LAPORAN KERJA PRAKTIK

PENERAPAN ALGORITMA NAÏVE BAYES UNTUK

KLASIFIKASI DIAGNOSA PENYAKIT HIPERTENSI

DIMAS PRASETYA
17416255201059

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS BUANA PERJUANGAN KARAWANG
2020
 LEMBAR PERSETUJUAN

PENERAPAN ALGORITMA NAÏVE BAYES UNTUK

KLASIFIKASI DIAGNOSA PENYAKIT HIPERTENSI

APPLICATION OF NAÏVE BAYES ALGORITHM FOR

CLASSIFICATION OF HYPERTENSION DISEASE DIAGNOSIS

Laporan Kerja Praktik Dilakukan oleh:

DIMAS PRASETYA
NIM : 17416255201059

telah disetujui untuk diajukan pada

Seminar Kerja Praktik Program Studi Teknik Informatika
Fakultas Teknik dan Ilmu Komputer
Universitas Buana Perjuangan Karawang

Karawang, 19 Februari 2020

Menyetujui,
Pembimbing

Jamaludin Indra, M.Kom

NIDN: 0405058208
 LEMBAR PENGESAHAN

PENERAPAN ALGORITMA NAÏVE BAYES UNTUK

KLASIFIKASI DIAGNOSA PENYAKIT HIPERTENSI

APPLICATION OF NAÏVE BAYES ALGORITHM FOR

CLASSIFICATION OF HYPERTENSION DISEASE DIAGNOSIS

NIM : 17416255201059
DIMAS PRASETYA

Telah diujikan pada hari …., tanggal ……………. dan dinyatakan LULUS
dengan susunan Tim Penguji sebagai berikut:

Karawang, <Tanggal/Bulan (huruf)/Tahun>

Disahkan oleh,
Ketua Program Studi Penguji,

(Nama dan Gelar Dosen) (Nama dan Gelar Dosen)

NIDN: ... NIDN: ...
 LEMBAR PERNYATAAN

Saya Dimas Prasetya menyatakan dengan sesungguhnya bahwa laporan

Kerja Praktik yang saya tulis dengan judul “PENERAPAN ALGORITMA
NAÏVE BAYES UNTUK KLASIFIKASI DIAGNOSA PENYAKIT
HIPERTENSI” beserta dengan seluruh isinya adalah merupakan hasil karya
sendiri. Saya tidak melakukan penjiplakan yang tidak sesuai dengan etika
keilmuan yang berlaku dalam masyarakat keilmuan.
Sesuai peraturan yang berlaku saya siap menanggung risiko atau sanksi
yang diberikan jika di kemudian hari ditemukan pelanggaran terhadap etika
keilmuan dalam laporan Kerja Praktik ini atau jika ada klaim dari pihak lain
terhadap keaslian karya.

Karawang, 19 Februari 2020

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.

Penulis mengucapkan terima kasih kepada:

1. Dr. H. Dedi Mulyadi, SE, MM, Rektor Universitas Buana Perjuangan Karawang.
2. Ahmad Fauzi, M.Kom, Dekan Fakultas Teknik dan Ilmu Komputer Universitas
Buana Perjuangan Karawang,
3. Jamaludin Indra, M.Kom, Kordinator Program Studi Teknik Informatika
Universitas Buana Perjuangan Karawang, yang menerima penulis dengan baik
untuk berkonsultasi,
4. Euis Laelasari, M.Kom, Koordinator Kerja Praktek Program Studi Teknik
Informatika Universitas Buana Perjuangan Karawang, yang menerima penulis
dengan baik untuk berkonsultasi,
5. Jamaludin Indra, M.Kom, Pembimbing I yang telah memberikan bimbingan
pembuatan tugas akhir,
6. Drg. Rahmat Risnandar, Koordinator Kerja Lapangan yang telah memberikan
arahan dalam kerja praktek dengan baik,
7. dst…
Semoga Laporan Kerja Praktik ini dapat bermanfaat, baik sebagai sumber
informasi maupun sumber inspirasi, bagi para pembaca.

Karawang, 5 Fabruari 2020

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.

Kata Kunci:Hipertensi, Algoritma Naïve Bayes,Data Mining dan UPTD

Puskesmas Bayur Lor.

ABSTRACT

Hypertension is a medical condition where the number of sufferers is very large

and with the risk of causing death. UPTD Puskesmas Bayur Lor has the second
highest number of hypertension sufferers with 69 cases from 452 patients
registered in February. By using the data mining method with the naïve Bayes
algorithm, this study will calculate the highest probability on the decision whether
the patient has hypertension or not.

Keyword: Hypertension, Naïve Bayes Algorithm, Data Mining and UPTD

Puskesmas Bayur Lor
 DAFTAR ISI

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

Gambar 1 alur prosedur penelitian ........................................................................ 34

DAFTAR LAMPIRAN
 BAB I
PENDAHULUAN

1.1. Latar Belakang

Hipertensi atau yang sering didengar dengan sebutan darah tinggi di

kalangan masyarakat adalah salah satu kondisi medis yang cukup memprihatinkan
dengan banyaknya kasus yang terjadi, Badan kesehatan dunia atau WHO ( World
health Organization ) memperkirakan bahwa di tahun 2025 mendatang akan
terjadi peningkatan dalam jumlah penderita yaitu 29 % yang mana disebutkan
bahwa Negara ekonomi mempunyai perkembangan sebesar 40 % terbanyak dari
lainnya.
Indonesia adalah salah satu penyumbang angka penderita yang dapat
dikatakan sangat banyak, Riset Kesehatan Dasar (Riskesdas) pada tahun 2018
menyatakan angkanya mencakup 63 juta jiwa lebih dengan angka kematian
mencapai 427.218 jiwa. Dengan jumlah penderita maupun kematian yang terjadi,
ini menjadi sebuah kekhawatiran dikarenakan penderita masih terus bertambah
setiap tahunnya.
Sebagian besar kasus hipertensi tidak terdiagnosis dikarenakan hipertensi sering
kali terjadi tanpa keluhan, sehingga penderita tidak mengetahui dirinya menyandang
hipertensi dan mengakibatkan pelayanan pengobatan terlambat dan bahkan penderita
baru dapat mengetahui dirinya penyandang hipertensi setelah terjadi komplikasi yang
mana itu akan meningkatkan tingkat bahayanya. Proses diagnosa hipertensi yang
terlambat diketahui akan menyebabkan penderita tidak mendepatkan pelayanan medis
yang dibutuhkan. Riskesdas menyatakan Dari prevalensi hipertensi sebesar 34,1%
diketahui bahwa sebesar 8,8% terdiagnosis hipertensi dan 13,3% orang yang
terdiagnosis hipertensi tidak minum obat serta 32,3% tidak rutin minum obat.
Diagnosa Penyakit adalah proses dimana dokter mengumpulkan informasi
yang didapatkan dari pasien menjadi pengambilan kesimpulan atas suatu kondisi
medis yang diderita pasien, Bermacamam – macam jenis penyakit berhasil
didapatkan dari proses diagnose salah satunya Hipertensi karena hal itu
dibutuhkanlah proses klasifikasi suatu penyakit untuk memudahkan dalam hal
membedakan dan mempelajarinya.
1.2. Rumusan Masalah

1. Bagaimana cara mengklasifikasikan suatu diagnosa kondisi medis

hipertensi di UPTD Puskesmas Bayur lor.
2. Bagaimana penerapan e Naïve Bayes dalam mendiagnosa kondisi
medis hipertensi.

1.3. Tujuan penelitian

Adapun tujuan yang ingin dicapai dalam penelitian ini adalah, sebagai berikut :
1. Proses klasifikasi diharapkan akan memudahkan dalam hal membedakan
dan mempelajari kasus hipertensi!

2. Mempelajari kasus hipertensi yang terjadi pada masyarakat !

3. Mengetahui cara penerapan dari proses klasifikasi diagnose kondisi medis

hipertensi dengan menggunakan algoritma Naïve Bayes.

1.4. Manfaat penelitian

1. Membantu meningkatkan pelayanan kepada masyarakat tentang kondisi

medis hipertensi.
2. Menambah wawasan ilmu pengetahuan tentang klasifikasi dengan
menggunakan algoritma Naïve Bayes.
3. Menambah wawasan ilmu pengetahuan tentang hipertensi.
 BAB II
TINJAUAN PUSTAKA

2.1. Profil Perusahaan

2.1.1. UPTD Puskesmas Bayurlor

Puskesmas Bayurlor merupakan Puskesmas yang berada di wilayah
Kecamatan Cilamaya kulon Kabupaten Karawang. Puskesmas Bayurlor
memiliki wilayah kerja lima (5) desa dengan keadaan geografi kecamatan
Cilamaya kulon mayoitas terletak di dataran rendah, dengan iklim sedang
suhu udara rata rata 30-35 0 C , ketinggian rata rata 200 meter diatas
permukaan laut. Luas wilayah Kadupandak sekitar 805 M2, terdiri dari
pesawahan dan lahan kebun.

2.1.2. Kondisi Geografis

Puskesmas Bayur Lor memiliki 5 Desa binaan yang tersebar di
kecamatan Cilamaya kulon, keadaan geografi kecamatan Cilamaya kulon
mayoitas terletak di dataran rendah, dengan iklim sedang suhu udara rata rata
30-35 0 C, ketinggian rata rata 200 meter diatas permukaan laut. Luas
wilayah Kadupandak sekitar 805 M2, terdiri dari pesawahan dan lahan
kebun.

Secara Geografi Puskesmas Bayur Lor terletak di Timur Kabupaten

Karawang, Berbatasan dengan :

Utara : Kecamatan Tempuran

Selatan : Kecamatan Banyusari

Timur : Kecamatan Cilamaya Wetan

Barat : Kecamatan Lemahabang Wadas

Infrastruktur di wilayah Puskesmas Bayur Lor kecamatan Cilamaya Kulon,
rata rata sudah bisa dilalui kendaraan roda 4 , walau kondisisinya belum
semua beraspal.

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.

2.1.3. Kondisi Demografis

1. Agama dan Budaya

Masyarakat Puskesmas Bayur Lor Kec. Cilamaya Kulon mayoritas

beragama Islam, kultur dan budaya mayoritas kultur islam dan pola
pendidikan keagamaan masih mengacu pada tradisi pesantren, jika pun telah
terjadi akulturasu budaya serta globalisasi tapi pada umunya kultur islam
masih kental terasi misalnya lewat acara seremonial islam pada bulan bulan
Hijriyyah, tapi ada juga 0,1 % beragama Kristen tapi penduduk pendatang
yang menikah dan menetap di Puskesmas Bayur Lor Kec. Cilamaya Kulon.

Penduduk wilayah Puskesmas Bayur Lor Kecamatan Cilamaya Kulon

mayoritas suku sunda, walau demikian ada sekitar 0,2 persen pendatang yang
telah lama menetap dan menjadi warga Puskesmas Bayur Lor Kec. Cilamaya
Kulon.

2. Mata Pencaharian

Wilayah Puskesmas Bayur Lor Kec. Cilamaya Kulon merupakan daerah

agraris sebagian besar mata pencaharian penduduk dengan bertani baik petani
pemilik atau petani penggarap ( buruh tani) jika dikalkulasi sekitar 80%
sisanya berdagang ( wiraswasta) 15% pegawai negeri 2% dan sisanya
pekerjaan tidak tetap, daya beli masyarakat cukup baik, ditunjang dengan
faslitas perekonomian ( Pasar tradisional, pasar malam dan Toserba ),
Puskesmas Bayur Lor Kec. Cilamaya Kulon termasuk daerah yang subur
serta menghasilkan produk beras yang berkualitas sehingga pasarnya Sekitar
Kabupaten Karawang kota dan Luar wilayah Kab. Karawang, sebagian hasil
pertanian ada pula berupa palawija.

3. Tingkat Pendidikan

Pendidikan Penduduk mayoritas masih pendidikan dasar dan menengah,

walau demikian banyak yang pendidikannya perguruan tinggi baik diploma
III maupun sarjana bahkan pascasarjana, jika di prosentase sekitar
Pendidikan dasar dan menengah 73% Perguruan Tinggi D3-S1 29 % dan
sisanya Pasca sarjana sekitar 1%. Namun demikian masih terdapat beberapa
penduduk terutama lansia yang tak mengenyam pendidikan sekitar 2%.

4. Jumlah Penduduk
a. Total Jumlah Penduduk

Mengenai gambaran jumlah penduduk Puskesmas Bayur Lor pada tahun

2016 ada sekitar 25.949 jiwa dengan perincian sebaga berikut :

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

2 Bayur Kidul 1.805 1.714 3.519

3 Kiara 2.499 2.372 4.871

4 Langensari 3.402 3.230 6.632

5 Sukamulya 2.292 2.176 4.468

JUMLAH 13.311 12.637 25.948

Tabel 1.1 jumlah penduduk per desa berdasarkan jenis kelamin

 Proporsi penduduk wilayah Puskesmas Bayur Lor Kecamatan Cilamaya
Kulon hampir antara laki laki dan perempuan, piramida penduduk masih
didominasi oleh usia produktif sehingga dengan rasio 1: 4 dimana usia
produktif cukup dominan.
b. Jumlah Penduduk Miskin (JKN)

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

Jumlah 11.401 8.690 20.094

Tabel 1.2 data kepesertaan JKN tahun 2016

Pelayanan terhadap penduduk miskin pemilik jaminan tersebut mencapai
11.5 % Dari jumlah pemilik kartu karena kurangnya keterjangkauan
 masyarakat dalam pelayanan, peserta masih menyebar ke sarana pelayanan
Kesehatan lain.

c. Jumlah Sarana Kesehatan

Tabel 1.3

Jumlah Sarana Kesehatan Puskesmas Bayur Lor Tahun 2017

No Sarana Kesehatan Jumlah

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

Tabe11.3 jumlah sarana kesehatan puskesmas

2.2. Visi Misi Perusahaan

1. Visi Puskesmas :

Puskesmas Bayurlor handal dan bermutu dalam pelayanan menuju

masyarakat cilamaya kulon sehat dan mandiri

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 merupakan keadaan peningkatan tekanan darah yang akan

memberi gejala lanjut ke suatu organ target seperti stroke (untuk otak),
penyakit jantung coroner (untuk pembuluh darah jantung) dan hipertropi
ventrikel kanan (untuk otot jantung). Dengan target organ di otak yang
berupa stroke, hipertensi menjadi penyebab utama yang menyebabkan
kematian (Nadjib, 2015).

Hipertensi adalah penyakit yang diakibatkan oleh naiknya tekanan darah

yang dapat mengakibatkan berbagai kondisi penyakit lain yaitu kerusakan
pada ginjal, stroke, serangan jantung, dan kerusakan pada organ – organ
tubuh manusia lainnya dikarenakan jantung dipaksa memompa darah lebih
keras ke seluruh tubuh. Hipertensi bisa dikatakan sudah terdiagnosa atau
terdeteksi pada penderita apabila tekanan darah penderita melebihi batas
normal yang telah ditetapkan yaitu 140mmHg untuk tekanan darah sistolik
dan 80mmHg untuk tekanan darah distolik yang mana pada tekanan darah
normal berada di kisaran 120/80 mmHg. Klasifikasi tingkatan penyakit
hipertensi bisa dilihat di table berikut :

Katagori Tekanan Darah Sistolik Tekanan Darah Distolik

Optimal < 120 < 80

Normal 120 – 129 80 – 84

Normal Tinggi 130 - 139 85 – 89

Hipertensi Tingkat 1 140 - 159 90 – 99

Hipertensi Tingkat 2 140 - 179 100 – 109

Hipertensi Tingkat 3 ≥ 180 ≥110

Hipertensi
≥ 140 < 90
SistolikTerisolasi
 Hipertensi yang terus dibiarkan akan menjadi sangat berbahaya dan
dibedakan menjadi 2 jenis yaitu :

1. Hipertensi emegensi adalah hipertensi yang berhubungan dengan

sudah terjadinya kerusakan organ atau target organ demege
(TOD), perdarahan intrakranial, kegagalan ensefalopati, infark
serebral, perdarahan intrakranial, gagal ginjal, ventrikel kiri akut,
edema paru,dan diseksi aorta.
2. Hipertensi Urgensi adalah hipertensi yang tidak terjadinya
kerusakan organ atau target organ demege (TOD)

Hipertensi juga dapat dibedakan menjadi 2 kelompok dengan berdasarkan

dari factor resiko yang dapat diubah dan tidak dapat diubah yaitu :

1. Hipertensi Esensial (Primer)

Hipertensi yang tidak dapat diketahui penyebabnya
2. Hipertensi Sekuder
Hipertensi yang diketahui penyebabnya sebab hipertensi
dihilangkan maka hipertensi juga akan hilang

Faktor – factor penyebab Hipertensi diantaranya :

Faktor yang tidak dapat diubah : Umur, Jenis Kelamin, Keturunan (Genetik)

Faktor yang dapat diuba : Kegemukan (obesitas), Merokok, Kurang aktivitas

fisik, Konsumsi garam berlebihan, Dislipidemia, Konsumsi Alkohol
Berlebih, Psikososial dan Stress.

2.5. Klasifikasi

Menurut Sulistyo Basuki (1991) klasifikasi berasal dari kata Latin

“classis” atau proses pengelompokan, artinya mengumpulkan benda/entitas
yang sama serta memisahkan benda/entitas yang tidak sama. Sulistyo-Basuki
(1999:298) mendefinisikan klasifikasi yang diterapkan di pusat informasi dan
perpustakaan adalah penyusunan sistematik terhadap buku atau bahan
pustaka lain atau katalog atau entri indeks berdasarkan subjek, dalam cara
yang paling berguna bagi mereka yang membaca atau mencari informasi.
 Menurut Kamus Besar Bahasa Indonesia klasifikasi adalah penyusunan
bersistem dalam kelompok atau golongan menurut kaidah atau standar yang
ditetapkan.

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.

2.6. Algoritma Naïve Bayes

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 :

X = data dengan class yang belum diketahui

H = hipotesis data X merupakan suatu class spasifik

P(H|X) = Probabilitas hipotesis H berdasar kondisi X (posteriori

probabilitas)

P(H) = Probabilitas hipotesis H (prior probabilitas)

P(X|H) = Probabilitas X berdasarkan kondisi pada hipotesis H

P(X) = Probabilitas X
 Ada 4 Tahapan yang akan dilakukan metode algoritma Naïve Bayes yaitu :

1. Menghitung probabilitas total setiap kelas kejadian

Pada tahap awal yang harus dilakukan adalah menghitung probabilitas

total masing-masing kelas kejadian. Caranya dengan membagi jumlah data
kelas kejadian dengan jumlah seluruh data di tabel.

2. Menghitung probabilitas detail variabel dalam kelas

Tahap kedua adalah proses pernghitungan probabilitas setiap kasus.

Perhitungan dilakukan dengan menghitung jumlah kasus yang terjadi di
masing-masing variabel, sesuai yang bersangkutan dengan data tambahan,
dengan masing-masing kelas kejadian.

Menghitung peluang pada setiap kasus :

3. Mengalikan semua variabel kelas

Tahap ketiga adalah mengalikan semua hasil variabel pada setiap kelas
kejadian.

4. Membandingkan hasil antar kelas

Pada tahap terakhir hanya perlu membandingkan hasil akhir kelas-kelas

yang ada. Hasil atau keputusan yang diambil adalah hasil yang paling besar.

3.1. Basis Data (Database)

Basis Data adalah kumpulan informasi yang disimpan di dalam komputer

secara sistematik sehingga dapat diperiksa menggunakan suatu program
komputer untuk memperoleh informasi dari basis data tersebut. Database
berfungsi untuk menampung atau menyimpan data – data, dimana masing –
masing data yang ada pada table atau file tersebut saling berhubungan
dengan satu sama lainnya.

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

Secara umum, diagnosis diartikan sebagai istilah kedokteran yang berarti

suatu proses menemukan penyebab pokok dari masalah-masalah organisasi
yang dipergunakan.

Secara luas, diagnosa diartikan sebagai sesuatu prinsip kolaboratif antara

tim manajemen dengan konsultan PO untuk menemukan informasi,
menganalisa, dan menentukan tindakan intervensi.

Diagnosa merupakan pendekatan sistematis terhadap pemahaman dan

gambaran kondisi terkini organisasi yang merinci pada hakekat
permasalahan dan identifikasi faktor penyebab yang memberikan dasar
untuk memilih strategi perubahan dan teknik yang paling tepat.

Menurut Thorndike dan Hagen dalam Suherman (2011) Diagnosa

tersebut dapat diartikan sebagai :

1. Upaya atau juga proses dalam menemukan kelemahan atau penyakit

(weakness, disease) apa yangdialami seseorang dengan melalui
pengujian serta juga studi yang seksama mengenai gejala-gejalanya
(symptons).
2. Studi yang seksama terhadap fakta mengenai suatu hal untuk dapat
menemukan karakteristik atau juga kesalahan-kesalahan dan sebagainya
yang esensial.
3. Keputusan yang dicapai setelah dilakukan suatu studi yang seksama
dari segala gejala-gejala atau fakta tentang suatu hal.

3.3. Data Maining

Data mining merupakan proses semi otomatik yang menggunakan teknik

statistik, matematika, kecerdasan buatan, dan machine learning untuk
mengekstraksi dan mengidentifikasi informasi pengetahuan potensial dan
berguna yang bermanfaat yang tersimpan di dalam database besar. (Turban et
al, 2005 ).

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

Himpunan data (dataset) merupakan kumpulan dari objek dan atributnya

(Hermawati, 2013). Dalam dataset, jenis data dapat dibagi menjadi 2 bagian
yaitu:

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.

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses

cleaning pada data yang menjadi fokus KDD (knowledge discovery in Data).
Proses cleaning mencakup antara lain membuang duplikasi data, memeriksa
data yang inkonsisten, dan memperbaiki kesalahan pada data.
3.4. Tabel Penelitian
No. Judul Penelitian
. 1. Observasi, Metode
PENERAPAN ALGORITMA
NAIVE BAYES UNTUK
MEMPREDIKSI JUMLAH
1. PRODUKSI BARANG
BERDASARKAN DATA
PERSEDIAAN DAN JUMLAH
PEMESANAN PADA CV.
PAPADAN MAMA PASTRIES
PENERAPAN ALGORITMA
NAIVE BAYES UNTUK
2.
MENGKLASIFIKASI DATA
NASABAH ASURANSI
Tabel 2.4 penelitian terkait
Masukan Proses (Metode) Hasil
1. Kurangnya informasi pengumpulan data dengan Penerapan algoritma Naïve Bayes
metode yang digunakan cara mengamati langsung dapat membantu memprediksi
dalam penelitian tentang kegiatan, keadaan persedian stok roti berdasarkan
2. Tidak tercantumkannya umum, dan kejadian - dari data jumlah produksi dari
keunggulan maupun kejadian yang ada dalam CV. papa dan mama pastries
kelemahan dalam proses object penelitian selain itu dengan hasil ini juga dapat
prediksi menggunakan dapat melakukan sesi tanya membantu menentukan persedian
algoritma Naïve Bayes jawab pada narasumber stok roti sesuai dengan kebutuhan
dan keinginan.
1. Kurangnya informasi 1. Klasifikasi 1. Sistem klasifikasi data
metode yang digunakan Proses untuk menemukan nasabah ini sukses menanmpilkan
dalam penelitian model atau fungsi yang men- informasi calon nasabah dalam
2. diharapkan dengan adanya jelaskan atau membedakan membayar premi asuransi dengan
Sistem ini perusahaan bisa konsep atau kelas data, menggunakan algoritma Naïve
mengambil keputusan dengan tujuan untuk bisa Bayes dan karena adanya system
 8

No. Judul Penelitian Masukan Proses (Metode) Hasil

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

No. Judul Penelitian Masukan Proses (Metode) Hasil

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

No. Judul Penelitian Masukan Proses (Metode) Hasil

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

prediktif menggunakan Dari penelitian tersebut dapat

metode Naïve Bayes. diketahui hasil klasifikasi data
blogger professional dan blogger
musiman

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

3.1. Peralatan Penelitian

Peralatan penelitian yang digunakan pada saat penelitian sebagai berikut :

A. Perangkat Keras
1. Laptop
a. Procesor Intel(R) Core(TM) i5 CPU M450 @ 2.40GHz
b. RAM 4GB
c. HDD 250GB
2. Kalkulator
B. Perangkat Lunak
1. HiPER Scientific Calculator
Kalkulator Android untuk menghitung aritmatika, hyperbula,
power, logaritma, sudut dan lainnya.
2. BPJS Primary Care
BPJS Primary Care adalah sebuah aplikasi berbasis website yang
disediakan untuk fasilitas kesehatan tingkat pertama (FKTP).

3.2. Lokasi dan Waktu Penelitian

Waktu penelitian ini dilakukan pada periode Kerja praktek yang

dilaksanakan pada tanggal 21 Januari 2020 – 24 Februari 2020. Dengan waktu
kerja yang di tentukan, yaitu : pada hari senin sampai dengan hari Sabtu, kerja
praktek di mulai dari pukul 08.00 sampai pukul 14.00 WIB. kerja praktek ini
dilaksanakan di UPTD Puskesmas Bayur Lor, Desa Bayur Lor, Kecamatan
Cilamaya kulon Kabupaten Karawang, Jawa Barat 41361.
`
3.2.1. Tabel waktu agenda penelitian

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.

Agenda pada minggu pertama adalah proses perkenalan dan

pengadaptasian system kerja Pelayanan di UPTD Puskesmas Bayur Lor.

Agenda minggu kedua, menginputkan data pasien yang terdaftar dengan

kartu BPJS Kesehatan pada e-sikda generik yang tidak lain adalah aplikasi
pemberian dari pusat.

Agenda minggu ketiga, menginputkan data diagnosa pasien di e-sikda

generik setelah proses pelayanan oleh dokter pada pasien telah selesai dilakukan.

Agenda minggu keempat, menginputkan data pasien yang terdaftar dengan

kartu BPJS Kesehatan pada PCare yang tidak lain adalah aplikasi pemberian dari
pusat.

Agenda minggu kelima, menginputkan data diagnosa pasien di e-sikda

generik setelah proses pelayanan oleh dokter pada pasien telah selesai dilakukan

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

Gambar 1 alur prosedur penelitian

3.4. Metode Penelitian
Jenis Penelitian yang akan digunakan adalah deskriptif, dengan rancangan
studi kasus. Penghitungan pada jumlah objek penelitian mengambil populasi
dari penderita hipertensi di UPTD Puskesmas Bayur lor yang mana diambil
pada periode tanggal 1 februari 2020 sampai dengan 29 februari 2020 dengan
perhitungan jumlah total pasien adalah 452 dengan penderita hipertensi
memiliki jumlah ke dua terbanyak pada bulan februari yaitu 69 kasus. Jumlah
data tersebut diambil dari aplikasi PCare BPJS Kesehatan dengan hanya
pemegang kartu BPJS yang diinputkan.

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 :

1. Pembersihan data (Data Cleaning)

Pembersihan data merupakan proses menghilang-kan noise dan data
yang tidak konsisten atau data tidak relevan.
Data yang dijadikan sampel adalah data pasien dari UPTD
Puskesmas Bayur lor pada periode pada tanggal 1 sampai 29 februari 2020
dengan jumlah total pasien adalah 452 data. Pada tahap ini akan dilakukan
pengambilan data dengan cara membuang duplikasi data, memeriksa data
yang inkonsisten, dan memperbaiki kesalahan pada data. Dari data total
452 data pasien di puskesmas semua data telah sesuai yang diharapkan.
2. Integrasi data (Data Integration)
Integrasi data merupakan penggabungan data dari berbagai sumber
database ke dalam satu database baru.
 Dari 452 data pasien yang telah di tentukan terjadi penggabungan
data yang di seleksi dari 4 jenis kondisi medis yaitu : Gastritis, Hipertensi,
Flu, dan Conjunctivitis. Data – data tersebut di gabungkan kedalam satu
database baru menghasilkan data pasien berjumlah 157 data dengan
pembagian data 83 untuk penderita gastritis, 69 kasus hipertensi, 4
penderita conjunctivis dan 1 flu.
3. Seleksi data (Data Selection)
Data yang ada pada database sering kali tidak semuanya dipakai,
oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil
dari database.
Data yang dibutuhkan untuk penelitian kali ini hanya 20 data, oleh
karena itu proses pengambilan data dilakukan seleksi berdasarkan jumlah
data yang terlalu banyak dan nilai data fokusn objek yang terpenting oleh
karena itu di dapatkanlah data 10 untuk penderita hipertensi, 6 penderita
gastritis, dan 4 penderita conjunctivis dan 1 flu.
4. Transformasi data (Data Transformation)
Data diubah atau digabung ke dalam format yang sesuai untuk
diproses dalam Data Mining.
Data yang telah digabung di beri inputan kondisi untuk dapat
memiliki nilai yang akan bisa dihitung untuk nanti dijadikan nilai numerik
agar dapat melnjutkan proses selanjutnya. Untuk table data sempel nya
akan ditunjukan pada table berikut ini :
 Tabel Data Sampel Penelitian
Tekanan

Gender
Keluhan Sakit

Mual
Hipertensi

NO
Nama Darah
Mata Kepala
Sistolik

1 Karni P Y ≥139 Y Y Penderita

2 Kastuba L Y ≥139 Y Y Penderita

3 Nining P T <140 Y T Tidak

4 Tarinah P Y ≥139 T Y Penderita

5 Ronih P Y ≥139 T T Tidak

6 Anih P Y ≥139 T Y Tidak

7 Tati P T ≥139 Y T Tidak

8 Sinah P T ≥139 Y Y Penderita

9 Ade P Y <140 T T Tidak

10 Rohman S L Y ≥139 Y Y Penderita

11 Sari P Y ≥139 Y Y Penderita

12 Datim L Y <140 T T Tidak

13 Sumyati P T <140 Y T Tidak

14 Amsah P Y ≥139 Y Y Penderita

15 Abdul R L Y <140 T T Tidak

16 Akem P Y <140 T T Tidak

17 Tari P Y ≥139 Y Y Penderita

18 Siti S P T <140 Y T Tidak

19 Rohati P Y <140 T T Penderita

20 Iyoh P Y <140 T Y Penderita

 21 adela P Y <140 T Y Tidak

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 :

1. Menghitung probabilitas total setiap kelas kejadian

Pada tahap awal yang harus dilakukan adalah menghitung probabilitas
total masing-masing kelas kejadian. Caranya dengan membagi jumlah data
kelas kejadian dengan jumlah seluruh data di tabel.
Menghitung jumlah class/label
P(Y = Penderita) =10 /21 = 0.476190
P(B = Penderita) = 11/21 = 0.523 809
2. Menghitung probabilitas detail variabel dalam kelas
Tahap kedua adalah proses pernghitungan probabilitas setiap kasus.
Perhitungan dilakukan dengan menghitung jumlah kasus yang terjadi di
masing-masing variabel, sesuai yang bersangkutan dengan data tambahan,
dengan masing-masing kelas kejadian.
Menghitung peluang pada setiap kasus :
Jenis Kelamin
Penderita Bukan Peluang Peluang
Penderita Penderita BPenderita

Laki Laki 2 2 0.095238 0.095238

Perempuan 8 9 0.380952 0.428571

Total 10 11

Mual
Penderita Bukan Peluang Peluang
Penderita Penderita BPenderita

YMual 9 7 0.428571 0.3

TMual 1 4 0.047619 0.190476

Total 10 11
 Tekanan Darah Sistolik

Penderita Bukan Peluang Peluang

Penderita Penderita BPenderita

TDS ≥139 7 2 0.3 0.095238

TDS <140 3 9 0.142857 0.428 571

Total 10 11

Keluhan Mata
Penderita Bukan Peluang Peluang
Penderita Penderita BPenderita

YKeluhan mata 7 4 0.3 0.190476

TKeluhan mata 3 7 0.142857 0.3

Total 10 11

Sakit Kepala
Penderita Bukan Peluang Peluang
Penderita Penderita BPenderita

YSakit Kepala 9 2 0.428 571 0.095238

TSakit Kepala 1 9 0.047619 0.428 571

Total 10 11
3. Mengalikan semua variabel kelas Tahap ketiga adalah mengalikan
semua hasil variabel pada setiap kelas kejadian.
Sampel Uji Coba Data Training :

15 Abdul R L Y <140 T T Tidak

P(JK\Penderita)* P(Mual\Penderita)* P(TDS\Penderita)* P(Keluhan

Mata\Penderita)* P(Sakit Kepala\Penderita) =
Jawab : 0.095238*0.428571*0.142857*0.142857*0.047619
= 0.0000396658138478015

P(Laki\Tidak)* P(Mual\Tidak)* P(TDS\Tidak)* P(Keluhan Mata\

Tidak)* P(Sakit Kepala\ Tidak) =
Jawab : 0.095238*0.3*0. 428 571*0.3*0.428 571
= 0.001 574 339 300 3

Data Testing :

22 Sri indra P Y ≥140 T Y

P(JK\Penderita)* P(Mual\Penderita)* P(TDS\Penderita)* P(Keluhan

Mata\Penderita)* P(Sakit Kepala\Penderita) =
Jawab : 0.380952*0.428571*0.3*0.142857*0.428 571
= 0.002 998 738 525 63
P(Laki\Tidak)* P(Mual\Tidak)* P(TDS\Tidak)* P(Keluhan Mata\
Tidak)* P(Sakit Kepala\ Tidak) =
Jawab : 0.428571*0.3*0.095238*0.3*0.095238
= 0.000 349 853 177 843 615 16
 4. Membandingkan hasil antar kelas

Pada tahap terakhir hanya perlu membandingkan hasil akhir kelas-kelas

yang ada. Hasil atau keputusan yang diambil adalah hasil yang paling besar.

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

1. Hasil kesimpulan dari penelitian ini adalah proses klasifikasi data

diagnose kondisi medis hipertensi di UPTD Puskesmas Bayur lor dapat
dikatakan sukses. Dengan metode data maining dan menggunakan
algoritma Naïve Bayes hasil perhitungan yang telah dilakukan
menunjuan nilai perbandingan berbeda antara penderita hipertensi dan
yang bukan penderita.
2. Naïve Bayes memberikan dampak yang baik dengan penerapan
klasifikasinya dengan tahap – tahapan yang tersistematis untuk
mendapatkan kemungkinan hasil terbaik dari proses tersebut

7.2. Saran

Dari Penelitian tersebut membuktikan bahwa proses klasifikasi dengan data

mining menggunakan metode algoritma berhasil dilakukan. Untuk selanjutnya
mungkin proses klasifikasinya bisa di bandingkan dengan metode – metode
lainnya.

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

Table 5 kegiatan Kerja Praktek

Tanggal Jam Kegiatan

20 Januari 2020 1) 08:00 - 09:00 1) Sosialisasi pekerjaan yang
didapatkan di Puskesmas Bayur
Lor
2) 09:25 – 09:30 2) Mendapatkan pekerjaan di poli
Umum.
3) 09:30 – 11:00 3) Mencatat data pasien Poli Umum
(nama, alamat, umur, diagnosa,
penanganan, status kasus)
4) 11:00 – 15:00 4) Memasukan data pasien poli
Umum pada aplikasi sikda generik
21 Januari 2020 – 1) 08:00 – 11:00 1) Mencatat data pasien poli Umum
24 Februari 2020 (nama, alamat, umur, diagnosa,
penangan, status kasus)
2) 11:00 – 15:00 2) Memasukan data pasien poli
Umum pada aplikasi sikda generik
23 Januari 2020 1) 08:00 – 11:00 1) Analisis masalah pada Puskesmas
Bayur Lor
28 Januari 2020 1) 08:00 – 11:00 1) Pengambilan keputusan judul
laporan kerja praktik
30 Januari 2020 1) 13:00 – 14:00 1) Pembuatan judul dan bab 1 laporan
kerja praktik
08 Februari 2020 1) 08:00 – 11:00 1) Mencatat data pasien poli Umum
(nama, alamat, umur, diagnosa,
penanganan, status kasus)
2) 11:00 – 12:00 2) Memasukan data pasien poli
Umum.

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

Nama : Dimas Prasetya

Alamat : Ds. Sumberjaya Kec. Tempuran Kab.
Karawang
Tahun Lahir : 26 – 10 – 1996
Anak ke :4
Pendidikan Dasar: SDN Sumberjaya 3
Pendidikan Menengah Pertama:SMPN 1 Tempuran
Pendidikan Menenganh Atas : SMAN 1 Tempuran
Perguruan Tinggi :Universitas Buana Perjuangan Karawang
Penjurusan di bidang Informatika