DIMAS PRASETYA
17416255201059
NIM : 17416255201059
DIMAS PRASETYA
Telah diujikan pada hari …., tanggal ……………. dan dinyatakan LULUS
dengan susunan Tim Penguji sebagai berikut:
Disahkan oleh,
Ketua Program Studi Penguji,
Dimas Prasetya
KATA PENGANTAR
Segala puji bagi allah yang maha pengasih lagi maha penyanyang. Berkat
limpahan karunianya saya dapat menyelesaikan laporan “PENERAPAN
ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI DIAGNOSA PENYAKIT
HIPERTENSI”. Dalam proses penulisan ini tak lepas dari bantuan, arahan, dan
masukan dari berbagai pihak.
Dimas Prasetya
ABSTRAK
Hipertensi adalah kondisi medis yang jumlah penderitanya sangatlah banyak dan
dengan resiko menyebabkan kematian. UPTD Puskesmas Bayur Lor memiliki
jumlah penderita hipertensi yang terbanyak ke 2 dengan angka 69 kasus dari 452
pasien yang terdaftar di bulan februari. Dengan menggunakan metode data mining
dengan algoritma naïve bayes penelitian ini akan menghitung probabilitas
tertinggi pada keputusan apakah pasien menderita hipertensi atau tidak.
ABSTRACT
PENDAHULUAN ................................................................................................ 10
1.1. Latar Belakang ....................................................................................... 10
1.2. Rumusan Masalah .................................................................................. 11
1.3. Tujuan penelitian .................................................................................... 11
1.4. Manfaat penelitian .................................................................................. 11
TINJAUAN PUSTAKA ...................................................................................... 12
2.1. Profil Perusahaan .................................................................................... 12
2.1.1. UPTD Puskesmas Bayurlor............................................................. 12
2.1.2. Kondisi Geografis ........................................................................... 12
2.1.3. Kondisi Demografis ........................................................................ 13
2.2. Visi Misi Perusahaan .............................................................................. 16
2.3. Bagan Susunan Organisasi UPTD Puskesmas Bayur Lor ...................... 18
2.4. Hipertensi ............................................................................................... 19
2.5. Klasifikasi ............................................................................................... 20
2.6. Algoritma Naïve Bayes .......................................................................... 21
2.7. Basis Data (Database) ............................................................................ 22
2.8. Diagnosa ................................................................................................. 23
2.9. Data Maining .......................................................................................... 23
2.10. Tabel Penelitian .................................................................................. 25
METODOLOGI .................................................................................................. 31
3.1. Peralatan Penelitian ................................................................................ 31
3.2. Lokasi dan Waktu Penelitian .................................................................. 31
3.2.1. Tabel waktu agenda penelitian ........................................................... 32
3.3. Tugas Praktek ......................................................................................... 33
3.3. Prosedur Penelitian ................................................................................. 34
3.4. Metode Penelitian ................................................................................... 35
HASIL DAN PEMBAHASAN ........................................................................... 39
KESIMPULAN DAN SARAN ........................................................................... 44
7.1. Kesimpulan ............................................................................................. 44
7.2. Saran ....................................................................................................... 44
DAFTAR PUSTAKA .......................................................................................... 45
Bibliography.......................................................................................................... 45
LAMPIRAN ......................................................................................................... 46
RIWAYAT PENULIS......................................................................................... 48
DAFTAR TABEL
Tabel 1.1 jumlah penduduk per desa berdasarkan jenis kelamin .......................... 14
Tabel 1.2 data kepesertaan JKN tahun 2016 ......................................................... 15
Tabe11.3 jumlah sarana kesehatan puskesmas ..................................................... 16
Tabel 2.4 penelitian terkait .................................................................................... 25
DAFTAR GAMBAR
DAFTAR LAMPIRAN
BAB I
PENDAHULUAN
Adapun tujuan yang ingin dicapai dalam penelitian ini adalah, sebagai berikut :
1. Proses klasifikasi diharapkan akan memudahkan dalam hal membedakan
dan mempelajari kasus hipertensi!
Jarak terdekat yaitu Desa Bayur Lor, 0 km dan jarak terjauh desa Sukamulya
yaitu kurang lebih 10 KM.
Jalan Desa rata rata sudah diperkeras, baik dengan aspal, koral maupun cor,
namun belum semuanya ada beberapa ruas jalan yang sudah rusak terutama
di musim hujan yaitu di daerah sekitar Desa Sukamulya dan Desa
Langensari.
2. Mata Pencaharian
3. Tingkat Pendidikan
4. Jumlah Penduduk
a. Total Jumlah Penduduk
Tabel 1.1
Gambaran Jumlah penduduk per desa berdasarkan jenis kelamin Tahun 2016
LAKI-
NO DESA PEREMPUAN JUMLAH
LAKI
1 Bayur Lor 3.313 3.145 6.459
Mengacu pada program JKN Puskesmas Bayur Lor juga termasuk FKTP
yang melayani Peserta JKN KIS/ BPJS atau Jamkesda, adapun kepesertaan
JKN wilayah Puskesmas Bayur Lor dapat dilihat pada tabel dibawah ini :
Tabel 1.2
Data kepesertaan JKN tahun 2016
NAMA
NO BPJS/KIS PBI Jamkesda JUMLAH
DESA
1
1.755 1.028 2.783
Bayur Lor
2
2.2287 1.748 4.038
Bayur Kidul
3
2.965 2.878 5.843
Kiara
4
2.016 1.419 3.435
Langensari
5
2.378 1.617 3.995
Sukamulya
Tabel 1.3
1 Puskesmas 1
2 Puskesmas Pembantu 1
3 Posyandu 30
4 Posbindu 5
5 Poskesdes 0
6 Poskestren 0
7 Ambulan Puskesmas 1
8 Ambulan Desa 5
1. Visi Puskesmas :
2. Misi Puskesmas :
a. Mendorong kemandirian masyarakat di wilayah kerja Puskesmas
Bayurlor untuk hidup sehat
b. Meningkatkan dan memelihara upaya kesehatan bermutu
c. Menjalin dan meningkatkan kerjasama dengan lintas sektoral
d. Melaksanakan pelayanan dengan ceria
2.3. Bagan Susunan Organisasi UPTD Puskesmas Bayur Lor
Kepala Puskesmas
Aceng Aliyudin,
SKM.
Kepala Sub. Bag.
Penanggung Jawab
Tata Usaha
Manajemen Mutu
Candra
drg. Rahmat
Risnandar
Kepegawaian Pengelolaan Aset
Pengolah Perencanaan Bendahara
Kelompok Jabatan Fungsional dan Anggaran Muchtar Sunandar,
Dokter Umum Suyanto, AMK AMK
Dokter Gigi
Medis Bidan
dan Perawat
Param
edis
Pengeluaran Pengelolaan Aset
Analisis Kesehatan
Tenaga Gizi
Muchtar Sunandar, Lilis Antria Handayani,
DLL
AMK Amd.Keb
Penanggung Penanggung Jawab UKP Kefarmasian Penerimaan Penyimpanan Barang
Jawab UKM dan Laboratorium
Esensial Lilis Antria Handayani,
Amd.Keb Lilis Antria Handayani,
Sri Indra Rina. TS, Amd.Keb
dr. Melisa Yantriasari Box
SST, Mkes Penanggung Jawab Gudang
UKM Suyanto, AMK
Penanggung Jawab 1 Alkes
UKM Pengembang JKN - Kapitasi
Siti Aisyah ,SST
2 Obat
Muchtar Sunandar,
Didin Ahmad AMK 3 Barang
Sayudin Penanggung Jawa Kesehatan
Masyarakat Penanggung Jawab Jaringan
Pelayanan Puskesmas dan Jejaring
Fasilitas Pelayanan Kesehatan
Ida Mudrikah, AMK
dr. Helmi Nagus
2.4. Hipertensi
Hipertensi
≥ 140 < 90
SistolikTerisolasi
Hipertensi yang terus dibiarkan akan menjadi sangat berbahaya dan
dibedakan menjadi 2 jenis yaitu :
Faktor yang tidak dapat diubah : Umur, Jenis Kelamin, Keturunan (Genetik)
2.5. Klasifikasi
Jadi bisa dikatakan bahwa arti dari point klasifikasi adalah penggolongan
atau pengelompokan yang disusun dengan sistematis pada suatu objek, benda
atau entitas yang memiliki nilai sama dan memisahkan yang mempunyai nilai
berbeda.
Menurut Olson Delen (2008) menjelaskan Naïve Bayes untuk setiap kelas
keputusan, menghitung probabilitas dg syarat bahwa kelas keputusan adalah
benar, mengingat vektor informasi obyek. Algoritma ini mengasumsikan
bahwa atribut obyek adalah independen. Probabilitas yang terlibat dalam
memproduksi perkiraan akhir dihitung sebagai jumlah frekuensi dr " master "
tabel keputusan. Bentuk umum dari Theorema Bayes sebagai berikut :
Keterangan :
P(X) = Probabilitas X
Ada 4 Tahapan yang akan dilakukan metode algoritma Naïve Bayes yaitu :
Tahap ketiga adalah mengalikan semua hasil variabel pada setiap kelas
kejadian.
Menurut Connolly dan Begg (2010) Basis data merupakan kumpulan data
yang telah terbagi dan terhubung secara logikal serta deskripsi dari data
yang dirancang untuk memenuhi keperluan informasi suatu organisasi.
Menurut C.J. Date (2010) Basis Data merupakan sekumpulan data
persisten yang dipakai oleh system aplikasi dari perusahaan. System basis
data pada dasarnya adalah suatu system penyimpanan record atau data yang
terkomputerisasi.
3.2. Diagnosa
Data mining berisi pencarian trend atau pola yang diinginkan dalam database
besar untuk membantu pengambilan keputusan di waktu yang akan datang
(Hermawati, 2013).
1. Dataset
a. Data Training
Data training adalah data yang digunakan untuk perhitungan probabilitas dari
data berdasarkan data pembelajaran yang dilakukan (Pratiwi & Nugroho,
2016). Data training merupakan data yang sebelumnya sudah ada sesuai
dengan fakta.
b. Data Testing
Data testing merupakan data yang akan atau sedang terjadi dan dipergunakan
sebagai bahan uji yang sebelumnya sudah didapatkan pada data training
(Pratiwi & Nugroho, 2016). Data ini digunakan untuk mengukur sejauh mana
klasifikasi berhasil melakukan klasifikasi dengan benar.
untuk menerima atau memperkirakan kelas dari ini maka mempermudah pihak
menolak calon nasabah suatu objek yang labelnya asuransi dalam memperkirakan
yang akan bergabung. tidak diketahui. Prosesnya nasabah yang bergabung.
membentuk suatu model yang 2. Algoritma Naive Bayes di
mampu membedakan data dukung oleh ilmu Probabilistik
kedalam kelas-kelas yang dan ilmu statistika khususnya
berbeda berdasarkan aturan dalam penggunaan data petunjuk
atau fungsi tertentu. untuk mendukung keputusan.
1. Adapun saran yang dapat 1. Analisis Masalah dan 1. Algoritma Naive Bayes
IMPLEMENTASI METODE mengenai penelitian Studi Literatur berhasil mengklasifikasikan
KLASIFIKASI NAÏVE BAYES tentang memprediksi Tahap awal untuk 47 data dari 60 data rumah
3. menentukan rumusan masalah tanggayang diuji. Sehingga dapat
DALAM MEMPREDIKSI penggunaan listrik rumah dari penelitian. dikatakan berhasil memprediksi
BESARNYA PENGGUNAAN tangga yaitu pengujian 2. Mengumpulkan Data besarnya penggunaan listrik
LISTRIK RUMAH TANGGA . sebaiknya dilakukan Prosedur sistematik yang rumah tangga dengan persentase
dengan menggunakan digunakan untuk mengumpul- keakuratan sebesar 78,3333%.
9
metode lain untuk melihat kan data yaitu dengan 2. Algoritma Naive Bayes
metode mana yang lebih mengajukan pertanyaan- memanfaatkan data training dapat
akurat dalam memprediksi pertanyaan kepada responden. mengoptimalkan prediksi proses
penggunaan listrik rumah 3. Implementasi dan klasifikasi yang dilakukan oleh
tangga. Pengujian metode Naive Bayes itu sendiri.
Bagaimana pengolahan
datanya diterapkan dalam
sebuah tools.
.
FAKTOR RISIKO KEJADIAN 1. Sosialisasi pada kalangan 1. Penelitian ini 1. Kejadian hipertensi remaja
HIPERTENSI PADA REMAJA Remaja tentang faktor - faktor menggunakan desain case pada kelompok kasus sebagian
DIWILAYAH KERJA resiko dan pencegahan penyakit control. Sarnpel penelitian besar mempunyai riwayat
4.
PUSKESMAS RAWAT INAP hipertensi dapat mengurangi berjumlah 128 orang remaja, keturunan kejadian hipertensi
SIDOMULYO KOTA atau mencegah lebih parahnya 64 pada kasus dan 64 pada remaja yang merokok
PEKANBARU Pertambahan kasus pada remaja. control dengan menggunakan pada kelompok kasus tidak begitu
2. membuat rancangan aplikasi teknik systematic random jauh berbeda dengan remaja yang
10
pendamping untuk membantu sampling pada kelompok merokok pada kelompok control.
meningkatkan kualitas hidup kasus dan metode purposive 2. Sebagian besar remaja pada
sehat pada remaja akan menjadi sampling pada kelompok kelompok kasus dan kontrol
salah satu solusi bagi remaja kontrol. mengkonsumsi makanan yang
untuk menjaga tubuh dan diri 2. Pengumpulan Data kandungan natriumnya tinggi.
mereka agar selalu sehat dengan 3. Analisis Data 3. Ada hubungan bermakna pada
Berolahraga dan makan dengan 3 tahap : analisis univariat kasus dan control antara obesitas
Gizi seimbang secara teratur. bivariat dan multivariat. denga kejadian hipertensi remaja
PENERAPAN DATA MINING 1. menggunakan konsep data Proses data maining dilakukan
CLASSIFICATION UNTUK mining dengan bantuan Dengan 5 tahapan yaitu :
DATA BLOGER software rapid miner studio a. Pemrosesan Awal
5. 6.0 b. Validation
MENGGUNAKAN METODE 2. Teknik pengolahan dataset c. Proses Training dan Testing
NAÏVE BAYES menggunakan teknik d. Hasil Performance Vector
klasifikasi dengan e. Hasil Klasifikasi Class dengan
permodelan deskriptif dan metode Naïve Bayes
No. Judul Penelitian Masukan Proses (Metode) Hasil
PENERAPAN ALGORITMA Dapat mencoba pembandingan Data Mining Hasil Klasifikasi penderita
hipertensi yang mengambil data
NAÏVE BAYES UNTUK Proses mengklasifikasikan Algoritma Naïve Bayes sampel puskesmas berhasil di
6.
KLASIFIKASI DIAGNOSA Dengan memakai metode
PENYAKIT HIPERTENSI Algoritma lainnya Lakukan dengan hasil yang baik
BAB III
METODOLOGI
Kp dilaksanakan pada tanggal 21 januari 2020 Minggu I Minggu II Minggu III Minggu IV Minggu V
Kegiatan 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5 1 2 3 4 5
1. Pengenalan system kerja di Puskesmas
2. Melakukan riset mencari permasalahan
3. Penentuan Tema
4. Pengumpulan Data
5. Analisis dan Penafsiran Data
6. Pelaksanaan pengerjaan Laporan Bab 1,2 dan 3
7. Pengerjaan Bab 4 dan 5
8. Penyusunan Laporan Akhir
9. Seminar Kp
3.3. Tugas Praktek
Tugas kerja praktek yang dilaksanakan di UPTD Puskesmas Bayur lor setiap
minggu disusun sebuah agenda untuk pelaksanaan proses Kp dan Penelitian
masalah untuk pembuatan laporan kerja, penelitian dan lain-lain.
Hasil dari kerja praktek ini adalah mendapatkan masalah yang dapat di
jadikan sumber penelitian oleh mahasiswa untuk dapat persiapan tugas akhir
mahasiswa yang akan datang pada semester akhir.
3.3. Prosedur Penelitian
Data sempel yang akan digunakan dalam penelitian ini adalah data sekunder
dari rekam medis penderita hipertensi yang telah menjalani rawat jalan pada
periode tanggal 1 sampai dengan 29 februari 2020. Data tersebut akan
dikumpulkan dan dikelompokan dalam bentuk table. Setelah itu data tersebut
akan diolah dahulu untuk mendapatkan hasil kesimpulan.
Memulai tahapan proses pengambilan data dengan data mining yang mana
pola tersebut adalah :
Gender
Keluhan Sakit
Mual
Hipertensi
NO
Nama Darah
Mata Kepala
Sistolik
5. Proses Mining
Merupakan suatu proses utama saat metode diterapkan untuk
menemukan pengetahuan berharga dan tersembunyi dari data. Beberapa
metode yang dapat digunakan berdasarkan pengelompokan Data Mining.
Metode yang digunakan adalah dengan menggunakan algoritma
Naïve Bayes dalam proses mining ini akan di lakukan pada Bab Hasil dan
Pmbahasan.
BAB IV
HASIL DAN PEMBAHASAN
Algoritma yang akan dipakai dalam penelitian ini adalah algoritma Naïve
Bayes yang merupakan model dari klasifikasi statistic yang dapat digunakan
untuk memprediksi suatu kelas. bahwa efek dari suatu nilai atribut sebuah kelas
yang diberikan adalah bebas dari atribut-atribut lain. Skema alur dari algoritma
sendiri adalah sebagai berikut :
Ada 4 Tahapan yang akan dilakukan metode algoritma Naïve Bayes yaitu :
Total 10 11
Mual
Penderita Bukan Peluang Peluang
Penderita Penderita BPenderita
Total 10 11
Tekanan Darah Sistolik
Total 10 11
Keluhan Mata
Penderita Bukan Peluang Peluang
Penderita Penderita BPenderita
Total 10 11
Sakit Kepala
Penderita Bukan Peluang Peluang
Penderita Penderita BPenderita
Total 10 11
3. Mengalikan semua variabel kelas Tahap ketiga adalah mengalikan
semua hasil variabel pada setiap kelas kejadian.
Sampel Uji Coba Data Training :
Data Testing :
Dari perhitungan data training di atas untuk sampel dengan nama Abdul R
sudah jelas bahwa nilai probabiilitas tertinggi ada pada kelas “Tidak” sehingga
dapat disimpulkann bahwa sampel tersebut tidak mempunyai kondisi medis
hipertensi.
Dari perhitungan data testing di atas untuk sampel dengan nama Sri Indra
sudah jelas bahwa nilai probabiilitas tertinggi ada pada kelas “Penderita”
sehingga dapat disimpulkann bahwa sampel tersebut adalah penderita kondisi
medis hipertensi.
BAB V
KESIMPULAN DAN SARAN
7.1. Kesimpulan
7.2. Saran
Data dalam penelitian ini hanya mencakup pada periode bulan untuk
selanjutnya dapat lebih di luaskan dalam pengambilan datanya.
DAFTAR PUSTAKA
Bibliography
FAKTOR RISIKO KEJADIANHIPERTENSIPADAREMAJA DIWILAYAH
KERJAPUSKESMAS RAWAT INAPSIDOMULYO KOTA
PEKANBARU. (September 2012-Maret 2013). Jurnal Kesehatan
Masyarakat. ARTIKEL PENELITIAN, Vol. 7.
Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya
Penggunaan Listrik Rumah Tangga. (Mei 2015 – Juli 2015). Alfa Saleh.
Vol. 2, No. 3.
PENERAPAN ALGORITMA NAIVE BAYES UNTUK MEMPREDIKSI
JUMLAH PRODUKSI BARANG BERDASARKAN DATA. (2017).
Teknik Informatika. Volume 1 No 2 Desember.
PENERAPAN ALGORITMA NAIVE BAYES UNTUKMENGKLASIFIKASI
DATA NASABAH ASURANSI. (n.d.). Jurnal Penelitian Teknik
Informatika. Dosen Teknik Informatika Universitas Malikussaleh.
Penerapan Data Mining Classification untuk Data Blogger Menggunakan Metode
Naïve Bayes. (No. 1, Januari 2019). Jurnal Sistem Dan Informasi, p-ISSN
: 2460-3562 / e-ISSN : 2620-8989.
LAMPIRAN
3) 12:00 – 15:00
10 Februari 2020 1) 08:00 – 15:00 1) Mencatat data pasien poli
Umum (nama, alamat, umur,
diagnosa, penanganan, status
kasus)
2) Memasukan data pasien poli
Umum.
11 Februari 2020 1) 16:00 – 21:00 1) Pembuatan laporan kerja praktik
(bab 1 dan pengerjaan bab 2)
13 Februari 2020 1) 13:00 – 16:00 1) Pembuatan laporan kerja praktik
bab 3.
15 Februari 2020 1) 08:00 – 15:00 1) Pengambil alih perkjaan di Staff
Pendaftaran.
16 Februari 1) 10:00 – 12:00 1) Analisis Sikda generik (Pcare)
17 Februari 2020 1) 08:00 – 15:00 1) Mengambil alih perkerjaan di Staff
Pendaftaran.
Tanggal Jam Kegiatan
18 Februari 2020 1) 16:00 – 20:00 1) Mencari reperensi
19 Februari 2020 1) 16:00 – 20:00 1) Mencatat data pasien poli Umum
(nama, alamat, umur, diagnose,
penanganan, status kasus).
2) Memasukan data pasien poli
Umum pada aplikasi sikda
20 Februari 2020 1) 18:00 – 20:00 1) Bimbingan laporan kerja praktik
(revisi bab 2 dan 3 serta pengajuan
bab 4, flowchart dan usecase
diagram)
22 Februari 2020 1) 08:00 – 11:00 1) Pengambilan alih pekerjaan di
– 24 Febuari 2020 pendaftaran pasien umum dan
BJPS Puskesmas Bayur Lor.
2) 11:00 – 12:00 2) Mencatat data pasien poli Umum
(nama, alamat, umur, diagnosa,
penanganan, status kasus).
3) 12:00 – 12:30 3) Mengambil alih di Staff
Pendaftaran.
4) Memasukan data pasien pada
4) 13:00 – 15:00 aplikasi sikda generic.
RIWAYAT PENULIS