BAB I

PENDAHULUAN

A. Latar Belakang
Darah merupakan salah satu komponen penting yang ada di dalam tubuh manusia sebab
darah berfungsi mengalirkan zat-zat atau nutrisi yang dibutuhkan tubuh, kemudian
mengalirkan karbondioksida hasil metabolisme untuk di buang. Ada 4 fungsi utama darah
yaitu : memberikan seplai oksigen keseluruh jaringan tubuh, membawa nutrisi,
membersihkan sisa-sisa metabolisme dan membawa zat antibody. Demam Berdarah
Dengue (DBD) merupakan suatu penyakit yang disebabkan oleh virus dengue
(arbovirus) yang masuk kedalam tubuh melalui gigitan nyamuk aedes aegepty (suriadi &
rita yuliani, 2010).
Menurut Aristanaoka (2008) virus akan masuk kedalam tubuh melalui gigitan nyamuk
aedes aegepti yang kemudian akan bereaksi dengan anti body dan terbentuk komplek
virus anti body, terjadinya trombositopenia, menurunnya fungsi trombosit, menurunnya
fungsi pembekuan darah merupakan factor penyebab terjadinya perdarahan hebat
terutama perdarahan pada saluran gastrointestinal pada DHF.
Manifestasi klinik yang berfariasi antara lain: Panas mendadak tinggi terus menerus 2-7
hari, nyeri pada tulang, diikuti dengan munculnya bintik-bintik atau bercak-bercak darah
dibawah kulit, batuk, pembesaran hepar, syok atau renjatan yang menifestasinya cepat
dengan nadi melemah disertai nadi yang menyempit, hipotensi, dengan ditandai kulit
yang lembab, dingin dan gelisah, trombositopenia, perdarahan di hidung, mulut, dubur/
anus. Dalam menentukan diagnostic DHF, selain dengan menggunakan gejala klinis yang
muncul juga harus didukung oleh data lain dari beberapa pemeriksaan penunjang seperti
pemeriksaan darah yaitu pemeriksaan sarah rutin (DPL), pemeriksaan fungsi hepar
(SGOT/SGPT), pemeriksaan fungsi ginjal (ureum kreatinin), pemeriksaan Dengue. Pada
pemeriksaan darah lengkap, indicator penilaian yang dilihat berturut-turut adalah nilai
trombosit, nilai hematokrit, dan nilai Hb. Pada kasus DBD/DHF, nilai trombosit biasanya
turun sebagai akibat dari adanya proses atau reaksi imun. Nilai hematokrit mencerminkan
nilai dari kekentalan darah, semakin kental darah semakin tinggi nilai hematokrit.
B. Rumusan Masalah
1. Bagaimana anatomi fisiologi DHF/DBD?
2. Apa definisi DHF/DBD?
3. Bagaimana patofisiologi DHF/DBD?
4. Apa menifestasi klinis dari DHF/DBD?
5. Bagaimana komplikasi DHF/DBD?
6. Apa pemeriksaan diagnostik pada DHF/DBD?

1
C. Tujuan Penulisan
1. Untuk memberikan pengetahuan asuhan keperswatan pada klien dengan penyakit
DHF
2. Untuk memberikan informasi tentang pengakit DHF dan komplikasi DHF
3. Untuk meningkatkan pengetahuan klien mengenai penyakit DHF
D. Manfaat Penulisan
1. Memberi pengetahuan dan keterampilan pada keluarga tentang perawatan penyakit
DHF/DBD
2. Memberikan asuhan keperawatan untuk menjga dan meningkatkan pelayanan kepada
masyarakat, khususnya asuhan keperawatan dengan penyakit DHF/DBD
3. Sebagai bahan bacaan di perpustakaan dan bahan acuan pertimbangan pada
keperawatan khususnya kasus DHF/DBD

2
 BAB II

KONSEP DASAR

A. Anatomi Fisiologi
Darah merupakan salah satu komponen penting yang ada di dalam tubuh manusia sebab
darah berfungsi mengalirkan zat-zat atau nutrisi yang dibutuhkan tubuh, kemudian
mengalirkan karbondioksida hasil metabolisme untuk di buang. Ada 4 fungsi utama darah
yaitu : memberikan seplai oksigen keseluruh jaringan tubuh, membawa nutrisi,
membersihkan sisa-sisa metabolisme dan membawa zat antibody.
1. Komposisi Darah
Darah mengandung beberapa jenis sel yang tersangkut di dalam cairan kuning yang
disebut plasma darah, yang tersusun atas 90% air yang mengandung sari makanan,
protein, hormone, dan endapan kotoran selain sel-sel darah.
2. Sel darah merah (Eritrosit)
Sel darah merah berupa cakram kecil bikonkaf, cekung pada kedua sisinya, sehingga
dilihat dari samping tampak seperti dua buah bulan sabit yang saling bertolak
belakang. Dalam milimeter kubik sel darah merah terdapat 5000.000 del darah.
Jumlah sel darah merah yang diproduksi setiap harinya mencapai 200.000 biliun,
rata-rata umurnya hanya 120 hari. Sel darah merah mengandung hemoglobin yang
kaya akan zat besi, warnanya yang merah cerah disebabkan karena oksigen yang
diserap dari paru-paru.
3. Sel darah putik (Leukosit)
Sel darah putih berupa bening dan tidak berwarna, bentuknya lebih besar dari sel
darah merah namun lebih sedikit. Dalam setiap milimeter kubik darah terdapat 6000-
10.000 rata-rata 8000 sel darah putih.
4. Keeping darah (Trombosit)
Trombosit adalah sel kira-kira ukurannya 1/3 ukuran sel darah merah. Terdapat
300.000 trombosit dalam setiap milimeter kubik darah. Perannya penting dalam
pengumpulan darah.

3
B. Definisi DHF (Dengue Hemoragic Fever)/ Demam Berdarah Dengue (DBD)
Demam Berdarah Dengue (DBD) merupakan suatu penyakit yang disebabkan oleh virus
dengue (arbovirus) yang masuk kedalam tubuh melalui gigitan nyamuk aedes aegepty
(suriadi & rita yuliani, 2010). Demam dengue/DF dan demam berdarah dengue/DBD
(dengue hemoragic fever) adalah penyakit infeksi yang disebabkan oleh virus dengue
dengan manifestasi klinis demam, nyeri otot atau nyeri sendi yang disertai leukopenia,
ruam, limfadenopati, trombositopenia dan diathesis hemoragic. Pada DBD terjadi
perembesan plasma yang ditandai dengan hemokonsentrasi (peningkatan hematocrit) atau
penumpukan cairan di rongga tubuh. Sindrom renjatan dengue (dengue syok syndrome)
adalah demam berdarah yang ditandai oleh renjatan/syok (Sudowo et al, 2009).
C. Patofisiologi DHF
Menurut Aristanaoka (2008) virus akan masuk kedalam tubuh melalui gigitan nyamuk
aedes aegepti yang kemudian akan bereaksi dengan anti body dan terbentuk komplek
virus anti body, terjadinya trombositopenia, menurunnya fungsi trombosit, menurunnya
fungsi pembekuan darah merupakan factor penyebab terjadinya perdarahan hebat
terutama perdarahan pada saluran gastrointestinal pada DHF.
Salah satu hal yang menentukan beratnya penyakit adalah meningkatnya permeabilitas
dinding pembuluh darah, menurunnya volume plasma darah, terjadinya hipotensi,
trombositopenia, dan diathesis haemoragik. Nilai hematokrit meningkat bersamaan
dengan hilangnya plasma melalui endotel dinding pembuluh darah. Dan dengan
hilangnya plasma penderita mengalami hipovolemik apabila tidak diatasi bisa terjadi
anoreksia jaringan, asidosis metabolic dan kematian.

4
D. Menifestasi klinik DHF
Menifestasi klinis DHF/DBD seperti pada infeksi virus yang lain, infeksi virus ini juga
merupakan suatu self limiting infection desease yang akan berakhir sekitar 2-7 hari.
Manifestasi klinik yang berfariasi antara lain:
1. Panas mendadak tinggi terus menerus 2-7 hari, nyeri pada tulang, diikuti dengan
munculnya bintik-bintik atau bercak-bercak darah dibawah kulit
2. Batuk
3. Pembesaran hepar
4. Syok atau renjatan yang menifestasinya cepat dengan nadi melemah disertai nadi
yang menyempit
5. Hipotensi, dengan ditandai kulit yang lembab, dingin dan gelisah
6. Trombositopenia
7. Perdarahan di hidung, mulut, dubur/ anus.
E. Komplikasi
1. Gagal jantung
2. Efusi pleura
3. Hematomegaly
4. Gagal jantung
F. Pemeriksaan Diagnostik
Dalam menentukan diagnostic DHF, selain dengan menggunakan gejala klinis yang
muncul juga harus didukung oleh data lain dari beberapa pemeriksaan penunjang seperti
pemeriksaan darah yaitu pemeriksaan sarah rutin (DPL), pemeriksaan fungsi hepar
(SGOT/SGPT), pemeriksaan fungsi ginjal (ureum kreatinin), pemeriksaan Dengue. Pada
pemeriksaan darah lengkap, indicator penilaian yang dilihat berturut-turut adalah nilai
trombosit, nilai hematokrit, dan nilai Hb. Pada kasus DBD/DHF, nilai trombosit biasanya
turun sebagai akibat dari adanya proses atau reaksi imun. Nilai hematokrit mencerminkan
nilai dari kekentalan darah, semakin kental darah semakin tinggi nilai hematokrit.

5
Menurut Hidra (2004) pemeriksaan diagnostiknya adalah :
1. Pemeriksaan darah tepi
2. Pemeriksaan jumlah trombosit
3. Pemeriksaan limposit apical
4. Pemeriksaan hematokrit
5. Uji sorologi dengue Ig M dan Ig G
6. Hemoglobin
7. Leukosit
8. Pcv

6
 BAB III

ASUHAN KEPERAWATA DHF

Selama di rumah klien sudah mengalami panas badan selama 5 hari terutama pada malam hari,
dan mengalami mual, karena sudah mengalami panas lebih dari 3 hari, keluarga memutuskan
untuk di bawa ke rumah sakit Bhayangkara Sartika Asih Bandung klien langsung di bawa ke poli
umum, di poli umum dokter langsung melakukan pemeriksaan observasi TTV yaitu : TD: 100/60
mmHg, N: 78x/menit, R: 20x/menit, S: 38,5C. Karena klien sudah mengalami panas lebih dari 3
hari, klien di suruh ke laboratorium untuk diambil darah setelah diambil darah klien kembali ke
poli dan dokter memeriksa hasil laboratorium: Hb: 15,5 g/dl, Leukosit : 3,500 mm, Pcv: 40%,
Trombosit: 3,1000 mm. sesudah melihat hasil lab, dokter mengatakan trombosit turun maka
klien harus dirawat, klien di bawa ke Ruang Fajar dan perawat langsung melakukan tindakan
infus RL 30gtt/menit dan dikasih obat oral yaitu paracetamol. Maka klien dirawat di ruangan
fajar kamar 4 bad 1.

Saat di ruangan klien masih mengalami panas di malam hari dan turu di pagi hari, perawat
memberikan obat paracetamol tapi panas klien tidak menurun, maka perawat mengompres klien
dengan air hangat di bagian prontal dan axila. Setelah dikompres beberapa saat kemudian
panasnya klien sedikit menurun, sesudah panasnya menurun klien mengalami mual, maka klien
tidak nafsu makan, dan dianjurkan makan sedikit tapi sering kurang lebih selama di RS
Bhayangkara Sartika Asih klien panasnya terkadang turun, terkadang naik. Dan kurang lebih dari
4 hari klien di rawat klien sudah bisa pulang.

7
A. Pengkajian
1. Pengumpulan Data
a. Identitas Klien
Nama : Tn.N
Umur : 18 Tahun
Jenis Kelamin : Laki-Laki
Pendidikan : SMK
Pekerjaan :-
Agama : Islam
Suku/Bangsa : Sunda/Indonesia
Status Perkawinan : Belum Menikah
Alamat : Kec. Cisarenten RT/RW 03/01
Tanggal Masuk : 11 Desember 2019
Tanggal Pengkajian : 12 Desember 2019
Diagnosis Medis : DHF
b. Identitas Penanggung Jawab
Nama :Tn.W
Umur : 39 Tahun
Jenis Kelamin : Laki-Laki
Pendidikan : SMA
Pekerjaan : Wiraswasta
Agama : Islam
Alamat : Kec. Cisarenten RT/RW 03/01
Hubungan Dengan Klien : Ayah
c. Riwayat Kesehatan
1) Riwayat Kesehatan Sekarang
Klien mengeluh demam, tidak nafsu makan, mual dan lemah sejak 5 hari yang
lalu, klien mengatakan bahwa klien mengeluh panas, serasa di siram air panas
dan di rasakan di seluruh tubuh S: 38,5 C pada malam hari.
2) Riwayat Kesehatan Dahulu

8
 Keluarga klien mengatakan bahwa sebelumnya klien tidak pernah mengalami
penyakit seperti yang di deritanya.
3) Riwayat Kesehatan Keluarga
Keluarga klien mengatakan tidak ada anggota keluarga yang lain yang
mengalami penyakit seperti yang di derita klien.
d. Pemeriksaan Fisik
1) Keadaan Umum Klien :
Penampilan : Composmentis
2) Tanda-Tanda Vital
TD : 100/60 mmHg
Suhu : 38,5 C
Respirasi : 20x/menit
Nadi : 78x/menit
3) Kulit
Inspeksi : Sawo matang, tidak ada lesi.
Palpasi : kulit klien lembab, turgor kulit kurang baik
terbukti >2 detik kembali kulit ke bentuk semula.
4) Kepala dan Rambut
Inspeksi : Bentuk kepala bulat, simetris, tidak ada benjolan,
tidak ada lesi, warna rambut hitam, tidak adanya ketombe maupun kutu.
Palpasi : Tidak terdapat benjolan, tidak terdapat fraktur atau
patahan tulang.
5) Mata
Inspeksi : bentuk mata simetris, konjungtiva pucat, pupil
baik, sclera putih, reflek cahaya baik terhadap cahaya, fungsi penglihatan
normal dibuktikan klien bisa membaca Koran dengan jarak kurang lebih 25
cm.
Palpasi : Tidak terdapat nyeri tekan, tidak terdapat benjolan.
6) Hidung
Inspeksi : bentuk hidung simetris, tidak ada secret, mukosa
hidung sedikit kemerahan, tidak terdapat polip.

9
 Palpasi : tidak terdapat nyeri tekan pada hidung, fungsi
penciuman normal itu di buktikan klien bisa membedakan bau kayu putih dan
bau parfum.
7) Telinga
Inspeksi : daun telinga simetris, tidak ada lesi, telinga klien
bersih,
Palpasi : tekstur daun telinga normal, tidak ada lesi, fungsi
pendengaran normal itu dibuktikan klien bisa mendengan suara/bunyi.
8) Mulut
Inspeksi : bentuk bibir simetris, mukosa bibir kering dan
pecah pecah, gigi lengkap 32 buah, lidah bersih.
Palpasi : tidak terdapat nodul, fungsi pengecapan normal,
itu dibuktikan klien bisa merasakan manis, pahit, asam dan asin.
9) Leher
Inspeksi : bentuk simetri, tidak ada benjolan, tidak ada
pembengkakan
Palpasi : tidak terdapat pembesaran KGB
10) Dada
Inspeksi : warna dada sama dengan kulit yang lain, bentuk
dada simetris, kesimetrisan dada simetris pada saat relaksasi dan pada saat
kontraksi, tidak terdapat cuping hidung pada klien.
Palpasi : pengembangan paru simetris, vocal premitus
normal dan simetris, tidak adanya nyeri tekan, tidak terdapat masa.
Perkusi : perkusi semua lapang paru di dapatkan suara
lapang paru normal (Resonant)
Auskultasi : suara nafas klien vasikuler.
11) Abdomen
Inspeksi : bentuk simetris, tidak adanya pelebaran pembuluh
darah, bentuk umbilicus normal.
Palpasi : tidak ada nyeri tekan,

10
 Perkusi : perkusi semua kuadran tidak terdapat suara
abnormal
Auskultasi : bising usus 14x/menit
12) Reproduksi
Inspeksi : keadaan genetalia bersih, tidak ada lesi, tidak
terpasang kateter, tidak ada cairan yang keluar,
Palpasi : tidak terdapat nyeri tekan, tidak ada lesi, tidak ada
hemoroid
13) Ekstremitas Atas
Inspeksi : bentuk simertis, kuku pendek dan bersih, tidak ada
lesi
Palpasi : pergerakan terbatas di tangan kiri karena terpasang
infus 30 gtt/menit.
14) Ekstremitas Bawah
Inspeksi : bentuk simetris, kuku lengkap, tidak ada lesi
Palpasi : pergerakan tidak terbatas tapi lemah.
e. Data Penunjang
No Jenis Pemeriksaan Nilai Normal Hasil
1 Hemoglobin 14-16 g/dl 15,5 g/dl
2 Leukosit 4.000-10.000 mm 3,500 mm
3 Pcv 40-50% 40%
4 Trombosit 150.00-450.000 mm 31.000 mm

Terapi medis :
1. Cairan infus ringer laktat 30gtt/ menit
2. Cafriaxone (termasuk golongan sefalosprorin/ antibiotika belaktam) injeksi
2x1 gr(iv)

11
f. Program dan rencana pengobatan
Jenis Obat Cara Pemberian Jam Pemberian Fungsi obat
Paracetamol Oral 07.30 Penurun panas,
obat
menghilangkan
rasa sakit
Antipiretik Oral 07.30 Mengurangi suhu
tubuh, menurunkan
panas
Imunos Oral 07.30 Untuk menstimulis
system imun tubuh
Ondansentron Injeksi 08.00 Mengurangi rasa
mual

12
B. Analisa Data
No Data Interpretasi (penyebab) Masalah

1 Do : - Suhu klien 38,5 C, Nyamuk aedes aegepty Gangguan rasa

- klien tampak lemas nyaman
Ds : - klien mengeluh panas Respon abtigen antibody peningkatan suhu
badan tubuh
Merangsang sel-sel
monosit, eosinofel
neotrofil dan makrofag
untuk mengeluarkan zat-
zat pirogen endogen

Impuls disampaikan ke
hypothalamus bagian
thermoregulator melalui
duktus thoraticus

Sel point suhu meningkat

Suhu tubuh meningkat

Gangguan rasa nyaman

peningkatan suhu tubuh
2 Do: - klien mengeluh lemas Virus dengue Resiko defisit
Ds: - Turgor kulit jelek volume cairan tubuh
- TD: 100/60 mmHg Reaksi antigen-antibodi
- N: 78x/menit
- R: 20x/menit Merangsang aktivitas
- S: 38,5 C komplemen dari jaringan
tubuh

13
 Peningkatan permeabilitas
pembuluh darah

Perpindahan cairan dari

pembuluh darah ke
intensitas jaringan

Volume pembuluh darah

menurun
Syok hifovolemik

Risiko defisit volume

cairan tubuh
3 Do: - Terdapat lingkaran Implus ke hypothalamus Gangguan
hitam di kelopak mata pemenuhan istirahat
- Konjungtiva pucat Saraf pusat RAS dan tidur
- Klien tampak lemah
Ds: - kliem mengeluh tidak Klien terjaga
bisa tidur
Gangguan pemenuhan
istirahat dan tidur
4 Do: - klien tampak mual Merangsang sistem saraf Gangguan
- Bising usus otonom pemenuhan
14x/menit kebutuhan nutrisi
Ds: - klien mengeluh mual Saraf parasimpatis kurang dari
terangsang kebutuhan

Hypersekresi HCL

Merangsang medula mual,

anoreksia

14
 Intake nutrisi berkurang

Gangguan pemenuhan
kebutuhan nutrisi kurang
dari kebutuhan

C. Diagnosa Keperawatan
No Diagnosa Keperawatan Tanggal Nama Paraf
Pengkajian
1 Gangguan rasa nyaman 12-12-2019 Tn.N
peningkatan suhu tubuh
berhubungan dengan virus
dengue
2 Gangguan volume cairan 12-12-2019 Tn.N
tubuh berhubungan dengan
peningkatan permeabilitas
pembuluh darah akibat virus
dengue
3 Gangguan istirahat dan tidur 12-12-2019 Tn.N
berhubungan dengan panas
badan
4 Gangguan kebutuhan nutrisi 12-12-2019 Tn.N
kurang dari kebutuhan
dengan adanya mual

15
D. Intervensi (Perencanaan)
Diagnosa Tujuan Tindakan Rasional
Keperawatan
Gangguan rasa Setelah dilakukan - Observasi TTV - Untuk
nyaman tindakan keperawatan, - Anjurkan klien mengetahui
peningkatan diharapkan suhu tubuh minum ekstra keadaan umum
suhu tubuh normal dengan kriteria 200cc setiap klien
berhubungan suhu klien 36,5 C-37,5 kenaikan suhu - Untuk
dengan virus C 1C memlatasikan
dengue - Anjurkan untuk pembuluh darah
kompres sehinggga bisa
hangat dengan mudah
- Anjurkan untuk terjadi
memakai baju penguapan
yang tipis dan - Agar dapat
mudah menyerap
menyerap keringat dengan
keringat baik dan
mempermudah
proses
penguapan
Gangguan Setelah dilakukan - Observasi TTV - Untuk
volume cairan perawatan diharapkan - Anjurkan untuk mengetahui
tubuh kebutuhan cairan tubuh ekstra minum keadaan umum
berhubungan terpenuhi dengan - Observasi klien
dengan kriteria: tetesan infus - Agar cairan
peningkatan - Turgor kulit tubuh dapat
permeabilitas baik terpenuhi
pembuluh darah - TD normal - Untuk
akibat virus Diastole 100- mengganti
dengue 140mmHg, cairan elektrolit

16
 sistol 60- yang hilang agar
100mmHg tidak terjadi
- Suhu normal dehidrasi
36,5 C-37,5 C
- Respirasi 16-
24x/menit
- Nadi 60-
100x/menit
Gangguan Setelah dilakukan - Atur posisi - Posisi yang
istirahat tidur tindakan keperawatan tidung nyaman dapat
berhubungan duharapkan kebutuhan senyaman mempermudah
dengan panas istirahat dan tidur klien mungkin klien untuk tidur
badan dapat terpenuhi dengan - Ciptakan - Memberikan
kriteria : lingkungan suasana yang
- Konjungtiva yang tenang rileks
merah muda dan nyaman - Kebersihan
- Lingkar - Ganti alat lingkungan
kelopak mata tenun dapat
hitam - Batasi memberikan
- Klien tampak pengunjung rasa nyaman
segar ketika
beristirahat
- Untuk
mengurangi
kebisingan
Gangguan Setelah dilakukan - Sajikan - Untuk
kebutuhan tindakan keperawatan makanan dalam meningkatkan
nutrisi kurang diharapkan kebutuhan bentuk hangat nafsu makan
dari kebutuhan nutrisi klien dapat - Anjurkan klien dan mengurangi
dengan adanya terpenuhi dengan makan dengan rasa mual klien
mual kriteria : porsi sedikit

17
 - Klien tidak tapi sering - Dapat
mengeluh mual - Anjurkan klien mengurangi rasa
- Bising usus makan mual dan
normal sehingga memenuhi
- Makan 1 porsi seperti biskuit kebutuhan
habis nutrisi
- Untuk
memudahkan
makanan mudah
cerna

E. Pelaksanaan
No Tanggal dan Diagnosa ke Tindakan (Evaluasi Formatif) Paraf
jam
1 Kamis, DP Ke 1 Mengobservasi TTV, hasil :
12-12-2019 TD : 100/60mmHg
Jam 08.00 R : 20x/menit
N: 78x/menit
S: 38,5 C
Menganjurkan klien untuk
ekstra minum, hasil:
Klien mau mengikuti anjuran
perawat
Jum’at DP Ke 1 Memberikan kompres hangat
13-12-2019 pada bagian prontal dan axila,
Jam 08.00 hasil:
Suhu klien turun sedikit
Menganjurkan klien untuk
memakai baju yang tipis dan
mudah menyerap keringat,
hasil:

18
 Klien berkeringat

2 Kamis DP Ke 2 Mengobservasi TTV, hasil:

12-12-2019 TD : 100/60mmHg
Jam 09.00 R : 20x/menit
N : 78x/menit
S : 38 C
Menganjurkan klien untuk
ekstra, hasil:
Klien mengikuti anjuran
perawat
Jum’at DP Ke 2 Mengobservasi tetesan infus,
13-12-2019 hasil:
Jam 09.00 Mengetahui kebutuhan cairan
dan elektrolit, jika infus macet
perawat dapat mengatasinya

3 Kamis DP Ke 3 Menyajikan makanan dalam

12-12-2019 bentuk hangat, hasil:
Jam 10.00 Klien mengatakan mual sedikit
berkurang
Menganjurkan klien makan
dalam porsi sedikit tapi sering,
hasil:
Klien mengatakan ingin
mengikuti anjuran perawat

19
 Jum’at DP Ke 3 Menganjurkan klien makan
13-12-2019 makanan selingan seperti
Jam 10.00 biscuit, hasil :
Klien mengikuti anjuran klien
4 Kamis DP Ke 4 Menganjurkan posisiklien yang
12-12-2019 nyaman, hasil :
Jam 11.00 Klien terlihat tampak nyaman
Menciptakan lingkungan yang
tenang dan nyaman, hasil :
Di ruangan klien terlihat
nyaman dan tenang
Jum’at DP Ke 4 Mengganti alat tenun dengan
13-12-2019 yang bersih, hasil :
Jam 11.00 Klien tampak senang
Membatasi pengunjung, hasil :
Klien sudah tidak mengeluh ke
keluarga dan perawat tentang
pengunjung

20
F. Evaluasi
Hari/Tanggal Diagnosa Perkembangan Paraf
DP Ke 1 S : Klien mengatakan suhu tubuh
berkurang
O : Suhu tubuh 37,3 C
Kamis A : Masalah teratasi sebagian
12-12-2019 P : Lanjutkan intervensi

DP Ke 2 S : Klien mengeluh panas

O : Turgor kulit masih jelek
A : Masalah teratasi sebagian
P : Lanjutkan intervensi
DP Ke 3 S : Klien mengatakan mual
O : Porsi makan ¾ habis
A : Masalah teratasi sebagian
P : Lanjutkan intervensi
DP Ke 4 S : Klien mengeluh tidak lemas
O : Klien bisa tidur walaupun
sebentar
A : Masalah teratasi
P : Hentikan intervensi

21
 BAB IV

JURNAL DHF/DBD

PREDIKSI INCIDENCE DENGUE HEMORRHAGIC FEVER (DHF) MENGGUNAKAN

JARINGAN SARAF TIRUAN (ARTIFIAL NEURAL NETWORK)

Jerhi Wahyu Fernanda1, Forman Novrindo Sidjabat 2

Prodi Rekam Medis dan Informasi Kesehatan Institut Ilmu Kesehatan Bhakti Wiyata Kediri
Email:jerhi.fernanda@iik.ac.id1, sidjabat.fn@iik.ac.id2

ABSTRACT

Time series analysis is one of the statistical methods used as tools to predict the incidence of a
disease. Autoregressive Integrated Moving Average (ARIMA) model is a frequently used
method. However, this method has some disadvantages as there are assumptions that must be
met and can not explain nonlinear cases. This condition requires a more lexible method, namely
Artiicial Neural Network (ANN). This study aims to apply the ANN method to predict the
incidence of Dengue Hemorrhagic Fever DHF 2018 in one district in East Java province.
Selection of this district is based on the conditions in this area that experienced DHF Outbreak
(KLB) in 2015. Data used in this reseach is incidence DHF from January 2013 to December
2017. Data is divided into two parts, namely training data consisting of incidence DHF januari
2013 until December 2016. Data testing consists of DHF incidence from 2017 to December
2017. The best ANN model is an ANN model with 9 nodes on a hidden layer with a Root Mean
Square Error (RMSE) value of 7.914. DHF incidence prediction in 2018 January to December
has tended to be constant at 9 and has a tendency to stagnate.

Keyword : Time Series Analysis, Dengue Hemorrhagic Fever (DHF), Artiicial Neural Network

22
ABSTRAK

Analisis deret waktu (time series analysis) merupakan salah satu metode statistika yang
digunakan sebagai tools untuk memprediksi incidence suatu penyakit. Model Autoregressive
Integrated Moving Average (ARIMA) merupakan metode yang sering dipakai. Akan tetapi,
metode ini memiliki beberapa kelemahan seperti terdapat asumsi yang harus dipenuhi dan tidak
dapat menjelaskan kasus nonlinear. Kondisi ini memaksa dibutuhkan suatu metode yang lebih
leksibel yaitu Artiicial Neural Network (ANN). Penelitian ini bertujuan untuk menerapkan
metode ANN untuk memprediksi incidence Dengue Hemorrhagic Fever DHF tahun 2018 pada
salah satu kabupaten di propinsi Jawa Timur. Pemilihan kabupaten ini didasarkan pada kondisi
pada daerah ini yang mengalami Kejadian Luar Biasa (KLB) DHF pada tahun 2015. Data
penelitian yang digunakan adalah incidence DHF bulan januari 2013 sampai Desember 2017.
Data dibagi menjadi dua bagian yaitu data training terdiri dari incidence DHF januari 2013
sampai Desember 2016. Data testing terdiri dari incidence DHF januari 2017 sampai Desember
2017. Model ANN yang terbaik adalah model ANN dengan 9 node pada hidden layer dengan
nilai Root Mean Square Error (RMSE) sebesar 7,914. Prediksi incidence DHF pada tahun 2018
bulan januari sampai desember cenderung konstant pada nilai 9 dan memiliki pola yang
cenderung stagnan.

Kata Kunci : Analisis Deret Waktu, Dengue Hemorrhagic Fever (DHF), Artiicial Neural
Network (ANN).

PENDAHULUAN

Analisis Deret waktu (Time Series Analysis) dapat diterapkan dalam berbagai kasus,
merupakan salah analisis statistika yang salah satunya di bidang kesehatan
digunakan untuk mengetahui pola masyarakat. Metode ini diterapkan dalam
sekumpulan data yang tersusun dalam urutan Public Health Surveilance sebagai alat Early
waktu kejadian (Kirchgassner, 2013). Fungsi Prediction untuk menghasilkan suatu model
Analisis ini dapat digunakan untuk untuk yang digunakan untuk memprediksi
melakukan prediksi atau proyeksi jumlah (forecasting) incidence suatu penyakit di
kejadian di waktu yang akan datang. Metode waktu ke depan (Zhang, 2014).
ini

23
Autoregressive Integrated Moving Average
(ARIMA) merupakan model analisis deret
waktu yang paling penting dan sering
digunakan (Juang, 2017). Siregar (2018)
menggunakan model ARIMA
memprediksi incidence DHF di kabupaten
asahan dan didapatkan model Seasonal
ARIMA (1,0,0) (0,1,1)12. Fernanda (2016)
juga menggunakan model ARIMA untuk
memprediksi Infant Mortality Rate di suatu
rumah sakit dan didapatkan model ARIMA
yang terbaik adalah ARIMA (1,1,0).
Konsep dasar dalam model ARIMA adalah
data sekarang memiliki hubungan yang
linear dengan data masa lampau. Pada data
real, kondisi ini sering sulit dipenuhi, dan
hubungan yang sering terjadi
hubungan yang nonlinear Konsep
merupakan salah satu kelemahan dari model
ARIMA yang menyebabkan pada beberapa
situasi, model ini menghasilkan prediksi
yang tidak memuasakan seperti
penelitian yang dilakukan oleh Wang et all
(2017).
Model ARIMA juga memiliki asumsi-
asumsi yang harus dipenuhi seperti asumsi
kenormalan pada residual dan tidak terjadi
proses white noise (Anwar, 2016). Pada
kasus real, asumsi ini sangat mungkin tidak
terpenuhi sehingga dibutuhkan suatu model
yang lebih leksibel.
Artiicial Neural Network merupakan salah
metode
untuk
METODE
Penelitian ini dilakukan di salah satu
Kabupaten di Propinsi Jawa Timur yang
mengalami KLB DHF pada tahun 2015.
Data incidence DHF didapatkan dari indeks
penyakit di Rumah Umum Daerah. Data
incidence DHF diamati mulai bulan mulai
januari 2013 sampai Desember 2017 untuk
dianalisis pola atau trendnya.
Langkah-langkah dalam pembuatan model
ANN dan prediksi incidence DHF adalah
adalah
sebagai berikut:
ini
1. Membuat time series plot incidence
DHF mulai januari 2013 sampai
desember 2017 dan dianalisis secara
hasil deskriptif.
2. Membagi data menjadi dua bagian
yaitu data training dan data testing.
Data training merupakan incidence
DHF bulan Januari 2013 sampai
Desember 2016. Data testing terdiri
dari incidence DHF januari 2017
sampai Desember 2017.
24
 3. Membuat plot Autocorrelation
Function (ACF) dan
Autocorrelation Function (PACF)
berdasarkan data training
4. Identiikasi model
berdasarkan plot ACF dan PACF
data training. Proses pembentukan
model didasarkan pada teori pada
montgomery (2015, hal. 357) dengan
uraian sebagai berikut.
5. Membuat scatter plot antara data
Partial yang digunakan sebagai input dan
output berdasarkan struktur model
ARIMA.
6. Merancang struktur Jaringan Saraf
ARIMA Tiruan (ANN) berdasarkan model
ARIMA pada proses sebelumya dan
dilakukan proses learnig berdasarkan
data trainin
7. Menentukan model jaringan saraf
tiruan yang terbaik berdasarkan

Tabel 1. Teori ACF dan PACF pembentukan jumlah neuron pada hidden layer.

model ARIMA untuk proses yang stasioner Dalam proses ini dilakukan
pemodelan dengan jumlah 2 sampai.
Model ACF PACF Model yang terbaik didasarkan pada
MA(q) Cutt of Turun perhitungan Root Mean Square Eror
setelah lag q secara (RMSE) pada data testing.
eksponensial 8. Prediksi incidence DHF tahun 2018
AR (p) Turun Cutt of bulan januari sampai desember
secara
setelah lag q menggunakan metode Jaringan Saraf
eksponensial
Tiruan yang terbaik
ARMA(p,q) Turun Turun
secara
secara
eksponensial
eksponensial

25
Langkah-langkah analisis deret waktu dalam HASIL
penelitian ini juga dijelaskan dalam bentuk
Data incidence DHF mengalami luktuasi
lowchart yang disajikan pada gambar 1.
dari januari 2013 sampai desember 2017.
Pada gambar 2 di bawah ini diperlihatkan
time series plot incidence DHF bulanan
selama kurun waktu januari 2013 sampai
Desember 2017.

Trend incidence DHF setiap bulan

mengalami naik turun (luktuatif) dan
mengalami incidence yang paling tinggi
pada tahun 2015 dan tahun 2016. Incidence
yang paling tinggi terjadi pada bulan
Februari 2015 dengan incidence sebesar 31.

Tahap analisis selanjutnya adalah

membangun struktur jaringan saraf tiruan
yang akan digunakan sebagai model untuk
memprediksi incidence DHF. Struktur
Gambar 1. Flowchart Analisis Deret Waktu jaringan saraf tiruan pada penelitian ini
didasarkan pada model ARIMA yang
terbentuk dari data training.

26
Langkah awal model ARIMA didasarkan
pada plot ACF dan plot PACF pada data
training yang digunakan untuk
mengidentifikasi model-model ARIMA
yang dapat dibentuk. Plot ACF data training
disajikan pada gambar 3 dibawah ini
Pada gambar 3, plot ACF memiliki pola
turun secara lambat pada setiap lag nya.
Merujuk pada identiikasi model ARIMA
pada tabel 1, maka juga diperlukan plot
PACF yang disajikan pada gambar 4.
Pola pada plot PACF dapat dilihat bahwa
data cut off atau turun secara cepat setelah
lag pertama. Merujuk pada montgomery
2015, pembentukan model ARIMA
dilakukan dengan melihat plot ACF dan plot
PACF. Merujuk pada gambar 3 dan 4 dan
diselaraskan dengan teori pada tabel 1,
model ARIMA yang terbentuk adalah
ARIMA (1,0,0).
Model ini memberikan informasi bahwa data
kejadian incidence DHF pada bulan
berikutnya dipengaruhi oleh incidence DHF
pada 1 bulan sebelumnya. Sebagai ilustrasi
incidence DHF pada bulan Desember, akan
dipengaruhi oleh incidence DHF 1 bulan
sebelumnya yaitu bulan Nopember.
Hubungan ini diperkuat dengan scatterplot
yang menjelaskan hubungan antara
incidence DHF bulan berikutnya (t) dengan
1 bulan sebelumnyq (t-1).
Scatterplot pada gambar 5 menyajikan
informasi peningkatan incidence DHF pada
bulan ke t-1, akan diikuti peningkatan
incidence DHF pada bulan berikutnya. Uji
korelasi pearson juga memperkuat hubungan
27
antara incidence DHF bulan berikutnya
dengan 1 bulan sebelumnya. Nilai sig uji
korelasi pearson sebesar 0,000.
Kesimpulan yang dapat diambil dapat dari
nilai sig ini dengan tingkat kesalahan
penelitian sebesar 5% (0,05) yaitu terdapat
hubungan yang signiikan antara hubungan
antara incidence DHF bulan berikutnya
dengan bulan sebelumnya sehingga model
ARIMA (1,0,0) dapat merepresentasikan
incidence DHF.
Tabel 2. Uji korelasi pearson
ANN didasarkan pada Root Mean Square
Error (RMSE) yang paling kecil pada setiap
model ANN. Tabel 2 memberikan informasi
RMSE model ANN dengan jumlah neuron
yang berbeda- beda.
Nilai RMSE yang paling kecil yaitu pada
ANN dengan jumlah node 9. Struktur ANN
ini memiliki RMSE sebesar 7,914. Struktur
ANN dengan 9 neuron disajikan pada
gambar 6.
Tabel 3. RMSE dengan jumlah neuron
yang berbeda

Pearson correlation 0,635

P-value 0,000
Model ARIMA (1,0,0) ini dijadikan dasar
struktur ANN untuk pemodelan data DHF
tahun 2013 sampai 2016. Struktur ANN
terdiri dari 3 lapisan yaitu lapisan input
layer, hidden layer, dan output layer. Input
layer berisi data kejadian DHF lag 1.
Model ANN dengan 9 neuron merupakan
Lapisan kedua adalah hidden layer terdiri
model yang digunakan untuk memprediksi
dari neuron-neuron yang saling terkoneksi
incidence DHF pada tahun 2018. Prediksi
dengan input layer. Output layer merupakan
incidence DHF bulan Januari 2018 sampai
data incidence DHF pada waktu t.
Desember 2018 disajikan pada tabel 3.
Pemodelan ANN dalam penelitian ini
dilakukan dengan menggunakan jumlah
neuron-neuron yang berbeda. Jumlah neuron
yang digunakan adalah 2 sampai 10. Proses
selanjutnya adalah pemilihan model terbaik

28
Tabel 3. Prediksi incidence DHF Januari Annual mortality DHF di Indonesia
sampai Desember 2018 meningkat setiap tahun dengan angka
Bulan Prediksi Bulan Prediksi mortalitas sebesar 0,9/100.000 penduduk
Januari 9,637918 Juli 9,245861 Wartel et all (2016). Propinsi Jawa timur
Februari 9,542393 Agustus 9,211375
Maret 9,461537 September 9,182378 merupakan salah satu propinsi dengan angka
April 9,393191 Oktober 9,158014 kematian yang paling tinggi. Angka
Mei 9,335493 November 9,137555
Juni 9,286841 Desember 9,120385 kematian yang dilaporkan sebesar 283
Prediksi incidence DHF dengan model ANN kematian dari total 20.138 kasus DHF.
memiliki nilai berkisar pada nilai 9. Nilai
prediksi dari bulan Januari sampai Desember Angka Case Fatality Rate (CFR) kasus DHF
2018 stabil atau konstant pada nilai 9. Time
propinsi jawa timur juga diatas standar
series plot prediksi disajikan pada gambar 7.
nasional yaitu sebesar 1,41%, dimana
standar nasional hanya 1%. Bahkan pada
tahun 2015, 11 kabupaten/kota di propinsi
jawa timur jawa timur ditetapakan Kejadian
Luar Biasa (KLB) DHF.

Gambar 7 memberikan plot bahwa pola Penelitian ini dilakukan dengan pengamatan

incidence DHF tahun 2018 dari Januari terhadap trend incidence DHF pada salah

sampai Desember mengalami penurunan dan satu kabupaten di propinsi jawa timur.

cederung stagnan. Incidence rate kabupaten ini pada tahun

2014 sebesar 14,40 per 100.000 dan pada
PEMBAHASAN
tahun 2015 meningkat hampir 3 kali menjadi
Dengue hemorrhagic fever (DHF) yang 45,38 per 100.000.
dalam ICD-10 (International Statistical
Kondisi ini mengharuskan adanya upaya
Classiication of Diseases and and Related
pengawasan (surveillance) kejadian DHF.
Health Problems) berkode A91, merupakan
Salah satu bentuk surveillance adalah berupa
penyakit infeksi dengan agentnya adalah
early prediction. Early Prediction merupakan
virus dengue. Virus ini ditularkan ke
salah satu cara yang dapat digunakan untuk
manusia melalui gigitan nyamuk yang sudah
melakukan kontrol dan pengawasan
terinfeksi, khususnya nyamuk Aedes aegypti
(surveillance) terhadap kejadian DHF (Chao
dan Ae. Albopitus (Candra, 2010).
et all, 2013). Hasil surveillance dapat berupa

29
analisis terhadap trend incidence DHF dalam
kurun waktu tertentu dan juga prediksi
dalam beberapa waktu ke depan.
Salah satu metode statistik untuk
surveillance adalah analisis deret waktu
(time series analysis). Metode ini dapat
memberikan informasi tentang pola (trend)
incidence suatu penyakit dan dapat
memberikan prediksi dalam waktu yang
akan datang. Trend incidence DHF dapat
diketahui dengan time series plot.
Time series plot pada gambar 2
memperlihatkan trend incidence DHF pada
rentang waktu 2012 sampai 2017. Pada
gambar tersebut trend incidence DHF
mengalami luktuatif dan ada kecenderungan
tinggi dalam waktu tertentu. Incidence yang
paling tinggi terjadi pada bulan Februari
2015 dengan incidence sebesar 31. Tahun
2016 bulan februari dan maret, incidence
DHF sebesar 28.
Banyak faktor yang dapat mempengaruhi
Incidence DHF. Salah satu faktornya adalah
curah hujan yang terjadi di wilayah tersebut.
Pada bulan Februari 2015, curah hujan
sebesar di wilayah tersebut rata-rata 292.
mm dan merupakan rata-rata curah hujan
yang tertinggi pada tahun 2015. Pada
Februari dan maret 2016 sebesar curah hujan
seesar 401 mm dan 271 mm. (BPS
Kabupaten Kediri, 2018). Menurut
Dhawangkara 2017, curah hujan pada ketiga
bulan tersebut masuk dalam kategori hujan
sangat lebat (Dhawangkara, 2017).
Uraian diatas memberikan suatu informasi
bahwa hujan yang tinggi berdampak pada
peningkatan incidence DHF. Kondisi ini
juga didukung oleh Setiawan et all (2013)
yang meneliti hubungan antara curah hujan
dengan incidence DHF dan menghasilkan
bahwa terdapat hubungan yang signiikan
antara curah hujan dengan incidence DHF
Peningkatan curah hujan akan meningkatkan
incidence DHF.
Khairunisa (2017) juga menjelaskan bahwa
pada musim hujan kepadatan nyamuk Aedes
aegypti meningkat dikarenakan banyak
barang bekas sepertikaleng, gelas plastik,
bungkus plastik, ban bekas dan sejenisnya
yang dibuang atau diletakkan tidak teratur di
sebarang tempat, akan terisi oleh air dan
menjadi tempat perindukan nyamuk.
Untuk pengawasan incidence DHF, maka
diperlukan suatu model statistika yang
mampu menjelaskan dan dapat digunakan
untuk memprediksi. Dalam penelitian ini
menggunakan metode ANN karena lebih
leksibel dan memberikan hasil yang lebih
akurat dibandingkan dengan metode
30
ARIMA. Model ANN dibentuk dengan
dasar model ARIMA.
Hasil identiikasi model ARIMA
menggunakan plot ACF dan plot PACF,
Model ARIMA yang dibentuk adalah
ARIMA (1,0,0). Model ini digunakan
sebagai dasar struktur model ANN. Model
ARIMA (1,0,0) memiliki makna bahwa
incidence DHF pada bulan berikutnya
dipengaruhi oleh incidence DHF pada
bulan sebelumnya. Kondisi ini diperkuat
dengan uji korelasi yang memberikan hasil
bahwa terdapat hubungan yang signiikan
antara incidence DHF bulan berikutnya
dengan incidence 1 bulan sebelumnya.
Pada model ANN, dilakukan proses trial
pada jumlah neuron pada hidden layer.
Jumlah neuron pada hidden layer yang diuji
cobakan pada model adalah 2 sampai 10
seperti yang dijelaskan pada tabel 3. Model
ANN terbaik dalam penelitian ini adalah
model ANN dengan 9 neuron pada hidden
layer. Model ini memiliki nilai tingkat
kesalahan prediksi yang diukur dengan
RMSE sebesar 7,914. Prediksi incidence
pada tahun 2018 cenderung konstant pada
nilai 9.
SIMPULAN
Model Artificial Neural Network (ANN)
pada incidence DHF didasarkan pada model
ARIMA (1,0,0). Model ANN dengan
struktur lag 1 dengan jumlah neuron
sebanyak 9 pada hidden layer merupakan
model terbaik dengan nilai RMSE sebesar
7,914. Hasil prediksi incidence DHF pada
tahun 2018 bulan januari sampai desember
1 konstant pada nilai 9 dan memiliki pola yang
cenderung stagnan.
DAFTAR PUSTAKA
Anwar, M., Lewnard, J. A., Parikh, S.,
Pitzer, V. E. (2016). Time series analysis of
malaria in Afghanistan:using ARIMA
models to predict future trends in incidence.
Malaria Journal. 15:566. DOI
10.1186/S12936-016-1602-1.
https://kedirikab.bps.go.id/subject/151/iklim.
html#subjekViewTab3. Diakses tanggal 1
Juli 2018 pukul 20.00 WIB.
Candra, A., (2010). D emam Berdarah
Dengue:Epidemiologi, Patogenesis, dan
Faktor Risiko Penularan. Journal of Vector-
borne Diseases Studies. National Institute of
Health Research and Development, Ministry
of Health Republik of Indonesia. Vol.2,
No.2.p:110-119.

31
Chao, S., Wang, F., Tam, W., Tse, L. A.,
Kim, J. H.,
Liu, J., Lu, Z., (2013). A Hybrid seasoanal
prediction model for tuberculosis incidence
in China. BMC Medical Informatics and
Decision Making. 13:56
Csabragi, A., Molnar, S., Tanos P., Kovacs,
J. (2015).
Hungarian Agricultural Engineering.
Dhawangkhara, M., Riksakomara, E. 2017.
Prediksi Intensitas Hujan Kota Surabaya
dengan Matlab menggunakan Teknik
Random Forest dan CART (Studi Kasus
Kota Surabaya). Jurnal Teknik ITS. Vol.6.
No.1.
Kirchgassner, G., Wolters, J., Hassler, U.
(2013). Introduction to Modern Time Series
Analysis. Second Edition. Berlin: Springer-
Verlag.
Montgomery, C., Jenning, C. L., Kulahci,
M. (2015). Introduction to Time Series
Analysis and Forecasting Second
Edition.pages 357. Hoboken, New
Jersey:John Wiley & Sons, Inc
Purwanto, Eswaran C., Logeswaran, R.
(2010). A Comparison of ARIMA, Neural
Network and Linear Regression Models for
the prediction of Infant Mortality Rate.
Fourth Asia International Conference on
Mathematical/ Analytical Modelling and
Computer Simulation.

Fernanda, J. W., Wisnaningsih, S., Boavida, Setiawan, Budi., Supardi, F.X., Bani, V. K.
E., (2016). Trend Analysis Infant Mortality B., (2017). Jurnal Vektor Penyakit. Vol. 11:
Rate dengan Autoregressive Integrated No.2:77-87.
Moving Average (ARIMA). Jurnal
Siregar, F. A., Makmur, T., Saprin, S.(2018)
Manajemen Informasi Kesehatan Indonesia.
Forecasting dengue hemorrhagic fever cases
Vol.4, No.2.
using ARIMA model. a case study in
Khairunisa, U., Wahyuningsih, N. E., Asahan district. IOP Conf. Series: Materials
Hapsari. (2017). Kepadatan Jentik Nyamuk Science and Engineering 300:012032.
Aedes sp. (House Index) sebagai indikator
Wang, K.W., Deng, C., Li, P., Zhang, Y., Li,
Surveillance Vektor Demam Berdarah
X.Y.,
Dengue di Semarang. Jurnal Kesehatan
Masyarakat. Vol.5, No.5. Wu, M.C., (2017). Hybrid methodology for
tuberculosis incidence time-series

32
forecasting based on ARIMA and a NAR
Neural Network. Epidemiology.Infect.
doi:10.1017/ S959268816003216

Wartel, T. A., Prayitno, A., Hadinegoro, S.

R. S., Capeding, M. R., Thisyakorn, U.,
Tran, N. H., Moureau, A., Bouckenooghe,
A., Nealon. J., Taurel, A. F., (2016) Three
Decades of Dengue Surveillance in Five
Highly Endemic South East Asian
Countries. A Deskriptive Review. Asian
Paciic Journal of Public Health. 1-10.
November.

33
 BAB V

PENUTUP

A. Kesimpulan
Terkait dengan demam berdarah dengue (DBD), maka penulis menyimpulkan:
Demam berdarah dengue (DBD) adalah penyakit yang terdapat pada anak dan dewasa
dengan gejala utama demam, nyeri otot dan sendi, yang biasanya memburuk pada hari
kedua. Anatomi Fisiologi DHF/DBD, darah merupakan salah satu komponen penting
yang ada di dalam tubuh manusia sebab darah berfungsi mengalirkan zat-zat atau nutrisi
yang dibutuhkan tubuh, kemudian mengalirkan karbondioksida hasil metabolisme untuk
di buang. Ada 4 fungsi utama darah yaitu : memberikan seplai oksigen keseluruh jaringan
tubuh, membawa nutrisi, membersihkan sisa-sisa metabolisme dan membawa zat
antibody.menifestasi klinis DHF: Panas mendadak tinggi terus menerus 2-7 hari, nyeri
pada tulang, diikuti dengan munculnya bintik-bintik atau bercak-bercak darah dibawah
kulit, batuk, pembesaran hepar, syok atau renjatan yang menifestasinya cepat dengan nadi
melemah disertai nadi yang menyempit, hipotensi, dengan ditandai kulit yang lembab,
dingin dan gelisah, trombositopenia, perdarahan di hidung, mulut, dubur/ anus.
B. Saran
Asuhan keperawatan yang diberikan kepada klien dengan DBD/DHF harus dilakukan
sesuai dengan standar yang telah ditetapkan sesuai dengan tingkat atau derajat
penyakitnya. Keputusan dan tindakan yang tepat dalam menangani masalah yang timbul
dapat menyelamatkan klien dari kematian. Oleh karena itu dibutuhkan pengetahuan dan
kemampuan petugas kesehatan yang baik dalam penanganan pasien dengan DBD/DHF.

34
 DAFTAR PUSTAKA
https://www.google.co.id/komplikasi+dhf
https://www.academia.edu/askep_demam_berdarah_DHF_aplikasi_Nanda_Nic_Noc
https://www.google.co.id=anatomi+fisiologi+kasus+dhf
Jerhi Wahyu Fernanda dan Forman Novrindo Sidjabat. Prediksi Incidence Dengue Hemorrhagic
Fever (DHF)

35