i KLASIFIKASI PERSALINAN NORMAL ATAU

PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KLASIFIKASI PERSALINAN NORMAL ATAU CAESAR
MENGGUNAKAN ALGORITMA C4.5
Skripsi
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Oleh :
Laurensia Maria Nindia Bernita
125314090
PROGRAM STUDI TEKNIK INFORMATIKA
JURUSAN TEKNIK INFORMATIKA
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS SANATA DHARMA
YOGYAKARTA
2017
i
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
CLASSIFICATION OF NORMAL OR CAESAREAN BIRTH
USING C4.5 ALGORITHM
A Thesis
Presented as Partial Fullfillment of the Requirements
To Obtain the Sarjana Komputer Degree
In Informatics Engineering Study Program
By :
Laurensia Maria Nindia Bernita
125314090
INFORMATICS ENGINEERING STUDY PROGRAM
DEPARTMENT OF INFORMATICS ENGINEERING
FACULTY OF SCIENCE AND TECHNOLOGY
SANATA DHARMA UNIVERSITY
YOGYAKARTA
2017
ii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
iv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
HALAMAN PERSEMBAHAN
"Pendidikan merupakan senjata paling ampuh yang bisa kamu
gunakan untuk merubah dunia"
- Nelson Mandela -
Sebenarnya tantangannya bukan me-manage waktu tapi
me-manage diri kita sendiri.
- Mario Teguh -
Nothing is impossible.
Anything can happen as long as we believe.
Karya ini penulis persembahkan kepada :
Tuhan Yesus Kristus
Keluarga Tercinta
Sahabat dan Teman-teman
Teknik Informatika Universitas Sanata Dharma
v
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
vii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRAK
Penelitian ini bertujuan untuk menganalisis jenis persalinan dengan
menggunakan algoritma C4.5, yaitu salah satu metode pohon keputusan yang
ada dalam teori penambangan data (data mining). Data pasien persalinan
diperoleh dari sebuah rumah sakit umum di Yogyakarta, untuk tahun kelahiran
2010 - 2016. Data yang digunakan berisi informasi tentang usia ibu, usia
kandungan, berat badan, tinggi badan, hasil tes laboratorium (hemoglobin,
hematokrit, lekosit, trombosit, eritrosit, glukosa, protein, dan HbsAG), pinggul
sempit/tidak, hamil primi/tidak, hamil tunggal/ganda, letak janin, presentasi
janin, riwayat persalinan, ada riwayat abortus/tidak, riwayat penyakit, taksiran
bobot bayi, dan ketuban pecah dini/tidak dan jenis persalinan (normal/caesar).
Sistem yang telah dibangun diuji dengan menggunakan teknik 7-fold
cross validation dengan jumlah sampel data sebanyak 288 data. Tingkat
keakuratan sistem yang dihasilkan sebesar 72,00 %.
Kata kunci : algoritma C4.5, data mining, persalinan normal atau caesar
viii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
ABSTRACT
The research aimed to analyze childbirth type using C4.5 algorithm
which is one of the decision tree methods available in the data mining theory.
Childbirth patients data was obtained from a public hospital in Yogyakarta, for
the 2010-2016 period. Data that was used contains information about the age of
the mother, the gestational age, weight, height, laboratory test results
(haemoglobin, hematocrit, leukocytes, platelet, erythrocytes, glucose, protein,
and HbsAg), narrow hip or not, primigravida pregnancy or not, single or
multiple pregnancy, fetus position, fetus presentation, childbirth history, any
abortion history or not, disease history, fetus weight estimation, and early
rupture of membrane or not, and childbirth type (normal delivery / caesarian
section).
The system that has been built was tested using 7-fold cross validation
technic on 288 data samples. The accuracy level of the system is 72.00%.
Keywords: C4.5 algorithm, data mining, normal delivery caesarian section
ix
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
KATA PENGANTAR
Puji syukur kepada Tuhan yang Maha Esa, atas berkat dan rahmatNya penulis
mampu menyelesaikan penelitian tugas akhir dengan judul “Klasifikasi Persalinan
Normal atau Caesar Menggunakan Algoritma C4.5”.
Penelitian ini tidak akan selesai tanpa adanya dukungan, semangat, dan bantuan
dari banyak pihak. Untuk itu, pada kesempatan ini penulis ingin mengucapkan terima
kasih kepada :
1. Tuhan Yesus Kristus atas segala berkatNya yang melimpah.
2. Bapak Sudi Mungkasi, S.Si., M.Math. Sc., Ph.D selaku Dekan Fakultas
Sains dan Teknologi Universitas Sanata Dharma.
3. Ibu Dr. Anastasia Rita Widiarti selaku Ketua Program Studi Teknik
Informatika.
4. Romo Dr. Cyprianus Kuntoro Adi, S.J., M.A., M.Sc. selaku dosen
pembimbing tugas akhir dan dosen pembimbing akademik yang telah
memberikan motivasi, waktu dan kesabarannya dalam membimbing
penulis hingga dapat menyelesaikan tugas akhir ini.
5. Ibu P.H. Prima Rosa, S.Si., M.Sc. selaku dosen penguji tugas akhir.
6. Bapak Eko Hari Parmadi, S.Si., M.Kom selaku dosen penguji tugas
akhir.
7. Seluruh dosen yang telah mendidik dan memberikan ilmu pengetahuan
berharga selama penulis belajar di Universitas Sanata Dharma.
8. Seluruh staff sekretariat dan laboran yang turut membentu penulis dalam
menyelesaikan tugas akhir ini.
9. Pihak staff rumah sakit yang telah memberikan ijin dan bantuan sehingga
penulis memperoleh data penelitian.
10. Kedua orang tua, papa Drs. R. Stephanus Isnu Harya L. K. dan mama
Dra. Cosmasia Regina Swantati yang telah memberikan doa, perhatian,
semangat, dan dukungan yang tak henti-hentinya diberikan kepada
penulis.
x
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11. Kakak Stevani Adhela G.P.C, S.Psi. dan adik Margaretha Kristiana T.
yang telah memberikan semangat, motivasi dan dukungan yang luar
biasa.
12. Mba Vita, Mas Tomi dan Anin atas dukungannya dan semangatnya.
Terima kasih sudah boleh tinggal di rumah kalian.
13. Keluarga besar yang telah memberikan doa, semangat dan dukungan.
14. Sahabat-sahabatku, Dhesty, Itha, Pryli, Imas, dan Astrid atas semangat
yang diberikan. Terima kasih atas kebersamaannya selama 4 tahun ini.
15. Sahabat-sahabat masa kecilku, Devita dan Tia atas dukungan dan
semangatnya, kalian luar biasa.
16. Teman-teman seperjuangan skripsi atas motivasi, semangat, bantuan dan
waktunya untuk belajar dan berdiskusi bersama.
17. Seluruh teman-teman TI angkatan 2012, terima kasih atas semangat,
dukungan serta kebersamaannya selama ini.
18. Pihak-pihak lain yang turut membantu dalam menyelesaikan tugas akhir
ini, yang tidak dapat disebutkan satu per satu.
Penelitian ini masih memiliki banyak kekurangan. Maka dari itu, penulis
menerima masukan saran dan kritik membangun yang berguna di masa yang akan
datang. Semoga penelitian tugas akhir ini dapat membawa manfaat bagi semua pihak.
Yogyakarta, 16 Februari 2017
Penulis
xi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR ISI
HALAMAN PERSETUJUAN ......................................................................................... ii
HALAMAN PENGESAHAN ......................................................................................... iii
HALAMAN PERSEMBAHAN ...................................................................................... iv
PERNYATAAN KEASLIAN KARYA .......................................................................... vi
LEMBAR PERNYATAAN PERSETUJUAN PUBLIKASI ......................................... vii
ABSTRAK ...................................................................................................................... vii
ABSTRACT..................................................................................................................... ix
KATA PENGANTAR ...................................................................................................... x
DAFTAR ISI................................................................................................................... xii
DAFTAR GAMBAR ..................................................................................................... xiv
DAFTAR TABEL........................................................................................................... xv
BAB I PENDAHULUAN ................................................................................................. 1
1.1
Latar Belakang ................................................................................................... 1
1.2
Rumusan Masalah .............................................................................................. 4
1.3
Tujuan Penelitian ............................................................................................... 4
1.4
Manfaat Penelitian ............................................................................................. 4
1.5
Batasan Masalah................................................................................................. 4
1.6
Metodologi Penelitian ........................................................................................ 5
1.7
Sistematika Penulisan......................................................................................... 6
BAB II LANDASAN TEORI ........................................................................................... 7
2.1
Persalinan ........................................................................................................... 7
2.1.1
Pengertian Persalinan .................................................................................. 7
2.1.2
Jenis Persalinan ........................................................................................... 8
2.1.3
Faktor-Faktor yang Mempengaruhi Jenis Persalinan ................................. 8
2.2
Penambangan Data ........................................................................................... 11
2.2.1
Pengertian Penambangan Data ................................................................. 11
2.2.2
Proses Penambangan Data ........................................................................ 12
2.2.3
Pengelompokan Penambangan Data ......................................................... 14
2.3
Klasifikasi ........................................................................................................ 16
2.4
Pohon Keputusan ............................................................................................. 16
2.4.1
Definisi Pohon Keputusan ........................................................................ 16
xii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2.4.2
Kelebihan Pohon Keputusan ..................................................................... 17
2.4.3
Kekurangan Pohon Keputusan.................................................................. 17
2.4.4
Algoritma Pohon Keputusan ..................................................................... 18
2.4
Algoritma C4.5 ................................................................................................. 20
2.4.1
Definisi Algoritma C4.5 ........................................................................... 20
2.5
K-Fold Cross Validation .................................................................................. 23
2.6
Confusion Matriks dan Akurasi ....................................................................... 24
BAB III METODOLOGI PENELITIAN ....................................................................... 25
3.1
Data .................................................................................................................. 25
3.2
Proses Sistem ................................................................................................... 25
3.2.1
Data Mentah .............................................................................................. 26
3.2.2
Transformasi Data..................................................................................... 31
3.2.3
Data Testing dan Data Training ................................................................ 35
3.2.4
Pemodelan dengan Algoritma C4.5 .......................................................... 36
3.2.5
Pengujian Akurasi ..................................................................................... 44
3.2.6
Pengujian Data Tunggal............................................................................ 44
BAB IV IMPLEMENTASI SISTEM DAN ANALISA HASIL .................................... 45
4.1
Implementasi Sistem ........................................................................................ 45
4.1.1
Implementasi Source Code ....................................................................... 45
4.1.2
Implementasi User Interface .................................................................... 56
4.2
Hasil dan Analisa ............................................................................................. 58
4.3
Pengujian Data ................................................................................................. 68
BAB V KESIMPULAN DAN SARAN ......................................................................... 69
5.1
Kesimpulan ...................................................................................................... 69
5.2
Saran ................................................................................................................. 69
DAFTAR PUSTAKA ..................................................................................................... 70
LAMPIRAN I ................................................................................................................. 73
Data Penelitian........................................................................................................... 74
xiii
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR GAMBAR
Gambar 2. 1 Tahapan Penambangan Data ...................................................................... 12
Gambar 2. 2 Contoh Pohon Keputusan .......................................................................... 17
Gambar 3. 1 Diagram Blok ............................................................................................. 26
Gambar 3. 2 Pohon Keputusan Hasil Perhitungan Root / Node 1 .................................. 38
Gambar 3. 3 Pohon Keputusan Hasil Perhitungan Node 2 ............................................. 40
Gambar 3. 4 Pohon Keputusan Hasil Perhitungan Node 3 ............................................. 41
Gambar 3. 5 Pohon Keputusan Hasil Perhitungan Node 4 ............................................. 43
Gambar 4. 1 Halaman Utama ......................................................................................... 56
Gambar 4. 2 Menu Tabel Data........................................................................................ 57
Gambar 4. 3 Menu Klasifikasi ........................................................................................ 57
Gambar 4. 4 Menu Tree .................................................................................................. 57
Gambar 4. 5 Menu Uji Data Tunggal ............................................................................. 58
Gambar 4. 6 Tree ............................................................................................................ 65
Gambar 4. 7 Grafik Akurasi ........................................................................................... 67
xiv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR TABEL
Tabel 2. 1 Confusion Matriks untuk Kalasifikasi 2 Kelas..............................................24
Tabel 3. 1 Data Atribut...................................................................................................26
Tabel 3. 2 Contoh Data Pasien Persalinan.....................................................................30
Tabel 3. 3 Contoh Data Setelah Tahap Transformasi....................................................34
Tabel 3. 4 Pembagian 7-fold...........................................................................................35
Tabel 3. 5 Contoh Data Pasien Persalinan......................................................................36
Tabel 3. 6 Perhitungan Root / Node 1.............................................................................37
Tabel 3. 7 Perhitungan Node 2........................................................................................38
Tabel 3. 8 Perhitungan Node 3........................................................................................40
Tabel 3. 9 Perhitungan Node 4........................................................................................42
Tabel 4. 1 Hasil Akurasi..................................................................................................60
xv
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB I
PENDAHULUAN
Pada bab ini dijelaskan mengenai latar belakang masalah dari penelitian,
permasalahan penelitian, tujuan yang ingin dicapai, manfaat yang diharapkan,
batasan masalah, serta tahapan dalam penyelesaian tugas akhir.
1.1
Latar Belakang
Teknologi informasi akan terus berkembang seiring dengan
perkembangan jaman. Hal tersebut berdampak pada kebutuhan informasi
yang cepat dan akurat bagi kehidupan sehari-hari. Dimana teknologi
informasi memiliki peran penting terhadap kehidupan manusia di masa
sekarang dan masa akan datang. Hal ini dapat dilihat dari pemanfaatan
teknologi di berbagai bidang, seperti contohnya di bidang kedokteran atau
kesehatan.
Persalinan sebagai salah satu bagian dalam kedokteran kebidanan
merupakan proses fisiologis dimana uterus mengeluarkan atau berupaya
mengeluarkan janin dan plasenta setelah masa kehamilan 20 minggu atau
lebih untuk dapat hidup diluar kandungan melalui jalan lahir atau jalan
lain dengan bantuan atau tanpa bantuan (Manuaba, 1998). Persalinan
adalah suatu proses yang dialami oleh wanita yang akan berlangsung
dengan sendirinya, tetapi persalinan yang membahayakan ibu maupun
janinnya memerlukan pengawasan, pertolongan dan pelayanan dengan
fasilitas yang memadai.
Di dunia kedokteran kebidanan terdapat empat jenis proses
persalinan yang aman dilakukan (sumber: http://tips-sehat-keluargabunda.blogspot.co.id), diantaranya : 1) persalinan normal adalah jenis
persalinan dimana bayi lahir melalui vagina, tanpa memakai alat bantu,
tidak melukai ibu maupun bayi (kecuali episiotomi), dan biasanya dalam
waktu kurang dari 24 jam. Persalinan ini membutuhkan tiga faktor
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
2
penting, diantaranya kekuatan ibu saat mengejan, keadaan jalan lahir, dan
keadaan janin. 2) Persalinan dengan alat bantu adalah persalinan yang
dilakukan apabila suatu kondisi menyebabkan janin tidak juga lahir meski
sudah terjadi bukaan penuh, sedangkan ibu telah kehabisan tenaga untuk
mengejan, maka dokter yang menangani akan melakukan persalinan
menggunakan alat bantu yang disebut vakum dan forsep. 3) Persalinan
dengan operasi caesar adalah jenis persalinan yang menjadi solusi akhir,
apabila proses persalinan normal dan penggunaan alat bantu sudah tidak
lagi bisa dilakukan untuk mengeluarkan janin dari dalam kandungan.
Persalinan caesar ini biasanya dilakukan karena kondisi tertentu (ketuban
bocor, bayi sungsang, persalinan bayi kembar atau terjadi komplikasi). 4)
Persalinan di dalam air (water birth) adalah jenis persalinan dengan
menggunakan bantuan air saat proses melahirkan. Ketika sudah
mengalami pembukaan sempurna, maka ibu hamil masuk ke dalam bak
yang berisi air dengan suhu 36-37 Celcius. Setelah bayi lahir, maka secara
pelan-pelan diangkat dengan tujuan agar tidak merasakan perubahan suhu
yang ekstrem. Dari keempat jenis persalinan diatas, yang biasa dilakukan
khususnya oleh masyarakat Indonesia adalah persalinan normal dan
persalinan dengan operasi caesar.
Pada masa lalu melahirkan dengan cara operasi merupakan hal
yang menakutkan karena dinilai berisiko kematian. Oleh karena itu,
pembedahan hanya dilakukan jika persalinan normal dapat membahayakan
ibu dan janinnya. Namun, seiring dengan berjalannya waktu serta
berkembangnya
kecanggihan
bidang
ilmu
kedokteran
kebidanan
pandangan tersebut mulai bergeser. Kini bedah caesar (sectio caesarea)
kadang
menjadi
alternatif
pilihan
persalinan
dengan
beberapa
pertimbangan medis (Kasdu, 2003).
Ada 4 faktor yang perlu dipertimbangkan untuk menentukan
apakah seorang ibu hamil perlu melakukan operasi atau tidak (sumber:
http://www.kemangmedicalcare.com).
Pertama,
faktor
bayi
dalam
kandungan. Apakah berat janin (bobot tubuhnya) normal untuk usia
kandungan tertentu. Dibulan terakhit kehamilan, bobot bayi lahir yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
3
normal berkisar antara 2,5-4,0 kg. Keadaan plasenta dan tali pusar juga
menjadi perhatian khusus. Kedua, faktor ibu itu sendiri yang berkaitan
dengan ukuran punggul. Apakah ukuran pinggul ibu cukup luas untuk
dilewati bayinya kelak, sehingga perlu memperhatikan bobot bayi. Selain
itu, ibu pun harus dinyatakan sehat secara fisik, artinya tidak menderita
penyakit lain, seperti hipertensi, jantung dan diabetes. Ketiga, faktor
kontraksi saat menjelang persalinan. Apakah ada kontraksi simultan
ataukah hilang-timbul, bahkan tidak ada kontraksi sama sekali yang
mengharuskan si ibu diinduksi dengan pemberian hormon oksitosin
melalui infus atau prostaglandin melalui vagina. Keempat, faktor yang
sering dianggap remeh namun sebenarnya sangat berpengaruh, yaitu
kondisi psikis si ibu. Dukungan dari si ayah ataupun kerabat keluarga lain
sangat diperlukan demi kelancaran persalinan, selain tenaga medis yang
menanganinya.
Meskipun telah mempertimbangkan faktor-faktor penting diatas,
masih saja terjadi kesalahan penentuan jenis persalinan oleh dokter
kandungan sehingga dapat membahayakan ibu dan janin. Risiko terburuk
yang terjadi adalah kematian baik ibu, bayi, maupun keduanya. Apabila
hal tersebut terjadi tidak hanya keluarga calon bayi yang merasa dirugikan,
tapi instansi rumah sakit juga merasa dirugikan karena menganggap hal
tersebut adalah kesalahan dokter kandungan yang menangani persalinan
tersebut.
Berdasarkan
latar
belakang
yang
diuraikan
diatas,
untuk
mendukung kerja peranan dokter kebidanan dalam menentukan jenis
persalinan yang sebaiknya dilakukan oleh seorang ibu hamil diperlukan
suatu sistem deteksi persalinan berdasarkan aturan-aturan tertentu. Dengan
adanya sistem tersebut resiko terjadinya kesalahan dalam penentuan cara
persalinan dapat diminimalisir. Oleh karena itu penelitian ini menerapkan
teori penambangan data (data mining) dalam membangun sebuah sistem
untuk mengklasifikasi persalinan normal atau caesar dari seorang ibu
hamil menggunakan algoritma C4.5.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
4
1.2
Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan di atas, maka
permasalahan yang dapat diambil dalam penelitian ini adalah :
1. Bagaimana
pendekatan
dengan
algoritma
C4.5
mampu
mengklasifikasi persalinan normal atau caesar?
2. Berapa tingkat keakuratan yang dihasilkan dari pemakaian
algoritma C4.5 dalam mengklasifikasi persalinan normal atau
caesar?
1.3
Tujuan Penelitian
Tujuan yang ingin dicapai dari penelitian ini adalah penambangan
data dengan algoritma C4.5 mampu mengklasifikasi jenis persalinan
normal atau caesar terhadap data pasien persalian.
1.4
Manfaat Penelitian
Manfaat yang diharapkan dengan adanya penelitian ini adalah
prediksi jenis persalinan dapat diketahui lebih dini sehingga baik pasien
dan dokter dapat mempersiapkan untuk melakukan tindakan yang tepat.
1.5
Batasan Masalah
Batasan masalah yang ditentukan dalam penelitian ini adalah :
1. Format file masukan adalah .xlsx.
2. Data yang diolah adalah data pasien persalinan.
3. Jenis persalinan yang dianalisis adalah normal dan caesar.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
5
4. Sumber data yang digunakan berasal dari sebuah rumah sakit
umum di Yogyakarta selama 7 tahun terakhir yaitu rentang tahun
2010 – 2016.
5. Penerapan penambangan data menggunakan algoritma C4.5.
1.6
Metodologi Penelitian
Metodologi yang dilakukan dalam menyelesaikan masalah pada
penelitian ini adalah sebagai berikut :
1. Studi Pustaka
a. Studi literatur, mempelajari materi dengan mengumpulkan
informasi melalui buku maupun website di internet yang
berkaitan dengan data mining algoritma C4.5.
b. Mengumpulkan data rekam medis pasien persalinan dengan
menyalinnya ke dalam sebuah file.
2. Penambangan Data
Pada penambangan data langkah penerapan metode
Knowledge Discovery in Database (KDD) adalah sebagai berikut :
a. Pembersihan data (data cleaning), menghilangkan noise
dan data yang tidak konsisten.
b. Integrasi data (data integration), menggabungkan data dari
berbagai sumber yang berbeda.
c. Seleksi data (data selection), menyeleksi atau mengambil
data yang relevan.
d. Transformasi data (data transformation), mengubah data
menjadi bentuk yang sesuai agar dapat ditambang.
e. Penambangan data (data mining), menerapkan teknik
penambangan data menggunakan algoritma C4.5.
f. Evaluasi pola (pattern evaluation), mengidentifikasi pola
yang terbentuk menjadi rules.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
6
1.7
Sistematika Penulisan
Secara garis besar, sistematika penulisan penelitian ini
adalah
sebagai berikut:
BAB I PENDAHULUAN
Bab ini berisi tentang latar belakang permasalahan, rumusan
masalah, tujuan dan manfaat penelitian, batasan masalah, metodologi
penelitian, serta sistematika penulisan yang berisi tentang gambaran secara
singkat dari tiap-tiap bab yang ada dalam penelitian tugas akhir.
BAB II LANDASAN TEORI
Bab ini berisi teori-teori yang terkait dalam pembuatan penelitian
ini serta algoritma dan variabel pendukung yang diterapkan dalam
menyelesaikan masalah.
BAB III METODOLOGI PENELITIAN
Bab ini berisi tentang diskripsi data penelitian yang digunakan serta
proses umum sistem dan tahap-tahap penyelesaian masalah.
BAB IV ANALISA HASIL DAN IMPLEMENTASI SISTEM
Bab ini berisi tentang hasil yang diperoleh dari pengujian yang
dilakukan, serta implementasi dari perangkat lunak yang dibuat.
BAB V PENUTUP
Bab ini berisi kesimpulan yang dapat diambil dari hasil yang
diperoleh dalam melakukan penelitian tugas akhir dan saran untuk
pengembangan perangkat lunak yang akan datang.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB II
LANDASAN TEORI
Pada bab ini dijelaskan teori yang digunakan untuk mendukung penelitian
tugas akhir dalam mengklasifikasi persalinan normal atau caesar dengan
menggunakan algoritma C4.5.
2.1
Persalinan
2.1.1
Pengertian Persalinan
Definisi persalinan menurut beberapa tokoh adalah sebagai berikut:
1. Menurut Manuaba (2001), persalinan adalah proses pengeluaran
hasil konsepsi (janin dan urin) yang telah cukup bulan atau dapat
hidup diluar kandungan atau melalui jalan lain dengan bantuan atau
tanpa bantuan.
2. Menurut Sarwono (2002), persalinan adalah proses pengeluaran
janin yang terjadi pada kehamilan cukup bulan (37-42 minggu),
lahir spontan dengan presentasi belakang kepala yang berlangsung
dalam 18 jam tanpa komplikasi baik pada ibu maupun pada janin.
3. Menurut Yanti (2010), persalinan adalah serangkaian kejadian
yang berakhir dengan pengeluaran bayi cukup bulan atau hampir
cukup bulan, disusul dengan pengeluaran plasenta dan selaput janin
dari tubuh ibu.
Dari definisi diatas dapat disimpulkan bahwa persalinan merupakan
suatu kejadian yang dialami oleh wanita hamil dengan tujuan
mengeluarkan bayi yang ada dalam kandungan dengan usia cukup bulan,
baik dengan bantuan atau tanpa bantuan.
7
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
8
2.1.2
Jenis Persalinan
Proses persalinan dibagi menjadi dua cara, yaitu (Sarwono, 2002) :
1. Persalinan normal, proses kelahiran janin pada kehamilan cukup
bulan (37 – 42 minggu), pada janin letak mamanjang, presentasi
belakang kepala yang disusul dengan pengeluaran plasenta dan
selukur proses kelahiran itu berakhir dalam waktu kurang dari 24
jam tanpa tindakan atau pertolongn buatan dan tanpa komplikasi.
2. Persalinan abnormal, biasa disebut persalinan caesar dimana
persalianan pervagianam dengan bantuan alat-alat maupun dinding
perut dengan operasi caesar.
2.1.3
Faktor-Faktor yang Mempengaruhi Jenis Persalinan
Ada beberapa faktor yang mempengaruhi jenis persalinan, antara
lain :
1. Usia
Usia reproduksi yang optimal bagi seorang ibu untuk
hamil dan melahirkan adalah 20-35 tahun karena pada usia ini
secara fisik dan psikologi ibu sudah cukup matang dalam
menghadapi kehamilan dan persalinan.
Pada usia <20 tahun organ reproduksi belum sempurna
secara keseluruhan dan perkembangan kejiwaan belum matang
sehingga belum siap menjadi ibu dan menerima kehamilannya.
Usia >35 tahun organ reproduksi mengalami perubahan karena
proses menuanya organ kandungan dan jalan lahir kaku atau
tidak lentur lagi. Selain itu peningkatan pada umur tersebut
akan mempengaruhi organ vital dan mudah terjadi penyakit
sehingga beresiko mengalami komplikasi pada ibu dan janin.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
9
2. Anatomi Tubuh Ibu Melahirkan
Ibu yang memiliki tinggi badan <145 cm terjadi
ketidakseimbangan antara luas pinggul dan besar kepala bayi.
Sebagian besar kasus partus tak maju disebabkan oleh tulang
panggul ibu terlalu sempit sehinggga tidak mudah dilintasi
kepala bayi waktu bersalin. Proporsi wanita dengan rongga
panggul yang sempit menurun dengan meningkatnya tinggi
badan. Persalinan macet yang disebabkan pinggul sempit
jarang terjadi pada wanita bertubuh tinggi.
3. Riwayat Persalinan
Persalinan oleh ibu hamil dengan prematur, operasi
caesarea, bayi lahir mati, persalinan dengan induksi serta
semua persalinan tidak normal merupakan suatu resiko tinggi
pada persalinan berikutnya.
Sebuah penelitian di Medan yang dilakukan oleh
Sarumpaet tahun 1998-1999 menghasilkan bahwa ibu yang
mengalami komplikasi persalinan kemungkinan 7,3 kali lebih
besar mempunyai riwayat persalinan jelek dibandingkan yang
tidak mempunyai riwayat persalinan jelek.
4. Keadaan Pinggul
Ukuran pinggu ibu hamil merupakan faktor penting
dalam kelangsunagn persaliann, tetapi yang penting adalah
hubungan antara janin dengan pinggul ibu. Besarnya kepala
bayi dalam perbandingan luasnya pinggul ibu menentukan
apakah janin akan lahir normal atau membutuhkan bantuan
operasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
10
5. Presentasi
Hal yang biasa terjadi adalah ketika presentasi janin
pada daerah bagian kepala, seperti kepala belakang, dahi dan
muka
akan
sebaliknya
mempermudah
bila presentasi
proses
persalinan,
bokong maka
namun
dokter akan
mengambil tindakan selanjutnya.
6. Ketuban Pecah Dini
Apabila pada pinggul sempit, pintu atas pinggul tidak
tertutup dengan sempurna oleh janin, ketuban bisa pecah pada
pembukaan kecil. Bila kepala tertahan pada pintu atas pinggul,
seluruh tenaga dari uterus diarahkan ke bagian membran yang
menyentuh os internal, akibatnya ketuban pecah akan lebih
mudah terjadi.
7. Tes Darah
Melakukan tes darah pada masa kehamilan bertujuan
untuk mengetahui golongan darah dan mengetahui tingkatan
kadar gula darah di dalam tubuh. Gula darah yang tinggi bisa
menyebabkan komplikasi kehamilan. Kadar zat besi dan
hemoglobin didalam darah sangat penting untuk diperiksa
untuk mengetahui kondisa kesehatan pada ibu hamil. Terutama
ibu hamil yang memiliki riwayat anemia. Selain itu
pemeriksaan hemoglobin bertujuan untuk mengetahui kadar
hemoglobin dalam perkembangan kehamilan.
Tes darah umumnya dilakukan pada usia kehamilan 10
hingga 12 minggu dan akan dilakukan kembali pada usia
kehamilan memasuki usia 28 minggu bahkan saat mendekati
persalinan. Saat mendekati persalinan, pemeriksaan darah
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
11
dilakukan untuk mengetahui antibodi yang dimiliki ibu hamil
untuk menjaga kesehatan ibu dan janin dalam menangkal
beberapa virus dan bakteri penyebab penyakit.
Selain faktor-faktor yang telah dijabarkan diatas masih ada faktorfaktor lain yang dinilai dapat mendukung dalam penentuan jenis
persalinan.
2.2
Penambangan Data
2.2.1
Pengertian Penambangan Data
Penambangan data (data mining) merupakan serangkaian kegiatan
mengolah atau menambang data dalam jumlah besar yang tersimpan dalam
database, gudang data atau sumber data lainnya dengan tujuan
memperoleh informasi dan pengatahuan (Han & Kember, 2006).
Data mining merupakan proses semi otomatik yang menggunakan
teknik statistik, matematika, kecerdasan buatan, dan mechine learning
untuk mengekstraksi dan mengidentifikasi informasi pengetahun potensial
dan berguna yang bermanfaat yang tersimpan di dalam database besar
(Turban et al, 2005).
Menurut Gartner Group data mining adalah suatu proses
menemukan hubungan yang berarti, pola, dan kecenderungan dengan
memeriksa dalam sekumpulan besar data yang tersimpan dalam
penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik
statistik dan matematika (Larose, 2006).
Berdasarkan definisi-definisi yang telah disampaikan, hal penting
yang terkait dengan data mining adalah (Larose, 2006) :
1. Data mining merupakan suatu proses otomatis terhadap data
yang sudah ada.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
12
2. Data yang akan diproses berupa data yang sangat besar.
3. Tujuan data mining adalah mendapatkan hubungan atau pola
yang mungkin memberikan indikasi yang bermanfaat.
2.2.2
Proses Penambangan Data
Penambangan
data
dapat
menjadi
sebuah
proses
dalam
memperoleh pengetahun. Metode Knowledge Discovery in Database
(KDD) digunakan untuk memperolehan pengetahuan seperti ditunjukkan
pada gambar 2.1.
Berikut merupakan ilustrasi dari tahapan penambangan data :
Gambar 2. 1 Tahapan Penambangan Data (Han & Kamber, 2006)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
13
Karena penambangan data adalah suatu rangkaian proses, maka
dibagi menjadi beberapa tahap dengan urutan sebagai berikut:
1. Pembersihan Data (Data Cleaning)
Tahap
awal
dalam
penambangan
data
adalah
menghapus data yang tidak konsisten dan noise yang terdapat
dalam data, seperti data yang tidak relevan, data yang salah
ketik maupun data kosong yang tidak diperlukan.
2. Integrasi Data (Data Integration)
Tahap penggabungan data dari sumber penyimpanan
yang berbeda. Data-data ini akan digabungkan ke dalam suatu
tempat penyimpanan data dalam suatu tabel utuh.
3. Seleksi Data (Data Selection)
Proses pengambilan dan penyeleksian data yang
relevan dari sebuah database. Atribut-atribut data akan dicek
apakah relevan untuk dilakukan penambangan data. Atribut
yang tidak relevan tidak akan digunakan.
4. Transformasi Data (Data Transformation)
Tahap dimana data mengalami transformasi ke dalam
bentuk yang sesuai. Tujuan tranformasi dalam proses
penambangan data adalah agar bentuk yang dihasilkan lebih
mudah dipahami dan dapat ditambang.
5. Penambangan Data (Data Mining)
Merupakan proses penting dimana penambangan data
diterapkan dan diaplikasikan dengan menggunakan algoritma
khusus yang telah dipilih untuk mengekstrak pola.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
14
6. Evaluasi Pola (Pattern Evaluation)
Pada tahap ini, dilakuakan proses identifikasi pola yang
menarik. Pola tersebut akan direpresentasikan dalam bentuk
pengetahuan berdasarkan beberapa pengukuran yang penting.
7. Presentasi Pengetahuan (Knowledge Presentation)
Pada
tahap
akhir,
pengetahuan
yang
diperoleh
kemudian dipresentasikan kepada pengguna.
Tahap 1 sampai dengan tahap 4 merupakan langkah awal dalam
pemrosesan data dimana data dipersiapkan terlebih dahulu sebelum
dilakukan penambangan. Pada tahap penambangan data, pengetahuan
dasar akan digunakan. Pola-pola menarik akan dipresentasikan kepada
pengguna dan akan disimpan sebagai pengetahuan baru. Penambangan
data merupakan proses penting untuk dapat menemukan pola-pola
tersembunyi yang nantinya akan dievaluasi.
2.2.3
Pengelompokan Penambangan Data
Penambangan data dibagi menjadi beberapa kelompok berdasarkan
tugas yang dapat dilakukan, sebagai berikut (Larose, 2005) :
a. Deskripsi
Data dapat diasosiasikan dengan pembagian kelas atau
konsep. Cara ini digunakan untuk menggambarkan pola dan
kecenderungan yang terdapat pada data.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
15
b. Asosiasi
Tugas asosiasi adalah menemukan atribut yang muncul
dalam satu waktu. Dalam dunia bisnis lebih umum disebut
analisis market basket.
c. Klasifikasi
Pada klasifikasi terdapat target atribut kategori yaitu
kelasnya
sudah
diketahui
dari awal.
Sebagai
contoh,
menentukan apakah suatu transaksi kartu kredit merupakan
transaksi yang curang atau bukan.
d. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali
atribut target lebih ke arah numerik daripada ke arah kategori.
Model
dibangun
menggunakan
record
lengkap
yang
menyediakan nilai dari atribut target sebagai nilai prediksi.
e. Prediksi
Prediksi hampir sama dengan klasifikasi dan estimasi,
namun dalam prediksi nilai dari hasil akan ada di masa
mendatang.
f. Pengklusteran
Pengklusteran merupakan pengelompokkan record,
pengamatan, atau memperhatikan dan membentuk kelas objekobjek yang memiliki kemiripan. Cluster adalah kumpulan
record yang memiliki kemiripan antara satu dengan yang
lainnya dan memiliki ketidakmiripan dengan record-record
dalam kluster lain.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
16
2.3
Klasifikasi
Klasifikasi adalah proses untuk menentukan model atau fungsi
yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan
untuk mendapatkan perkiraan kelas dari suatu objek yang labelnya tidak
diketahui. Model tersebut bisa berupa aturan “jika-maka”, pohon
keputusan, formula matematis atau neural network. Secara umum proses
klasifikasi dibagi menjadi dua fase : learning dan test. Pada fase learning,
sebagaian data yang telah diketahui kelas datanya digunakan untuk
membentuk model perkiraan. Sedangkan pada fase test, model yang sudah
terbentuk diuji dengan sebagian data lainnya untuk mengetahui akurasi
dari model tersebut. Bila akurasinya menjukupi model ini dapat dipakai
untuk memprediksi kelas data yang belum diketahui.
2.4
Pohon Keputusan
2.4.1
Definisi Pohon Keputusan
Pohon keputusan (decision tree) merupakan salah satu metode
klasifikasi yang paling populer karena mudah untuk diinterpretasikan.
Pohon keputusan adalah model prediksi menggunakan struktur pohon atau
struktur berhirarki. Contoh dari pohon keputusan dapat dilihat pada
Gambar 2.2. Pohon keputusan adalah struktur flowchart yang menyerupai
pohon (tree), dimana setiap percabangan menyatakan kondisi yang harus
dipenuhi dan tiap ujung pohon menyatakan kelas data. Pada pohon
keputusan setiap simpul daun menandai label kelas. Proses dalam pohon
keputusan yaitu mengubah bentuk data (tabel) menjadi model pohon (tree)
kemudian mengubah model pohon tersebut menjadi aturan (rule).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
17
Gambar 2. 2 Contoh Pohon Keputusan (Pramudiono, 2008)
2.4.2
Kelebihan Pohon Keputusan
Kelebihan dari metode pohon keputusan adalah sebagai berikut
(Faruz El Said, 2009) :
1. Daerah pengambilan keputusan yang sebelumnya kompleks dan
sangat global, dapat diubah menjadi lebih simpel dan spesifik.
2. Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena
ketika menggunakan metode pohon keputusan maka sample diuji
hanya berdasarkan kriteria atau kelas tertentu.
3. Fleksibel untuk memilih fitur dari internal node yang berbeda, fitur
yang terpilih akan membedakan suatu kriteria dibandingkan
kriteria yang lain dalam node yang sama. Secara fleksibel metode
pohon keputusan ini meningkatkan kualitas keputusan yang
dihasilkan
jika
dibandingkan
ketika
menggunakan
metode
penghitungan satu tahap yang lebih konvensional.
2.4.3
Kekurangan Pohon Keputusan
Kekurangan dari metode pohon keputusan adalah sebagai berikut :
1. Terjadi overlap terutama ketika kelas-kelas dan kriteria yang
digunakan jumlahnya sangat banyak. Hal tersebut juga dapat
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
18
menyebabkan meningkatnya waktu pengambilan keputusan
dan jumlah memori yang diperlukan.
2. Terjadi akumulasi jumlah error dari setiap tingkat dalam
sebuah pohon keputusan yang besar.
3. Kesulitan dalam mendesain pohon keputusan yang optimal.
4. Hasil kualitas keputusan yang didapatkan dari metode pohon
keputusan sangat tergantung pada bagaimana pohon tersebut
didesain.
2.4.4
Algoritma Pohon Keputusan
Banyak algoritma yang dipakai dalam pembentukan pohon
keputusan, antara lain ID3, C4.5, CART.
a. ID3
Salah satu algoritma decision tree adalah algoritma ID3
(Iterative Dichotomiser 3). ID3 pertama kali dikembangkan
oleh J.Ross Quinlan di University of Sydney. ID3 pertama kali
disajikan pada tahun 1975 dalam sebuah buku, Machine
Learning. ID3 didasarkan pada konsep Learning System (CLS)
algoritma (Hamilton, 2001).
Kelebihan algoritma ID3 adalah sebagai berikut :
1. Dapat membuat aturan prediksi yang mudah
dimengerti.
2. Mampu membangun pohon keputusan dengan
cepat.
3. Mampu
membangun
pohon
keputusan
yang
pendek.
4. Hanya membutuhkan beberapa tes atribut hingga
semua data diklasifikasikan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
19
Kekurangan algoritma ID3 adalah sebagai
berikut :
1. Jika contoh yang diteliti terlalu kecil / sederhana
mungkin membuat data over-classified.
2. Hanya satu atribut yang dapat dites dalam satu
waktu untuk membuat keputusan.
b. C4.5
Algoritma C4.5 adalah pengembangan dari ID3
(Iterative Dichotomiser 3) yang merupakan salah satu
algoritma pohon keputusan (Faruz El Said, 2009). Definisi
mengenai algoritma C4.5 selanjutnya akan dijelaskan pada
bagian 2.4.
c. CART
CART (Classification and Regression Tree) adalah
salah satu algoritma pohon keputusan. CART adalah sebuah
algoritma yang dapat menggambarkan hubungan antara varibel
respon (variabel dependen) dengan variabel prediktor (variabel
independen). Dalam CART setiap simpul dipecah menjadi 2
cabang. Menurut Breiman dkk (1993), bila variabel respon
berbentuk kontinu maka metode yang dipakai adalah metode
regression tree, sedangkan bila variabel respon memiliki skala
kategori
maka
metode
yang
dipakai
adalah
metode
classification tree.
Kelebihan algoritma ID3 adalah sebagai berikut :
1. Dapat melakukan komputasi dengan cepat.
2. Fleksibel dan memiliki dapat mengatur waktu
perhitungan.
Kekurangan algoritma ID3 adalah sebagai berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
20
1. Membagi hanya dengan satu variabel.
2. Memiliki pohon keputusan yang tidak stabil.
2.4
Algoritma C4.5
2.4.1
Definisi Algoritma C4.5
Algoritma C4.5 merupakan salah satu algoritma modern yang
digunakan untuk melakukan penambangan data. Dalam algoritma C4.5,
input berupa sampel training, label training dan atribut. Sampel training
berupa data contoh yang akan digunakan untuk membangun sebuah tree
yang telah diuji kebenarannya. Sedangkan atribut merupakan field-field
data yang nantinya akan digunakan sebagai parameter dalam melakukan
klasifikasi data.
Kelebihan algoritma C4.5 adalah sebagai berikut :
1. Mampu menangani atribut dengan tipe diskrit atau kontinu.
2. Mampu menangani atribut yang kosong (missing value)
3. Pembentukan model mudah dipahami.
4. Bisa memangkas cabang.
Kekurangan algoritma C4.5 adalah sebagai berikut :
1. Susah membaca data berjumlah besar.
Algoritma dasar C4.5 untuk membangun pohon keputusan adalah
sebagai berikut :
1. Memilih atribut sebagai akar (root).
2. Membuat cabang untuk masing-masing nilai.
3. Membagi kasus dalam cabang.
4. Mengulangi proses untuk masing-masing cabang sampai
semua kasus pada cabang memiliki kelas yang sama.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
21
Berikut adalah algoritma C4.5 (Mitchell, 1997) :
Algoritma C4.5
Input : sampel training, label training, atribut
 Buat simpul akar untuk pohon yang dibuat.
 Jika semua sampel positif, berhenti dengan suatu pohon
dengan satu simpul akar, beri label (+).
 Jika semua sampel negatif, berhenti dengan suatu
pohon dengan satu simpul akar, beri label (-).
 Jika atribut kosong, berhenti dengan suatu pohon
dengan satu simpul akar, dengan label sesuai dengan
nilai yang terbanyak yang ada pada label training.
 Untuk yang lain,
 Mulai :
o A  atribut yang mengklasifikasikan sampel
dengan hasil yang terbaik (berdasarkan gain
ratio).
o Atribut keputusan untuk simpul akar  A.
o Untuk setiap nilai, vi yang mungkin untuk A :
 Tambahkan cabang di bawah akar yang
berhubungan dengan A = vi.
 Tentukan sampel Svi sebagai subset dari
sampel yang mempunyai nilai vi untuk
atribut A.
 Jika sampel Svi kosong :
 Dibawah cabang tambahkan
simpul daun dengan label = nilai
yang terbanyak yang ada pada
label training.
 Yang lain, tambah cabang baru
dibawah cabang yang sekarang
C4.5 (sampel training, label
training, atribut-[A]).
 Berhenti
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
22
Sebelum memilih atribut sebagai akar, dilakukan perhitungan nilai
entropy yang dapat dilihat pada persamaan (2.1) (Craw, S).
....................................................(2.1)
Keterangan:
S
: Himpunan kasus
n
: Jumlah partisi S
pi
: Proporsi dari Si terhadap S
Untuk memilih atribut sebagai akar, didasarkan pada nilai gain
tertinggi dari atribut-atribut yang ada. Untuk menghitung gain digunakan
persamaan berikut seperti pada persamaan (2.2) (Craw, S).
............................(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
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
23
Untuk menghitung GainRatio perlu diketahui suatu term baru yang
disebut SplitInformation (pemisah informasi). SplitInformation dihitung
dengan persamaan sebagai berikut.
............................(2.3)
Dimana
sampai
adalah c subset yang dihasilkan dari
pemecahan dengan menggunakan atribut A yang mempunyai sebanyak c
nilai. Selanjutnya GainRatio dihitung dengan persamaan berikut.
............................(2.4)
2.5
K-Fold Cross Validation
Pada pendekatan ini, setiap data digunakan dalam jumlah yang
sama untuk pelatihan dan tepat satu kali untuk pengujian. Bentuk umum
pendekatan ini disebut dengan k-fold cross validation, yang memecah set
data menjadi k bagian set data dengan ukuran yang sama. Setiap kali
berjalan, satu pecahan berperan sebagai set data uji sedangkan pecahan
lainnya menjadi set data latih. Prosedur tersebut dilakukan sebanyak k kali
sehingga setiap data berkesempatan menjadi data uji tepat satu kali dan
menjadi data latih sebanyak k-1 kali. Total error didapatkan dengan
menjumlah semua error yang didapat dari k kali proses (Angga, 2014).
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
24
2.6
Confusion Matriks dan Akurasi
Confusion matriks merupakan tabel yang mencatat hasil kerja
klasifikasi. Contoh confusion matriks ditunjukkan dada tabel berikut :
Tabel 2. 1 Confusion Matriks untuk Kalasifikasi 2 Kelas
fij
Kelas Asli (i)
Kelas Hasil Prediksi (j)
Kelas = 1`
Kelas = 0
Kelas = 1`
f11
f10
Kelas = 0
f01
f00
Tabel 2.1 diatas merupakan contoh matrix confusion yang
melakukan klasifikasi masalah biner (dua kelas) untuk dua kelas, misalnya
kelas 0 dan 1. Setiap sel fij dalam matriks menyatakan jumlah record/data
dari kelas i yang hasil prediksinya masuk ke kelas j. Misalnya sel f11
adalah jumlah data dalam kelas 1 yang secara benar dipetakan ke kelas 1,
dan f10 adalah data dalam kelas 1 yang dipetakan secara salah ke kelas 0.
Berdasarkan isi confusion matriks, maka dapat diketahui jumlah
data dari masing-masing kelas yang diprediksi secara benar yaitu (f11 + f00)
dan data yang diklasifikasi secara salah yaitu (f10 + f01). Dengan
mengetahui jumlah data yang diklasifikasikan secara benar, maka dapat
diketahui akurasi hasil prediksi. Untuk menghitung akurasi digunakan
formula sebagai berikut (Prasetyo, 2014).
.......(2.5)
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
25
BAB III
METODOLOGI PENELITIAN
Pada bab ini dijelaskan mengenai data yang digunakan pada penelitian
tugas akhir serta proses sistem yang akan dilakuakan dalam mengklasifikasi
persalinan normal atau caesar dengan menggunakan algoritma C4.5.
3.1
Data
Data yang digunakan dalam penelitian ini adalah data pasien
persalinan yang diperoleh dari sebuah rumah sakit umum di Yogyakarta.
Data yang digunakan merupakan data pasien dari tahun 2010-2016. Data
tersebut berupa rekam medis pasien yang kemudian disalin ke dalam
sebuah file bertipe excel. Dari proses pengumpulan data, diperoleh jumlah
data sebanyak 315 data.
Data yang diperoleh terdiri dari : tahun masuk pasien, nomor rekam
medis, usia ibu, usia kandungan, berat badan, tinggi badan, hasil tes
laboratorium (hemoglobin, hematokrit, lekosit, trombosit, eritrosit,
glukosa, protein, dan HbsAG), pinggul sempit/tidak, hamil primi/tidak,
hamil tunggal/ganda, letak janin, presentasi janin, riwayat persalinan, ada
riwayat abortus/tidak, riwayat penyakit (diabetes, ginjal, hipertensi,
jantung, kanker, lain-lain), taksiran bobot bayi, ketuban pecah dini/tidak,
dan jenis persalinan (normal/caesar).
3.2
Proses Sistem
Masukkan sistem akan diproses menggunakan algoritma C4.5
dalam teori penambangan data. Alur sistem dan tahapan penelitian
dijabarkan dalam bentuk diagram blok seperti pada gambar 3.1 berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
26
Gambar 3. 1 Diagram Blok
3.2.1
Data Mentah
Dalam penelitian tugas akhir ini data yang digunakan adalah data
pasien persalinan dari sebuah rumah sakit umum di Yogyakarta. Untuk
mengidentifikasi jenis persalinan ibu hamil diukur dari ciri dan gejala
kehamilan, seperti usia, tinggi badan, ukuran pinggul, riwayat persalian,
dll. Selain ini juga perlu adanya hasil uji laboratorium, meliputi tes darah
saat mendekati persalinan serta tes glukosa dan protein. Atribut data
persalinan ditampilkan pada tabel 3.1 berikut :
Tabel 3. 1 Data Atribut
Nama Atribut
Keterangan
Nilai
No
Tahun
1
Nomor rekam medis
2
Atribut ini menyimpan
2010, 2011, 2012,
data tahun diagnosa
2013, 2014, 2015,
pasien.
2016
Atribut ini menyimpan
5642, 8731, dst
data nomor rekam medis
pasien.
Usia ibu
3
17, 18, 19, 20, dst
data usia ibu.
Usia kandungan
4
Atribut ini menyimpan
Atribut ini menyimpan
data usia kandungan
pasien saat persalinan.
37, 38, 39, 40 dst
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
27
Berat badan ibu
5
Atribut ini menyimpan
39, 40, 41, 42, dst
data berat badan pasien
sebelum persalinan.
Tinggi badan ibu
6
Hemoglobin
7
Atribut ini menyimpan
140, 142, 145, 148,
data tinggi badan pasien.
dst
Atribut ini menyimpan
Misal : 10.50,
11.40, 12, 70, dll
data hasil tes hemoglobin
pasien sebelum melakukan
persalinan.
Hematokrit
8
Atribut ini menyimpan
data hasil tes hemotokrit
Misal : 38.60,
31.50, 33.40, dll
pasien sebelum melakukan
persalinan.
Lekosit
9
Atribut ini menyimpan
data hasil tes lekosit
Misal : 10.72, 14.
80, 8.84, dll
pasien sebelum melakukan
persalinan.
Trombosit
10
Atribut ini menyimpan
data hasil tes trombosit
Misal : 206, 267,
230, dll
pasien sebelum melakukan
persalinan.
Eritrosit
11
Atribut ini menyimpan
data hasil tes eritrosit
Misal : 4.07, 3.65,
4.46, dll
pasien sebelum melakukan
persalinan
Glukosa
12
Atribut ini menyimpan
Positif, negatif,
data hasil tes glukosa
trace
pasien.
Protein
13
Atribut ini menyimpan
Positif, negatif,
data hasil tes protein
trace
pasien.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
28
HBsAG
14
Atribut ini menyimpan
Positif, negatif,
data hasil tes HbsAG
trace
pasien.
Pinggul sempit
15
Atribut ini menyimpan
Ya, tidak
data apakah ukuran
pinggul pasien sempit.
Hamil primi
16
Atribut ini menyimpan
Ya, tidak
data apakah kehamilan
pasien merupakan
kehamilan pertama.
Tunggal / ganda
17
Atribut ini menyimpan
Tunggal, ganda
data apakah jumlah janin
tunggal atau ganda.
Letak
18
Presentasi
19
Atribut ini menyimpan
Memanjang,
data posisi janin.
melintang
Atribut ini menyimpan
Kepala, bokong
data bagian tubuh mana
pada janin yang tampak
pertama kali saat proses
persalinan.
Riwayat partus
20
Atribut ini menyimpan
Spontan, SC, tidak
data riwayat persalinan
ada
yang dimiliki pasien.
21
Riwayat abortus /
Atribut ini menyimpan
curet
data apakah pasien ada
Ya, tidak
riwayat abortus / curet.
Diabetes
22
Atribut ini menyimpan
Ya, tidak
data apakah pasien
memiliki riwayat penyakit
diabetes.
Ginjal
23
Atribut ini menyimpan
data apakah pasien
Ya, tidak
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
29
memiliki riwayat penyakit
ginjal.
Hipertensi
24
Atribut ini menyimpan
Ya, tidak
data apakah pasien
memiliki riwayat penyakit
hipertensi.
Jantung
25
Atribut ini menyimpan
Ya, tidak
data apakah pasien
memiliki riwayat penyakit
jantung.
Kanker
26
Atribut ini menyimpan
Ya, tidak
data apakah pasien
memiliki riwayat penyakit
kanker.
Lain-lain
27
Atribut ini menyimpan
Ya, tidak
data apakah pasien
memiliki riwayat penyakit
lainnya.
Taksiran berat bayi
28
Atribut ini menyimpan
Misal : 1150, 2750,
data taksiran berat badan
3350, dll
bayi.
Ketuban pecah dini
29
Atribut ini menyimpan
Ya, tidak
data apakah ketuban pecah
dini.
Partus
30
Atribut ini menyimpan
Spontan, SC
data jenis persalinan.
Dari total data yang diperoleh sebanyak 315 data, terdapat 27 data
yang masing-masing tidak diketahui nilainya pada 10 atau lebih atribut,
sehinggga 27 data tersebut dihapus. Maka data yang akan digunakan pada
tahap selanjutnya sebanyak 288 data. Contoh data pasien persalian
ditampilkan pada tabel 3.2 berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
30
Tabel 3. 2 Contoh Data Pasien Persalinan
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
31
3.2.2
Transformasi Data
Pada tahap ini dilakukan pembuangan data yang tidak diperlukan
seperti data-data yang kurang relevan dalam penelitian. Dari data mentah
yang diperoleh, akan dilakukan penghapusan atribut tahun dan nomor
rekam medis karena dianggap tidak begitu berpengaruh sebagai variabel
penentu dalam melakukan klasifikasi. Maka atribut yang dihasilkan dari
proses seleksi adalah sebagai berikut :
a. Usia ibu
b. Usia kandunagn
c. Berat badan
d. Tinggi badan
e. Hemoglobin
f. Hematokrit
g. Lekosit
h. Trombosit
i. Eritrosit
j. Glukosa
k. Protein
l. HbsAG
m. Pinggul sempit
n. Hamil primi
o. Tunggal/ganda
p. Letak
q. Presentasi
r. Riwayat partus
s. Riwayat abortus/curret
t. Diabetes
u. Ginjal
v. Hipertensi
w. Jantung
x. Kanker
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
32
y. Lain-lain
z. Kisaran berat bayi
aa. Ketuban pecah dini
bb. Partus
Pada tahap selanjutnya dilakukan peringkasan data atau proses
pengubahan data mentah menjadi data yang mudah dikelola. Dari data
yang diperoleh, sebagian besar berupa angka yang beragam, sehingga
perlu dilakukan pengelompokkan data berdasarkan jangkauan tertentu.
Atribut yang berisi data numerik akan dikelompokkan sesuai identifikasi
dalam ilmu kesehatan. Dilakukan pengelompokan nilai atribut berdasar
sumber yang diperoleh dari beberapa website atau blog kesehatan sebagai
berikut
:
www.alodokter.com,
bidanku.com,
www.babyfluffy.com,
healthy.detik.com, www.kompasiana.com, dan ririnprabandarisilalahi.
blogspot.co.id.
Nilai atribut dari semua data yang digunakan, baik nilai atribut
yang dikelompokkan dalam nilai tertentu atau tidak dikelompokkan akan
diubah menjadi nilai 1, 2, 3. Perubahan data numerik dan non numerik
adalah sebagai berikut :
a. Usia ibu
i.
<20 atau >35  beresiko = 1
ii.
20-35  normal = 2
b. Usia kandungan
i.
<37 atau >42  beresiko = 1
ii.
37-42  normal = 2
c. Berat badan
i.
<55 atau >80  beresiko = 1
ii.
55-80  normal = 2
d. Tinggi badan
i.
<145  beresiko = 1
ii.
>=145  normal = 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
33
e. Hemoglobin
i.
<11.00 atau >15.00  beresiko = 1
ii.
11.00-15.00  normal = 2
f. Hematokrit
i.
<30.00 atau >46.00  beresiko = 1
ii.
30.00-46.00  normal = 2
g. Lekosit
i.
<10.00 atau >15.00  beresiko = 1
ii.
10.00-15.00  normal = 2
h. Trombosit
i.
<200 atau >400  beresiko = 1
ii.
200-400  normal = 2
i. Eritrosit
i.
<4.00 atau >5.50  beresiko = 1
ii.
4.00-5.50  normal = 2
j. Kisaran berat bayi
i.
<2500  beresiko = 1
ii.
2500-4000  normal = 2
iii.
>4000  obesitas = 3
k. Glukosa, protein, HbsAG
i.
Negatif = 1
ii.
Positif = 2
iii.
Trace = 3
l. Pinggul sempit, hamil primi, riwayat abortus, diabetes, ginjal,
hipertensi, jantung, kanker, lain-lain, ketuban pecah dini
i.
Tidak = 1
ii.
Ya = 2
m. Tunggal/ganda
i.
Ganda = 1
ii.
Tunggal = 2
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
34
n. Letak
i.
Melintang = 1
ii.
Memanjang = 2
o. Presentasi
i.
Bokong = 1
ii.
Kepala = 2
p. Riwayat partus
i.
SC = 1
ii.
Spontan = 2
iii.
Tidak ada = 3
q. Partus
i.
SC = 1
ii.
Spontan = 2
Pada tahap ini juga dilakukan pengisian data yang tidak diketahui
nilainya (missing value). Untuk setiap data yang tidak diketahui nilainya
akan diisi dengan nilai terbanyak dari setiap atribut. Contoh data yang
sudah melewati tahap transformasi ditampilkan pada tabel 3.3 berikut :
Tabel 3. 3 Contoh Data Setelah Tahap Transformasi
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
35
3.2.3
Data Testing dan Data Training
Pada tahap ini hasil dari penambangan data berupa pola khusus
yang akan dievaluasi atau diteliti lagi apakah hasilnya sudah sesuai atau
belum. Untuk mengetahui apakah sistem yang akan dibangun ini sudah
baik atau belum, maka perlu dilakukan pengujian sistem menggunakan
metode k-fold cross validation.
Pada penelitian ini pembagian data mengaju pada metode statifikasi
sampling, yaitu dengan membagi populasi menjadi beberapa lapisan yang
tidak saling tumpang tindih, sehingga lapisan yang terbentuk merupakan
sub populasi (Angga, 2007). Pada penelitian ini, populasi dibedakan dalam
2 kelas, yaitu SC dan spontan. Setelah data terbagi menjadi 2 kelas,
kemudian dilakukan pembagian ke dalam 7 bagian untuk setiap kelas
secara acak. Masing-masing kelompok akan menduduki posisi sebagai
data testing dan sebagai data training secara bergantian. Berikut adalah
contoh tabel pembagian data menggunakan 7-fold cross validation.
Tabel 3. 4 Pembagian 7-fold
Percobaan
Training
Testing
1
1, 2, 3, 4, 5, 6,
7
2
1, 2, 3, 4, 5, 7
6
3
1, 2, 3, 4, 6, 7
5
4
1, 2, 3, 5, 6, 7
4
5
1, 2, 3, 4, 6, 7
3
6
1, 3, 4, 5, 6, 7
2
7
2, 3, 4, 5, 6, 7
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
36
3.2.4
Pemodelan dengan Algoritma C4.5
Pada tahap ini dilakukan proses penambangan data dengan
algoritma C4.5. Data yang sudah melalui tahapan transformasi akan
dijadikan sebagai data training untuk proses pembentukan pohon
keputusan menggunakan algoritma C4.5. Proses pembentukan pohon
ditentukan dari perhitungan nilai Entopy, Gain, SplitInformation, dan
GainRatio untuk setiap atribut kemudian mencari nilai GainRatio tertinggi
yang akan menjadi simpul akar dari pohon. Proses pembentukan pohon
dilakukan secara rekursif hingga seluruh data memiliki kelas. Setelah
perhitungan selesai akan ditampilkan hasil pohon yang terbentuk.
Langkah pembentukan pohon keputusan dengan menggunkan
algoritma C4.5 dijelaskan secara lebih rinci dalam menyelesaikan
permasalahan pada data pasien persalinan seperti pada proses berikut :
1. Data yang digunakan pada pembentukan pohon keputusan
merupakan data pasien persalinan dengan atribut mencakup :
glukosa, protein, pinggul sempit, hamil primi, tunggal/ganda,
letak, presentasi, riwayat partus, dan ketuban pecah dini. Dari
data yang ada akan menghasilkan jenis persalinan (SC atau
spontan). Data yang digunakan ditampilkan pada tabel 3.5
berikut :
KEPALA
SPONTAN
YA
SPONTAN
NEGATIF
NEGATIF
TIDAK
YA
TUNGGAL
MEMANJANG
KEPALA
TIDAK ADA
TIDAK
SPONTAN
NEGATIF
NEGATIF
TIDAK
YA
TUNGGAL
MEMANJANG
KEPALA
TIDAK ADA
TIDAK
SPONTAN
NEGATIF
NEGATIF
TIDAK
YA
TUNGGAL
MEMANJANG
KEPALA
TIDAK ADA
YA
SPONTAN
NEGATIF
NEGATIF
TIDAK
YA
TUNGGAL
MEMANJANG
KEPALA
TIDAK ADA
TIDAK
SPONTAN
NEGATIF
NEGATIF
YA
YA
TUNGGAL
MEMANJANG
KEPALA
SPONTAN
YA
SC
PARTUS
KETUBAN PECAH
DINI (KPD)
MEMANJANG
RIWAYAT PARTUS
TUNGGAL
PRESENTASI
LETAK
TIDAK
HAMIL PRIMI
TIDAK
PINGGUL SEMPIT
(DKP)
NEGATIF
PROTEIN
POSITIF
GLUKOSA
TUNGGAL / GANDA
Tabel 3. 5 Contoh Data
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
37
NEGATIF
NEGATIF
TIDAK
TIDAK
TUNGGAL
MEMANJANG
BOKONG
SPONTAN
TIDAK
SC
NEGATIF
TRACE
TIDAK
YA
TUNGGAL
MEMANJANG
KEPALA
TIDAK ADA
TIDAK
SC
NEGATIF
NEGATIF
YA
YA
TUNGGAL
MEMANJANG
KEPALA
TIDAK ADA
TIDAK
SC
NEGATIF
NEGATIF
TIDAK
TIDAK
TUNGGAL
MELINTANG
KEPALA
SC
TIDAK
SC
NEGATIF
NEGATIF
TIDAK
TIDAK
GANDA
MEMANJANG
KEPALA
SPONTAN
TIDAK
SC
2. Menghitung setiap kejadian, Entropy, Gain, Split Info, dan
Gain Ratio untuk menentukan root. Perhitungan ditampilkan
pada tabel 3.6 berikut :
Tabel 3. 6 Perhitungan Root / Node 1
Kriteria
Total (S)
Glukosa
Jumlah SC Spontan
Entropy
Data (S1)
(S2)
11
Negatif
Positif
10
1
6
6
0
5
4
1
10
1
5
1
5
0
2
9
2
4
0
5
0
0,9911
Ya
Tidak
7
4
3
3
4
1
0,9852
0,8113
Hamil Primi
Tunggal /
Ganda
1
5
0
5
1
10
1
5
0
5
1
10
1
5
0
5
1
4
6
1
3
2
0
1
4
0,1933
0,1831 0,6840
0,2677
0,0721 0,9457
0,0762
0,0849 0,4395
0,1933
0,0849 0,4395
0,1933
0,0849 0,4395
0,1933
0,1981 1,3222
0,1499
0
1
Riwayat
Partus
SC
Spontan
Tidak Ada
0,0849 0,4395
0
1
Presentasi
Bokong
Kepala
0,2534
0
1
Letak
Melintang
Memanjang
0,1113 0,4395
1
0
Ya
Tidak
1
10
Gain
Ratio
0,9710
0
Pinggul
Sempit
Ganda
Tunggal
Split
Info
0,9940
Protein
Negatif
Trace
Gain
0
0,8113
0,9183
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
38
Ketuban
Pecah Dini
0,0495 0,8454
Ya
Tidak
3
8
1
5
2
3
0,0585
0,9183
0,9544
Dari hasil perhitungan pada tabel 3.6 diatas diperoleh nilai
GainRatio tertinggi adalah pinggul sempit yaitu sebesar 0.2677. dengan
Demilkian pinggul sempit terbentuk sebagai root dari pohon keputusan.
Pada atribut pinggul sempit ada dua nilai atribut, yaitu “ya” dan “tidak”.
Nilai atribut “ya” sudah mengklasifikasikan jenis persalinan SC, sehingga
tidak perlu dilakukan perhitungan lebih lanjut, tetapi untuk nilai atrbut
“tidak” masih perlu dilakukan perhitungan lebih lanjut.
Pohon
keputusan
yang
terbentuk
pada
perhitungan
root
ditampilkan pada gambar 3.2 berikut :
Gambar 3. 2 Pohon Keputusan Hasil Perhitungan Root / Node 1
3. Menghitung setiap kejadian, Entropy, Gain, Split Info, dan
Gain Ratio untuk menentukan node 2. Perhitungan untuk
mencari node 2 ditampilkan pada tabel 3.7 berikut :
Tabel 3. 7 Perhitungan Node 2
Jumlah SC
Data (S1)
Kriteria
Pinggul Sempit
Glukosa
Tidak
9
4
Spontan
Entropy
(S2)
5
Gain
Split
Info
Gain
Ratio
0,9911
0,1022 0,5033 0,2031
Negatif
Positif
8
1
4
0
4
1
1
0
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
39
Protein
0,1427 0,5033 0,2835
Negatif
Trace
8
1
5
1
3
0
0,9544
0
Hamil Primi
0,2294 0,9911 0,2315
Ya
Tidak
5
4
1
3
4
1
0,7219
0,8113
Tunggal / Ganda
0,1427 0,5033 0,2835
Ganda
Tunggal
1
8
1
3
0
5
0
0,9544
Letak
0,1427 0,5033 0,2835
Melintang
Memanjang
1
8
1
3
0
5
0
0,9544
Presentasi
0,1427 0,5033 0,2835
Bokong
Kepala
1
8
1
3
0
5
0
0,9544
Riwayat Partus
0,2839 1,3516 0,2100
SC
Spontan
Tidak Ada
1
3
5
1
2
1
0
1
4
0
0,9183
0,7219
Ketuban Pecah
Dini
0,2248 0,7642 0,2941
Ya
Tidak
2
7
0
4
2
3
0
0,9852
Dari hasil perhitungan pada tabel 3.7 diatas diperoleh nilai
GainRatio tertinggi adalah ketuban pecah dini yaitu sebesar 0.2941.
Dengan demilkian ketuban pecah dini terbentuk sebagai node 2 dari pohon
keputusan. Pada atribut pinggul sempit ada dua nilai atribut, yaitu “ya” dan
“tidak”. Nilai atribut “ya” sudah mengklasifikasikan jenis persalinan
spontan, sehingga tidak perlu dilakukan perhitungan lebih lanjut, tetapi
untuk nilai atrbut “tidak” masih perlu dilakukan perhitungan lebih lanjut.
Pohon keputusan yang terbentuk dari perhitungan node 2
ditampilkan pada gambar 3.3 berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
40
Gambar 3. 3 Pohon Keputusan Hasil Perhitungan Node 2
4. Menghitung setiap kejadian, Entropy, Gain, Split Info, dan
Gain Ratio untuk menentukan node 3. Perhitungan untuk
mencari node 3 ditampilkan pada tabel 3. 8 berikut :
Tabel 3. 8 Perhitungan Node 3
Kriteria
Ketuban Pecah Dini
Glukosa
Tidak
Jumlah
Data
SC
(S1)
7
4
Spontan
Entropy
(S2)
3
7
0
4
0
3
0
Negatif
Trace
6
1
3
1
3
0
1
0
Ya
Tidak
4
3
1
3
3
0
0,8113
0
Hamil Primi
Tunggal / Ganda
1
6
1
3
0
3
1
6
1
3
0
3
0
0
0,1281 0,5917
0,2165
0,5216 0,9852
0,5295
0,1281 0,5917
0,2165
0,1281 0,5917
0,2165
0,1281 0,5917
0,2165
0
1
Letak
Melintang
Memanjang
Gain
Ratio
0,9852
0
Protein
Ganda
Tunggal
Split
Info
0,9852
0
Negatif
Positif
Presentasi
Gain
0
1
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
41
Bokong
Kepala
1
6
1
3
0
3
0
1
Riwayat Partus
0,5216 1,3788
SC
Spontan
Tidak Ada
1
2
4
1
2
1
0
0
3
0
0
0,8113
Dari hasil perhitungan pada tabel 3.8 diatas diperoleh nilai
GainRatio tertinggi adalah hamil primi yaitu sebesar 0.5295. Dengan
demilkian hamil primi terbentuk sebagai node 3 dari pohon keputusan.
Pada atribut pinggul sempit ada dua nilai atribut, yaitu “ya” dan “tidak”.
Nilai atribut “tidak” sudah mengklasifikasikan jenis persalinan SC,
sehingga tidak perlu dilakukan perhitungan lebih lanjut, tetapi untuk nilai
atrbut “ya” masih perlu dilakukan perhitungan lebih lanjut.
Pohon keputusan yang terbentuk dari perhitungan node 3
ditampilkan pada gambar 3.4 berikut :
Gambar 3. 4 Pohon Keputusan Hasil Perhitungan Node 3
0,3783
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
42
5. Menghitung setiap kejadian, Entropy, Gain, Split Info, dan
Gain Ratio untuk menentukan node 4. Perhitungan untuk
mencari node 4 ditampilkan pada tabel 3.9 berikut :
Tabel 3. 9 Perhitungan Node 4
Kriteria
Hamil Primi
Glukosa
Ya
Jumlah
Data
4
SC Spontan
(S1)
(S2)
1
Entropy
Gain
4
0
1
0
3
1
0
1
3
0
0
4
0
1
0
4
0
1
0
4
0
1
0
0
4
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
3 0,811278
Riwayat
Partus
SC
Spontan
Tidak Ada
1
0
0
3 0,811278
Presentasi
Bokong
Kepala
0,8113 0,8113
0
0
3 0,811278
Letak
Melintang
Memanjang
0
0
0
Tunggal /
Ganda
Ganda
Tunggal
0
3 0,811278
0
0
Protein
Negatif
Trace
Gain
Ratio
3 0,811278
0
Negatif
Positif
Split
Info
0
0
0
0
3 0,811278
Dari hasil perhitungan pada Tabel 3.9 diatas diperoleh nilai
GainRatio tertinggi adalah protein yaitu sebesar 1. Dengan demilkian
protein terbentuk sebagai node 4 dari pohon keputusan. Pada atribut
pinggul sempit ada dua nilai atribut, yaitu “negatif” dan “trace”. Nilai
atribut “trace” sudah mengklasifikasikan jenis persalinan SC, sedangkan
atribut “negatif” juga sudah mengklasifikasikan jenis persalinan spontan,
sehingga tidak perlu dilakukan perhitungan lebih lanjut.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
43
Pohon keputusan yang terbentuk dari perhitungan node 4
ditampilkan pada gambar 3.5 berikut :
Gambar 3. 5 Pohon Keputusan Hasil Perhitungan Node 4
Dengam memperhatikan pohon keputusan pada gambar 3.5
diketahui bahwa semua kasus masuk dalam kelas. Dengan demikian,
pohon keputusan pada gambar 3.5 merupakan pohon terakhir yang
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
44
terbentuk sehingga merupakan pohon keputusan yang utuh dari
perhitungan kasus ini.
3.2.5
Pengujian Akurasi
Pengujian akurasi dilakukan untuk mengetahui tingkat keakuratan
dari proses klasifikasi. Akurasi merupakan presentase data yang
terklasifikasi dengan benar. Nilai akurasi dapat dihitung dengan
menjumlahkan data yang terklasifikasi dengan benar kemudian dibagi
dengan jumlah total data yang ada dan dikali 100%.
3.2.6
Pengujian Data Tunggal
Pada tahap ini dilakukan pengujian dengan pola klasifikasi yang
telah terbentuk. Dalam pengujian data tunggal mengunakan data masukan
yang akan diuji berdasarkan data training yang telah ada. Sehingga dapat
menampilkan hasil prediksi untuk data uji yang telah dimasukkan.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB IV
IMPLEMENTASI SISTEM DAN ANALISA HASIL
Pada bab ini dijelaskan mengenai hal-hal yang berkaitan dengan
implementasi perangkat lunak yang dibuat serta hasil luaran sistem yang diperoleh
dari proses pengolahan data dan pengujian yang dilakukan.
4.1
Implementasi Sistem
4.1.1
Implementasi Source Code
4.1.1.1 Preprocessing Data
Proses transformasi data dilakukan saat data mentah diambil dari
direktori penyimpanan. Data mentah yang dapat diolah adalah file data
dengan format .xlxs. Data yang melalui tahap trasformasi adalah semua
nilai atribut baik bertipe string atau numerik. Potongan source code proses
trasformasi data ditampilkan sebagai berikut :
for i=2:x
for j=1:y
kolom =j;
switch kolom
case num2cell([1:9,26])
v=cell2mat(raw(2:end,kolom));
if kolom==1
x = find(v<20 | v>35);
v(x) = zeros(size(x));
x = find(20<=v & v<=35);
v(x) = ones(size(x));
newData(1:end-1,kolom)=v;
elseif kolom==2
x = find(v<37 | v>42);
v(x) = zeros(size(x));
x = find(37<=v & v<=42);
v(x) = ones(size(x));
newData(1:end-1,kolom)=v;
elseif kolom==3
x = find(v<55 | v>80);
v(x) = zeros(size(x));
x = find(55<=v & v<=80);
v(x) = ones(size(x));
newData(1:end-1,kolom)=v;
45
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
46
%
elseif kolom==4
x = find(v<145);
v(x) = zeros(size(x));
x = find(v>=145);
v(x) = ones(size(x));
newData(1:end-1,kolom)=v;
elseif kolom==5
x = find(v<11.00 | v>15.00);
v(x) = zeros(size(x));
x = find(11.00<=v & v<=15.00);
v(x) = ones(size(x));
newData(1:end-1,kolom)=v;
elseif kolom==6
x = find(v<30.00 | v>46.00);
v(x) = zeros(size(x));
x = find(30.00<=v & v<=46.00);
v(x) = ones(size(x));
newData(1:end-1,kolom)=v;
elseif kolom==7
x = find(v<10.00 | v>15.00);
v(x) = zeros(size(x));
x = find(10.00<=v & v<=15.00);
v(x) = ones(size(x));
newData(1:end-1,kolom)=v;
elseif kolom==8
x = find(v<200 | v>400);
v(x) = zeros(size(x));
x = find(200<=v & v<=400);
v(x) = ones(size(x));
newData(1:end-1,kolom)=v;
elseif kolom==9
x = find(v<4.00 | v>5.50);
v(x) = zeros(size(x));
x = find(4.00<=v & v<=5.50);
v(x) = ones(size(x));
newData(1:end-1,kolom)=v;
elseif kolom==26
x = find(v<2500);
v(x) = zeros(size(x));
x = find(2500<=v & v<=4000);
v(x) = ones(size(x));
x = find(v>4000);
v(x) = 2*ones(size(x));
newData(1:end-1,kolom)=v;
end
case adalah kolom
case num2cell (10:12)
if (strcmp(colum10to12(i,1), 'NEGATIF'))
kelas = 0;
elseif (strcmp(colum10to12(i,1),
'POSITIF'))
kelas = 1;
elseif (strcmp(colum10to12(i,1),
'TRACE'))
kelas = 2;
else
kelas = 0;
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
47
%
memasukkan data ke matrix baru
newData(i-1,j) = kelas;
case num2cell
([13,14,19,20,21,22,23,24,25,27])
if (strcmp(colum131419to2527(i,1),
'TIDAK'))
kelas = 0;
elseif (strcmp(colum131419to2527(i,1),
'YA'))
kelas = 1;
else
kelas = 0;
end
newData(i-1,j) = kelas;
case 15
if (strcmp(columl5(i,1), 'GANDA'))
kelas = 0;
elseif (strcmp(columl5(i,1), 'TUNGGAL'))
kelas = 1;
else
kelas = 0;
end
newData(i-1,j) = kelas;
case 16
if (strcmp(colum16(i,1), 'MELINTANG'))
kelas = 0;
elseif (strcmp(colum16(i,1),
'MEMANJANG'))
kelas = 1;
else
kelas = 0;
end
newData(i-1,j) = kelas;
case 17
if (strcmp(colum17(i,1), 'BOKONG'))
kelas = 0;
elseif (strcmp(colum17(i,1), 'KEPALA'))
kelas = 1;
else
kelas = 0;
end
newData(i-1,j) = kelas;
case 18
if (strcmp(colum18(i,1), 'SC'))
kelas = 0;
elseif (strcmp(colum18(i,1), 'SPONTAN'))
kelas = 1;
elseif (strcmp(colum18(i,1), 'TIDAK
ADA'))
kelas = 2;
else
kelas = 0;
end
newData(i-1,j) = kelas;
case 28
if (strcmp(colum28(i,1), 'SC'))
kelas = 1;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
48
elseif (strcmp(colum28(i,1), 'SPONTAN'))
kelas = 2;
else
kelas = 0;
end
newData(i-1,j) = kelas;
menampilkan data kontinu
otherwise
v = raw{i,j};
if isnan(v)
newData(i-1,j) = 0;
else
newData(i-1,j) = (v);
end
%
end
end
end
Data yang telah ditransformasi, nilainya akan dinaikan 1 level. Hal
ini dilakukan untuk menghilangkan nilai atribut 0 (nol) pada data.
Potongan source code untuk menaikan data yang telah ditransformasi
ditampilkan sebagai berikut :
[r c] = size(dataTransformasi);
dataTransformasi =
dataTransformasi+ones(size(dataTransformasi));
dataTransformasi(:,end) = dataTransformasi(:,end)-1;
Sebelum proses klasifikasi data, tahap pembersihan data dilakukan
pada data yang memiliki missing value. Nilai yang kosong diisi dengan
nilai terbanyak dari tiap atribut. Potongan source code untuk mengisi data
missing value ditampilkan sebagai berikut :
[r c] = find(isnan(dataTransformasi));
for i=c'
attrVec = dataTransformasi(:,i);
c1 = find(isnan(attrVec));
%
mencari nilai terbanyak dari setiap atribut
modus = mode(attrVec);
attrVec(c1) = modus*ones(size(c1));
dataTransformasi(:,i) = attrVec;
end
Data yang telah melalui tahap transformasi dan pembersihan data
akan disimpan dalam file dengan format .mat untuk mempermudah
pemanggilan data dalam proses klasifikasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
49
4.1.1.2 Klasifikasi Data
Sebelum menjalankan algoritma c4.5, perlu dilakukan pembagian
data menggunakan k-fold validation. Data penelitian akan dibagi menjadi
data training dan data testing. Potongan source code k-fold validation
ditampilkan sebagai berikut :
% memisahkan data dengan label
[n,m] = size(dataKlasifikasi);
label = dataKlasifikasi(:,m);
% mencari banyak jenis kelas dalam label
isiLabel = numel(unique(label));
% membuat cell baru yang belum isi
kelas = cell(1,isiLabel);
% perulangan sebanyak 'fold' kali untuk mengelompokkan
data berdasarkan label i(1 2) kedalam kelas i(1 2)
for i = 1:isiLabel
kelas{i} = dataKlasifikasi(find(label==i),:);
end
% membuat cell kosong berdasarkan jumlah k dan fold
kelasBagi = cell(k,isiLabel);
for i = 1:isiLabel
%
melihat jumlah data untuk setiap kelas yang sudah
tersimpan dalam cell kelas
ndata = size(kelas{i},1);
%
menghitung hasil bagi jika data dibagi sebanyak k
bagian
x = floor(ndata/k);
%
menghitung sisa dari jumlah data jika dibagi
sebanyak k bagian
yUntuk
= mod(ndata,k);
melakukan klasifikasi, langkah pertama yang dilakukan
n = 1:x;
j = 1:k dataset dari proses preprocessing data yang telah
adalah for
memanggil
if y
disimpan
dalam filejika
dengan
format .mat.
%
memiliki
sisa Dalam membagi data dengan kn = [n n(end)+1];
fold
% validation
mengambil data sebanyak n+1
%
mengurangi nilai y
y = y-1;
end
%
mengambil data sebanyak n
kelasBagi{j,i} = kelas{i}(n,:);
%
n = nilai n yang paling akhir ditambah 1 sampai
nilai n ditambah nilai x
n = n(end)+1:n(end)+x;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
50
end
end
% membuat cell baru
newdata = cell(1,k);
% melakukan perulangan untuk menjumlahkan data yang sudah
tersimpan pada kelasBagi sesuai dengan indeks cell (baris
1 dijumlahkan, baris 2 dijumlahkan, baris 3 dijumlahkan)
sehingga terbentuk cell yang baru
for i = 1:k
for j = 1:isiLabel
newdata{i} = [newdata{i};kelasBagi{i,j}];
end
end
% membuat cell baru untuk menyimpan data training dan
data testing
dTraining = cell(k,1);
dTesting = cell(k,1);
for i = 1:k
disp(i);
for j = setdiff(1:k,i)
%
mengambil data yang tidak ada didata tersebut
dTraining{i} = [dTraining{i};newdata{j}];
end
dTesting{i} = newdata{i};
end
Dalam melakukan klasifikasi dengan algoritma c4.5, membentuk
pohon perlu dilakukan dengan perhitungan pada setiap atribut untuk
mendapatkan nilai gain ratio terbaik. Nilai tersebut terbentuk melalui
perhitungan
entropy,
gain
dan
split
information.
Untuk
lebih
mempermudah proses perhitungan, dilakukan percarian nilai frekuensi
tabel terlebih dahulu dari setiap kemungkinan nilai atribut dan kelas.
Potongan source code perhitungan frekuensi tabel ditampilkan sebagai
berikut :
nattr = size(obj.data,2)-1;
attrs = cell(nattr,1);
for i=1:nattr
attrs{i} = unique(obj.data(:,i));
end
class = unique(obj.data(:,end));
t = cell(nattr+1,1);
for i=1:nattr
t{i} = zeros(numel(attrs{i}),numel(class));
end
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
51
t{end} = zeros(1,numel(class));
% menghitung banyaknya data dari tiap kelas
indexKelas = 1;
for i = class'
t{end}(indexKelas) = numel(find(obj.data(:,end)==i));
indexKelas = indexKelas+1;
end
for i=1:nattr
%indeksNilaiAtribut=1;
for j=1:numel(attrs{i})
%indexKelas=1;
for k=1:numel(class)
% a adalah index dari data yang kelasnya==k
a = find(obj.data(:,end)==class(k));
% b adalah data dengan kelas k
b = obj.data(a,:);
% c adalah indeks dari data b yang atribut i nya
bernilai j
c = find(b(:,i)==attrs{i}(j));
t{i}(j,k)=numel(c);
end
end
end
Langkah selanjutnya adalah menghitung nilai entropy himpunan
kasus setiap nilai atribut. Potongan source code perhitungan entropy
ditampilkan sebagai berikut :
function e = entropy(obj, attrNo, attrVal)
e = 0;
switch nargin
case 1
tot = sum(obj.freqTable{end});
for i = 1:size(obj.freqTable{end},2)
prob = obj.freqTable{end}(i)/tot;
e = e-(prob*log2(prob));
end
case 3
x = obj.freqTable{attrNo};
tot = sum(x,2);
for i=1:size(x,2)
prob = x(attrVal,i)/tot(attrVal);
e = e-(prob*log2(prob));
end
case 2
x = obj.freqTable{attrNo};
e = zeros(size(x,1),1);
tot = sum(x,2);
for i=1:size(x,1)
e(i) = 0;
for j=1:size(x,2)
prob = x(i,j)/tot(i);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
52
if ~prob
continue
else
e(i) = e(i)-(prob*log2(prob));
end
end
end
end
end
Setelah didapat nilai entropy, maka dilakukan perhitungan gain
dengan cara nilai entropy semua data terhadap komposisi kelas dikurangi
entropy kondisi kelas pada setiap nilai atribut. Potongan source code
perhitungan gain ditampilkan sebagai berikut :
function g = gain(obj,attrNo)
if nargin==2
entTotal = entropy(obj);
t = obj.freqTable{attrNo};
sums = sum(t,2);
e = entropy(obj,attrNo);
x = (sums.*e)/obj.totalData;
g = entTotal-sum(x);
elseif nargin==1
entTotal = entropy(obj);
g = zeros(obj.numAttr,1);
for i=1:obj.numAttr
t = obj.freqTable{i};
sums = sum(t,2);
e = entropy(obj,i);
x = (sums.*e)/obj.totalData;
g(i) = entTotal-sum(x);
end
end
end
Selanjutnya menghitung nilai split information seperti pada
potongan source code berikut :
function sp = splitInfo(obj,attrNo)
if nargin==2
t = obj.freqTable{attrNo};
s = sum(t,2);
s = s/obj.totalData;
s = s.*log2(s);
sp = -sum(s);
elseif nargin==1
sp = zeros(obj.numAttr,1);
for i = 1:obj.numAttr
t = obj.freqTable{i};
s = sum(t,2);
s = s/obj.totalData;
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
53
s = s.*log2(s);
sp(i) = -sum(s);
end
end
end
Pencarian nilai gain ratio terbaik didapat dari nilai gain dibagi split
information untuk setiap nilai atribut. Potongan source code perhitungan
gain ratio ditampilkan sebagai berikut :
function gr = gainRatio(obj, attrNo)
if nargin==2
gr = gain(obj,attrNo)/splitInfo(obj,attrNo);
if isnan(gr);gr=0;end
elseif nargin==1
gr = gain(obj)./splitInfo(obj);
x = find(isnan(gr));
gr(x) = zeros(size(x));
end
end
Hal pertama yang dilakukan dalam membuat node adalah
menyiapkan cabang terlebih dahulu. Lalu mencari nilai atribut terbaik pada
saat itu yang lebih kecil dari nilai pemisah terbaik, cabang kiri untuk
cabang yang memiliki nilai lebih kecil sedangkan cabang kanan untuk
cabang yang memiliki nilai yang lebih besar. Pembentukan node baru
dilakukan dengan mengulangi mencari gain ratio terbaik. Potongan source
code pembentukan cabang ditampilkan sebagai berikut :
function populate(obj)
gr = obj.gainRatio();
[maxGain, index] = max(gr);
try
obj.currentAttr = obj.attrNames{index};
catch e
save('obj.mat','obj');
end
tf = obj.freqTable{index};
[attrVal, cls] = find(tf==0);
obj.children = cell(size(tf,1),1);
x = find(obj.entropy(index)==0);
if ~isempty(x)
for i=x'
y = find(tf(i,:)~=0);
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
54
if numel(y)==1
obj.children{i}=obj.className{y(1)};
else
error('hai hai, harusnya nggak error');
end
end
y = complement(1:size(tf,1),attrVal);
else
y = 1:size(tf,1);
end
for i=y
newcols = (1:obj.numAttr+1)~=index;
newrows = obj.data(:,index)==i;
newdata = obj.data(newrows,newcols);
if size(newdata,2)==2 %&&
length(unique(newdata(:,1)))==1
obj.children{i}=
obj.className{mode(newdata(:,end))};
else
newobj =
c45(newdata,obj.className,obj.attrNames(newcols));
obj.children{i} = newobj;
newobj.parent = obj;
newobj.populate();
end
end
end
Untuk membentuk suatu aturan (rule) digunakan fungsi flatten tree
yang berguna untuk mengubah bentuk tree menjadi baris. Potongan source
code fungsi flatten tree ditampilkan sebagai berikut :
function a = flattenTree(root)
% fungsi untuk mengubah bentuk tree menjadi bentuk baris
% menampilkan node dengan proses cetak-kiri-kanan
a = {root};
for i = 1:numel(root.children)
c = root.children{i};
if isa(c,'char')
a{end+1} = c;
elseif isa(c,'c45')
a = [a, flattenTree(c)];
end
end
end
Aturan (rule) yang terbentuk akan ditampilkan pada halaman
command window. Untuk mempermudah dalam membaca, disisipkan
beberapa kata untuk melengkapi aturan tersebut. Aturan yang terbentuk
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
55
akan disimpan dalam file dengan format .mat. Potongan source code untuk
menampilkan rule pada command window ditampilkan sebagai berikut :
function s = showrule(c45)
list = flattenTree(c45);
s = cell(size(list,2),1);
for j = 1:numel(list)
c = list{j};
if isa(c,'char')
a = sprintf('%d %s',j,c);
else
a = sprintf('%d if %s is ',j,c.currentAttr);
for i = 1:numel(c.children)
a = [a sprintf('%d then node %d
',i,preorderSearch(list,c.children{i}))];
if i<numel(c.children)
a = [a sprintf(' elseif %s is
',c.currentAttr)];
end
end
end
s{j} = a;
end
end
4.1.1.3 Pengujian Akurasi
Untuk mengetahui tingkat keakuratan sistem, dilakukan pencarian
nilai akurasi dengan menjumlahkan data yang terklasifikasi dengan benar
kemudian dibagi dengan jumlah total data yang ada dan dikali 100%. Hasil
perhitungan nilai akurasi akan dibulatkan. Potongan source code untuk
menghitung nilai akurasi ditampilkan sebagai berikut :
tempconf = confusionmat(hasil,labeltest{i});
conf = conf+tempconf;
acc(i) = trace(tempconf)/sum(sum(tempconf));
conf
accTotal = mean(acc)
%menampilkan hasil isiAkurasi
set(handles.isiAkurasi,'String',num2str(accTotal*100,'%.2
f'));
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
56
4.1.2
Implementasi User Interface
Untuk mempermudah dalam melakukan klasifikasi pada penelitian
ini dibuat user interface. User interface dibuat untuk membantu dalam
melakukan trasformasi data sehingga dapat menampilkan hasil klasifikasi
berupa tree, nilai akurasi, serta dapat melakukan pengujian data tunggal.
Tampilan user interface secara keseluruhan ditunjukkan pada
gambar 4.1 berikut :
Gambar 4. 1 Halaman Utama
Menu tabel data digunakan untuk mengambil file data yang akan
diolah melalui tombol “Browse”, kemudian menampilkan data mentah
pada tabel “Sebelum Trasnformasi” dan data yang sudah melalui tahap
transformasi pada tabel “Setelah Transformasi”, serta menampilkan jumlah
data. Detail tampilan panel tabel data yang telah berisi data yang akan
diproses, ditunjukkan pada gambar 4.2 berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
57
Gambar 4. 2 Menu Tabel Data
Menu
klasifikasi
digunakan
untuk
menjalankan
proses
penambangan data dengan algoritma C4.5 dan menampilkan tingkat
keakuratan sistem. Tampilan menu klasifikasi yang telah menghasilkan
nilai akurasi ditunjukkan pada gambar 4.3 berikut :
Gambar 4. 3 Menu Klasifikasi
Menu tree berisi tombol untuk menampillan rule yang terbentuk
dari proses penambangan data dengan algoritma C4.5. Rule yang terbentuk
akan dejelaskan pada bagian 4.2. Tampilan menu tree dapat dilihat pada
gambar 4.4 berikut :
Gambar 4. 4 Menu Tree
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
58
Menu uji data tungal digunakan untuk melakukan pengujian
terhadap suatu data. Setelah data uji dimasukkan akan menghasilkan
keluaran berupa kelas hasil prediksi, yaitu SC atau spontan. Implementasi
menu uji data tunggal dapat dilihat pada gambar 4.5 berikut :
Gambar 4. 5 Menu Uji Data Tunggal
4.2
Hasil dan Analisa
Klasifikasi persalinan normal atau caesar menggunakan teknik
penambangan data dengan algoritma c4.5 menghasilkan rule yang
ditampilkan sebagai berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
59
'1 if PINGGUL SEMPIT (DKP) is 1 then node 2 elseif PINGGUL SEMPIT (DKP)
is 2 then node 139 '
'2 if TAKSIRAN BERAT BAYI is 1 then node 3 elseif TAKSIRAN BERAT BAYI is
2 then node 10 elseif TAKSIRAN BERAT BAYI is 3 then node 4 '
'3 if LETAK is 1 then node 4 elseif LETAK is 2 then node 5 '
'4 SC'
'5 if TROMBOSIT (PLT) is 1 then node 6 elseif TROMBOSIT (PLT) is 2 then
node 7 '
'6 if BB is 1 then node 7 elseif BB is 2 then node 4 '
'7 SPONTAN'
'8 SC'
'9 SPONTAN'
'10 if LETAK is 1 then node 4 elseif LETAK is 2 then node 12 '
'11 SC'
'12 if TUNGGAL / GANDA is 1 then node 4 elseif TUNGGAL / GANDA is 2
then node 14 '
'13 SC'
'14 if RIWAYAT PARTUS is 1 then node 15 elseif RIWAYAT PARTUS is 2
then node 22 elseif RIWAYAT PARTUS is 3 then node 82 '
'15 if BB is 1 then node 16 elseif BB is 2 then node 4 '
'16 if USIA IBU is 1 then node 17 elseif USIA IBU is 2 then node 4 '
'17 if HEMOGLOBIN (HGB) is 1 then node 4 elseif HEMOGLOBIN (HGB) is 2
then node 7 '
'18 SC'
'19 SPONTAN'
'20 SC'
'21 SC'
'22 if GLUKOSA is 1 then node 23 elseif GLUKOSA is 2 then node 7 elseif
GLUKOSA is 3 then node 4 '
'23 if TB is 1 then node 4 elseif TB is 2 then node 25 '
'24 SC'
'25 if PRESENTASI is 1 then node 4 elseif PRESENTASI is 2 then node 27 '
'26 SC'
'27 if USIA IBU is 1 then node 28 elseif USIA IBU is 2 then node 40 '
'28 if USIA KANDUNGAN is 1 then node 4 elseif USIA KANDUNGAN is 2
then node 30 '
'29 SC'
'30 if HEMOGLOBIN (HGB) is 1 then node 4 elseif HEMOGLOBIN (HGB) is 2
then node 32 '
'31 SC'
'32 if BB is 1 then node 33 elseif BB is 2 then node 36 '
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
60
'33 if ERITROSIT (RBC) is 1 then node 7 elseif ERITROSIT (RBC) is 2 then
node 4 '
'34 SPONTAN'
'35 SC'
'36 if ERITROSIT (RBC) is 1 then node 4 elseif ERITROSIT (RBC) is 2 then
node 38 '
'37 SC'
'38 if HEMATOKRIT (HCT) is 1 then node 39 '
'39 if LEKOSIT (WBC) is '
'40 if LEKOSIT (WBC) is 1 then node 41 elseif LEKOSIT (WBC) is 2 then
node 67 '
'41 if HEMOGLOBIN (HGB) is 1 then node 42 elseif HEMOGLOBIN (HGB) is
2 then node 54 '
'42 if TROMBOSIT (PLT) is 1 then node 7 elseif TROMBOSIT (PLT) is 2 then
node 44 '
'43 SPONTAN'
'44 if BB is 1 then node 4 elseif BB is 2 then node 46 '
'45 SC'
'46 if USIA KANDUNGAN is 1 then node 47 elseif USIA KANDUNGAN is 2
then node 50 '
'47 if ERITROSIT (RBC) is 1 then node 4 elseif ERITROSIT (RBC) is 2 then
node 7 '
'48 SC'
'49 SPONTAN'
'50 if ERITROSIT (RBC) is 1 then node 51 elseif ERITROSIT (RBC) is 2 then
node 4 '
'51 if HEMATOKRIT (HCT) is 1 then node 52 '
'52 if PROTEIN is '
'53 SC'
'54 if BB is 1 then node 7 elseif BB is 2 then node 56 '
'55 SPONTAN'
'56 if USIA KANDUNGAN is 1 then node 7 elseif USIA KANDUNGAN is 2
then node 58 '
'57 SPONTAN'
'58 if TROMBOSIT (PLT) is 1 then node 59 elseif TROMBOSIT (PLT) is 2
then node 63 '
'59 if ERITROSIT (RBC) is 1 then node 60 elseif ERITROSIT (RBC) is 2 then
node 7 '
'60 if HEMATOKRIT (HCT) is 1 then node 61 '
'61 if PROTEIN is '
'62 SPONTAN'
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
61
'63 if ERITROSIT (RBC) is 1 then node 7 elseif ERITROSIT (RBC) is 2 then
node 65 '
'64 SPONTAN'
'65 if HEMATOKRIT (HCT) is 1 then node 66 '
'66 if PROTEIN is '
'67 if HEMOGLOBIN (HGB) is 1 then node 4 elseif HEMOGLOBIN (HGB) is 2
then node 69 '
'68 SC'
'69 if TROMBOSIT (PLT) is 1 then node 4 elseif TROMBOSIT (PLT) is 2 then
node 71 '
'70 SC'
'71 if ERITROSIT (RBC) is 1 then node 7 elseif ERITROSIT (RBC) is 2 then
node 73 '
'72 SPONTAN'
'73 if USIA KANDUNGAN is 1 then node 74 elseif USIA KANDUNGAN is 2
then node 76 '
'74 if BB is 1 then node 75 '
'75 if HEMATOKRIT (HCT) is '
'76 if BB is 1 then node 77 elseif BB is 2 then node 4 '
'77 if HEMATOKRIT (HCT) is 1 then node 78 '
'78 if PROTEIN is '
'79 SC'
'80 SPONTAN'
'81 SC'
'82 if GLUKOSA is 1 then node 83 elseif GLUKOSA is 2 then node 4 elseif
GLUKOSA is 3 then node 7 '
'83 if HEMOGLOBIN (HGB) is 1 then node 84 elseif HEMOGLOBIN (HGB) is
2 then node 95 '
'84 if USIA KANDUNGAN is 1 then node 7 elseif USIA KANDUNGAN is 2
then node 86 '
'85 SPONTAN'
'86 if HEMATOKRIT (HCT) is 1 then node 87 elseif HEMATOKRIT (HCT) is 2
then node 93 '
'87 if LEKOSIT (WBC) is 1 then node 4 elseif LEKOSIT (WBC) is 2 then node
89 '
'88 SC'
'89 if TROMBOSIT (PLT) is 1 then node 90 elseif TROMBOSIT (PLT) is 2
then node 7 '
'90 if USIA IBU is 1 then node 91 '
'91 if BB is '
'92 SPONTAN'
'93 if TB is 1 then node 94 '
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
62
'94 if USIA IBU is '
'95 if ERITROSIT (RBC) is 1 then node 96 elseif ERITROSIT (RBC) is 2 then
node 107 '
'96 if LEKOSIT (WBC) is 1 then node 4 elseif LEKOSIT (WBC) is 2 then node
98 '
'97 SC'
'98 if BB is 1 then node 4 elseif BB is 2 then node 100 '
'99 SC'
'100 if TROMBOSIT (PLT) is 1 then node 101 elseif TROMBOSIT (PLT) is 2
then node 103 '
'101 if USIA IBU is 1 then node 102 '
'102 if USIA KANDUNGAN is '
'103 if USIA KANDUNGAN is 1 then node 104 elseif USIA KANDUNGAN is
2 then node 4 '
'104 if USIA IBU is 1 then node 105 '
'105 if TB is '
'106 SC'
'107 if PRESENTASI is 1 then node 7 elseif PRESENTASI is 2 then node 109 '
'108 SPONTAN'
'109 if BB is 1 then node 110 elseif BB is 2 then node 114 '
'110 if LEKOSIT (WBC) is 1 then node 111 elseif LEKOSIT (WBC) is 2 then
node 4 '
'111 if USIA IBU is 1 then node 112 '
'112 if USIA KANDUNGAN is '
'113 SC'
'114 if USIA KANDUNGAN is 1 then node 115 elseif USIA KANDUNGAN is
2 then node 119 '
'115 if LEKOSIT (WBC) is 1 then node 116 elseif LEKOSIT (WBC) is 2 then
node 4 '
'116 if USIA IBU is 1 then node 117 '
'117 if TB is '
'118 SC'
'119 if TROMBOSIT (PLT) is 1 then node 120 elseif TROMBOSIT (PLT) is 2
then node 128 '
'120 if LEKOSIT (WBC) is 1 then node 121 elseif LEKOSIT (WBC) is 2 then
node 7 '
'121 if USIA IBU is 1 then node 4 elseif USIA IBU is 2 then node 123 '
'122 SC'
'123 if TB is 1 then node 4 elseif TB is 2 then node 125 '
'124 SC'
'125 if HEMATOKRIT (HCT) is 1 then node 126 '
'126 if PROTEIN is '
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
63
'127 SPONTAN'
'128 if USIA IBU is 1 then node 129 elseif USIA IBU is 2 then node 132 '
'129 if LEKOSIT (WBC) is 1 then node 7 elseif LEKOSIT (WBC) is 2 then
node 4 '
'130 SPONTAN'
'131 SC'
'132 if LEKOSIT (WBC) is 1 then node 133 elseif LEKOSIT (WBC) is 2 then
node 7 '
'133 if TB is 1 then node 134 '
'134 if HEMATOKRIT (HCT) is '
'135 SPONTAN'
'136 SC'
'137 SPONTAN'
'138 SC'
'139 if ERITROSIT (RBC) is 1 then node 140 elseif ERITROSIT (RBC) is 2 then
node 4 '
'140 if RIWAYAT PARTUS is 1 then node 4 elseif RIWAYAT PARTUS is 2
then node 4 elseif RIWAYAT PARTUS is 3 then node 143 '
'141 SC'
'142 SC'
'143 if HEMOGLOBIN (HGB) is 1 then node 4 elseif HEMOGLOBIN (HGB) is
2 then node 145 '
'144 SC'
'145 if TROMBOSIT (PLT) is 1 then node 4 elseif TROMBOSIT (PLT) is 2
then node 147 '
'146 SC'
'147 if USIA IBU is 1 then node 148 '
'148 if USIA KANDUNGAN is '
'149 SC'
Berdasarkan hasil diatas, setiap rule yang terbentuk akan
menghasilkan kelas yaitu SPONTAN’ atau ‘SC’. Selain rule juga
diperoleh node dari hasil tersebut. Dapat dilihat bahwa node yang
terbentuk sebanyak 149. Dari jumlah tersebut masih terdapat beberapa
node yang mengalami perhentian proses atau tidak memiliki cabang
selanjutkan dikarenakan data yang tersedia telah habis. Hal ini terjadi pada
node 39, 52, 61, 66, 75, 78, 91, 94, 102, 105, 112, 117, 126, 134, dan 148.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
64
Hal tersebut biasa terjadi pada kasus yang tree nya memiliki banyak
cabang.
Node yang terbentuk dapat dilihat secara lebih detail dalam sebuah
tree yang ditampilkan pada gambar 4.6 berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
65
Gambar 4. 6 Tree
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
66
Pada
penelitian
ini
dilakukan
beberapa
pengujian
untuk
mendapatkan nilai akurasi terbaik. Berdasarkan hasil pengujian yang
dilakukan
dalam
mengklasifikasi
persalinan
normal
atau
caesar
menggunakan algoritma C4.5, dihasilkan nilai akurasi yang terbentuk dari
perhitungan menggunakan metode k-fold validation. Setelah dilakukan
percobaan terhadap 6 jenis metode k-fold validation, dihasilkan tingkat
akurasi seperti tabel 4.1 berikut :
Tabel 4. 1 Hasil Akurasi
K-Fold
Akurasi
2
69.44 %
3
67.71 %
4
71.66 %
5
71.59 %
6
71.29 %
7
72.00 %
Tabel diatas menampilkan perbedaan hasil akurasi dari percobaan
yang dilakukan berdasarkan k-fold validation. Perbedaan hasil akurasi
secara rinci dapat dilihat pada grafik berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
67
Akurasi
73
72
71
70
69
68
67
66
65
2-fold
3-fold
4-fold
5-fold
6-fold
7-fold
Gambar 4. 7 Grafik Akurasi
Dari tabel 4.1 dan gambar 4.7 yang telah ditampilkan diatas, dapat
dilihat bahwa tingkat akurasi terbaik pada saat menggunakan 7-fold yaitu
sebesar 72.00 %. Untuk menghasilkan nilai akurasi tersebut, dilakukan
perhitungan confution matriks terlebih dahulu. Nilai confution matriks
yang diperoleh adalah sebagai berikut :
Confution matriks = 123
32
49
84
Maka, perhitungan akurasinya :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
68
4.3
Pengujian Data
Setelah mengetahui tingkat keakuratan sistem dengan menghitung nilai akurasi, selanjutnya dilakukan pengujian terhadap
data persalinan. Data pengujian yang digunakan merupakan data pasien persalinan yang dipilih secara acak sebanyak 8 data.
Pengujian data dilakukan dengan tujuian untuk membandingkan hasil jenis persalinan yang terjadi dengan prediksi sistem. Data
yang digunakan untuk melakukan pengujian ditampilkan pada tabel 4.2 berikut :
Tabel 4. 2 Perbandingan Pengujian Data
Dari pengujian yang dilakukan, dapat dilihat pada tabel 4.2 bahwa dari 8 data yang diuji terdapat 1 data yang hasil prediksi
sistemnya berbeda dengan jenis persalinan yang terjadi. Hal ini menunjukkan bahwa tidak menutup kemungkinan ada
ketidaksesuaian antara sumber data dengan hasil proses klasifikasi.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
BAB V
KESIMPULAN DAN SARAN
Pada bab ini dijelaskan mengenai kesimpulan yang dapat diambil dari hasil
yang diperoleh dalam melakukan penelitian tugas akhir dan saran untuk
pengembangan perangkat lunak yang akan datang.
5.1
Kesimpulan
Berdasarkan hasil penelitian yang telah dilakukan menggunakan
penambangan data algoritma C4.5 untuk mengklasifikasi persalinan
normal atau caesar, dapat diambil kesimpulan sebagai berikut :
1. Penambangan data untuk mengklasifikasi persalinan normal atau
caesar dapat diimplementasikan dengan baik menggunakan
algoritma C4.5.
2. Pengujian yang dilakukan terhadap 288 data menggunakan 7-fold
cross validation menghasilkan tingkat keakuratan sebesar 72.00 %.
Nilai keakuratan tersebut dapat dikatakan cukup untuk digunakan
dalam memprediksi jenis persalinan.
5.2
Saran
Saran yang dapat diberikan untuk mengembangkan penelitian yang
akan datang adalah :
1. Program dapat menerima masukan tidak hanya file bertipe .xlsx
saja, tapi juga diharapkan dapat menerima file bertipe lain.
2. Program mampu menerima masukan dengan jumlah atribut yang
bervariasi dan dapat memilih atribut yang ingin digunakan.
69
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
DAFTAR PUSTAKA
Away, Gunaidi Abdia. 2014. The Shorcut of Matlab Programing Edisi Revisi.
Bandung: Informatika.
Berlinawati, Santi. 2015. Lebih Baik Mana, Melahirkan Secara Normal Atau
Caesar?. Sumber: http://kawaiibeautyjapan.com/article/958/melahirkannormal-atau-caesar. [Diakses tanggal: 20 November 2015].
Devisi Penulis. 2016. Kenali Pertambahan Berat Badan Ibu Hamil yang Normal
Disini.
http://www.alodokter.com/kenali-pertambahan-berat-badan-ibu-
hamil-yang-normal-di-sini. [Diakses tanggal: 11 Agustus 2016].
Faruz El Said. 2009. Data Mining – Konsep Pohon Keputusan. Sumber:
https://fairuzelsaid.wordpress.com/2009/11/24/data-mining-konsep-pohonkeputusan/. [Diakses tanggal: 15 November 2015]
Han, Jiawie and Micheline Kamber. 2006. Data Mining : Consepts and Tehnique
Second Edition. New York: Morgan Kaufman.
Han, Jiawie and Micheline Kamber. 2012. Data Mining : Consepts and Tehnique
Third Edition. New York: Morgan Kaufman.
Handayanto, Rahmadya Trias dan Herlawati. 2015. Pemrograman Basis Data di
Matlab dengan MySQL dan Microsoft Access. Bandung: Informatika.
Hermawati, Fajar Astuti. 2013. Data Mining. Yogyakarta: Andi.
Konhavi, Ron, Ross Quinlan. 1999. Decision Tree Discovery. Sydney Australia.
Kusrini dan Emha Taufiq Luthfi. 2009. Algoritma Data Mining.
Andi.
70
Yogyakarta:
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
71
Prabandari,
Ririn.
2013.
Pemeriksaan
Darah
Rutin.
http://ririnprabandarisilalahi.blogspot.co.id/2013/02/pemeriksaan-darahrutin.html. [Diakses tanggal: 11 Agustus 2016].
Prasetyo, Eko. 2014. Data Mining Mengolah Data Menjadi Informasi
Menggunakan Matlab. Yogyakarta: Andi.
Quinlan, J.R. 1996. Improved Use of Continuous Attributes in C4.5. Sydney
Australia.
Revina,
Pevi.
2016.
Berat
Badan
Ideal
Selama
Kehamilan.
http://bidanku.com/berat-badan-ideal-selama-kehamilan. [Diakses tanggal:
11 Agustus 2016].
Rochjati, Poedji. 2003. Skrining Antenatal pada Ibu Hamil. Surabaya.
Santosa, Budi. 2007. Data Mining Teknik Pemanfaatan Data untuk Keperluan
Bisnis. Yogyakarta: Graha Ilmu.
Sari, Diah Sartika Sari. 2010. Persalinan Normal vs Operasi Caesar? Pahami,
Pilih, dan Tentukan dari Sekarang. Sumber:
http://www.kemangmedicalcare.com/kmc-tips/tips-dewasa/1019persalinan-normal-vs-operasi-caesar-pahami-pilih-dan-tentukan-darisekarang.html. [Diakses tanggal: 20 November 2015].
Sarifudin,
Iip.
2012.
Perkembangan
Janin
Trimester
Kedua.
http://www.babyfluffy.com/index.php/news-fluffy-baju-bayi-branded/50perkembangan-janin-trimester-kedua.html. [Diakses tanggal: 11 Agustus
2016].
Septian,
Birda
Ariyadi.
2015.
DATA
MINING.
Sumber
:
http://dokumen.tips/documents/data-mining-55a0c323c3fb9.html. [Diakses
tanggal: 15 November 2015].
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
72
Sukmasari, Radian Nyi. 2014. Ibi Berat Badan Bayi yang Normal Saat Lahir.
http://health.detik.com/read/2014/04/11/184551/2552810/1300/ini-beratbadan-bayi-yang-normal-saat-lahir. [Diakses tanggal: 11 Agustus 2016].
Susanti, Erni. 2013. 4 Jenis Persalinan yang Aman Dilakukan. Sumber:
http://tips-sehat-keluarga-bunda.blogspot.co.id/2013/11/4-jenis-persalinanyang-aman-dilakukan.html. [Diakses tanggal: 29 November 2015].
Tari, Romana. 2015. Ibu Hamil Diperiksa Tinggi Badan dan Lingkar Lengan Kiri
Atas,
Untuk
Apa?
http://www.kompasiana.com/bidancare/ibu-hamil-
diperiksa-tinggi-badan-dan-lingkar-lengan-kiri-atas-untukapa_552c472e6ea83426418b4596. [Diakses tanggal: 11 Agustus 2016].
Widodo, Prabowo Pudjo, Rahmadya Trias Handayanto dan Herlawati. 2013.
Penerapan Data Mining dengan Matlab. Bandung: Rekayasa Sains.
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
LAMPIRAN I
73
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
74
A. Data Penelitian
Data pasien persalinan yang diolah dalam penelitian tugas akhir ditampilkan pada tabel berikut :
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
75
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
76
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
77
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
78
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
79
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
80
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
81
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
82
PLAGIAT MERUPAKAN TINDAKAN TIDAK TERPUJI
83