

>=20 >=

12 one False False True False False False False False False False zero False False False False Yes


Lampiran 3: Rencana Pengujian Validasi Black Box

Identifikasi

Use Case

Deskripsi Prosedur

Pengujian

Masukan Keluaran yang

Diharapkan

Hasil yang

Didapatkan

Catatan Proses

Pengembangan

UC1-01 Memasukkan username dan

password dengan benar

1. Menjalankan

perangkat lunak

2. Pada halaman

login, masukkan

username dan

password

3. Klik tombol

Login

Username : abcde

Password : 12345

Akan muncul pesan

login gagal

Muncul pesan login

gagal! Username dan

Password salah

Tidak diperbaiki

UC1-02 Memasukkan username dan

password dengan

sembarang

Username : admin

Password :

admin1234

Akan diarahkan ke

halaman utama dari

perangkat lunak

Tampil halaman utama Tidak diperbaiki

UC2-01 Memasukkan data dengan

tipe .xls

1. Pilih menu data

pasien

2. Pada halaman

data pasien klik

browser

3. Pilih file yang

akan

dimasukkan

4. Klik tombol

DataFix.xls Akan muncul pesan

data berhasil diinput

Muncul pesan data

berhasil diinput

Tidak diperbaiki


tipe bukan .xls

Sample.pdf Akan muncul pesan

file bukan bertipe

.xls

Muncul pesan data

gagal diinput file bukan

bertipe .xls

Tidak diperbaiki


submit

UC3-01 Memasukkan nilai split

ratio dengan benar

(<=100%)

1. Pada halaman

data pasien, pilih

submenu partisi

data

2. Masukkan nilai

split ratio

3. Klik tombol

proses

80 Akan muncul pesan

data training

berhasil diupdate

Muncul pesan data

training berhasil

diupdate

Tidak diperbaiki

UC3-02 Memasukkan nilai split

ratio > 100%

101 Akan muncul pesan

set data training

harus lebih kecil

dari 100

Muncul pesan set data

training harus lebih

kecil dari 100

Tidak diperbaiki

UC3-03 Tidak memasukkan nilai

split ratio

(tidak memasukkan

nilai apapun)

Akan muncul pesan

set data training

belum dimasukkan

nilainya

Muncul pesan set data

training belum

dimasukkan nilainya

Tidak diperbaiki

UC4-01 Menekan tombol proses

klasifikasi

1. Pilih menu

proses algoritma

C4.5

2. Klik proses

klasifikasi

Klik proses

klasifikasi

Akan tampil proses

perhitungan

algoritma C4.5

Tampil proses

perhitungan algoritma

C4.5

Tidak diperbaiki

UC5-01 Menekan submenu pohon

keputusan

1. Pada halaman

proses algoritma

C4.5, pilih

Klik submenu pohon

keputusan

Akan tampil pohon

keputusan dan rule

yang terbentuk dari

Tampil pohon

keputusan dan rule

Tidak diperbaiki


submenu pohon

keputusan

proses algoritma

yang telah dilakukan

UC6-01 Menekan submenu kinerja 1. Pada halaman

proses algoritma

C4.5, pilih

submenu kinerja

Klik submenu

kinerja

Akan tampil hasil

perhitungan akurasi

Tampil hasil

perhitungan akurasi

Tidak diperbaiki


benar

1. Pilih menu uji

data tunggal

2. Masukkan data

yang akan di uji

3. Klik tombol

proses

Semua data di isi Akan tampil hasil

klasifikasi

Tampil hasil klasifikasi Tidak diperbaiki

UC7-02 Tidak Memasukkan data Tidak memasukkan

data /

mengosongkan

beberapa data

Akan muncul pesan

error dan bertanda

merah pada bagian

yang tidak diisikan

datanya

Muncul pesan error dan

bertanda merah pada

bagian yang tidak

diisikan datanya

Tidak diperbaiki

UC8-01 Menekan hapus semua data 1. Pilih menu data

pasien

2. Klik hapus

semua data

Klik hapus semua

data

Akan muncul pesan

data berhasil

dihapus

Muncul pesan data

berhasil dihapus

Tidak diperbaiki


penerapan algoritma c4.5 untuk deteksi penyakit … · 2019. 8. 27. · x kata pengantar puji...

Documents