laporan tugas akhir - Universitas Dian Nuswantoro

LAPORAN TUGAS AKHIR
IMPLEMENTASI DATA MINING UNTUK IDENTIFIKASI
POLA PENYAKIT ISPA DENGAN MENGGUNAKAN
ALGORITMA APRIORI (Studi Kasus Di UPTD Puskesmas Bae
Kabupaten Kudus)
Disusun Oleh:
Nama
:
Abdul Mustakim
NIM
:
A12.2011.04457
Program Studi
:
Sistem Informasi - S1
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2015
i
LAPORAN TUGAS AKHIR
IMPLEMENTASI DATA MINING UNTUK IDENTIFIKASI
POLA PENYAKIT ISPA DENGAN MENGGUNAKAN
ALGORITMA APRIORI (Studi Kasus Di UPTD Puskesmas Bae
Kabupaten Kudus)
Laporan ini disusun guna memenuhi salah satu syarat untuk menyelesaikan
program studi Sistem Informasi S-1 pada Fakultas Ilmu Komputer
Universitas Dian Nuswantoro
Disusun Oleh:
Nama
:
Abdul Mustakim
NIM
:
A12.2011.04457
Program Studi
:
Sistem Informasi - S1
HALAMAN JUDUL
FAKULTAS ILMU KOMPUTER
UNIVERSITAS DIAN NUSWANTORO
SEMARANG
2015
ii
PERSETUJUAN PROPOSAL TUGAS AKHIR
NB: Halaman ini tidak perlu dihapus dan dicetak
Silakan download halaman ini di siadin setelah ujian
iii
PERSETUJUAN LAPORAN TUGAS AKHIR
NB: Halaman ini tidak perlu dihapus dan dicetak
Silakan download halaman ini di siadin setelah ujian
iv
PENGESAHAN DEWAN PENGUJI
NB: Halaman ini tidak perlu dihapus dan dicetak
Silakan download halaman ini di siadin setelah ujian
v
PERNYATAAN KEASLIAN TUGAS AKHIR
NB: Halaman ini tidak perlu dihapus dan dicetak
Silakan download halaman ini di siadin setelah ujian
vi
PERNYATAANPERSETUJUAN PUBLIKASI KARYA ILMIAH
UNTUK KEPENTINGAN AKADEMIS
NB: Halaman ini tidak perlu dihapus dan dicetak
Silakan download halaman ini di siadin setelah ujian
vii
UCAPAN TERIMAKASIH
{tuliskan ucapan terimakasih anda disini}
Semarang, {Februari} {tanggal}
Penulis
viii
*ABSTRAK/RINGKASAN
Dalam bidang kesehatan, ketersediaan data rekam medis sudah bukan lagi hal
yang sulit diperoleh, namun sering kali data ini hanya diperlakukan sebagai
rekaman tanpa pengolahan lebih lanjut, sehingga tidak mempunyai nilai guna
lebih untuk keperluan masa mendatang. Berdasarkan rekap data rekam medis
tahun 2013 menunjukkan penyakit ISPA menjadi penyakit paling banyak dialami
oleh pengunjung UPTD Puskemas Bae, diperlukan solusi serta penanganan
khusus untuk menangani masalah tersebut. Seperti mencari informasi mengenai
pola penyakit tersebut, misalnya seberapa kuat hubungan persentase antara jenis
kelamin, umur, alamat terhadap bulan periksa. Suatu teknologi yang dapat
digunakan dalam pencarian pola atau hubungan asosiasi dari data yang bersekala
besar adalah data mining association rule dengan algoritma apriori. Hasil
pemrosesan data mining tersebut diharapkan dapat membantu mengetahui pola
penyebaran penyakit ISPA dan menggunakannya sebagai referensi untuk
melakukan sosialisasi atau penyuluhan mengenai gejala, bahaya serta dampak dari
penyakit Ispa sehingga dapat dilakukan pencegahan lebih awal.
Kata kunci : Data Mining, Association Rule, Algoritma Apriori, Pola Penyakit
ISPA, Puskesmas Bae.
ix
x
ABSTRACT
In the health sector, availability of medical records are no longer things that are
difficult to obtain, but often this data is only treated as a recording without further
processing so it does not have to be important value in the future. Based on recap
medical records of 2013 show Acute Respiratory Infections (ARI) become most
illnesses experienced by visitors UPTD Puskemas Bae, required special handling
solutions as well as to address the problem, such as find the information about the
pattern of the disease, such as how strong the relationship between the percentage
of sex, age, address of the month check. A technology that can be used in
searching pattern or relationship associations from large scale data is data mining
association rule with apriori algorithm. The results of data mining processing is
expected to help in determine the spread of Acute Respiratory Infections (ARI)
and use it as a reference in socializing or counseling about the symptoms, dangers
and impact of disease prevention ARI so it can be done earlier.
Keywords
: Data Mining, Association Rule, Algorithm Apriori, Pattern Acute
Respiratory Infections, Puskemas Bae.
DAFTAR ISI
Halaman Judul ........................................................................................................ ii
Persetujuan Proposal Tugas Akhir ......................................................................... iii
Persetujuan Laporan Tugas Akhir ......................................................................... iv
Pengesahan Dewan Penguji .................................................................................... v
Pernyataan Keaslian Tugas Akhir ........................................................................ viv
Pernyataan Persetujuan Publikasi Karya IlmiahUntuk Kepentingan Akademis .... v
Ucapan Terimakasih .............................................................................................. vi
*Abstrak/Ringkasan .............................................................................................. vii
Abstract ................................................................................................................. vx
Daftar Isi ................................................................................................................ xi
Daftar Gambar....................................................................................................... xv
Daftar Tabel ......................................................................................................... xvi
Bab 1 Pendahuluan ................................................................................................. 1
1.1
Latar Belakang Masalah .............................................................................. 1
1.2
Rumusan Masalah ....................................................................................... 2
1.3
Batasan Masalah .......................................................................................... 2
1.4
Tujuan Penelitian ........................................................................................ 3
1.5
Manfaat Penelitian ...................................................................................... 3
Bab 2 TINJAUAN PUSTAKA ............................................................................... 5
2.1
Tinjauan Pustaka ......................................................................................... 5
2.2
Data Mining ................................................................................................ 6
2.2.1
Tahapan Proses Data Mining ............................................................ 7
2.2.2
Teknik-Teknik Data Mining ............................................................. 8
xi
xii
2.3
Algoritma Apriori...................................................................................... 11
2.4
Metode Pengembangan Sistem ................ 1Error! Bookmark not defined.
2.5
Analisa Sistem ........................................................................................... 15
2.6
2.7
2.5.1
Pengertian Analisa Sistem .............................................................. 15
2.5.2
Tahap-tahap Analisis Sistem........................................................... 16
2.5.3
Alat Bantu Analisis Sistem ............................................................. 17
Perancangan Sistem .................................................................................. 18
2.6.1
Pengertian Perancangan Sistem ...................................................... 18
2.6.1
Alat Bantu Perancangan Sistem ...................................................... 19
2.6.3
Kamus Data (Data Dictionary) ....................................................... 22
PHP ........................................................................................................... 22
2.7.1
Pengertian PHP ............................................................................... 22
2.7.2
Cara Kerja PHP ............................................................................... 23
Bab 3 METODE PENELITIAN ........................................................................... 24
3.1
Objek Penelitian ........................................................................................ 24
3.2
Sumber Data .............................................................................................. 24
3.3
Metode Pengumpulan Data ....................................................................... 24
3.4
Metode Analisis ........................................................................................ 25
3.5
Metode Pengembangan Sistem ................................................................. 26
Bab 4 HASIL DAN PEMBAHASAN .................................................................. 28
4.1
4.2
Hasil Penelitian ........................................................................................ 28
4.1.1
Mencari Atribut Pola Penyakit ISPA .............................................. 28
4.1.2
Algoritm Apriori ............................................................................. 29
Pengembangan Dan Analisa Sistem.......................................................... 39
4.2.1
Flow Chart Diagram ....................................................................... 39
xiii
4.2.2
Pemodelan Fungsi ........................................................................... 40
4.2.3
Perancangan Database..................................................................... 42
4.2.3.1 Tabel Periksa............................................................................ 42
4.2.3.2 Tabel t_1_item_set_max ............................................................ 43
4.2.3.3 Tabel t_1_item_set_min ........................................................... 43
4.2.3.4 Tabel t_2_item_set_max ............................................................ 44
4.2.3.5 Tabel t_2_item_set_min ........................................................... 44
4.2.3.6 Tabel t_3_item_set_max ........................................................... 45
4.2.3.7 Tabel t_3_item_set_min ............................................................ 45
4.2.3.8 Tabel t_4_item_set_min ........................................................... 46
4.2.3.9 Tabel t_4_item_set_max ........................................................... 46
4.2.4
Kamus Data .................................................................................... 47
4.2.5
Perancangan Aplikasi ...................................................................... 49
4.2.5.1 Halaman Utama……………………………………………… 49
4.2.5.2 Halaman Tampil Data Hasil Import Excel ke Database ........... 50
4.2.5.3 Halaman Hasil Proses Data Mining .......................................... 50
4.2.5.4
4.2.6
Halaman Lihat Perhitungan Data Mining ................................ 51
Pembahasan dan implementasi ....................................................... 51
4.2.6.1 Data Rekam Medis Puskesmas Tahun 2013…………………...51
4.2.6.2 Tampilan Halaman Utama …………………………...……… 52
4.2.6.3 Tampilan Hasil Import Data Excel ke Database …………...…..53
4.2.6.4 Tampilan Hasil Proses Data Mining …………………..............53
4.2.6.4 Tampilan Halaman Perhitungan …………………....................54
4.2.7
Pemeliharaan ................................................................................... 55
Bab 5 PENUTUP .................................................................................................. 57
xiv
5.1
Simpulan ................................................................................................... 57
5.2
Saran .......................................................................................................... 58
DAFTAR PUSTAKA ........................................................................................... 59
DAFTAR GAMBAR
Gambar 2.1 Bidang Ilmu Data Mining .................................................................. 6
Gambar 2.1 Tahap-Tahap Data Mining ................................................................. 7
Gambar 2.3 Model Waterfall ............................................................................... 14
Gambar 4.1 Flow Chart Proses ............................................................................ 39
Gambar 4.2 Context Diagram .............................................................................. 40
Gambar 4.3 DFD Level-0 .................................................................................... 41
Gambar 4.4 Halaman Depan ................................................................................ 49
Gambar 4.5 Halaman Tampil Data Hasil Import Excel ke Database .................. 50
Gambar 4.6 Halaman Hasil Proses Data Mining ................................................. 50
Gambar 4.7 Halaman Lihat Perhitungan Data Mining ........................................ 51
Gambar 4.8 Data Rekam Medis Puskesmas Tahun 2013 .................................... 52
Gambar 4.9 Tampilan Halaman Utama ............................................................... 52
Gambar 4.10 Tampilan Hasil Import Data Excel ke Database5Error! Bookmark
not defined.
Gambar 4.11 Tampilan Hasil Proses Data Mining ............................................... 53
Gambar 4.12 Tampilan Perhitungan Iterasi 1 ....................................................... 54
Gambar 4.13 Tampilan Perhitungan Iterasi 2 ...................................................... 54
Gambar 4.14 Tampilan Perhitungan Iterasi 3 ...................................................... 55
Gambar 4.15 Tampilan Perhitungan Iterasi 4 ...................................................... 55
xv
xvi
DAFTAR TABEL
Tabel 2.1 Penelitian Terkait .................................................................................... 4
Tabel 2.2 Simbol/Notasi Flowchart ...................................................................... 17
Tabel 2.3 Simbol-simbol Konteks Diagram ......................................................... 20
Tabel 2.4 S Simbol-simbol ERD .......................................................................... 21
Tabel 2.5 Simbol pada kamus data ....................................................................... 22
Tabel 4.1 Kategori Pasien ..................................................................................... 28
Tabel 4.2 Transaksi Rekam Medis........................................................................ 31
Tabel 4.3 Transaksi Dalam Bentuk Tabular ......................................................... 32
Tabel 4.4 Kandidat Pertama (C1) ......................................................................... 33
Tabel 4.5 Hasil pertama (L1) ................................................................................ 34
Tabel 4.6 Kandidat Kedua (C2) ............................................................................ 35
Tabel 4.7 Hasil Iterasi Kedua ............................................................................... 36
Tabel 4.8 Kandidat Ketiga (C3) ............................................................................ 36
Tabel 4.9 Hasil Iterasi Ketiga ............................................................................... 37
Tabel 4.10 Kandidat Keempat (C4) ...................................................................... 38
Tabel 4.11 Hasil Iterasi Keempat (L4) ................................................................. 38
Tabel 4.12 Hasil Support dan Confidence ............................................................ 38
Tabel 4.13 atribut tbl_periksa ............................................................................... 43
Tabel 4.14 atribut t_1_item_set_max.................................................................... 43
Tabel 4.15 atribut t_1_item_set_min .................................................................... 43
Tabel 4.16 atribut t_2_item_set_max.................................................................... 44
Tabel 4.17 atribut t_2_item_set_max.................................................................... 44
xvii
Tabel 4.18 atribut t_3_item_set_max.................................................................... 45
Tabel 4.19 atribut t_3_item_set_min .................................................................... 45
Tabel 4.20 atribut t_4_item_set_min .................................................................... 46
Tabel 4.21 atribut t_4_item_set_min ................................................................... 46
Tabel 4.22 Kamus data tabel tbl_periksa .............................................................. 47
Tabel 4.23 Kamus data t_1_item_set_ min ........................................................... 47
Tabel 4.24 Kamus data t_1_item_set_ max .......................................................... 47
Tabel 4.25 Kamus data t_ 2_item_set_ min .......................................................... 48
Tabel 4.26 Kamus data t_ 2_item_set_ max ......................................................... 48
Tabel 4.27 Kamus data t_ 3_item_set_ min .......................................................... 48
Tabel 4.28 Kamus data t_ 3_item_set_ max ......................................................... 48
Tabel 4.29 Kamus data t_4_item_set_ min ........................................................... 49
Tabel 4.30 Kamus data t_4_item_set_ max .......................................................... 49
Tabel 4.31 Tabel Hasil Perhitungan ...................................................................... 56
BAB 1
PENDAHULUAN
1.1
Latar Belakang Masalah
Dalam bidang kesehatan ketersediaan data rekam medis sudah bukan lagi hal yang
sulit diperoleh, namun data ini seringkali diperlakukan hanya sebagai rekaman
tanpa pengolahan lebih lanjut sehingga tidak mempunyai nilai guna lebih untuk
keperluan masa mendatang.
Analisa dari tiap koleksi data rekam medis tersebut akan menghasilkan
pengetahuan atau informasi, misalnya berupa pola penyakit atau hubungan
asosiasi yang terjadi pada data, UPTD Puskesmas Bae Kabupaten Kudus yang
menjadi objek penelitian dari penulis mempunyai wacana untuk meningkatkan
kualitas pelayanan kesehatan, salah satu masalah yang sering dialami adalah
kurang tepatnya dalam hal pengambilan keputusan pengadaan obat yang berakibat
tidak terpenuhinya persediaan obat bagi pasien.
Berdasarkan rekap data rekam medis UPTD Puskesmas Bae tahun 2013
menunjukan penyakit Infeksi Saluran Pernafasan Akut (ISPA) menjadi penyakit
paling banyak dialami oleh masyarakat. Diperlukan solusi dan penanganan khusus
untuk menangani masalah tersebut. Salah satunya yaitu mencari informasi
mengenai pola penyakit tersebut, misalnya seberapa kuat hubungan persentase
antara jenis kelamin, umur, alamat terhadap bulan periksa bagi yang terdiagnosa
terkena penyakit Ispa. Dengan mengetahui pola penyakit Ispa pada masyarakat
maka pihak UPTD Puskemas Bae mempunyai referensi untuk melakukan
sosialisasi atau penyuluhan mengenai gejala, bahaya serta dampak dari penyakit
Ispa sehingga dapat dilakukan pencegahan lebih awal.
Suatu teknologi yang dapat digunakan dalam pencarian pola atau hubungan
asosiasi dari data yang bersekala besar adalah data mining. Data mining adalah
analisis otomatis dari data yang berjumlah besar atau kompleks dengan tujuan
1
2
untuk menemukan pola atau kecenderungan yang penting yang biasanya tidak
didasari keberadaanya[1].
Metode yang seringkali digunakan dalam teknologi data mining adalah metode
asosiasi atau association rule. Association rule merupakan suatu prosedur untuk
mencari hubungan antar item dalam suatu data set yang ditentukan[5]. Salah satu
algoritma yang dapat digunakan untuk menemukan associan rule adalah algoritma
apriori, Algoritma ini ditujukan untuk mencari kombinasi item-set yang
mempunyai suatu nilai keseringan tertentu sesuai kriteria atau filter yang
diinginkan. Hasil dari algoritma ini dapat digunakan untuk membantu dalam
pengambilan keputusan pihak manajemen.
1.2
Rumusan Masalah
Mengacu pada latar belakang diatas, maka permasalahan dalam penelitian ini
adalah bagaimana membuat suatu aplikasi untuk menghasilkan informasi yang
berguna untuk menemukan pola penyebaran penyakit ISPA yang terdiagnosa di
UPTD Puskesmas Bae dengan teknik Data Mining Association Rule
menggunakan Algoritma Apriori
1.3
Batasan Masalah
Agar penelitian lebih fokus dan tidak meluas dari pembahasan yang dimaksud,
dalam penelitian ini penulis membatasinya pada ruang lingkup penelitian sebagai
berikut pada:
1.
Membuat aplikasi untuk membantu pencarian pola penyakit Ispa dengan
teknik Data Mining Association Rule menggunakan Algoritma Apriori.
2.
Pengambilan data pada laporan rekam medis di UPTD Puskemas Bae tahun
2013.
3.
Pencarian Pola Penyakit dikhususkan untuk mengetahui bulan periksa pasien.
4.
Pembuatan aplikasi ini hanya sampai pada pengujian sistem, sehingga tidak
membahas mengenai jaringan dan konfigurasi dimana aplikasi ini diterapkan.
5.
Aplikasi ini dibuat dengan bahasa pemrograman PHP berbasis website.
3
1.4
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1.
Menghasilkan aplikasi untuk mendapatkan informasi pola penyakit ISPA
dengan teknik Data Mining Association Rule menggunakan Algoritma
Apriori.
2.
Untuk dimanfaatkan UPTD Puskesmas Bae sebagai salah satu acuan
pengambilan keputusan dalam meningkatkan kualitas pelayanan kesehatan,
kebutuhan obat dan penyuluhan tentang penyakit ISPA.
1.5
Manfaat Penelitian
Adapun manfaat yang dihasilkan dari penelitian ini bagi pihak terkait adalah :
1.
Bagi UPTD Puskesmas Bae
a.
Membantu mengetahui pola penyakit ISPA yang diderita oleh
masyarakat.
b.
Membantu dalam pengambilan keputusan dan menjadi acuan dalam
meningkatkan kualitas pelayanan kesehatan serta ketersediaan obat.
c.
Membantu memberikan referensi untuk melakukan sosialisasi atau
penyuluhan mengenai gejala, bahaya serta dampak dari penyakit ISPA
sehingga dapat dilakukan pencegahan lebih awal.
2.
Bagi Peneliti yaitu dapat mengembangkan ilmu pengetahuan yang diperoleh
selama mengikuti perkuliahan dan mampu menerapkannya di lapangan.
3.
Bagi Akademik yaitu menjadi tambahan sumbangsih ilmu pengetahuan
khususnya tentang manfaat data mining dalam menemukan, menggali, atau
menambang pengetahuan dari data atau informasi yang kita miliki.
BAB 2
TINJAUAN PUSTAKA
2.1
Tinjauan Pustaka
Tinjauan pustaka merupakan paparan penelitian lain yang berkaitan dengan
penelitian yang akan dilakukan. Tinjauan pustaka yang dituliskan meliputi
masalah, atribut atau variabel, metode penyelesaian, dan hasil.
Tabel 2.1 Penelitian Terkait
Nama
No
Peneliti
Masalah
Metode
Hasil
dan Tahun
1.
Dewi Kartika - Data penjualan tidak
Data mining
Berdasarkan
Pane, 2013
tersusun dengan baik,
association
merek produk elektronik
sehingga data tersebut
rule dengan
yang
hanya berfungsi sebagai
menggunaka
terjual adalah Acer dan
arsip
n
Toshiba,
dengan
diketahuinya
produk
yang
banyak
dan
bagi
perusahaan
tidak
dapat
dimanfaatkan
untuk
pengembangan
strategi
pemasaran.
algoritma
apriori
penelitian
paling
paling
banyak
terjual tersebut, sehingga
perusahaan
dapat
menyusun
strategi
pemasaran
untuk
memasarkan
produk
dengan
merek
lain
dengan
meneliti
apa
kelebihan produk yang
paling
banyak
terjual
tersebut dengan produk
4
5
Nama
No
Peneliti
Masalah
Metode
Hasil
dan Tahun
lainnya
dan
menambah
dapat
persedian
Acer dan Toshiba.
2.
Tri
2009
Lestari,
Bagaimana
mengembangkan
Menngunaka
sebuah
Penelitian
n data mining memperlihatkan
aplikasi analisis keranjang
analisis
Analisis
belanja
keranjang
Belanja
(market
basket
ini
Keranjang
tidak
analysis) yang berkaitan
belanja serta digunakan
dengan
Alat analisis menentukan
data
penjualan
menggunakan
assosiatif ?
transaksi
yang
teknik
bahwa
hanya
untuk
yang
kecenderungan
digunakan
pelanggan
adalah
membeli
algoritma
secara bersamaan, tetapi
apriori.
dapat digunakan untuk
dalam
barang-barang
melihat
kapan
suatu
barang
dibeli
pada
jumlah
yang
besar.
paling
6
2.2
Data Mining
Data mining memiliki arti sebagai disiplin ilmu yang tujuan utamanya adalah
untuk menemukan, menggali, atau menambang pengetahuan dari data atau
informasi yang kita miliki [6]. Kegiatan inilah yang menjadi garapan atau
perhatian utama dari disiplin ilmu data mining. Karena itu data mining sebenarnya
memiliki akar yang panjang dari bidang ilmu seperti kecerdasan buatan (artificial
intelligent), machine learning, statistik dan basis data.
Pencarian
Informasi
Ekstrasi data
Pembelajaran neural
(bahasa alami,web
network, pohon
penstrukturan
keputusan,
Artificial
Data
Statistik
Intelligent
Mining
Dasar (seleksi,
Data yang besar
presentasi hasil)
(normalisasi data
tranformasi, OLAP)
Database
Gambar 2.1 Bidang Ilmu Data Mining (Larose, 2005)
Kemajuan luar biasa yang terus berlanjut dalam bidang data mining didorong oleh
beberapa faktor, antra lain [6] :
1.
Pertumbuhan yang cepat dalam kumpulan data.
2.
Penyimpanan data dalam data warehouse, sehingga seluruh perusahaan
memiliki akses ke dalam database yang andal.
3.
Adanya peningkatan akses data melalui navigasi web dan intranet.
4.
Tekanan kompetisi bisnis untuk meningkatkan penguasaan pasar dalam
globalisasi ekonomi.
7
5.
Perkembangan teknologi perangkat lunak untuk data mining (ketersediaan
teknologi).
6.
Perkembangan yang hebat dalam kemampuan komputasi dan pengembangan
kapasitas media penyimpanan.
2.2.1
Tahapan Proses Data Mining
Gambar 2.2 Tahap-Tahap Data Mining (Fayyad, 1996)
Proses Knowledge discovery in databases (KDD) secara garis besar dapat
dijelaskan sebagi berikut (Fayyad, 1996) :
1.
Data Selection
Pemilihan (seleksi) data dari sekumpulan data operasional perlu dilakukan
sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi
yang akan digunakan untuk proses data mining, disimpan dalam suatu berkas,
terpisah dari basis data operasional.
2.
Pre-processing/Cleaning
Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses
cleaning pada data yang menjadi focus KDD. Proses cleaning mencakup
antara lain membuang duplikasi data, memeriksa data yang inkonsisten, dan
memperbaiki kesalahan pada data, seperti kesalahan cetak (tipografi). Juga
8
dilakukan proses encrichment, yaitu proses “memperkaya” data yang sudah
ada dengan data atau infomasi lain yang relevan dan diperlukan untuk KDD,
seperti data atau informasi eksternal.
3.
Transformation
Coding adalah proses transformasi pada data yang telah dipilih, sehingga data
tersebut sesuai untuk proses data mining. Proses coding dalam KDD
merupakan proses kreatif dan sangat tegantung pada jenis atau pola informasi
yang akan dicari dalam basis data.
4.
Data Mining
Data mining adalah proses mencari pola atau informasi menarik dalam data
terpilih dengan menggunakan teknik atau metode tertentu. Teknik, metode,
atau algoritma dalam data mining sangat bervariasi. Pemilihan metode atau
algoritma yang tepat sengat bergantung pada tujuan dan proses KDD secara
keseluruhan.
5.
Interpretation/Evaluation
Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan
dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap
ini merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini
mencakup pemeriksaan apakah pola atau informasi yang ditemukan
bertentangan dengan fakta atau hipotesis yang ada sebelumnya.
6.
Presentasi pengetahuan (knowledge presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai teknik yang
digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap
terakhir dari proses data mining adalah bagaimana memformulasikan
keputusan atau aksi dari hasil analisa yang didapat.
2.2.2
Teknik-Teknik Data Mining
Fungsi atau sub kegiatan yang ada dalam data mining dalam rangka menemukan,
menggali, atau menambang pengetahuan dari data atau informasi yang kita miliki,
terdapat enam fungsi dalam data mining[Larose, 2005] yaitu :
9
1.
Fungsi Deskripsi (description)
Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari cara
untuk menggambarkan pola dan kecenderungan yang terdapat dalam data.
Sebagai contoh, petugas pengumpulan suara mungkin tidak dapat
menemukan keterangan atau fakta bahwa siapa yang tidak cukup professional
akan sedikit didukung dalam pemilihan presiden.
2.
Fungsi Klasifikasi (classification).
Klasifikasi
merupakan
suatu perkerjaan menilai
objek data untuk
memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia.
Dalam klasifikasi ada dua pekerjaan utama yang dilakukan, yaitu
pembangunan model sebagai prototype untuk disimpan sebagai memori dan
penggunaan model tersebut untuk melakukan pengenalan/ klasifikasi/
prediksi pada suatu objek data lain agar diketahui di kelas mana objek data
tersebut dalam model yang sudah disimpannya.
Sebagai contoh, pengklasifikasian jenis hewan, yang mempunyai sejumlah
atribut. Dengan atribut tersebut, jika ada hewan baru, kelas hewannya bisa
langsung diketahui.
3.
Fungsi Estimasi (estimation).
Estimasi hampir sama dengan klasifikasi, kecuali variable target estimasi
lebih
kearah
numeric
daripada
kearah
kategori.
Model
dibangun
menggunakan record lengkap yang menyediakan nilai dari variable target
sebagai nilai prediksi. Selanjutnya, pada peninjauan berikutnya estimasi nilai
dari variable target dibuat berdasarkan nilai variable prediksi.
Sebagai contoh, estimasi nilai indeks prestasi kumulatif mahasiswa program
pascasarjana dengan melihat nilai indeks prestasi mahasiswa tersebut pada
saat mengikuti program sarjana.
4.
Fungsi Prediksi (prediction).
Model Prediksi berkaitan dengan pembuatan sebuah model yang dapat
melakukan pemetaan dari setiap himpunan variable ke setiap targetnya,
10
kemudian menggunakan model tersebut untuk memberikan nilai target pada
himpunan baru yang didapat. Prediksi hampir sama dengan klasifikasi dan
estimasi, kecuali bahwa dalam prediksi nilai dari hasil aka ada di masa
mendatang. Sebagai contoh, prediksi nilai UN per siswa pada mata pelajaran
matematika, bahasa Indonesia dan bahasa inggris.
Beberapa metode dan teknik yang digunakan dalam klasifikasi dan estimasi
dapat pula digunakan (untuk keadaan yang tepat) untuk prediksi.
5.
Fungsi Pengelompokan (cluster).
Pengklusteran
merupakan
pengelompokan
record,
pengamatan,
atau
memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan.
Kluster sendiri adalah kumpulan record yang meiliki kemiripan satu dengan
yang lainnya dan memiliki ketidakmiripan dengan record-record dalam
kluster lain.
Algortima pengklasteran mencoba untuk melakukan pembagian terhadap
keseluruhan
data
menjadi
kelompok-kelompok
yang
memiliki
kemiripan(homogen), yang mana kemiripan record dalam satu kelompok
akan bernilai maksimal, sedangkan kemiripan dengan record dalam kelompok
lain akan benilai minimal. Sebagai contoh di bidang kesehatan dapat
digunakan
untuk
mengelompokan
jenis-jenis
makanan
berdasarkan
kandungna kalori, vitamin, dan protein.
6.
Fungsi Asosiasi (association).
Analisis asosiasi atau association rule adalah teknik data mining untuk
menemukan aturan asosiatif antara suatu kombinasi item. Metode Association
Rule itu sendiri merupakan metode yang cukup populer dan biasanya
digunakan untuk menemukan hubungan antara satu variabel dengan variabel
yang lain dalam satu database yang cukup besar. Informasi yang dihasilkan
dari data mining dengan metode Association Rule ini sendiri juga bisa
dijadikan sebagai dasar untuk pengambilan keputusan. Metode data mining
ini biasanya dipakai dalam data penjualan supermarket yang nantinya akan
menunjukkan jika pelanggan membeli barang A dan barang B bersama-sama,
11
dia cenderung akan membeli barang C. Metode ini bisa diterapkan pada kasus
yang diteliti oleh penulis, contohnya seberapa kuat persentase hubungan
antara pasien yang didiagnosa terkena penyakit Ispa dan berjenis kelamin
perempuan maka pasien tersebut berumur 65 tahun. Informasi ini bisa
dijadikan sebagai alat bantu dalam mencari pola penyakit Ispa yang diderita
oleh pasien di UPTD Puskesmas Bae Kabupaten Kudus. Association rule
mining meliputi dua tahap, yaitu:
a.
Mencari kombinasi yang paling sering terjadi dari suatu itemset (frequent
itemset).
b.
Mendefinisikan Association Rule dari frequent itemset yang telah dibuat
sebelumnya.
Kekuatan aturan asosiasi dapat diukur dengan support dan confidence.
Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam
database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan
antar-item dalam aturan asosiasi.
Penggunaan metode Association Rule ini biasanya diikuti dengan penggunaan
algoritma yang efisien, misalnya algoritma apriori dan algoritma eclat untuk
dapat menemukan semua itemset yang sering muncul dalam database.
2.3
Algoritma Apriori
Algoritma Apriori termasuk jenis aturan asosiasi pada data mining. Selain apriori
yang termasuk pada golongan ini adalah metode generalized rule induction dan
Algoritma Hash Based. Analisis asosiasi atau association rule mining adalah
teknik data mining untuk menemukan aturan asosiatif antara suatu kombinasi
item [1].
Algoritma Apriori adalah algoritma untuk menemukan pola frekuensi tinggi. Pola
frekuensi tinggi adalah pola-pola item di dalam suatu database yang memiliki
frekuensi atau support di atas ambang batas tertentu yang disebut dengan istilah
minimum support atau threshold. Pola frekuensi tinggi ini digunakan untuk
menyusun aturan assosiatif dan juga beberapa teknik data mining.
12
Algoritma Apriori dibagi menjadi beberapa tahap yang disebut iterasi. Tiap iterasi
menghasilkan pola frekuensi tinggi dengan panjang yang sama dimulai dari
pertama yang menghasilkan pola frekuensi tinggi dengan panjang satu. Di iterasi
pertama ini, support dari setiap item dihitung dengan menscan database. Setelah
support dari setiap item didapat, item yang memiliki support diatas minimum
support dipilih sebagai pola frekuensi tinggi dengan panjang 1 atau sering
disingkat 1-itemset. Sedangkan k-itemset berarti satu set yang terisi dari k item.
Iterasi kedua menghasilkan 2-itemset yang tiap setnya memiliki dua item. Pertama
dibuat kandidat 2-itemset dari kombinasi semua 1-itemset. Kemudian tiap
kandidat 2-itemset ini dihitung support nya dengan menscan database. Support
disini artinya jumlah transaski dalam database yang mengandung kedua item
dalam kandidat 2-itemset, setelah support dari semua kandidat 2-itemset didapat,
kandidat 2-itemset yang memenuhi syarat minimum support dapat ditetapkan
sebagai 2-itemset yang juga merupakan pola frekuensi tinggi dengan panjang 2.
Untuk selanjutnya pada iterasi ke-k dapat dibagi lagi menjadi beberapa bagian :

Pembentukan kandidat itemset
Kandidat k-itemset dibentuk dari kombinasi (k-1)-itemset yang didapat dari
iterasi sebelumya. Satu ciri dari algoritma apriori adalah adanaya
pemangkasan kandidat k-itemset ang subset-nya yang berisi k-q item tidak
termasuk dalam pola frekuensi tinggi dengan panjang k-1.

Penghitungan support dari setiap kandidat k-itemset
Support dari tiap kandidat k-itemset didapat dengan menscan database untuk
menghitung jumlah transaksi yang memuat semua item didalam kandidat kitemset tersebut. Ini adalah juga cirri dari algoritma apriori dimana diperlukan
penghitungan dengan scan seluruh database sebanyak k-itemset terpanjang.

Tetapkan pola frekuensi tinggi
Pola frekuensi tinggi yang memuat k-itemset ditetapkan dari kandidat kitemset yang supportnya lebih besar dari minimum support. Bila tidak didapat
pola frekuensi tinggi baru maka seluruh proses dihentikan. Bila tidak, maka k
ditambah satu dan kembali ke bagian 1.
13
Karena analisis asosiasi menjadi terkenal karena aplikasinya untuk menganalisis
isi keranjang belanja dipasar swalayan,analisis asosiasi juga sering disebut market
basket analysis. Metodologi dasar analisis asosiasi terbagi menjadi dua tahap:
1.
Analisis pola frekuensi tertinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai
support dalam database. Nilai support sebuah item diperoleh dengan rumus
sebagai berikut.
Support A =
Transaksi mengandung A
Transaksi
Sementara itu, nilai support dari 2 item diperoleh dari rumus berikut.
Support A,B =P A∩B
Support A,B =
2.
Σ Transaksi mengandung A dan B
Σ Transaksi
Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan asosiasi
yang memenuhi syarat minimum untuk confidence dengan menghitung
confidence A → B.
Nilai confidence dari aturan A → 𝐵 diperoleh dari rumus berikut.
Confidence = P(B|A)
2.4
Σ Transaksi mengandung A dan B
Σ Transaksi mengandung A
Metode Pengembangan Sistem
Metodologi yang penulis gunakan adalah metodologi waterfall sehingga model
inilah yang akan dibahas, berikut adalah tahapan dari model waterfall yaitu :
14
Gambar 2.3 Model Waterfall (Jogiyanto, 2005)
1.
Sistem Engineerinng
Pada tahap ini, penulis memulai pekerjaan dengan mendefinisikan dan
mengumpulkan semua bahan-bahan seperti teori-teori yang di butuhkan
dalam membentuk suatu informasi yang akan digunakan pada tahapan
selanjutnya.
2.
Analys
Pada tahap ini dilakukan analisis kebutuhan dari software yang akan
dirancang dan dibuat, meliputi analisis fungsi/proses yang dibutuhkan,
analisis output, analisis input, dan analisis kebutuhan.
3.
Design
Pada tahap ini, dilakukan perancangan software yang bertujuan untuk
memberikan gambaran apa yang seharusnya di kerjakan oleh software dan
bagaimana tampilannya, meliputi rancangan output, rancangan input,
rancangan struktur data yang digunakan, rancangan struktur software dan
rancangan
algoritma
software.
Tahapan
ini
membantu
dalam
menspesifikasikan kebutuhan dan arsitektur software secara keseluruhan.
4.
Coding
Pada tahap ini, dilakukan proses coding atau pembuatan software.
Pembuatan software dipecah menjadi beberapa modul yang nantinya akan
15
digabungkan dalam tahap berikutnya. Selain itu dalam tahap ini juga
dilakukan untuk mengetahui apakah sudah memenuhi fungsi yang
diinginkan atau belum.
5.
Testing
Dalam tahap ini dilakukan pengabungan modul-modul yang telah di buat
dan dilakukan pengujian atau testing. Pengujian ini dilakukan untuk
mengetahui apakah software yang dibuat telah sesuai dengan desainnya dan
apakah masih terdapat kesalahan atau tidak.
6.
Maintenance
Tahap ini merupakan tahapan akhir dalam model waterfall. software yang
sudah jadi dijalankan serta dilakukan pemeliharaan (Maintenance).
Pemeliharaan ini termasuk memperbaiki kesalahan yang tidak ditemukan
pada langkah sebelumnya. Perbaikan Implementasi unit sistem dan
peningkatan jasa sistem sebagai kebutuhan baru.
2.5
Analisa Sistem
2.5.1
Pengertian Analisa Sistem
Analisa sistem (sistem analysis) dapat didefinisikan sebagai penguraian dari suatu
sistem informasi yang utuh ke dalam bagian-bagian konponenya dengan maksud
untuk
mengidentifikasi
dan
mengevaluasi
permasalahan-permasalahan,
kesempatan-kesempatan, hambatan-hambatan yang terjadi dan kebutuhan
kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan-perbaikannya [2].
Tahap ini dilakukan setelah tahap perencanaan sistem dan sebelum tahap desain
sistem. Di dalam tahap analisis sistem terdapat langkah-langkah dasar yang harus
dilakukan oleh analis sistem sebagai berikut ini.
1.
Identify, yaitu mengidentifikasi masalah.
2.
Understand, yaitu memahami kerja dari sistem yang ada.
3.
Analyze, yaitu menganalsis sistem.
4.
Report, yaitu membuat laporan hasil analisis.
16
2.5.2
Tahap-tahap Analisis Sistem
Tahap–tahap analisis merupakan tahap yang kritis yang sangat penting, karena
kesalahan di tahap ini akan menyebabkan kesalahan-kesalahan di tahap
berikutnya. Tahap-tahap di dalam analisis sistem antara lain adalah sebagai
berikut :
1.
Identifikasi masalah
Analisis sistem harus mempunyai pengetahuan yang cukup tentang aplikasi
yang dianalisis sehingga dapat mengidentifikasi penyebab terjadinya
masalah, antara lain :
2.
a.
Mengidentifikasi penyebab masalah.
b.
Mengidentifikasi titik keputusan.
Memahami kinerja sistem
Langkah ini dapat dilakukan dengan memperlajari operasi dari sistem.
Untuk itu diperlukan data yang diperolah melalui penelitian, dengan
langkah-langkah sebagia berikut :
3.
a.
Menentukan jenis penelitian
b.
Merencanakan jadwal penelitian
c.
Membuat agenda wawancara
d.
Membuat penegasan dan mengumpulkan hasil penelitian
Menganalisis hasil penelitian
Untuk menganalisi hasil peneltian dapat digunakan dengan pertanyaan.
Menganalisis sistem dibagi menjadi dua, yaitu menganalisa berdsarkan
prinsip penelitian dan menganalisis berdasarkan pokok-pokok analisis.
4.
Membuat laporan
Mengambil keputusan dari hasil penelitian yang telah berjalan. Tujuan dari
pembuatan laporan adalah :
a.
Laporan bahwa analisis telah dilakukan.
17
b.
Meluruskan kesalah pahaman mengenai analisa yang ditemukan dan
dianalisis oleh analis sistem.
c.
Meminta pendapat dan saran-saran dari pihak manajemen.
d.
Meminta pihak manajemen untuk melakukan tindakan selanjutnya
(dapat berupa meneruskan ke tahap desain sistem atau menggantikan
proyek bila dipandang tidak layak).
2.5.3
Alat Bantu Analisis Sistem
Alat bantu analisis yang digunakan yaitu : System Flowchart. didefinisikan
sebagai bagan yang menunjukkan arus pekerjaan secara keseluruhan dari sistem.
Bagan ini menjelaskan urut-urutan dari prosedur-prosedur yang ada di dalam
sistem. Bagan alir sistem menunjukkan apa yang dikerjakan di sistem.
Untuk menyajikan dokumen menggunakan simbol-simbol sebagai berikut :
Tabel 2.1 Simbol/Notasi Flowchart (Jogianto hartono, 2005)
Simbol
Nama
Fungsi
TERMINATOR
Permulaan/Akhir Program
PREPARATION
Proses Inisialisasi/Pemberian Harga
Awal
INPUT/OUTPUT
Proses input/output data, parameter,
DATA
informasi
Perbandingan pernyataan,
DECISION
penyeleksian data yang memberikan
plihan untuk langkah selanjutnya
Penghubung bagian-bagian flowchart
OFF PAGE
yang berada pada halaman yang
CONNECTOR
berbeda
18
Proses perhitungan/proses
PROSES
pengolahan data
ON PAGE
Penghubung bagian-bagian yang
CONNECTOR
GARIS ALIR
(FLOW LINE)
2.6
berada pada satu halaman
Arah aliran program
Perancangan Sistem
2.6.1 Pengertian Perancangan Sistem
Desain sistem dapat diartikan sebagai berikut [2]:
1.
Tahap setelah analisis dari siklus pengembangan sistem.
2.
Pendefinisian dari kebutuhan-kebutuhan fungsional.
3.
Persiapan untuk rancang bangun.
4.
Menggambarkan bagaimana suatu sistem dibentuk
5.
Sistem dibentuk dapat berupa penggambaran, rancangan, dan pembuatan
sketsa atau pengaturan dari beberapa elemen yang terpisah dalam satu
kesatuan yang utuh dan berfungsi.
6.
Termasuk menyangkut mengkonfigurasi dari komponen-komponen perangkat
lunak dan perangkat keras dari suatu sistem.
Tahap perancangan sistem ini mempunyai 2 (dua) tujuan utama, yaitu untuk
memenuhi kebutuhan pemakai sistem dan untuk memberikan gambaran yang jelas
rancang bangun yang lengkap kepada pemrogram komponen yang terlibat [2].
Untuk mencapai tujuan ini, analis sistem harus dapat mencapai sasaran–sasaran
sebagai berikut :
19
1.
Desain sistem harus berguna, mudah dipahami dan nantinya mudah
digunakan. Ini berarti data harus mudah ditangkap, metode-metode harus
mudah diterapkan dan informasi harus mudah dihasilkan serta mudah
dipahami dan digunakan.
2.
Desain sistem harus dapat mendukung tujuan utama perusahaan sesuai
dengan yang telah didefinisikan pada tahap perencanaan sistem yang
dilanjutkan pada tahap analisis sistem.
3.
Desain sistem harus efisien dan efektif untuk dpat mendukung pengolahan
transaksi, pelaporan manajemen dan mendukung keputusan yang akan
dilakukan oleh manajemen, termasuk tugas-tugas yang lainnya yang tidak
dilakukan oleh komputer.
4.
Desain sistem harus dapat mempersiapkan rancang bangun yang terinci untuk
masing-masing komponen dari sistem informasi yang meliputi data dan
informasi, simpanan data, metode-metode, prosedur-prosedur, orang-orang,
perangkat keras, perangkat lunak dan pengemdalian sistem.
2.6.2 Alat Bantu Perancangan Sistem
1.
Contex Diagram
Context Diagram adalah Data Flow Diagram (DFD) tingkat atas,
yaitu
diagram yang paling tidak detail dari sebuah sistem informasi yang
menggambarkan aluran - aluran data ke dalam dan ke luar sistem dan ke
dalam dan ke luar entitas eksternal. Context Diagram mempunyai sejumlah
karakteristik dalam sistem, yaitu[2]:
a.
Kelompok pemakai, organisasi atau sistem lain dimana sistem melakukan
komunikasi (sebagai terminator).
b.
Data masuk, yaitu data yang diterima sistem dari lingkungan dan
diproses dengan cara tertentu.
c.
Data keluar, yaitu data yang dihasilkan sistem dan diberikan ke dunia
luar.
20
d.
Penyimpanan data (storage), yaitu digunakan secara bersama antara
sistem dengan terminator. Data ini dapat dibuat oleh sistem dan
digunakan oleh lingkungan atau sebaliknya.
e.
Batasan, antara sistem dan lingkungan.
Tabel 2.2 Simbol-simbol Konteks Diagram (Jogianto, 2005)
Simbol
Nama Simbol dan Keterangan
Terminator
Menggambarkan asal data atau tujuan
data.
Proses
Menggambarkan
entitas
atau
proses
aluran data masuk yang ditransformasikan
ke aluran data keluar.
Aluran Data
Menggambarkan
aluran
data
atau
informasi dari atau ke sistem.
Penyimpanan
Dapat digunakan untuk mendefinisikan
basis data atau seringkali mendefinisikan
bagaimana
penyimpanan
di
implementasikan dalam sistem komputer.
2.
Data Flow Diagram ( DFD )
Diagram Flow Document ( DFD ) menunjukkan alur (Flow) didalam program
atau prosedur sistem secara logika. Bagan alur terutama digunakan untuk alat
bantu komunikasi dan dokumentasi. Hal yang harus diperhatikan dalam
menggambarkan diagram alur :
21
a.
Bagan alur sebaiknya digunakan dari atas ke bawah mulai dari bagian
kiri suatu halaman.
b.
Kegiatan didalam bagan alur harus ditunjukkan dengan jelas.
c.
Harus ditunjukkan dimana kegiatan dimulai dan dimana kegiatan
berakhir
d.
Masing-masing kegiatan didalam suatu bagan alur sebaiknya digunakan
suatu kata untuk mengawali suatu kegiatan.
e.
Gunakan simbol-simbol bagan alur dalam Context Diagram. Simbol
yang digunakan dalam DFD Levelled sama dengan simbol dalam Context
Diagram.
3.
Diagram Hubungan Entitas (Entity Relationship Diagram/ERD)
Model entity-relationship yang berisi komponen-komponen himpunan entitas
dan himpunan relasi yang masing-masing dilengkapi dengan atribut-atribut
yang mempresentasikan seluruh fakta dari dunia nyata yang kita tinjau, dapat
digambarkan dengan lebih sistematis dengan mnggunakan Diagram EntityRelationship (Diagram E-R). Adapun simbol - simbol yang digunakan dalam
ERD (Entity Relationship Diagram ) adalah sebagai berikut :
Tabel 2.3 Simbol-simbol ERD (Jogianto, 2005)
Simbol
Nama Simbol
ENTITY
Digunakan untuk menggambarkan
obyek. Yang dapat diidentifikasikan
dalam lingkaran pemakai.
ATRIBUT
Digunakan untuk menggambarkan
elemen – elemen dari suatu entity,
yang menggambarkan karakter entity.
22
HUBUNGAN / RELASI
Entity dapat berhubungan satu sama
lain.
Hubungan
ini
disebut
relationship.
GARIS
Diguankan untuk menghubungkan
entity dan entity dengan atribut.
2.6.3 Kamus Data (Data Dictionary)
Kamus data (KD) atau Data Dictionary (DD) atau disebut juga dengan istilah
sistem data dictionary adalah katalog fakta tentang data dan kebutuhan kebutuhan
informasi dari suatu sistem informasi[2].
Tabel 2.4 Simbol pada kamus data (Jogianto, 2005)
Sombol
2.7
2.7.1
Keterangan
=
Terbentuk dari, terdiri dari, artinya, atau sama
dengan.
+
Dan
[]
Salah satu dari
|
Sama dengan simbol [ ]
{}
Iterasi(elemen data daalam kurung beriterasi mulai
minimum N kali dan Maksimum M kali)
()
Optional (boleh ada atau tidak)
*
Keterangan setelah tanda ini adalah komentar.
PHP
Pengertian PHP
Menurut dokumen resmi PHP, PHP merupakan singkatan dari PHP Hypertext
Prepocessor. Ia merupakan bahasa berbentuk skrip yang ditempatkan dalam
23
server dan diproses di server. Hasilnyalah yang dikirmkan ke klien, tempat
pemakai menggunakan browser[9].
Secara khusus, PHP dirancang untuk mebembentuk aplikasi web dinamis.
Artinya, ia dapat membentuk suatu tampilan berdasarkan permintaan terkini. Toko
Online, CMS, Forum, dan Website social networking adalah contoh aplikasi web
yang bisa dibuat oleh PHP. PHP adalah bahasa scripting, bukan bahsa tag-based
seperti HTML. PHP termasuk bahasa yang cross platform, ini artinya PHP bisa
berjalan pada sistem opersasi yang berbeda-beda (Windows, Linux, ataupun
Mac). Program PHP ditulis dalam file plain text(text biasa) dan mempunyai
akhiran”.php” [9].
2.7.2
Cara Kerja PHP
Agar PHP dapat berjalan, PHP memebutuhkan sebuah perangkat lunak web server
sebagai media untuk memproses file-file PHP dan mengirimkan hasil pemrosesan
yang dilakukan oleh web server untuk di tampilan di perangkat lunak browser.
Oleh karena itu PHP membutuhkan webserver utnuk memprosesnya. Web server
itu sendiri adalah perangkat lunak yang diinstal pada komputer local maupun
komputer lain yang berada di jaringan internet yang berfungsi melayani
permintaan-permaintaan web dari client.
BAB 3
METODE PENELITIAN
3.1
Objek Penelitian
Penelitian tugas akhir ini dilakukan di UPTD Puskesmas Bae Kabupaten Kudus
Jl. Colo Muria Km.5 Kec.Bae, Kudus - Jawa Tengah.
3.2
Sumber Data
Sumber data yang diperoleh dari :
1.
Data Primer
Yaitu data yang diperoleh secara langsung dari sumber data rekam medis
tersebut yang berhubungan dengan penelitian yang dilakukan. Dalam hal ini,
data yang digunakan adalah data rekam medis periode 2013 yang terdiagnosa
penyakit Ispa. Data yang berjumlah besar ini nantinya akan diolah denga
menggunakan aplikasi association rule untuk menghasilkan informasi
mengenai pola penyakit Ispa yang ada di lingkungan UPTD Puskesmas Bae
Kabupaten Kudus.
2.
Data Sekunder
Data yang diperoleh dari data peneliti dalam bentuk yang sudah jadi yang
bersifat informasi dan kutipan, baik dari internet maupun literatur yang
berkaitan dengan permasalahan yang dihadapi dan diteliti.
3.3
Metode Pengumpulan Data
1.
Studi Pustaka
Studi pustaka yaitu merupakan metode pengumpulan data yang dilakukan
dengan mencari, membaca dan mengumpulkan dokumen-dokumen sebagai
referensi seperti buku, artikel, dan literatur-literatur tugas akhir yang
berhubungan dengan topik yang dipilih yang berkaitan dengan objek
penelitian. Studi pustaka digunakan oleh penulis untuk mendapatkan
24
25
tambahan informasi tentang metode yang digunakan penulis dalam
pembuatan aplikasi data mining untuk mencari informasi pola penyakit Ispa
di UPTD Puskesmas Bae Kabupaten Kudus.
2.
Wawancara
Wawancara merupakan jenis pengumpulan data yang dilakukan dengan cara
tanya jawab atau dengan cara percakapan langsung terhadap sumber-sumber
data yang dibutuhkan dengan maksud tertentu. Percakapan ini dilakukan
dua arah yaitu pewawancara dan responden. Adapun maksud dilakukan
wawancara dalam penelitian ini adalah untuk mengkonstruksikan mengenai
orang,
kejadian,
organisasi,
perasaaan,
motivasi,
dan
kepedulian
memferivikasi, mengubah dan memperluas informasi yang diperoleh dari
orang-orang lain atau narasumber. Dalam hal ini, data diperoleh melalui
kegiatan tanya jawab dengan kepala UPTD Puskesmas Bae Kabupaten
Kudus.
3.4
Metode Analisis
Berdasarkan data primer dan data sekunder yang telah didapatkan oleh peneliti,
maka pembuatan metode Association Rule dan Algoritma Apriori.
1.
Metode Association Rule
a.
Mencari kombinasi yang paling sering muncul dari suatu itemset
(frequent itemset).
b.
Mendefinisikan Association Rule dari frequent itemset yang telah dibuat
sebelumnya.
2.
Algoritma Apriori
Dalam metodologi analisa asosiasi ini menggunakan :
a.
Analisis pola frekuensi tertinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari
nilai support dalam database. Nilai support sebuah item diperoleh dengan
rumus sebagai berikut.
26
Support A =
Transaksi mengandung A
Transaksi
Sementara itu, nilai support dari 2 item diperoleh dari rumus berikut.
Support A,B =P A∩B
Support A,B =
b.
Σ Transaksi mengandung A dan B
Σ Transaksi
Pembentukan Aturan Asosiasi
Setelah semua pola frekuensi tinggi ditemukan, barulah dicari aturan
asosiasi yang memenuhi syarat minimum untuk confidence dengan
menghitung confidence A → B.
Nilai Confidence dari aturan A → 𝐵 diperoleh dari rumus berikut
Confidence = P(B|A)
3.5
Σ Transaksi mengandung A dan B
Σ Transaksi mengandung A
Metode Pengembangan Sistem
Metodologi yang digunakan penulis dalam melakukan perancangan Sistem pada
UPTD Puskesmas Bae Kabupaten Kudus ini yaitu dengan menggunakan model
waterfall.
Metode
pengembangan
sistem
waterfall
merupakan
urutan
kegiatan/aktivitas yang dilakukan dalam pengembangan sistem mulai dari
rekayasa perangkat lunak, analisis kebutuhan, perancangan implementasi,
pengkodean, pengujian, penerapan dan pemeliharaan.
1.
Rekayasa perangkat lunak (system enginerring), melakukan pengumpulan
data rekam medis dan penetapan kebutuhan semua elemen system.
2.
Requirements analysis, melakukan analisis terhadap permasalahan yang
dihadapi dan menetapkan kebutuhan perangkat lunak, fungsi performsi dan
interfacing.
3.
Design, menetapkan domain informasi untuk perangkat lunak, fungi dan
interfacing yang sesuai dengan UPTD Puskesmas Bae Kabupaten Kudus.
27
4.
Coding (imolementasi), pengkodean yang meng- implementasikan hasil
desain ke dalam kode atau bahasa yang dimengerti oleh mesin komputer
dengan menggunakan bahasa pemprograman PHP.
5.
Testing (pengujian), kegiatan untuk melakukan pengetesan program yang
sudah dibuat apakah udah benar atau belum di uji dengan cara manual. jika
testing sudah benar maka program akan diterapkan di UPTD Puskesmas Bae
Kabupaten Kudus.
6.
Maintenance (pemeliharaan), menangani perangkat lunak yang sudah selesai
supaya dapat berjalan lancar dan terhindar dari gangguan-gangguan yang
dapat menyebabkan kerusakan.
28
BAB 4
HASIL DAN PEMBAHASAN
4.1
Hasil Penelitian
4.1.1 Mencari Atribut Pola Penyakit ISPA
Penyakit Infeksi Saluran Pernafasan Akut (ISPA) adalah infeksi saluran
pernafasan yang berlangsung sampai 14 hari, yang dimaksud dengan saluran
pernapasan adalah organ mulai dari hidung sampai gelembung paru, beserta
organ-organ disekitarnya seperti : sinus, ruang telinga tengah dan selaput paru[8].
Penyakit ISPA ini disebabkan oleh virus dan bakteri, adapun tanda-tanda atau
gejala penyakit ISPA adalah badan pegal, sakit kepala, batuk, nyeri tenggorokan,
demam ringan, hidung beringus dan sering bersin.
Secara umum kondisi sanitasi rumah serta efek pencemaran udara terhadap
saluran pernafasan dapat menyebabkan pergerakan silia hidung menjadi lambat
dan kaku bahkan dapat berhenti sehingga tidak dapat membersihkan saluran
pernafasan akibat iritasi oleh bahan pencemar. Akibatnya rentan tertular virus dan
bakteri, hal ini akan memudahkan terjadinya infeksi saluran pernafasan.
Bedasarkan penjelasan diatas penulis menggunakan beberapa atribut yang tersedia
dalam data rekam medis untuk menghubungkan atribut yang dapat digunakan
dalam association rule yaitu jenis kelamin, umur, alamat, bulan periksa.
Mengingat banyaknya umur, untuk memudahkan pengelompokan maka akan
dibuat kategori pasien bedasarkan umur sebagai berikut:
Tabel 4.1 Kategori Pasien
No
Umur
Kategori
No
Umur
Kategori
1.
Umur <5
Balita
6.
Umur 36-45
Dewasa Akhir
2.
Umur 6-11
Kanak-kanak
7.
Umur 46-55
Lansia Awal
29
3.
Umur 12-15
Remaja Awal
8.
Umur 56-65
Lansia Akhir
4.
Umur 16-25
Remaja Akhir
9.
Umur 65>
Manula
5.
Umur 26-35
Dewasa Awal
4.1.2 Algoritm Apriori
Algoritma Apriori adalah algoritma paling terkenal untuk menemukan pola
frekuensi tinggi. Pola frekuensi tinggi adalah pola-pola item di dalam suatu
database yang memiliki frekuensi atau support di atas ambang batas tertentu yang
disebut dengan istilah minimum support. Pola frekuensi tinggi ini digunakan
untuk menyusun aturan assosiatif dan juga beberapa teknik data mining lainnya.
Algoritma apriori dibagi menjadi beberapa tahap yang disebut iterasi atau pass.
Tiap iterasi menghasilkan pola frekuensi tinggi dengan panjang yang sama
dimulai dari iterasi pertama yang menghasilkan pola frekuensi tinggi dengan
panjang satu. Di iterasi pertama ini, support dari setiap item dihitung dengan menscan database. Setelah support dari setiap item didapat, item yang memiliki
support diatas minimum support dipilih sebagai pola frekuensi tinggi dengan
panjang 1 atau sering disingkat 1-itemset. Singkatan k-itemset berarti satu set
yang terdiri dari k item.
Iterasi kedua menghasilkan 2-itemset yang tiap setnya memiliki dua item. Pertama
dibuat kandidat 2-itemset dari kombinasi semua 1-itemset. Lalu untuk tiap
kandidat 2-itemset ini dihitung supportnya dengan men-scan database. Support
disini artinya jumlah transaksi dalam database yang mengandung kedua item
dalam kandidat 2-itemset. Setelah support dari semua kandidat 2-itemset
didapatkan, kandidat 2-itemset yang memenuhi syarat minimum support dapat
ditetapkan sebagai 2-itemset yang juga merupakan pola frekuensi tinggi dengan
panjang 2 dan juga iterasi selanjutnya[1].
Bentuk aturan asosiasi biasanya dinyatakan seperti : [Laki-laki,10,Bae]>[Februari] (Support=15%, Confidence=75%) aturan tersebut berarti 15% dari
30
transaksi database adalah memuat atribut laki-laki, atribut 10, atribut Bae dan juga
memuat Februari. Sedangkan kemungkinan munculnya keempat item tersebut
secara bersamaan adalah 75% dari seluruh transaksi yang ada didatabase.
Dapat diartikan : ”jika seorang pasien yang didiagnosa penyakit berjenis kelamin
laki-laki, berumur 10 tahun, beralamat di desa Bae maka mempunyai 75%
kemungkinan pasien tersebut berobat pada bulan Februari”.
Analisa asosiasi didefinisikan suatu proses untuk menemukan semua aturan
analisis yang memenuhi syarat minimum untuk support dan syarat minimum
untuk confidence.
Metodelogi dasar analisis asosiasi di bagi menjadi dua tahap :
1.
Analisis pola frekuensi tertinggi
Tahap ini mencari kombinasi item yang memenuhi syarat minimum dari nilai
suport dalam database. Nilai support sebuah item diperoleh dengan rumus
berikut :
Support (A)
Transaksi mengandung A
Transaksi
Melihat rumus diatas Support A dapat dimisalkan dengan atribut Laki-laki
dan jika diterapkan sebagai berikut :
Support Laki-laki =
Rekam Medis mengandung Laki-laki
Transaksi
Transaksi dalam hal ini adalah transaksi data rekam medis pasien setiap
mereka berobat di Puskesmas. Sementara itu nilai support dari 2 item
diperoleh dari rumus berikut.
Support (A,B) = P ( A ∩ B )
31
Support A,B =
2.
Σ Transaksi mengandung A dan B
Σ Transaksi
Pembentukan aturan asosiasi
Setelah pola frekuensi tinggi ditemukan barulah dicari aturan asosiasi yang
memenuhi syarat minimum untuk confidence dengan menghitung confidence
aturan asosiatif A→B
Nilai Confidence dari aturan A→B diperoleh dari rumus berikut.
𝑪𝒐𝒏𝒇𝒊𝒅𝒆𝒏𝒄𝒆 𝑃 𝐵 𝐴 =
𝛴 𝑇𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴 𝑑𝑎𝑛 𝐵
𝑡𝑟𝑎𝑛𝑠𝑎𝑘𝑠𝑖 𝑚𝑒𝑛𝑔𝑎𝑛𝑑𝑢𝑛𝑔 𝐴
Sebagai analogi akan dilakukan penghitungan secara manual mengambil
sempel 20 transaksi awal pada transaksi Rekam Medis tahun 2013 untuk
mencari rule potensial Support dan Confidence. Berikut adalah data set yang
sudah diseleksi berdasarkan atribut jenis kelamin, umur, alamat dan bulan
periksa:
Tabel 4.2 Transaksi Rekam Medis (data awal)
No
NPJ
JK
Umur
Alamat
Bulan
Kategori Pasien
1
01567109360
P
48
Bae
Januari
Lansia Awal
2
01567109361
P
48
Bae
Januari
Lansia Awal
3
01567109362
P
68
Bae
Januari
Manula
4
01567109363
L
5
Bae
Januari
Balita
5
01567109364
L
33
Gondangmanis
Januari
Dewasa Awal
6
01567109365
P
49
Bae
Januari
Lansia Awal
7
01567109366
L
30
Bae
Januari
Dewasa Awal
8
01567109367
P
37
Bae
Januari
Dewasa Akhir
9
01567109368
P
6
Bae
Januari
Kanak-kanak
32
10
01567109369
P
8
Karang Bener
Januari
Kanak-kanak
11
01567109370
P
47
Karang Bener
Januari
Lansia Awal
12
01567109371
P
46
Bae
Januari
Lansia Awal
13
01567109372
P
21
Karang Bener
Januari
Remaja Akhir
14
01567109373
P
7
Purworejo
Januari
Kanak-kanak
15
01567109374
L
9
Purworejo
Januari
Kanak-kanak
16
01567109375
L
18
Gondangmanis
Januari
Remaja Akhir
17
01567109376
L
32
Karang Bener
Januari
Dewasa Awal
18
01567109377
P
20
Gondangmanis
Januari
Remaja Akhir
19
01567109378
P
7
Gondangmanis
Januari
Kanak-kanak
20
01567109379
P
73
Gondangmanis
Januari
Manula
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
-
3208
01567114201
P
10
Karang Bener
Desember Kanak-kanak
Apabila dibentuk dalam bentuk tabular, data transaksi tersebut akan tampak
seperti tabel 4.3 dibawah ini :
Tabel 4.3 Transaksi Dalam Bentuk Tabular
No
L
P
1
6
12
16
26
36
46
56
65
Gd
Ba
Kb
Pr
Jan
(1)
1
0
1
0
0
0
0
0
0
1
0
0
0
1
0
0
1
2
0
1
0
0
0
0
0
0
1
0
0
0
1
0
0
1
3
0
1
0
0
0
0
0
0
0
0
1
0
1
0
0
1
4
1
0
1
0
0
0
0
0
0
0
0
0
1
0
0
1
5
1
0
0
0
0
0
1
0
0
0
0
1
0
0
0
1
6
0
1
0
0
0
0
0
0
1
0
0
0
1
0
0
1
33
7
1
0
0
0
0
0
1
0
0
0
0
0
1
0
0
1
8
0
1
0
0
0
0
0
1
0
0
0
0
1
0
0
1
9
0
1
0
1
0
0
0
0
0
0
0
0
1
0
0
1
10
0
1
0
1
0
0
0
0
0
0
0
0
0
1
0
1
11
0
1
0
0
0
0
0
0
1
0
0
0
0
1
0
1
12
0
1
0
0
0
0
0
0
1
0
0
0
1
0
0
1
13
0
1
0
0
0
1
0
0
0
0
0
0
0
1
0
1
14
0
1
0
1
0
0
0
0
0
0
0
0
0
0
1
1
15
1
0
0
1
0
0
0
0
0
0
0
0
0
0
1
1
16
1
0
0
0
0
1
0
0
0
0
0
1
0
0
0
1
17
1
0
0
0
0
0
1
0
0
0
0
0
0
1
0
1
18
0
1
0
0
0
1
0
0
0
0
0
1
0
0
0
1
19
0
1
0
1
0
0
0
0
0
0
0
1
0
0
0
1
20
0
1
0
0
0
0
0
0
0
0
1
1
0
0
0
1
Dari data awal tersebut didapat kandidat pertama (C1) seperti pada tabel
dibawah in:
Tabel 4.4 Kandidat Pertama (C1)
Item set
Count
Support
Laki-laki
6
30%
Perempuan
14
70%
0-5/Balita
1
5%
6-11/Kanak-kanak
5
25%
34
16-25/ Remaja Akhir
3
15%
26-35/ Dewasa Awal
3
15%
36-45/ Dewasa Akhir
1
5%
46-55/ Lansia Awal
5
25%
65>/ Manula
2
10%
Gondangmanis
5
20%
Bae
9
45%
Karang Bener
4
20%
Purworejo
2
10%
Januari
20
100%
Bila ditetapkan minimum transaksi (Threshold) adalah = 15%, maka
kandidat yang nilainya kurang / dibawah dari 3 akan dihapus. Sehingga,
didapat hasil seperti pada tabel dibawah ini :
Tabel 4.5 Hasil pertama (L1)
Item set
Count
Support
Laki-laki
6
30%
Perempuan
14
70%
6-11/ Kanak-kanak
5
25%
16-25/ Remaja Akhir
3
15%
26-35/ Dewasa Awal
3
15%
46-55/ Lansia Awal
5
25%
Gondangmanis
5
20%
35
Bae
9
45%
Karang Bener
4
20%
Januari
20
100%
Selanjutnya dicari kombinasi untuk 2 item dan didapat kandidat kedua (C2)
seperti pada tabel dibawah ini :
Tabel 4.6 Kandidat Kedua (C2)
Item set
Count
Support
Laki-laki, Kanak-kanak
1
5%
Laki-laki, Remaja Akhir
1
5%
Laki-laki, Dewasa Awal
3
15%
Laki-laki, Gondangmanis
2
10%
Laki-laki, Bae
3
15%
Laki-laki, Karang Bener
1
5%
Laki-laki, Januari
6
30%
Perempuan, Kanak-kanak
4
20%
Perempuan, Remaja Akhir
2
10%
Perempuan, Lansia Awal
5
25%
Perempuan, Gondangmanis
3
15%
Perempuan, Bae
6
30%
Perempuan, Karang Bener
3
15%
Perempuan, Januari
14
70%
Kanak-kanak, Gondangmanis
1
5%
36
Kanak-kanak, Januari
-
5
25%
-
-
Setelah ditetapkan minimum transaksi (Threshold) adalah 15%, maka
didapat Support dan Confidence seperti pada tabel (L2) seperti pada tabel
dibawah ini :
Tabel 4.7 Hasil Iterasi Kedua
Item set
(L2)
Count
Support
Confidence
Laki-laki -> Dewasa Awal
3
15%
50%
Laki-laki -> Bae
3
15%
50%
Laki-laki -> Januari
6
30%
100%
Perempuan -> Kanak-kanak
4
20%
28%
Perempuan -> Lansia Awal
5
25%
35%
Perempuan -> Gondangmanis
3
15%
21%
Perempuan -> Bae
7
35%
50%
Perempuan -> Karang Bener
3
15%
21%
Perempuan -> Januari
14
70%
100%
Dari hasil kedua (L2) bisa didapat kandidat ketiga (C3) seperti pada tabel
dibawah ini :
Tabel 4.8 Kandidat Ketiga (C3)
Item set
Count
Support
Laki-laki, Dewasa Awal, Bae
2
10%
Laki-laki, Dewasa Awal, Januari
3
15%
37
Perempuan, Kanak-kanak, Gondangmanis
1
5%
Perempuan, Kanak-kanak, Bae
1
5%
Perempuan, Kanak-kanak, Karang Bener
1
5%
Perempuan, Kanak-kanak, Januari
4
20%
Perempuan, Lansia Awal, Gondangmanis
2
10%
Perempuan, Lansia Awal, Bae
4
20%
Perempuan, Lansia Awal, Karang Bener
3
15%
Perempuan, Lansia Awal, Januari
4
20%
Perempuan, Gondangmanis, Januari
3
15%
Perempuan, Bae, Januari
7
35%
Perempuan, Karang Bener, Januari
3
15%
Setelah ditetapkan minimum transaksi (Threshold) 15%, maka didapat
Support dan Confidence seperti pada tabel (L3) dibawah ini :
Tabel 4.9 Hasil Iterasi Ketiga
Item set
(L3)
Count
Support
Confidence
Laki-laki, Dewasa Awal -> Januari
3
15%
100%
Perempuan, Kanak-kanak -> Januari
4
20%
100%
Perempuan, Lansia Awal -> Bae
4
20%
80%
Perempuan, Lansia Awal -> Karang Bener
3
15%
60%
Perempuan, Lansia Awal -> Januari
4
20%
80%
Perempuan, Gondangmanis -> Januari
3
15%
100%
Perempuan, Bae -> Januari
7
35%
100%
38
Perempuan, Karang Bener -> Januari
3
15%
100%
Dari hasil ketiga (L3) bisa didapat kandidat keempat (C4) seperti pada tabel
dibawah ini :
Tabel 4.10 Kandidat Keempat (C4)
Item set
Count
Support
Perempuan, Lansia Awal, Bae, Januari
4
20%
Perempuan, Lansia Awal, Karang Bener, Januari
1
5%
Setelah ditetapkan minimum transaksi (Threshold) adalah 15%, maka
didapat Support dan Confidence seperti pada tabel (L4) dibawah ini :
Tabel 4.11 Hasil Iterasi Keempat (L4)
Item set
Count
Support
Confidence
4
20%
100%
Perempuan, Lansia Awal, Bae -> Februari
Dari penghitungan manual diatas ditemukan rule potensial disetial iterasi,
dapat dilihat besarnya nilai support dan confidence dari calon aturan asosiasi
seperti tampak pada tabel dibawah ini :
Tabel 4.12 Hasil Support dan Confidence
iterasi
Item set
Count
Support
Confidence
2
Perempuan -> Januari
14
70%
100%
3
Perempuan, Bae -> Januari
7
35%
100%
4
Perempuan, Lansia Awal, Bae ->
4
20%
100%
Februari
39
4.2
Pengembangan Dan Analisa Sistem
4.2.1 Flow Chart Diagram
Dalam tahap ini yang dilakukan adalah menggambarkan bagaimana suatu sistem
dibentuk dan mempersiapkan implementasi serta mendesain user interface yang
digunakan untuk aplikasi program input dan output dari aplikasi tersebut.
START
Input Data Rekam
Medis Pesien
Input min.
transaksi/threshold
Scan database
tidak
Delete item
Support >=
Min
support?
ya
Hitung Confidence
Scan database
Output asosiation
rule
End
Gambar 4.1 Flow Chart Proses
40
4.2.2
Pemodelan Fungsi
Pemodelan fungsi digambarkan dengan Context Diagram, DFD (Data Flow
Diagram) dan kamus data (Data Dictionary).
1.
Context Diagram
Import
User
Data rekam
medis
Data
Data Rekam medis
Data rekam
medis
Proses
Threshold
Mining
Pola penyakit
Data rekam medis
Gambar 4.2 Context Diagram
Gambar 4.2 merupakan Context Diagram pada Aplikasi Data Mining yang
terdiri dari 1 input dan 1 output. External entity berupa pengguna atau user
dan 1 file data yaitu data rekam medis.
41
2.
DFD Level 0
User
Pola Penyakit
Menampilkan
data
Input data
Threshold
Import
Data
Pembuatan database
tbl_periksa
Generate
frequent
Itemsets
Generate
frequent
Itemsets
Membentuk
aturan
Pembentukan
frequensi tinggi
Membuat
aturan
T.item set_max
Gambar 4.3 DFD Level-0
Tahapan proses Data Mining yang dipecah menjadi beberapa proses kecil
guna menjelaskan fungsi dan arus data yang mengalur pada Aplikasi Data
Mining. :
1.
User
Dimulai user yang bertugas menginputkan data rekam medis dan
menerima informasi berupa pola penyakit.
42
2.
Import Data
Proses load data dari data rekam medis ke database data mining. Dalam
hal ini data rekam medis berbentuk data file excel 2003 kemudian
diimport menjadi sebuah database.
3.
Mining Jenis kelamin, kategori pasien, alamat, bulan periksa
a. Tahapan proses mining jenis kelamin
Proses ini merupakan proses mining untuk mengetahui pola penyakit ISPA
dengan atribut laki-laki dan perempuan.
b. Tahapan proses mining Umur / Kategori Pasien
Proses ini merupakan proses mining untuk mengetahui hubungan pola
penyakit ISPA dengan atribut Umur. Dengan penggolongan umur 1, 6, 12,
16, 26, 36. 46, 56, 65
c. Tahapan proses mining Alamat
Proses ini merupakan proses mining untuk mengetahui hubungan pola
penyakit ISPA dengan atribut desa, misalnya Gondangmanis, Bae, Karang
Bener, Panjang, Dersalam.
d. Tahapan proses mining Bulan Periksa
Proses ini merupakan proses mining untuk mengetahui hubungan pola
penyakit ISPA dengan atribut bulan, meliputi 12 bulan Januari s/d
Desember.
4.2.3 Perancangan Database
Setelah tahap perancangan sistem selesai dilakukan maka tahapan selanjutnya
adalah melakukan perancangan basis data. Dalam aplikasi ini dibangun database
dengan nama database data mining.
4.2.3.1 Tabel Periksa
Tabel periksa digunakan untuk menampung data rekam medis yang diimport dari
data rekam medis yang berbentuk data file excel. Karena setelah proses Import
data hanya terbentuk satu tabel yang sudah normal dan tidak memiliki dimensi
43
lebih lanjut maka skema hanya berupa satu tabel saja yaitu tabel pengunjung.
Karena hanya terdapat satu entitas yaitu tabel pengunjung maka tidak ada relasi
antar entitas. Adapun atribut tabel yang terbentuk.
Tabel 4.13 Tabel atribut tbl_periksa
Atribut
Keterangan
id_tansaksi
Sebagai kode unik di setiap transaksi
npj
Nomer kartu penjaskes pasien
tanggal_periksa
Nama Pasien
nama
Nama pasien
umur
Umur pasien
jenis_kelamin
Jenis kelamin pasien
bulan_periksa
Bulan periksa pasien
desa
Alamat pasien
kategori_pasien
Jenis pasien berdasarkan umur
4.2.3.2 Tabel t_1_item_set_max
Tabel t_1_item_set_max digunakan untuk menampung iterasi pertama yang
memenuhi treshold.
Tabel 4.14 Tabel atribut t_1_item_set_max
Atribut
Keterangan
Sebagai field untuk menampung atribut pada iterasi
1_item_set
pertama yang memenuhi threshold
Field untuk menampung jumlah transaksi yang ada di
Count
dalam field 1_item_set
4.2.3.3 Tabel t_1_item_set_min
Tabel t_1_item_set_min digunakan untuk menampung iterasi pertama yang tidak
memenuhi treshold.
44
Tabel 4.15 Tabel atribut t_1_item_set_min
Atribut
Keterangan
Sebagai field untuk menampung atribut pada iterasi
1_item_set
pertama yang tidak memenuhi threshold
Field untuk menampung jumlah transaksi yang ada di
Count
dalam field 1_item_set
4.2.3.4 Tabel t_2_item_set_max
Tabel t_2_item_set_max digunakan untuk menampung iterasi kedua yang
memenuhi treshold.
Tabel 4.16 Tabel atribut t_2_item_set_max
Atribut
Keterangan
Sebagai field untuk menampung atribut pada iterasi
2_item_set
kedua yang memenuhi threshold
Field untuk menampung jumlah transaksi yang ada di
count
dalam field 1_item_set
Sebagai field untuk menampung nilai Support dari 2
Support
item set
Sebagai filed untuk menampung nilai Confidence dari 2
Confident
item set
rumus_confident Sebagai field untuk menampung rumus Confidence
rumus_support
Sebagai field untuk menampung rumus Support
4.2.3.5 Tabel t_2_item_set_min
Tabel t_2_item_set_min digunakan untuk menampung iterasi kedua yang tidak
memenuhi treshold.
Tabel 4.17 Tabel atribut t_2_item_set_min
Atribut
Keterangan
Sebagai field untuk menampung atribut pada iterasi kedua
2_item_set
45
yang memenuhi threshold
Field untuk menampung jumlah transaksi yang ada di dalam
Count
field 1_item_set
4.2.3.6 Tabel t_3_item_set_max
Tabel t_3_item_set_max digunakan untuk menampung iterasi ketiga yang
memenuhi treshold.
Tabel 4.18 Tabel atribut t_3_item_set_max
Atribut
Keterangan
Sebagai field untuk menampung atribut pada iterasi ketiga
3_item_set
yang memenuhi thhreshold
Field untuk menampung jumlah transaksi yang ada di
Count
dalam field 1_item_set
Sebagai field untuk menampung nilai Support dari 3 item
Support
set
Sebagai filed untuk menampung nilai Confidence dari 3
Confident
item set
rumus_confident Sebagai field untuk menampung rumus Confidence
rumus_support
Sebagai field untuk menampung rumus Support
4.2.3.7 Tabel t_3_item_set_min
Tabel t_3_item_set_min digunakan untuk menampung iterasi ketiga yang tidak
memenuhi treshold.
Tabel 4.19 Tabel atribut t_3_item_set_min
Atribut
Keterangan
Sebagai field untuk menampung atribut pada iterasi ketiga
3_item_set
Count
yang tidak memenuhi threshold
Field untuk menampung jumlah transaksi yang ada di
dalam field 1_item_set
46
4.2.3.8 Tabel t_4_item_set_min
Tabel t_4_item_set_min digunakan untuk menampung iterasi keempat yang tidak
memenuhi treshold.
Tabel 4.20 Tabel atribut t_4_item_set_min
Atribut
4_item_set
Count
Keterangan
Sebagai field untuk menampung atribut pada iterasi ketiga yang
tidak memenuhi threshold
Field untuk menampung jumlah transaksi yang ada di dalam
field 1_item_set
4.2.3.9 Tabel t_4_item_set_max
Tabel t_4_item_set_max digunakan untuk menampung iterasi keempat yang
memenuhi treshold.
Tabel 4.21 Tabel atribut t_4_item_set_max
Atribut
Keterangan
Sebagai field untuk menampung atribut pada iterasi
4_item_set
Count
Support
keempat yang memenuhi threshold
Field untuk menampung jumlah transaksi yang ada di
dalam field 1_item_set
Sebagai field untuk menampung nilai Support dari 4 item
set
Sebagai filed untuk menampung nilai Confidence dari 4
Confident
item set
rumus_confident Sebagai field untuk menampung rumus Confidence
rumus_support
Sebagai field untuk menampung rumus Support
47
4.2.4 Kamus Data
Setelah desain databse terbentuk, selanjutnya adalah pembuatan kamus data.
Kamus data digunkan untuk mendifinisakan file-file yang ada di dalam database
dengan lengkap. Hal ini sangat diperlukan untuk membuat file secara fisik.
Adapun kamus datanya adalah sebagai berikut :
Tabel 4.22 Kamus data tabel tbl_periksa
No
Nama Filed
Keterangan
1
id_tansaksi
varchar(11)
2
npj
Int(15)
3
tanggal_periksa
Date
4
nama
varchar(50)
5
nmur
Int(3)
6
jenis_kelamin
enum („P‟,‟L‟)
7
bulan_periksa
Varchar(25)
8
desa
Varchar(50)
9
kategori_pasien
Varchar(50)
Tabel 4.23 Kamus data t_1_item_set_ min
No
Nama Filed
Keterangan
1
1_item_set
varchar(50)
2
Count
int(11)
Tabel 4.24 Kamus data t_1_item_set_ max
No
Nama Filed
Keterangan
1
1_item_set
varchar(50)
2
Count
int(11)
48
Tabel 4.25 Kamus data t_ 2_item_set_ min
No
Nama Filed
Keterangan
1
2_item_set
varchar(50)
2
Count
int(11)
Tabel 4.26 Kamus data t_2_item_set_ max
No
Nama Filed
Keterangan
1
2_item_set
varchar (50)
2
Count
int (11)
3
Support
double(11,1)
4
Confident
double (11,1)
5
rumus_confident
varchar (20)
6
rumus_support
varchar (20)
Tabel 4.27 Kamus data t_3_item_set_ min
No
Nama Filed
Keterangan
1
3_item_set
varchar(50)
2
Count
int(11)
Tabel 4.28 Kamus data t_3_item_set_ max
No
Nama Filed
Keterangan
1
3_item_set
varchar (50)
2
Count
int (11)
3
Support
double(11,1)
4
Confident
double (11,1)
5
rumus_confident
varchar (20)
6
rumus_support
varchar (20)
49
Tabel 4.29 Kamus data t_4_item_set_ min
No
Nama Filed
Keterangan
1
4_item_set
varchar(50)
2
Count
int(11)
Tabel 4.30 Kamus data t_4_item_set_ min
No
Nama Filed
Keterangan
1
4_item_set
varchar(70)
2
Count
int(10)
3
Support
Double(11,1)
4
Confident
Double(11,1)
5
rumus_confident
Varchar(20)
6
rumus_support
Varchar(20)
4.2.5 Perancangan Aplikasi
4.2.5.1 Halaman Depan
Header
Browse
Import
Konten
Footer
Gambar 4.4 Rancangan Halaman Awal
50
4.2.5.2
Halaman Tampil Data Hasil Import Excel ke Database
Header
Masukan nilai minimum support
Proses
Tampil Data Import
Footer
Gambar 4.5 Rancangan Tampil Data Hasil Import
4.2.5.3 Halaman Hasil Proses Data Mining
Header
Treshold:
x
Hasil Proses Data Mining
Home
Lihat
Menu Tampil
perhitungan
Data
Footer
Gambar 4.6 Rancangan Hasil Proses Data Mining
51
4.2.5.4 Halaman Lihat Perhitungan Data Mining
Menghitung threshold : x, dari jumlah pasien : x
Tahap 1 (Satu) Item Set [ Mak -|- Min ]
Hasil mining yang memenuhi
Hasil yang tidak memenuhi
minimum threshold dari 1 item
minimum threshold dari 1 item
Tahap 2 (Dua) Item Set [ Mak -|- Min ]
Hasil mining yang memenuhi
Hasil yang tidak memenuhi
minimum threshold dari 2 item
minimum threshold dari 2 item
Hasil data mining Support & Confidence dari iterasi ke-4
Gambar 4.7 Rancangan Lihat Perhitungan
4.2.6
Pembahasan dan implementasi
4.2.6.1 Data Rekam Medis Puskesmas Tahun 2013
Data rekam medis yang akan diproses berjumlah 3.208 transaksi dan sudah
diseleksi bedasarkan kebutuhan sistem.
52
Gambar 4.8 Data Rekam Medis Puskesmas Tahun 2013
4.2.6.2 Tampilan Halaman Utama
Gambar 4.9 Tampilan Halaman Utama
53
4.2.6.3 Tampilan Hasil Import Data Excel ke Database
Gambar 4.10 Tampilan Hasil Import Data Excel ke Database
4.2.6.4 Tampilan Hasil Proses Data Mining
Gambar 4.11 Tampilan Hasil Proses Data Mining
54
4.2.6.5 Tampilan Halaman Perhitungan
Gambar 4.12 Tampilan Perhitungan Iterasi 1
Gambar 4.13 Tampilan Perhitungan Iterasi 2
55
Gambar 4.14 Tampilan Perhitungan Iterasi 3
Gambar 4.15 Tampilan Perhitungan Iterasi 4
56
Pada halaman proses penghitungan data mining diatas dapat disimpulkan dengan
mengambil hasil terbanyak nilai support & confidence berdasarkan bulan periksa
dari setiap iterasi bisa dilihat pada tabel dibawah ini:
Tabel 4.31 Hasil Perhitungan
Iterasi
Itemset
Count
Support
Confidence
Rumus
Support
Rumus
Confidence
2
Remaja
Akhir→April
126
3,9
65,3
126/3201*100
126/193*100
3
Kanakkanak,Bae→Januari
146
4,6
66,4
146/3201*100
146/220*100
4
P,Kanakkanak,Bae→Januari
110
3,4
89,4
110/3201*100
110/123*100
4.2.7
Pemeliharaan
Kegiatan pemeliharaan berfungsi untuk memelihara atau merawat sistem agar
sistem tersebut terhindar dari kerusakan dan bertahan lama. Untuk sebuah sistem
baru, banyak kesalahan-kesalahan yang dilakukan user maupun sistem itu sendri,
sehingga masih diperlukan perhatian khusus agar sistem tersebut dapat berjalan
dengan baik. Kegiatan pemeliharaan dapat berupa diantaranya :
1. Update database dilakukan jika sistem akan ditambah beberapa iterasi lagi.
2. Menjaga keterbaruan aplikasi.
Dengan berjalannya waktu, pastinya akan membuat aplikasi menjadi usang dan
mengharuskan untuk dilakukannya modifikasi baik dari segi perancangan maupun
segi aplikasinya.
57
BAB 5
PENUTUP
5.1
Simpulan
Dalam pembuatan laporan tugas akhir ini dan pembahasan yang sudah diuraikan
sebelumnya, maka Penulis dapat menarik beberapa kesimpulan, yaitu:
1.
Bedasarkan tahapan proses mining menggunakan aplikasi data mining dengan
total kasus penyakit ISPA sebanyak : 3.208 memakai atribut jenis kelamin,
umur, alamat dan bulan periksa didapat informasi pola penyakit ISPA disetiap
iterasi antara lain :
a.
Iterasi kedua diperoleh : Remaja Akhir→April [support 3,9 / confidence
65,3] bisa diartikan dari total kunjungan pasien ISPA terdapat 3,9% yang
mengandung atribut (Remaja Akhir,April) dan mempunyai nilai
kepastian 65,3% maka pasien tersebut akan berobat pada bulan April.
b.
Iterasi ketiga diperoleh : Kanak-kanak,Bae→Januari [support 4,6 /
confidence 66,4] bisa diartikan dari total kunjungan pasien ISPA terdapat
4,6%
yang
mengandung
atribut
(Kanak-kanak,Bae,Januari)
dan
mempunyai nilai kepastian 66,4% pasien kanak-kanak alamat desa Bae
maka akan berobat pada bulan Januari.
c.
Iterasi keempat diperoleh : P,Kanak-kanak,Bae→Januari [support 3,4 /
confidence 89,4] bisa diartikan dari total kunjungan pasien ISPA terdapat
3,4% yang mengandung atribut (P,Kanak-kanak,Bae,Januari) dan
mempunyai nilai kepastian 89,4% pasien perempuan, kanak-kanak
alamat desa Bae maka akan berobat pada bulan Januari.
2.
Informasi yang di dapat dari pengolahan data mining bisa digunakan antara
lain :
a.
Membantu UPTD Puskesmas Bae dalam pengambilan keputusan dan
menjadi acuan dalam meningkatkan kualitas pelayanan kesehatan serta
ketersediaan obat.
58
b.
Dari hasil mining tersebut pihak Puskesmas memperoleh referensi
sebagai acuan melakukan penyuluhan mengenai gejala, bahaya serta
dampak dari penyakit ISPA kepada masyarakat.
5.2
Saran
Dengan selesainya pengembangan penerapan data mining ini, Penulis ingin
mengajukan saran yang sekiranya dapat dipertimbangkan untuk pengembangan
data mining ini lebih lanjut.
1.
Pencarian pola masih sebatas pada 4 atribut saja yaitu jenis kelamin, umur,
alamat dan bulan periksa. Pengembangan bisa dilakukan dengan menambah
atribut-atribut yang lain.
2.
Penggunaan data file sebagai penyimpanan data set sebelum diimport ke
dalam database masih sebatas jenis file excel versi 2003, sehingga jika tipe
filenya berbeda terlebih dahulu harus di konvert ke versi 2003 sebelum
diimport ke database, hal ini perlu dikembangkan agar bisa support tipe file
yang berbeda.
3.
Desain tampilan dan proses mining pada aplikasi ini dibuat sangat sederhana
untuk memudahkan user sewaktu mengoperasikan aplikasi ini. Namun tidak
menutup kemungkinan untuk dikembangkan lagi interfacenya agar lebih
menarik lagi.
DAFTAR PUSTAKA
[1]
Kusrini, Luthfi Emha Taufiq, 2009, Algoritma Data Mining. Yogyakarta.
C.V Andi Offset
[2] Jogiyanto HM, 2005, Analisis dan Desain. Yogyakarta : CV.Andi Offset
[3]
Fathansyah, Ir, 2001, Basis Data. Bandung: CV. Informatika.
[4]
Sani Susanto, Dedy Suryadi, 2010, Pengantar Data Mining Menggali
Pengetahuan dari Bongkahan Data. Bandung. CV. Andi Offset.
[5]
haniif, 2007, Association rule,[online],
(http://haniif.wordpress.com/tag/association-rule/, diakses tanggal 04 Juli
2014)
[6]
Larose, Daniel T. (2005). Discovering Knowledge in Data: an Introduction
to Data Mining. John Willey and Sons, Inc.
[7] Iman Hermanto, Teguh, 2013, Data mining menggunakan algoritma apriori
sebagai alat bantu penentuan pola konsumen pada E-commerce moshimoshi petshop.
[8]
http://www.smallcrab.com/kesehatan/423-tanda-dan-pengobatan-ispa
diakses tanggal 07 Desember 2014.
[9]
Kadir, Abdul, 2008, Dasar pemrograman web dinamis menggunakan
PHP(revisi). Yogyakarta: CV. Andi Offset
[10] Hakim, Lukmanul, 2008, Membongkar Trik Rahasia Master PHP,
Yogyakarta, penerbit: Lokomedia
[11] Pane, Kartika, Dewi, 2013, Implementasi Data Mining Pada Penjualan
Produk Elektronik Dengan Algoritma Apriori (Studi Kasus : Kreditplus)
[12] Lestari, Tri, 2009, Analisis Keranjang Belanja Pada Data Transaksi
Penjualan(Studi Kasus Toserba Yogya Banjar).
59
60