You are on page 1of 9

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 2, No. 5, Mei 2018, hlm. 1912-1920 http://j-ptiik.ub.ac.id

Klasifikasi Penyakit Kulit Pada Manusia Menggunakan Metode Binary
Decision Tree Support Vector Machine (BDTSVM)
(Studi Kasus: Puskesmas Dinoyo Kota Malang)
Dyan Dyanmita Putri1, M.Tanzil Furqon2, Rizal Setya Perdana3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1dyan2mp@gmail.com, 2m.tanzil.furqon@ub.ac.id, 3rizalespe@ub.ac.id

Abstrak
Kulit merupakan organ tubuh pada manusia yang sangat penting karena terletak pada bagian luar
tubuh yang berfungsi untuk menerima rangsangan seperti sentuhan, rasa sakit dan pengaruh lainnya
dari luar. Penyakit kulit salah satu penyakit yang sering dijumpai pada negara beriklim tropis seperti
Indonesia. Kurangnya pengetahuan tentang jenis penyakit kulit serta tidak mengetahui cara
pencegahannya mengakibatkan sesorang dapat terkena penyakit kulit tingkat akut. Sehingga dengan
adanya bantuan teknologi komputer diharapkan penyakit yang menyerang kulit tubuh manusia dapat
diketahui secara dini dan hal tersebut dapat memperkecil terjadinya penyakit yang lebih berbahaya.
Penelitian ini bertujuan untuk menentukan klasifikasi penyakit kulit pada manusia menggunakan
metode Binary Decision Tree Support Vector Machine (BDTSVM). Berdasarkan hasil pengujian
didapatkan nilai akurasi terbaik sebesar 97,14% dengan pengujian parameter SVM yaitu nilai Ξ»
(lambda) = 0,5, C (complexity) = 1, konstanta 𝛾 (gamma) = 0,01, dan itermax = 10.
Kata kunci: Penyakit Kulit, Klasifikasi, Binary Decision Tree, Support Vector Machine

Abstract
The skin is an organ in the human body is very important because it lies on the outside of the body that
serves to receive stimuli such as touch, pain and other influences from the outside. Skin disease is one
of the most common diseases in tropical countries such as Indonesia. The lack of knowledge about the
type of skin disease and do not know how to prevent it cause a person can get acute skin disease. So
with the help of computer technology is expected to attack the skin of the human body can be detected
early and it can minimize the occurrence of more dangerous diseases. This research aims to determine
the classification of skin diseases in humans using the method of Binary Decision Tree Support Vector
Machine (BDTSVM) Based on the test results obtained the best accuracy of 97.14% with SVM
parameter test that is the value of Ξ» (lambda) = 0,5, C (complexity) = 1, constant Ξ³ (gamma) = 0,01,
and itermax = 10.
Keywords: Skin Disease, Classification, Binary Decision Tree, Support Vector Machine

sifatnya yang cenderung tidak berbahaya dan
1. PENDAHULUAN tidak menyebabkan kematian. Hal tersebut
Kulit merupakan organ tubuh pada manusia sangat salah karena jika penyakit kulit terus
yang sangat penting karena terletak pada bagian menerus dibiarkan dapat menyebabkan penyakit
luar tubuh yang berfungsi untuk menerima tersebut semakin menyebar dan sulit untuk
rangsangan seperti sentuhan, rasa sakit dan mengobatinya.
pengaruh lainnya dari luar (Nuraeni, 2016). Penyakit kulit dapat menyerang siapa saja
Kulit yang tidak terjaga kesehatannya dapat dan dapat menyerang pada bagian tubuh mana
menimbulkan berbagai penyakit kulit sehingga pun. Penyakit kulit salah satu penyakit yang
perlu menjaga kesehatan kulit sejak dini agar sering dijumpai pada negara beriklim tropis
terhindar dari penyakit. Kulit tubuh seseorang seperti Indonesia. Data Profil Kesehatan
yang terkena penyakit sangat mengganggu Indonesia 2010 menunjukkan bahwa penyakit
penampilan dan aktifitas orang tersebut. kulit menjadi peringkat ketiga dari sepuluh
Penyakit kulit sering dianggap remeh karena penyakit terbanyak pada pasien rawat jalan

Fakultas Ilmu Komputer
Universitas Brawijaya 1912

alergi. Namun pada tahun pada area tersebut. 2009 metode BDTSVM dikenalkan oleh Madzarov untuk dapat menyelesaikan masalah Fakultas Ilmu Komputer. Sehingga pengguna dan akan dilakukan proses dengan adanya bantuan teknologi komputer perhitungan menggunakan algoritme Binary diharapkan penyakit yang menyerang kulit Decision Tree Support Vector Machine tubuh manusia dapat diketahui secara dini dan (BDTSVM). Penyakit Kulit Pada Manusia didapat dengan adanya teknologi komputer dalam mendeteksi penyakit kulit diantaranya Penyakit kulit adalah kelainan kulit akibat meningkatkan efisiensi pekerjaan. Sehingga dan kaki. dan Directed Acyclic ditandai gejala obyektif lesi bersifat polimorf Graph SVM (DAGSVM). 2015). seluruh maupun sebagian tubuh tertentu dan dapat memperburuk kondisi kesehatan Metode SVM adalah salah satu metode penderita jika tidak ditangani secara serius.1.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1913 dirumah sakit seIndonesia (Kemenkes. klasifikasi multi class. kulit memiliki kelemahan pengujian yang lambat melepuh. klasifikasi yang prinsip nya mencari hyperplane Gangguan pada kulit sering terjadi karena pemisah antara kelas positif dan kelas negatif. virus. Berbagai penyakit kulit dapat disebabkan efektifitas komputasi serta tingkat akurasi yang oleh beberapa faktor seperti lingkungan dan tinggi. Penggunaan harapan dapat memberikan informasi kepada teknologi komputer dapat membantu berbagai pengguna sehingga memperkecil terjadinya praktisi di segala bidang. tetapi tidak menutup kemungkinan muncul metode DAGSVM yang dapat kemerahan muncul di daerah lain. kulit meradang. 2010). 2010). kuman. DASAR TEORI (Mahardika. tempat tinggal. virus maupun waktu dalam menyelesaikan masalah.. tinggi. parasit. SVM juga memiliki kelemahan yaitu masalah komputasi yang lama untuk proses 2. keluar nanah. karena dapat penyakit kulit yang lebih berbahaya. perih. serta infeksi yang dapat menyerang siapa saja dari pengetahuan pakar dapat didokumentasikan segala umur. adanya faktor-faktor penyebabnya seperti iklim. menyimpan data hingga mengolahnya menjadi suatu hasil yang diinginkan pembuatnya 2. Metode OAA dan gejala subyektif gatal (Maryunani. Hasil yang diperoleh Kejadian penyakit kulit di Indonesia masih bahwa metode BDTSVM memiliki nilai error tergolong tinggi dan menjadi permasalahan rate dan training time yang lebih baik yang cukup berarti. kebiasaan sehari-hari yang buruk. faktor eksogen ataupun endogen dengan Against-One (OAO). 2013). tangan pasangan kelas harus satu per satu. 2014). Sistem ini bekerja pencegahannya mengakibatkan sesorang dapat dengan cara menerima masukan gejala dari terkena penyakit kulit tingkat akut. perubahan Berdasarkan permasalahan tersebut maka iklim. Hal tersebut karena dibandingkan DAGSVM. daerah yang melakukan pengujian lebih cepat daripada OAO terkena akan terasa sangat kering dan panas (Meshram et al. kebiasaan hidap masalah dengan input space yang berdimensi yang kurang sehat.1 Dermatitis klasifikasi. daya tahan tubuh dirancang sebuah sistem untuk klasifikasi dan lain-lain (Pardiansyah. lutut. Sedangkan OAO penyakit dermatitis adalah gatal. memiliki kelemahan pada tahap pelatihan dan Gejala utama yang dirasakan pada penderita pengujian yang sangat lambat. Hasil dari proses tersebut berupa hal tersebut dapat memperkecil terjadinya klasifikasi penyakit kulit pada manusia dengan penyakit yang lebih berbahaya. Kelebihan dari SVM adalah mampu menangani lingkungan. Kelebihan dari kurangnya kesadaran dan ketidakpedulian metode BDTSVM adalah mendapatkan masyarakat terhadap lingkungan sekitar yang penentuan kelas yang lebih dinamis dengan menyebabkan penularan penyakit kulit sangat didasarkan pada jarak Euclidean dan dalam hal cepat. karena melakukan klasifikasi untuk setiap muncul kemerahan pada wajah. bakteri. Penyakit kulit dapat menyerang tanpa ada batas waktu. alergi dan lain-lain. penghematan adanya jamur.1. One. penyakit kulit pada manusia menggunakan Kurangnya pengetahuan tentang jenis metode Binary Decision Tree Support Vector penyakit kulit serta tidak mengetahui cara Machine (BDTSVM). alergi. Kemudian muncul pengembangan Dermatitis adalah peradangan kulit pada dari metode SVM untuk masalah klasifikasi epidermis dan dermis yang disebabkan oleh multi class yaitu One-Against-All (OAA). Universitas Brawijaya . Banyak manfaat yang 2.

Pada bagian tengah bintul tampak kepucatan yang biasanya kelainan ini bersifat sementara. bengkak dan demam. nyeri adalah bakteri staphylococcus aureus maupun kepala. Gejala yang dirasakan pada penderita Fungsi klasifikasi Support Vector Machine herpes biasanya gatal. untuk memisahkan dua buah kelas pada input 2. bengkak.4 Herpes space. bentol/bintik merah 2. demam. bakteri melalui cara bakteri masuk ke bawah Penyakit ini dapat menyerang laki-laki maupun kulit akibat luka yang berasal dari tusukan perempuan pada semua kalangan usia.6 Pioderma dirasakan biasanya gatal pada bagian kulit Pioderma merupakan penyakit infeksi tertentu. perih.1. Terjadinya pioderma dipengaruhi oleh menular dengan adanya rasa gatal pada lesi gizi. nyeri kepala. kurangnya sanitasi dan higieni.1. Penyebab utama pioderma kemerahan. serta ketika malah hari yang disebabkan oleh tungau faktor lingkungan seperti panas. Misal diketahui π‘₯𝑖 = 2. World Health menggunakan kaidah kernel (Putri et al. Universitas Brawijaya . serta demam. lembab. nyeri tekan. 2013). kulit melepuh.1. Gejala yang 2. Organization (WHO) melaporkan prevalensi Prinsip nya SVM bekerja secara linear. membesar dan kemudian menjadi nanah. kesalahan 2009). karena adanya benda asing seperti serpihan. pada penyakit pioderma biasanya gatal.3 Scabies benjolan merah pada kulit. kondisi imunologis.2 Abses cepat timbul dan hilang perlahan-lahan sekitar dalam waktu 1-24 jam (Fitria. kulit meradang. memisahkan hyperplane.2 Support Vector Machine seperti jerawat. panas pada area Support Vector Machine (SVM) merupakan tersebut. jaringan karena akibat infeksi bakteri atau alergi. maju. atau jarum suntik. integritas kuit. herpes di Negara berkembang seperti Indonesia tetapi dapat berkerja juga pada masalah non- lebih tinggi dibandingan dengan di negara linear dengan memasukkan metode kernel trick. kulit meradang. dan keluar nanah. klasifikasi ekonomi yang rendah.5 Urtikaria {π‘₯1 . gatal. Tujuan dari SVM yaitu menemukan dalam mendiagnosis dan perkembangan fungsi pemisah (classifier hyperplane) terbaik demografi serta ekologi. 2015). 2013). Gejala Abses merupakan sebuah penimbunan yang dirasakan pada penderita urtikaria nanah yang terakumulasi di sebuah kabitas biasanya gatal. βˆ’1} adalah class pada data π‘₯𝑖 . Untuk dapat menemukan hyperplane terbaik antara dua kelas dengan mengukur Herpes merupakan penyakit radang kulit margin hyperplane yang diperoleh dari yang disebabkan oleh virus dengan ditandai mengukur margin yang maksimal antara ruang munculnya bintik yang berisi cairan pada input non-linear dengan ruang ciri bagian kulit tertentu. dengan bergonta-ganti pasangan. dan dapat terjadi dimanapun di seluruh permukaan kulit. serta Scabies merupakan penyakit infeksi kulit demam. luka peluru. keluar nanah. kulit meradang. … . hubungan seksual diagnosis penyakit dan sebagainya (Feng-Chia. streptococcus sp.. muncul ruam merah. Ruam urtikaria Fakultas Ilmu Komputer.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1914 2. Gejala jarum yang tidak steril. kulit meradang. Pioderma merupakan infeksi Penyebab penyakit abses antara lain infeksi bakteri pada kulit yang sering dijumpai. pelatihan terbagi menjadi dua kelas dengan perih dan muncul gelembung air. klasifikasi teks. Bidang ditandai dengan adanya edema kulit superfisial pemisah terbaik yaitu yang dapat memisahkan setempat dengan ukuran yang bervariasi semua data set sesuai dengan class dan dikelilingi oleh halo eritem disertai rasa gatal memiliki margin paling besar.1.1. Faktor salah satu teknik baru yang memiliki berkembangnya penyakit scabies antara lain performansi yang lebih baik di berbagai bidang penyakit tersebut banyak diderita oleh aplikasi seperti pengenalan tulisan tangan. dan 𝑦𝑖 = Urtikaria merupakan penyakit yang 𝑦 πœ– {+1. Alternatif bidang atau panas dan terkadang perut terasa mulas pemisah dapat dilihat pada Gambar 1. sarcoptes scabiei var hominis (Prativi et al. masyarakat dengan higiene buruk. demam. terdapat 2. π‘₯𝑛 } adalah titik pada dataset.. Linear digunakan untuk memisahkan data nyeri tekan. sosial bioinformatika. dan panas pada area tersebut. timbul benjolan kecil dengan warna bakterial kulit. Gejala yang sering dirasakan adalah gatal terutama malam hari.

Pada Gambar 1. Untuk mengetahui fungsi Data yang berada pada bidang pembatas transformasi yang tepat sangat lah sulit. karena kemungkinan (kanan) feature space memiliki jumlah feature yang Sumber: Sembiring (2007) tidak terhingga. π‘₯𝑖 + 𝑏) ≀ βˆ’1. 2015). kelas dapat dipisahkan oleh sepasang bidang Data yang tidak dapat dipisah secara linear pembatas yang sejajar. masalah linear dan non-linear. Class pertama dibatasi ditunjukkan pada Gambar 2. hyperplane yang optimal. Pada permasalahan ini hyperplane dengan fungsi sebagai berikut: menggunakan kernel Gaussian RBF yang 𝑓(π‘₯ ) = (𝑀. disebut support vector. ketidakstabilan numerik. (π’˜.3 Sequential Training SVM vector dari class positive dan π‘₯ βˆ’ adalah nilai dari salah satu support vector dari class Metode sequential training SVM adalah metode alternatif sederhana untuk menemukan bidang negative. Bidang pemisah untuk setiap kelas ditunjukkan pada Persamaan 1 dan Persamaan 2. 𝑦𝑖 .Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1915 Variabel π‘š adalah jumlah support vector atau suatu titik data yang memiliki 𝛼𝑖 > 0. untuk hasil klasifikasi dapat dilihat pada membuang-buang waktu serta rentan terhadap Persamaan 7. dan notasi π‘₯ adalah data yang akan diklasifikasikan. Universitas Brawijaya . 2 𝑀 = βˆ‘π‘›π‘–=1 𝛼𝑖 . Metode ini lebih baik Untuk mendapatkan klasifikasi yang optimal dibandingkan dengan metode Quadric Programming data testing π‘₯ digunakan Persamaan 6 dan (QP) yang penyelesaiannya cukup kompleks. Metode yang digunakan untuk mengklasifikasikan data yang tidak dapat diklasifikasikan secara linear adalah dengan mentransformasikan data ke dalam ruang fitur yang berdimensi tinggi sehingga dapat dipisah secara linear pada fitur space. 2014). π‘₯𝑗 ) = exp (βˆ’π›Ύβ€–π‘₯𝑖 βˆ’ π‘₯𝑗 β€– ) (8) dan Penentuan fungsi kernel yang digunakan 1 + βˆ’ sangat berpengaruh terhadapa hasil prediksi 𝑏 = βˆ’ 2 (𝑀. 𝑓(π‘₯ ) = βˆ‘π‘š 𝑖=1 𝛼𝑖 𝑦𝑖 𝐾(π‘₯𝑖 . bidang pemisah pertama sedangkan class kedua dibatasi bidang pemisah kedua. untuk 𝑦𝑖 = +1 (1) (π’˜. dua Sehingga pada SVM menggunakan kernel trick.. Nilai π‘₯ + adalah nilai dari salah satu support 2. π‘₯𝑖 (4) K(π‘₯𝑖 . π‘₯𝑖 + 𝑏) β‰₯ +1. Berikut langkah-langkah algoritmenya (Cholissodin et al. Pada proses feature space biasanya memiliki dimensi yang lebih tinggi dari vektor input (input space) yang Gambar 1. π‘₯ + 𝑏) (3) didefiniskan dengan Persamaan 8. π‘₯) + 𝑏 (6) Fungsi klasifikasi = 𝑠𝑖𝑔𝑛 (𝑓(π‘₯ )) (7) Fakultas Ilmu Komputer. π‘₯ ) (5) (Muis. untuk 𝑦𝑖 = -1 (2) Keterangan: π‘₯𝑖 = data ke-i 𝑀 = bidang normal antara bidang pemisah Gambar 2. Data non-linear terhadap pusat koordinat Sumber: Muis (2015) 𝑏 = posisi bidang relatif terhadap pusat Metode kernel trick digunakan untuk koordinat mencari hyperplane dengan cara 𝑦𝑖 = kelas data ke-i mentransformasi dataset ke ruang vektor yang SVM dapat digunakan untuk mengatasi berdimensi lebih tinggi (feature space). Alternatif bidang pemisah (kiri) dan mengakibatkan komputasi pada feature space bidang pemisah terbaik dengan margin (m) terbesar menjadi sangat besar. Masalah linear kemudian proses klasifikasi dilakukan pada dapat diatasi dengan cara mendapatkan feature space. π‘₯ + 𝑀.

3 4. π‘₯𝑗 ) + πœ†2 ) untuk 𝑖.1 Gravity Center menentukan kemana data dikelompokkan menurut kelasnya. dan πœ€ = Berikut ini ilustrasi Binary Decision Tree 0. dapat dihitung dengan mencari rata-rata setiap parameter dari masing-masing kelas. 𝐢 = 1. 𝛾 (learning mempengaruhi kualitas dari pohon biner. pada Gambar 3. Pembagian kelas dalam metode ini dilakukan 6.5.3. dengan kelas yang telah dipisahkan. Machine 3.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1916 1. Support Vector Machine (BDTSVM) dalam 2. Mencari jarak terjauh dari matriks hasil Metode Binary Decision Tree Support perhitungan jarak Euclidean distance. Kembali pada langkah ke 3 hingga kondisi iterasi max telah tercapai atau max(|𝛿𝛼𝑖 |) < πœ€.3.5 data ke-j dengan i=1 sampai N menggunakan SVM SVM SVM 6 Persamaan 10. Inisialisasi nilai parameter. Ilustrasi BDTSVM 𝛾 = π‘™π‘’π‘Žπ‘Ÿπ‘›π‘–π‘›π‘” π‘Ÿπ‘Žπ‘‘π‘’ Sumber: Sembiring (2007) 4. Universitas Brawijaya . π‘‘β„Žπ‘Ÿπ‘’π‘ β„Žπ‘œπ‘™π‘‘ β‰₯ 0. 𝐸𝑖 = βˆ‘π‘ 𝑗=1 𝛼𝑖 𝐷𝑖𝑗 (10) [ ( ) ] 𝛿𝛼𝑖 = min{max 𝛾 1 βˆ’ 𝐸𝑖 .4.4 Binary Decision Tree Support Vector masing-masing kelas. Pada langkah ini telah anak kanan dan anak kiri dari pohon biner..6 𝑦𝑗 = kelas data ke-j SVM SVM N = jumlah data 𝐾(π‘₯𝑖 . Selanjutnya ulangi langkah 4 hingga kelas yang ada menjadi dua kelompok besar seluruh kelas yang tersisa telah dan memisahkannya dengan menempatkan ke dikelompokkan.6. Nilai thresholdSV ditentukan 1. 𝐷𝑖𝑗 = 𝑦𝑖 𝑦𝑗 (𝐾(π‘₯𝑖 . tersebut. Ξ» = 2. 2.0001.7 1. Vector Machine (BDTSVM) digunakan untuk kemudian memisahkan kedua kelas yang memecahkan permasalahan klasifikasi multi memiliki jarak terjauh masing-masing ke kelas menggunakan pohon biner. π‘₯𝑗 ) = fungsi kernel yang digunakan 3. βˆ’π›Όπ‘– . 𝑗 = 1.7 1. Set nilai π‘Žπ‘– = 0. Kelas yang tersisa dicari jarak terdekatnya yang merupakan kelemahan dari SVM. Pada proses training SVM dilakukan untuk 2. mempresentasikan kategori tersebut. Berikut adalah langkah-langkah untuk 5. Metode ini anak kanan dan anak kiri. Kemudian ulangi langkah 3 dan 4 hingga secara rekursif hingga didapatkan pada setiap masing-masing node hanya terdiri dari 1 node hanya terdapat satu kelas yang kelas. Untuk mendapatkan titik pusat dari setiap cara. Kelas Sehingga metode ini memiliki kelebihan dalam dengan jarak terdekat terhadap kelas yang hal efektifitas komputasi dan nilai akurasi yang dipisahkan akan digabungkan dengan kelas tinggi. rate) = 5. 𝐢 βˆ’ 𝛼𝑖 } (11) 2 3 4 7 1 5 𝛼𝑖 = 𝛼𝑖 + 𝛿𝛼𝑖 (12) Keterangan: Gambar 3. Iterasi Max = 10.4.7 Keterangan: SVM π‘₯𝑖 = data ke-i π‘₯𝑗 = data ke-j 𝑦𝑖 = kelas data ke-i 2. 11 dan 12.5. Pemilihan cara yang tepat dapat kelas.N (9) 1. kemudian menghitung matriks mengklasifikasikan N-kelas yang ditunjukkan Hessian dengan menggunakan Persamaan 9. Menghitung jarak Euclidean distance dari 2. Fakultas Ilmu Komputer. Melakukan proses iterasi dari data ke-i sampai 2. Dalam membagi N kelas ke Gravity Center adalah titik pusat dari setiap dalam dua buah kelompok terdapat banyak kelas. Menghitung nilai gravity center dari setiap dari beberapa percobaan yang biasa digunakan kelas.2. menyelesaikan struktur tree pada level 1. Prinsip dari metode ini dengan membagi N 5. dapat diterapakan untuk menangani masalah komputasi yang lama untuk proses klasifikasi 4..4. Kemudian didapatkan nilai Support Vector (SV) mendapatkan struktur dari tree: = 𝛼𝑖 > π‘‘β„Žπ‘Ÿπ‘’π‘ β„Žπ‘œπ‘™π‘‘.

Data yang diperoleh berupa data Fakultas Ilmu Komputer. Proses klasifikasi penyakit kulit diawali Hal ini dilakukan agar peneliti mampu dengan memberikan masukan berupa data meningkatkan pemahaman dan pengetahuan gejala penyakit kulit pada manusia yang teori tentang permasalahan yang sedang diteliti. METODOLOGI PENELITIAN Pada bagian perancangan menjelaskan mengenai langkah penyelesaian masalah Metodologi penelitian untuk klasifikasi klasifikasi penyakit kulit pada manusia penyakit kulit pada manusia menggunakan menggunakan metode Binary Decision Tree metode Binary Decision Tree Support Vector Support Vector Machine (BDTSVM).2 Euclidean Distance Pengumpulan Data Euclidean Distance adalah nilai jarak yang memisahkan antara dua buah kelas. Untuk Perancangan Sistem menentukan nilai jarak dapat digunakan Persamaan 14. 𝑑𝑖𝑗 = βˆšβˆ‘π‘›π‘š=1(π‘“π‘šπ‘– βˆ’ π‘“π‘šπ‘— )2 (14) Implementasi Sistem Keterangan: 𝑑𝑖𝑗 = Jarak antara kelas I dan kelas j Pengujian Sistem π‘“π‘šπ‘– = Rata-rata fitur ke-m pada kelas ke-i. dimana i = 1. Gambar Machine (BDTSVM) ditunjukkan pada Gambar 5 merupakan diagram alir proses klasifikasi 4. Data βˆ‘π‘› π‘š=1 π‘₯π‘š gejala yang digunakan ada 14 gejala dengan 6 𝐺𝐢𝐢𝑖 𝐹𝑗 = (13) jenis penyakit yang sering ditangani yaitu 𝑛 Keterangan: dermatitis. diperoleh dari Puskesmas Dinoyo Kota Malang. Studi literatur difokuskan pada pencarian menggunakan metode Binary Decision Tree referensi relevan yang berkaitan dengan Support Vector Machine. urtikaria. abses. kemudian menghitung jarak Euclidean distance setelah terbentuk matriks Euclidean Distance Lokasi penelitian di Puskesmas Dinoyo selanjutnya membuat pohon biner yaitu dengan Kota Malang. Analisis kasus dilakukan dengan mencari jarak terjauh dari hasil matriks cara mengumpulkan data melalui observasi dan wawancara secara langsung dengan tujuan Euclidean. herpes. serta pioderma. beserta diagnosanya sebanyak 150 data. PERANCANGAN SISTEM 3.jumlah kelas Gambar 4. 𝐺𝐢𝐢𝑖 𝐹𝑗 = Gravity Center kelas ke-I parameter ke-j. permasalahan yang sedang di teliti oleh penulis. Ukuran jarak ini yang paling umum digunakan.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1917 Nilai rata-rata dari masing-masing kelas dapat gejala-gejala pada penyakit kulit pada manusia dilihat pada Persamaan 13.….jumlah kelas Penarikan Kesimpulan π‘“π‘šπ‘— = Rata-rata fitur ke-m pada kelas ke-j. scabies. Referensi berupa teori yang didapatkan Proses pembentukan kelas positif dan negatif berkaitan dengan Klasifikasi Penyakit Kulit menggunakan metode Binary Decision Tree Pada Manusia Menggunakan Metode Binary yang diawali dengan menghitung gravity center Decision Tree Support Vector Machine (BDTSVM). Kemudian memisahkan kedua kelas yang memiliki jarak terjauh dimana kelas yang mendapatkan informasi lebih dari pihak yang kecil akan mengarah ke kiri yang bernilai bersangkutan. dimana j = 1. Diagram Alir Metodologi Penelitian 𝑛 = Jumlah fitur 4. dimana i=1.4. Universitas Brawijaya .jumlah kelas Studi Literatur π‘₯π‘š = Nilai data ke-m pada kelas ke-I parameter ke-j Analisa Kebutuhan Sistem 𝑛 = jumlah data pada setiap kelas 2.….….

5. Pada pengujian nilai parameter menggunakan data training.14 97.2 Hasil dan Analisis Pengujian Parameter Menggunakan Metode BDTSVM Ξ» (Lambda) 5. Grafik Tingkat Akurasi Hasil Pengujian Iterasi Maksimal Data Penyakit Berdasarkan hasil grafik pada Gambar 6 Kulit bahwa rerata dengan akurasi tertinggi sebesar 97. jumlah iterasi. Pengujian yang sequential training SVM yang digunakan dilakukan terdiri dari pengujian terhadap adalah Ξ» (lambda) = 0. pengujian parameter 𝐢 (Complexity). dan Support Vector Machine (BDTSVM) 100000. abses. 100 dan 150 akurasi cenderung stabil. 100. Gambar 5. Untuk pengujian klasifikasi penyakit kulit pada manusia pada nilai parameter lambda digunakan menggunakan metode Binary Decision Tree beberapa nilai yaitu 0. Namun pada iterasi 4 akurasi sudah tinggi sehingga tidak membutuhkan waktu yang lama Selesai untuk mencapai akurasi yang tinggi. scabies. 10000. 100 dan 150. konstanta 𝛾 (gamma) = 0. 1000. 50. Pada hasil Hasil Klasifikasi pengujian untuk jumlah iterasi maksimal 10.14% pada nilai iterasi maksimal yaitu 10. dan pengujian parameter 𝛾 (gamma).14 100 menggunakan metode sequential training SVM. Kemudian kelas nilai yaitu 2.01. pengujian parameter Ξ» (lambda). C (complexity) = 1. 5. 50. Hasil pengujian nilai iterasi maksimal dengan rerata akurasi tertinggi sebesar 97. Pada yang tersisa akan dicari jarak terdekatnya antara pengujian nilai parameter sequential training kedua kelas yang memiliki jarak terjauh.14 97.14% Support Vector menunjukkan bahwa nilai iterasi maksimal Machine yang semakin besar maka akurasi semakin baik. 10.43 Keluaran yang dihasilkan berupa klasifikasi penyakit kulit pada manusia terdiri dari 6 jenis 90 yaitu dermatitis. tersebut akan terus diulang sampai level C (complexity) = 1. Pengujian iterasi maksimal berpengaruh pada perubahan nilai alpha dan bias. Diagram Alir Proses Klasifikasi 5. Untuk pengujian Fakultas Ilmu Komputer.5. Sehingga untuk pengujian selanjutnya Binary Decision Tree digunakan nilai iterasi maksimal yaitu 10. dan itermax = 10. dan itermax = 10. Akurasi (%) 95 91. urtikaria 85 dan pioderma. 2 10 50 100 150 Nilai Iterasi Maksimal Mulai Gambar 6.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1918 positif dan kelas yang lebih besar mengarah ke pada nilai iterasi maksimal digunakan beberapa kanan yang bernilai negatif. dari 1 kelas. Proses SVM yang digunakan adalah Ξ» (lambda) = 0.5.01. Universitas Brawijaya . konstanta 𝛾 (gamma) = terakhir dan masing-masing node hanya terdiri 0. Kemudian untuk proses klasifikasi menggunakan metode Support Vector Machine Pengujian Akurasi Iterasi Maksimal dari proses training hingga testing dengan 97.14 97. herpes. PENGUJIAN DAN ANALISIS Pengujian nilai parameter Ξ» (lambda) untuk mengetahui pengaruh tingkat akurasi pada Pengujian yang dilakukan pada sistem sequential training SVM.1 Hasil dan Analisis Pengujian Nilai Iterasi Maksimal Pengujian nilai iterasi maksimal untuk mengetahui pengaruh tingkat akurasi pada sequential training SVM.

72 90 dengan rerata akurasi tertinggi sebesar 97. 0.001 0. Untuk 0.001 0.1 1 10 pengujian pada nilai parameter C (Complexity) digunakan beberapa nilai yaitu 0. Grafik Tingkat Akurasi Hasil Pengujian nilai akurasi semakin baik. akurasi semakin besar.01.4 Hasil dan Analisis Pengujian Parameter digunakan nilai Ξ» (lambda) yaitu 0. Nilai 𝜸 0. 𝜸 (Gamma) Hasil pengujian parameter Ξ» (lambda) Pengujian nilai parameter 𝛾 (Gamma) untuk dengan rerata akurasi tertinggi sebesar 97.01. C (complexity) = 1.001.01.01. konstanta margin menuju luar margin dan akan 𝛾 (gamma) = 0.14 80. 81. (Complexity) Sehingga untuk pengujian selanjutnya 97. Berdasarkan hasil grafik pada Gambar 9 bahwa rerata dengan akurasi tertinggi sebesar Pengujian Akurasi Nilai π‘ͺ 97.0001 0.14% pada nilai C (Complexity) yaitu 1.58 85. mendapatkan hyperplane yang baik.3 Hasil dan Analisis Pengujian Parameter π‘ͺ (Complexity) 150 92.14% menunjukkan bahwa nilai parameter C (Complexity) yang mendekati nilai 0 maka akurasi cenderung menurun.5.01.86 97.5.01 Akurasi (%) 100 60 54. 97.14% 80 menunjukkan bahwa nilai konstanta 𝛾 (Gamma) 0. dan itermax = 10.0001.14% pada nilai 𝛾 (Gamma) yaitu 0. dan itermax = 10. sehingga dapat bahwa rerata dengan akurasi tertinggi sebesar menghindari kesalahan klasifikasi. hal tersebut dikarenakan Pada pengujian nilai parameter sequential saat nilai Ξ» (lambda) kecil maka membuat lebar training SVM yang digunakan adalah Ξ» margin mengecil dan titik bergerak dari dalam (lambda) = 0. 0. Nilai parameter C Nilai Ξ» semakin besar membuat waktu komputasi semakin lama untuk proses training data tetapi Gambar 7. 0. Pengujian Akurasi Nilai Ξ» (lambda) 97. 0. Fakultas Ilmu Komputer.14% mengetahui pengaruh tingkat akurasi pada menunjukkan bahwa semakin besar nilai Ξ» sequential training SVM. Sebaliknya jika nilai bahwa rerata dengan akurasi tertinggi sebesar learning rate semakin kecil maka ketelitian sistem semakin besar dan akurasi semakin baik. C (complexity) = 1. Universitas Brawijaya .1 dan 1.01 0. 100 90 90 90 Hasil pengujian parameter 𝛾 (Gamma) Akurasi (%) 85.72 digunakan nilai C (Complexity) yaitu 1.14 digunakan nilai 𝛾 (Gamma) yaitu 0.5.5. Grafik Tingkat Akurasi Hasil Pengujian pembelajaran semakin cepat maka ketelitian Nilai C (Complexity) sistem semakin berkurang dan akurasi Berdasarkan hasil grafik pada Gambar 8 cenderung menurun. Sehingga untuk pengujian selanjutnya 5.001.01 0. Nilai parameter C Nilai Ξ» (lambda) memberikan penalti yang besar pada titik data Berdasarkan hasil grafik pada Gambar 7 yang melewati bidang pemisah. pada nilai parameter 𝛾 (Gamma) digunakan Sebaliknya semakin kecil nilai Ξ» (lambda) maka beberapa nilai yaitu 0.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1919 97.14% pada nilai Ξ» (lambda) yaitu 0.1 1 yang semakin besar maka nilai learning rate Nilai C semakin besar dimana learning rate merupakan laju pembelajaran sehingga jika proses Gambar 8.44 Akurasi (%) 90 Hasil pengujian parameter C (Complexity) 80 70 dengan rerata akurasi tertinggi sebesar 97.14 Sehingga untuk pengujian selanjutnya 100 90 88. 1 dan 10. Untuk pengujian (lambda) maka akurasi cenderung menurun.01. Grafik Tingkat Akurasi Hasil Pengujian adalah Ξ» (lambda) = 0. Pada pengujian nilai parameter sequential training SVM yang digunakan Gambar 9.29 Pengujian nilai parameter C (Complexity) 50 untuk mengetahui pengaruh tingkat akurasi 0 pada sequential training SVM.1. Nilai 𝜸 (Gamma) konstanta 𝛾 (gamma) = 0. Pengujian Akurasi Nilai 𝜸 (Gamma) 5.

Yunita. Teknik Informatika Universitas Semarang. M. ITB. Penerapan Metode Support Banyaknya jumlah data dapat Vector Machine (SVM) Menggunakan mempengaruhi hasil akurasi pada proses Kernel Radial Basis Function (RBF) klasifikasi.. Metode Binary Decision Tree Support Decision Tree using SVM.. KESIMPULAN Menggunakan Visual Basic 2010. klasifikasi penyakit kulit pada manusia.P.. Pendeteksian Intrusi Pada Jaringan. Diyah. dengan baik untuk menyelesaikan masalah Bhopal. Program Studi Teknik Informatika. I. S1 Management and Service Science. 2009. (BDTSVM).. Aspek Etiologi dan Klinis Pada Elektro dan Informatika. Jakarta: CV. campus e-complaint documents using Putri.. Profil Kesehatan Indonesia Tahun 2009.. 2013. Aplikasi Pakar Untuk akurasi dipengaruhi pada pemilihan Diagnosa Penyakit Kulit Menggunakan parameter Ξ» (lambda). 2014. 10. Urtikaria dan Angioedema. 2015. School of Vector Machine dapat diimplementasikan Information Technology UTD. 2010. Berdasarkan hasil pengujian didapatkan nilai Pardiansyah.. A. dan Kejadian Skabies Di Desa Laksana Issa Arwani. Malang. Association Between akurasi terbaik sebesar 97. Berdasarkan pada hasil perancangan.Trans Info Binary Decision Tree Support Vector Machine Media. 2015. G. Faculty of Medicine. Scavengers. K. DAFTAR PUSTAKA Sikap Keluarga Dalam Mencegah Cholissodin. dan itermax = Lampung University. A. Sistem Pakar Mendeteksi Penyakit Dalam Dengan Metode Backward Chaining Fakultas Ilmu Komputer.5. Universitas Brawijaya . F. Classification of Mekar.Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 1920 6. Directed Acyclic Graph Multi-class Identifikasi Tanda Tangan Dengan SVM based on analytic hierarchy Pendekatan Support Vector Machine. M. Jurusan teknik 2. R. S. Penerapan Teknik Primitive Classifiers Without Features Support Vector Machine Untuk Selection in Credit Scoring. Hubungan Pengetahuan Dengan 7. Comparison Of The Sembiring.01. Prativi.B.S. Jakarta: Kementerian Kesehatan RI. Metode Forward Chaining Di Al Arif konstanta 𝛾 (gamma). process.14% dengan Personal Protective Equipment With pengujian parameter SVM yaitu nilai Ξ» the Irritant Contact Dermatitis in (lambda) = 0.. Informatika STMIK Tasikmalaya. Maya Kurniawati. Kementerian Kesehatan Indonesia. I dan Linda. 2013. A. Fakultas Teknik.P. India. data. konstanta 𝛾 (gamma) = 0.. pengujian dan analisis yang telah Maryunani. 2013. L. RGPV. UIN Sultan Syarif Kasim BDTSVM digunakan data sebanyak 150 Riau. C (complexity) = 1. I.... Advance Probabilistic Binary 1.. 2015. Feng-Chia.. Muis.. P dan Andre. 2016. sebagai berikut ini: 2014. Universitas Bengkulu. Indriati.A. E. Fakultas Kedokteran Universitas Syiah Kuala. S. nilai bias dan Nuraeni. Kamus Perawat: Definisi dilakukan pada sistem Klasifikasi Penyakit Istilah dan Singkatan Kata-Kata dalam Kulit Pada Manusia Menggunakan Metode Keperawatan. Sehingga dapat disimpulkan Meshram. 2007. implementasi.. G dan Sanjeev. Sekolah Teknik Fitria. Pada Klasifikasi Tweet. M. Mahardika. Teknik metode sequential training SVM... Universitas Brawijaya. Teknik Informatika. Roopam. Perubahan nilai 𝛼𝑖 . Pada permasalahan klasifikasi penyakit kulit Informatika.. Fakultas Sains dan pada manusia menggunakan metode Teknologi. 2010. πœ€ (epsilon) pada Skin Care Kabupaten Ciamis. C (complexity).