PENGOLAHAN BASIS DATA UNTUK PEMILIHAN

KONTAK LENSA PAS MENGGUNAKAN METODE

KLASIFIKASI DAN ALGORITMA C45

MAKALAH
UJIAN AKHIR SEMESTER
Diajukan untuk memenuhi mata kuliah Proses Data Mining pada Program Strata
Satu (S1)

Denti Yusniar 11152380

Septia Rahayu 11152953
Novi Asnonik 11152852
Agnesta B.R. Tarigan 11152842
Nurtias J.R. 11152851

Program Studi Sistem Informasi

Sekolah Tinggi Manajemen Informatika & Komputer Nusa Mandiri
Jakarta
2018
 KATA PENGANTAR

Puji syukur alhamdullillah penulis panjatkan kehadirat Allah SWT, yang telah

melimpahkan rahmat dan karunia-Nya, sehingga pada akhirnya penulis dapat

menyelesaikan tugas ini dengan baik. Dimana makalah ini penulis sajikan dalam

bentuk makalah yang sederhana. Adapun judul makalah yang penulis ambil

sebagai berikut, “ Pengolahan Basis Data Untuk Pemilihan Kontak Lensa Pas

Menggunakan Metode Klasifikasi dan Algoritma C45”.

Tujuan penulisan makalah ini dibuat sebagai salah satu syarat UAS (Ujian

Akhir Semester). Penulis menyadari bahwa tanpa bimbingan dan dorongan dari

semua pihak, maka penulisan makalah ini tidak akan lancar.

Penulis menyadari bahwa penulisan makalah ini masih jauh sekali dari

sempurna, untuk itu penulis mohon kritik dan saran yang bersifat membangun

demi kesempurnaan penulisan dimasa yang akan datang.

Akhir kata penulis berharap semoga makalah ini bermanfaat bagi penulis dan

khususnya semua pembaca yang berminat.

Bogor, Desember 2018

Penulis

ii
 DAFTAR ISI

Halaman

Lembar Judul Makalah ................................................................................. i

Kata Pengantar .............................................................................................. ii
Daftar Isi...................................................................................................... iii

BAB I LATAR BELAKANG ............................................................. 1

1.1. Latar Belakanng Permasalahan .............................................. 1
1.2. Identifikasi Masalah ............................................................... 2
1.3. Hipotesis ................................................................................. 2

BAB II LANDASAN TEORI ............................................................. 5

2.1. Tinjauan Pustaka .............................................................. 5
2.1.1. Data Mining ................................................................. 5
2.1.2. Algoritma C45 .............................................................. 6
2.2. Penelitian Terkait ............................................................... 9

BAB III METODELOGI PENELITIAN ............................................ 12

3.1. Tahapan Penelitian ............................................................. 12
3.2. Metode Analisis Data ........................................................... 13

BAB IV HASIL DAN PEMBAHASAN ................................................. 16

BAB V PENUTUP ................................................................................... 30

5.1. Kesimpulan ........................................................................... 30
5.2. Saran ...................................................................................... 30

DAFTAR PUSTAKA ................................................................................... 32

iii
 BAB I

PENDAHULUAN

1.1. Latar Belakang Masalah

Penyimpanan dokumen secara digital berkembang dengan pesat seiring

meningkatnya penggunaan computer. Kondisi tersebut memunculkan masalah

untuk mengakses informasi yang diinginkan secara akurat dan cepat. Oleh karena

itu, walaupun sebagian besar dokumen digital tersimpan dalam bentuk teks dan

berbagai algoritma yang efisien untuk pencarian teks telah dikembangkan, teknik

pencarian terhadap seluruh isi dokumen yang tersimpan bukanlah solusi yang

tepat mengingat pertumbuhan ukuran data yang tersimpan pada umumnya.

Teknologi pengumpulan dan penyimpanan data telah memudahkan

organisasi untuk mengumpulkan sejumlah data berukuran besar sehingga

menghasilkan gunung data. Data mining adalah teknologi yang merupakan

campuran metode-metode analisis data dengan algoritma-algoritma untuk

memproses data berukuran besar. Data mining telah banyak diaplikasikan dalam

berbagai bidang, diantanya dalam bidang bisnis dan kedokteran. Dalam bidang

bisnis, sangat perlu dilakukan terutama dalam mengelola Data yang sangat besar

untuk memudahkan aktifitas recording suatu transaksi dan untuk proses data

warehousing agar dapat memberikan informasi yang akurat bagi penggunanya.

Perkembangan teknologi setiap tahunnya semakin pesat, segala bidang tak

bisa lepas dari komputer dan teknologinya. Teknolgi computer menjangkau segala

bidang aktivitas kehidupan manusia, mulai dari kesehatan, bisnis, pendidikan,

organisasi dan masyarakat. Dalam bidang kesehatan penggunaan teknologi juga

1
 2

sangat dibutuhkan untuk mendapatkan informasi-informasi penting terkait

kesehatan seseorang. Salah satu kasus dibidang kesehatan yaitu bagaimana

mengetahui kesesuaian lensa kontak dengan mata pasien berdasarkan informasi-

informasi yang ada.

Kesesuaian lensa kontak terhadap mata seseorang sangatlah penting selain

membuat si pengguna lensa kontak nyaman juga menghindari resiko-resiko yang

dapat timpul dari kontak lensa itu sendiri, seperti lecet pada mata, infeksi mata,

serta beberapa permasalahan yang terjadi akibat kontak lensa. Namun lensa

kontak merupakan salah satu alat medis yang paling aman jika digunakan dengan

bertanggung jawab dan sesuai dengan kebutuhan mata pasien.

1.2. Identifikasi Masalah

1. Apakah kesalahan pemeriksaan mata untuk kontak lensa sangat berpengaruh

pada kesehatan untuk pasien atau bias berbahaya?

2. Mengapa kesesuaian lensa kontak begitu penting dal. am pemeriksaan mata

untuk pasien?

1.3. Hipotesis

1. Usia Pasien (Age of the Patient)

Peniliti ingin mengetahui apakah Usia Pasien (Age of the Patient)

mempengaruhi pada kesehatan mata pasien. Maka peneliti membuat rumusan

masalah sebagai berikut :

Apakah usia pasien (Age of the Patient) mempengaruhi kesehatan mata

pasien?
 3

Dari rumusan masalah di atas, peneliti memiliki dua pilihan hipotesis yang

sesuai dengan dasar teori yang digunakan, yaitu :

H0 : Usia Pasien (Age of the Patient) mempengaruhi kesehatan mata pasien.

H1 : Usia Pasien (Age of the Patient) tidak mempengaruhi kesehatan mata

pasien.

2. Jenis kacamata (Spectacle Presception)

Peniliti ingin mengetahui apakah Jenis Kacamata (Spectacle Presception)

mempengaruhi lensa kontak pada pasien. Maka peniliti membuat rumusan

masalah sebagai berikut :

Apakah Jenis Kacamata (Spectacle Presception) mempengaruhi lensa

kontak pada pasien?

Dari rumusan masalah di atas, peneliti memiliki dua pilihan hipotesis yang

sesuai dengan dasar teori yang digunakan, yaitu :

H0 : Jenis Kacamata (Spectacle Presception) mempengaruhi lensa kontak

pada pasien.

H1 : Jenis Kacamata (Spectacle Presception) tidak mempengaruhi lensa

kontak pada pasien.

3. Mata Silinder (Asigmatic)

Peniliti ingin mengetahui apakah kontak lensa berpengaruh bagi penderita

mata silinder (Asigmatic) ?

Maka peniliti membuat rumusan masalah sebagai berikut : Kontak lensa

berpengaruh bagi penderita mata silinder (Asigmatic) ?

Dari rumusan masalah di atas, peneliti memiliki dua pilihan hipotesis yang

sesuai dengan dasar teori yang digunakan, yaitu :

 4

H0 : kontak lensa berpengaruh bagi penderita mata silinder (Asigmatic).

H1 : kontak lensa tidak berpengaruh bagi penderita mata silinder (Asigmatic).

4. Produksi Air Mata (Tear production)

Peniliti ingin mengetahui apakah Produksi Air Mata (Tear production)

mempengaruhi kesesuaian lensa dalam pemeriksaan mata pada pasien. Maka

peniliti membuat rumusan masalah sebagai berikut :

Apakah Produksi Air Mata (Tear production) mempengaruhi kesesuaian

lensa dalam pemeriksaan mata pada pasien?

Dari rumusan masalah di atas, peneliti memiliki dua pilihan hipotesis yang

sesuai dengan dasar teori yang digunakan, yaitu :

H0 :Produksi Air Mata (Tear production) mempengaruhi kesesuaian lensa

dalam pemeriksaan mata pada pasien.

H1 :Produksi Air Mata (Tear production) tidak mempengaruhi kesesuaian

lensa dalam pemeriksaan mata pada pasien.

 BAB II

LANDASAN TEORI

2.1. Tinjauan Pustaka

2.2.1. Data Mining

Menurut Han dan Kamber (2011) data mining adalah proses menemukan

pola yang menarik dan pengetahuan dari data yang berjumlah besar. Sedangkan

menurut Linoff dan Berry (2011) Data mining adalah suatu pencarian dan analisa

dari jumlah data yang sangat besar dan bertujuan untuk mencari arti dari pola dan

aturan. Lalu menurut Connolly dan Begg (2010) Data mining adalah suatu proses

ekstraksi atau penggalian data yang belum diketahui sebelumnya, namun dapat

dipahami dan berguna dari database yang besar serta digunakan untuk membuat

suatu keputusan bisnis yang sangat penting.

Sedangkan menurut Vercellis (2009) Data mining adalah aktivitas yang

menggambarkan sebuah proses analisis yang terjadi secara iteratif pada database

yang besar, dengan tujuan mengekstrak informasi dan knowledge yang akurat dan

berpotensial berguna untuk knowledge workers yang berhubungan dengan

pengambilan keputusan dan pemecahan masalah. Dari beberapa teori yang

dijabarkan oleh para ahli diatas, bahwa Data mining adalah suatu pencarian dan

analisa pada suatu koleksi data (database) yang sangat besar sehingga ditemukan

suatu pola yang menarik dengan tujuan mengekstrak informasi dan knowledge

yang akurat dan berpotensial, serta dapat dipahami dan berguna dari database

yang besar serta digunakan untuk membuat suatu keputusan bisnis yang sangat

penting.

5
 6

Definisi umum dari data mining itu sendiri adalah proses pencarian pola-

pola yang tersembunyi (hidden patern) berupa pengetahuan (knowledge) yang

tidak diketahui sebelumnya dari suatu sekumpulan data yang mana data tersebut

dapat berada di dalam database, data werehouse, atau media penyimpanan

informasi yang lain. Hal penting yang terkait di dalam data mining adalah:

1. Data mining merupakan suatu proses otomatis terhadap data yang sudah ada.

2. Data yang akan diproses berupa data yang sangat besar.

3. Tujuan data mining adalah mendapatkan hubungan atau pola yang mungkin

memberikan indikasi yang bermanfaat. (Kusrini dan Emha Taufiq, 2009)

2.2.2. Algoritma C45

A. Pengertian Algoritma C45

Algoritma C4.5 merupakan kelompok algoritma Decision Tree. Algoritma

ini mempunyai input berupa training samples dan samples. Training

samples berupa data contoh yang akan digunakan untuk membangun

sebuah tree yang telah diuji kebenarannya. Sedangkan samples merupakan field-

field data yang nantinya akan digunakan sebagai parameter dalam melakukan

klasifikasi data (Sunjana, 2010).

B. Klasifikasi

Klasifikasi data merupakan suatu proses yang menemukan properti-properti yang

sama pada sebuah himpunan obyek di dalam sebuah basis data dan

mengklasifikasikannya ke dalam kelas-kelas yang berbeda menurut model

klasifikasi yang ditetapkan. Tujuan dari klasifikasi adalah untuk menemukan

model dari training set yang membedakan atribut ke dalam kategori atau kelas
 7

yang sesuai, model tersebut kemudian digunakan untuk mengklasifikasikan

atribut yang kelasnya belum diketahui sebelumnya. Teknik klasifikasi terbagi

menjadi beberapa teknik yang diantaranya adalah Pohon Keputusan.

Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat

kuat dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar

menjadi pohon keputusan yang merepresentasikan aturan. Aturan dapat dengan

mudah dipahami dengan bahasa alami. Dan mereka juga dapat diekspresikan

dalam bentuk bahasa basis data seperti Structured Query Language untuk

mencari record pada kategori tertentu. Pohon keputusan juga berguna untuk

mengeksplorasi data, menemukan hubungan tersembuyi antara sejumlah calon

variabel input dengan sebuah variabel target. Karena pohon keputusan

memadukan antara eksplorasi data dan pemodelan, dan sangat bagus sebagai

langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model

akhir dari beberapa teknik lain (Kusrini, 2009).

C. Prinsip Kerja Algoritma C45

Pada tahap pembelajaran algoritma C4.5 memiliki 2 prinsip kerja yaitu:

1. Pembuatan pohon keputusan. Tujuan dari algoritma penginduksi pohon

keputusan adalah mengkontruksi struktur data pohon yang dapat digunakan

untuk memprediksi kelas dari sebuah kasus atau record baru yang belum

memiliki kelas. C4.5 melakukan konstruksi pohon keputusan dengan

metode divide and conquer. Pada awalnya hanya dibuat node akar dengan

menerapkan algoritma divide and conquer. Algoritma ini memilih

pemecahan kasus-kasus yang terbaik dengan menghitung dan

 8

membandingkangain ratio, kemudian node-node yang terbentuk di level

berikutnya, algoritma divide and conquer akan diterapkan lagi sampai

terbentuk daun-daun.

2. Pembuatan aturan-aturan (rule set). Aturan-aturan yang terbentuk dari pohon

keputusan akan membentuk suatu kondisi dalam bentuk if-then. Aturan-

aturan ini didapat dengan cara menelusuri pohon keputusan dari akar sampai

daun. Setiap node dan syarat percabangan akan membentuk suatu kondisi

atau suatu if, sedangkan untuk nilai-nilai yang terdapat pada daun akan

membentuk suatu hasil atau suatu then.

Information Gain

Information gain adalah salah satu attribute selection measure yang

digunakan untuk memilih test attribute tiap node pada tree. Atribut dengan

informasi gain tertinggi dipilih sebagai test atribut dari suatu node (Sunjana,

2010). Dalam prosesnya perhitungan gain bisa terjadi atau tidak suatu missing

value.

Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari

atribut-atribut yang ada. Untuk menghitung gain digunakan rumus seperti tertera

dalam persamaan 1 berikut :

Gain(S,A) = Entropy(S)−∑ |𝑆𝑖| |𝑆| 𝑛𝑖=1 ∗𝐸𝑛𝑡𝑟𝑜𝑝𝑦(𝑆𝑖) …(1)

Keterangan:

S : himpunan kasus |Si| : jumlah kasus pada partisi ke-i

A : atribut |S| : jumlah kasus dalam S

n : jumlah partisi atribut A

 9

Sementara itu, penghitungan nilai entropi dapat dilihat pada persamaan 2

berikut :

Keterangan:

S : himpunan kasus n : jumlah partisi S

I : fitur pi : proporsi dari S_i terhadap S

2.2. Penelitian Terkait

Dalam penyusunan makalah ini, penulis sedikit banyak terinspirasi dan

mereferensi dari penelitian-penelitian sebelumnya yang berkaitan dengan latar

belakang masalah pada makalah ini. Adapun penelitian yang berhubungan dengan

makalah ini antara lain yaitu :

Penelitian yang dilakukan oleh Ratna Idayati,Firdalena Mutia 2016 yang

berjudul “Gambaran Penggunaan Lensa (Soft Lens) Pada Mahasiswa Universitas

Syiah Kuala Ditinjau Dari Jenis Lensa, Pola Pemakaian, Jangka Waktu Dan Iritasi

Yang Ditimbulkan”. Penelitian ini bertujuan untuk mengetahui gambaran

penggunaan lensa kontak pada mahasiswa Universitas Syiah Kuala ditinjau dari

jenis lensa pada pemakaian, waktu dan iritasi yang ditimbulkan. Sebuah data

deskriptif cross sectional telah dilakukan terhadap mahasiswa Universitas Syiah

Kuala, Banda Aceh.Sebanyak 193 mahasiswa yang menggunakan lensa kontak

telah diwawancarai dan mengisi kuisioner. Mahasiswa Unsyiah paling banyak

menggunakan lensa jenis soft lense (99,48%) dengan pola pemakaian harian

(97,93%). Jangka waktu pemakaian terbesar pada kategori 1-6 bulan (53,4%)
 10

dengan lama waktu telah menggunakan lensa kontak terbanyak yaitu 6 bulan – 1

tahun. Penggunaan cairan tetes mata lebih dari 1 x perhari. Kebersihan responden

dalam menggunakan lensa kontak cukup bersih (49,74%). Kejadian mata merah

pada responden akibat penggunaan lensa kontak mencapai 65% dan lama keluhan

akan hilang kurang dari 1 hari (63,73%). Kejadian mata merah yang disertai

adanya keluhan mata lain sekitar 57% dan 83,42% responden yang mengalami

iritasi mata tidak pernah berkonsultasi ke dokter.( JKS 20016;3;129- 134)

Penelitian yang dilakukan oleh Widya Halimatus syaqdiyah,Riski

Prihatmingtias, Arnila Novitasari Saubig pada tahun 2017 yang berjudul

“Hubungan Lama Pemakaian Lensa Kontak Dengan Mata Kering. ” hasil

penelitian yang dilakukan menyatakan bahwa Pengambilan data penelitian

dilakukan pada bulan Mei-September 2017. Penelitian ini melibatkan 50 mata dari

26 orang mahasiswi Universitas Diponegoro Semarang. Seluruh subjek berjenis

kelamin perempuan dengan usia antara 18-22 tahun. Karakteristik subjek

penelitian ditampilkan dalam tabel berikut :

Tabel I

Distribusi Data lama Pemakaian Kontak Lensa

Lama Frekuensi % Mean ± (SD) Median (min-mak)

Pemakaian
1 bulan 2 4
2 bulan 6 12
3 bulan 4 8
6 bulan 8 16
9 bulan 2 4 26,7 ± (24,61) 12,5 (1-60)
11 bulan 3 6
14 bulan 2 4
24 bulan 2 4
36 bulan 2 4
42 bulan 3 6
48 bulan 2 4
60 bulan 14 28
 11

Berdasar tabel 1 diketahui bahwa lama pemakaian lensa kontak berkisar

antara 1 hingga 60 bulan. Lama pemakaian lensa kontak dengan jumlah terbanyak

adalah 60 bulan (5 tahun).

Hasil Pengukuran Tes Schirmer Dari hasil pengukuran tes Schirmer

didapatkan hasil sebagai berikut :

Tabel II

Hasil Pengukuran Test Schimer

Mean ± (SD) Median (min-mak)

Hasil Pengukuran Test 21,36 ± (11,81) 20,5 ( 2–35)
Schirmer

Berdasar tabel 2 diketahui bahwa rerata hasil pengukuran tes Schirmer

adalah 21,36 + (11,81) mm. Hasil pengukuran tes Schirmer dapat digambarkan

pada grafik dibawah ini:

Berdasarkan gambar 1, dari 50 mata yang telah dilakukan pengukuran tes

Schirmer, didapatkan 12 mata kering dan 38 mata dengan produksi air mata

normal.
 BAB III

METODOLOGI PENELITIAN

Metodologi yang digunakan oleh penulis dalam menentukan penggunaan

kontak lensa pas menggunakan tahapan Algoritma C.45, Proses klasifikasi

penggunaan kontak lensa pass menggunakan lima langkah dalam KDD

(Knowledge Discovery in Databases), yang mencakup beberapa aktivitas yaitu

seleksi, praproses, transformasi, data mining, interprestasi dan evaluasi. Data

tersebut merupakan Data sekunder adalah data yang diperoleh secara tidak

langsung bersumber dari dokumentasi, literatur, buku, jurnal dan informasi

lainnya yang ada hubungannya dengan masalah yang diteliti. Data sekunder pada

penelitian ini adalah buku-buku, jurnal tentang algoritma C4.5 dan data mining.

3.1. Tahapan Penelitian

Metode Penelitian Tahapan yang dilakukan dalam perhitungan penggunaan

kontak lensa pas akan mengacu pada contoh yang baik (Best practice) dengan

menggunakan lima langkah dalam KDD (Knowledge Discovery in Databases).

Lima langkah dalam KDD (Knowledge Discovery in Databases) akan diuraikan

sebagai berikut.

1. Seleksi

Pada tahap awal ini memilih satu set data tentang kriteria penggunaan

kontak lensa pas sebagai acuan yang akan digunakan untuk penelitian.

12
 13

2. Praproses

Pada tahap ini kehandalan data ditingkatkan dengan membersihkan data

yang tidak bisa dihitung. Data hasil praproses ini diperoleh sejumlah 20 data.

3. Transformasi

Pada tahap ini disusun dan dikembangkan generasi data yang lebih baik

untuk data mining. Tahap ini juga merupakan proses transformasi pada data

yang akan dipilih sehingga data tersebut sesuai untuk proses data mining.

Proses ini merupakan proses kreatif dan sangat tergantung pada jenis atau pola

informasi yang akan dicari dlaam basis data. Data akan dipakai untuk

penelitian ditransformasikan ke dalam kategori yaitu usia pasien, jenis

kacamata, mata silinder dan produktifitas air mata.

4. Data Mining

Tahap ini memilih jenis algoritma yang akan digunakan dalam klasifikasi

yaitu Algoritma C.45.

5. Evaluasi

Pada tahap ini mengolah data dengan algoritma yang telah dipilih untuk

mendapatkan rule dari hasil klasifikasi dan kemudian dilakukan evaluasi

dengan menerapkan pola yang didapat dari proses sebelumnya terhadap data

testing yang disediakan.

3.2. Metode Analisis Data

Metode yang digunakan peneliti dalam melakukan penelitian adalah metode

klasifikasi. Metode Klasifikasi merupakan proses pembelajaran suatu fungsi

 14

tujuan (target) yang memetakan tiap himpunan atribut x ke satu dari label kelas y

yang didefinisikan sebelumnya. Fungsi target disebut juga model klasifikasi.

Ada dua jenis model klasifikasi, yaitu:

1. Pemodelan deskriptif: model klasifikasi yang dapat berfungsi sebagai suatu

alat penjelasan untuk membedakan objek-objek dalam kelaskelas yang

berbeda

2. Pemodelan prediktif: model klasifikasi yang dapat digunakan untuk

memprediksi label kelas record yang tidak diketahui

Metode yang akan digunakan pada penelitian adalah Algoritma C4.5 .

Indentifikasi sampel dari data set baca data. Kemudian menghitung entropy

(S) dari keseluruhan atribut, kemudian menghitung gain tertinggi dari seluruh

atribut, selanjutnya didapatkan atribut yang akan digunakan sebagai akar / node

.buat cabang untuk tiap- tiap nilai, bagi kasus dalam cabang, ulangi perhitungan

Gain sampai semua data telah termasuk dalam kelas yang sama. Atribut yang

telah dipilih tidak lagi diikutkan dalam perhitungan. Dalam kasus data set pada

penelitian ini terdiri dari 2 kelas yaitu debitur dengan kelas Layak yang

dinyatakan (+) dan debitur dengan kelas Tidak Layak yang dinyatakan (-).

A. Cara Pengujian Model / Metode

Dalam perhitungan Algoritma C4.5 data set dibagi menjadi 20 data training

dan 1 data testing. Model Algoritma C4. 5

1. Menghitung jumlah kasus, yang di bagi menkadi 2 kelas yaitu Layak dan

Tidak Layak , dan nilai entropy dari semua atribut yaitu umur pasien, jenis

kacamata, silinder dan produksi air mata. Serta mencari nilai gain dari tiap

atribut.
 15

2. Sebelum melakukan perhitungan gain , hitung entropy dari tiap atribut

dengan rumus sebagai berikut

𝐸𝑛𝑡𝑟𝑜𝑝𝑦 = ∑ − 𝑛𝑖=1 𝑝𝑖∗𝑙𝑜𝑔2 𝑝i

Dengan perhitungan yang sama , dilakukan pada atribut berdasarkan

penglompokan jumlah kasus.

3. Kemudian menghitung nilai gain, dan tentukan nilai tertinggi

untukmenentukan node atau akar yang pertama. Berikut rumus perhitungan

gain :

4. Ulangi langkah Ke- 3 hingga semua atribut dan subset terhitung.

5. Proses pembentukan pohon keputusan terhenti jika sudah tidak ada atribut

yang dipartisi dan semua tuple dalam node N telah memiliki kelas yang

sama.
 BAB IV

HASIL DAN PEMBAHASAN

1. Judul : Basis Data Untuk Lensa Kontak Pas

2. Sumber :

a. Cendrowska, J. "PRISM: Algoritma untuk menginduksi aturan modular",

International Journal of Man-Machine Studies, 1987, 27, 349-37

b. Donor : Benoit Julien (Julien@ce.cmu.edu)

c. Tanggal : 1 Agustus 1990

3. Jumlah Atribut :4

4. Informasi Atribut :

2 Kelas

Yes : pasien harus dilengkapi dengan lensa kontak yang lembut,

No : pasien tidak boleh dipasangi lensa kontak.

a. Usia pasien (Age of the Patient) :Muda (Young), Prapresbyopic,

Presbyopic

b. Resep tontonan ( Spectacle Prescription) : Myope, Hypermetrope

c. Astigmatik (Asigmatic) : Tidak (No) , Ya (Yes)

d. Tingkat produksi air mata (Tear Production Rate) :Dikurangi (Reduced),

Normal ( Normal)

16
 17

Tabel I

Basis Data Kontak Lensa Pas

No Age of the Spectacle Asigmatic Tear Classes

Patient Presception Production

1 Young Myope No Reduced No

2 Young Myope No Normal Yes
3 Young Myope Yes Reduced No
4 Young Hypermetrope No Reduced No
5 Young Hypermetrope No Normal Yes
6 Young Hypermetrope Yes Reduced No
7 Pra-Presbyopic Myope No Reduced No
8 Pra-Presbyopic Myope No Normal Yes
9 Pra-Presbyopic Myope Yes Reduced No
10 Pra-Presbyopic Hypermetrope No Reduced No
11 Pra-Presbyopic Hypermetrope No Normal Yes
12 Pra-Presbyopic Hypermetrope Yes Reduced No
13 Pra-Presbyopic Hypermetrope Yes Normal No
14 Presbyopic Myope No Reduced No
15 Presbyopic Myope No Normal No
16 Presbyopic Myope Yes Reduced No
17 Presbyopic Hypermetrope No Reduced No
18 Presbyopic Hypermetrope No Normal Yes
19 Presbyopic Hypermetrope Yes Reduced No
20 Presbyopic Hypermetrope Yes Normal No

Perhitungan Akar ( Root) Pertama

Jumlah Kasus : 20

Jumlah Kasus Yes :5

Jumlah Kasus No : 15

5 5 15 15
Entropy = (− 20 + 𝑙𝑜𝑔2 (20)) + (− 20 + 𝑙𝑜𝑔2 (20))

= 0.81127812445
 18

Perhitungan Entropy Age of the Patient

1. Young

Jumlah Kasus :6

Jumlah Kasus Yes :2

Jumlah Kasus No :4

4 4 2 2
Entropy = (− 6 + 𝑙𝑜𝑔2 (6)) + (− 6 + 𝑙𝑜𝑔2 (6))

= 0.91829583405

2. Pra-Presbyopic

Jumlah Kasus :7

Jumlah Kasus Yes :2

Jumlah Kasus No :5

5 5 2 2
Entropy = (− 7 + 𝑙𝑜𝑔2 (7)) + (− 7 + 𝑙𝑜𝑔2 (7))

= 0.86312056856

3. Presbyopic

Jumlah Kasus :7

Jumlah Kasus Yes :1

Jumlah Kasus No :6

6 6 1 1
Entropy = (− + 𝑙𝑜𝑔2 ( )) + (− + 𝑙𝑜𝑔2 ( ))
7 7 7 7

= 0.59167277858

Perhitungan Gain Age of the Patient

6
Gain = 0.81127812445 − (( ∗ 0.918295834005)
20
7 7
+ ( ∗ 0.86312056856) + ( ∗ 0.59167277858))
20 20

Gain = 0.02661170273
 19

Perhitungan Entropy Spectacle Presception

1. Myope

Jumlah Kasus :9

Jumlah Kasus Yes :2

Jumlah Kasus No :7

7 7 2 2
Entropy = (− 9 + 𝑙𝑜𝑔2 (9)) + (− 9 + 𝑙𝑜𝑔2 (9))

= 0.7642045065

2. Hypermetrope

Jumlah Kasus : 11

Jumlah Kasus Yes :3

Jumlah Kasus No :8

8 8 3 3
Entropy = (− 11 + 𝑙𝑜𝑔2 (11)) + (− 11 + 𝑙𝑜𝑔2 (11))

= 0.84535093662

Perhitungan Gain Spectacle Preception

9 11
Gain = 0.81127812445 − (( ∗ 0.7642045065) + ( ∗ 0.84535093662)
20 20

Gain = 0.02661170273

Perhitungan Entropy Asigmatic

1. Yes

Jumlah Kasus :8

Jumlah Kasus Yes :0

Jumlah Kasus No :8
 20

8 8 0 0
Entropy = (− 8 + 𝑙𝑜𝑔2 (8)) + (− 8 + 𝑙𝑜𝑔2 (8))

=0
2. No

Jumlah Kasus : 12

Jumlah Kasus Yes :5

Jumlah Kasus No :7

7 7 5 5
Entropy = (− 12 + 𝑙𝑜𝑔2 (12)) + (− 12 + 𝑙𝑜𝑔2 (12))

= 0.97986875665

Perhitungan Gain Asigmatic

8 12
Gain = 0.81127812445 − (( ∗ 0) + ( ∗ 0.97986875665)
20 20

Gain = 0.22335687046

Perhitungan Entropy Tear Production

1. Reduced

Jumlah Kasus : 12

Jumlah Kasus Yes :0

Jumlah Kasus No : 12

12 12 0 0
Entropy = (− 12 + 𝑙𝑜𝑔2 (12)) + (− 12 + 𝑙𝑜𝑔2 (12))

=0
2. Normal

Jumlah Kasus :8

Jumlah Kasus Yes :5

Jumlah Kasus No :3
 21

3 3 5 5
Entropy = (− 8 + 𝑙𝑜𝑔2 (8)) + (− 8 + 𝑙𝑜𝑔2 (8))

= 0.95443400292

Perhitungan Gain Tear Production Rate

12 8
Gain = 0.81127812445 − (( ∗ 0) + ( ∗ 0.95443400292)
20 20

Gain = 0.42950542328

Atribut Kasus Yes No Entropy Gain

Total 20 5 15 0.81127812445
Age 0.02661170273
Young 6 4 2 0.91829583405
Pra-Pres 7 2 5 0.86312056856
Presbyopic 7 1 6 0.59167277858
Spectacle 0.02661170273
Myope 9 2 7 0.7642045065
Hypermetrope 11 3 8 0.84535093662
Astigmatic 0.22335687046
Yes 8 0 8 0
No 12 5 7 0.97986875665
Tear 0.42950542328
Reduced 12 0 12 0
Normal 8 5 3 0.95443400292

1
Tear
Production

Reduced Normal

No
1.1
???
 22

Tabel II

Tear Prediction Rate (Normal)

No Age of the Spectacle Asigmatic Tear Classes

Patient Presception Production

1 Young Myope No Normal No

2 Young Hypermetrope No Normal Yes
3 Pra-Presbyopic Myope No Normal No
4 Pra-Presbyopic Hypermetrope No Normal No
5 Pra-Presbyopic Hypermetrope Yes Normal Yes
6 Presbyopic Myope No Normal No
7 Presbyopic Hypermetrope No Normal No
8 Presbyopic Hypermetrope Yes Normal Yes

Perhitungan Akar Tear Production Rate (Normal)

Jumlah Kasus :8

Jumlah Kasus Yes :5

Jumlah Kasus No :3

3 3 5 5
Entropy = (− 8 + 𝑙𝑜𝑔2 (8)) + (− 8 + 𝑙𝑜𝑔2 (8))

= 0.95443400292

Perhitungan Entropy Age of the Patient

1. Young

Jumlah Kasus :2

Jumlah Kasus Yes :2

Jumlah Kasus No :0

0 0 2 2
Entropy = (− 2 + 𝑙𝑜𝑔2 (2)) + (− 2 + 𝑙𝑜𝑔2 (2))

=0
 23

2. Pra-Presbyopic

Jumlah Kasus :3

Jumlah Kasus Yes :2

Jumlah Kasus No :1

1 1 2 2
Entropy = (− 3 + 𝑙𝑜𝑔2 (3)) + (− 3 + 𝑙𝑜𝑔2 (3))

= 0.91829583405

3. Presbyopic

Jumlah Kasus :3

Jumlah Kasus Yes :1

Jumlah Kasus No :2

2 2 1 1
Entropy = (− 3 + 𝑙𝑜𝑔2 (3)) + (− 3 + 𝑙𝑜𝑔2 (3))

= 0.91829583405

Perhitungan Gain Age of the Patient

2 3
Gain = 0.95443400292 − (( ∗ 0) + ( ∗ 0.91829583405)
8 8
3
+ ( ∗ 0.91829583405) )
8

Gain = 0.26571212738

Perhitungan Entropy Spectacle Presception

1. Myope

Jumlah Kasus :3

Jumlah Kasus Yes :2

Jumlah Kasus No :1

1 1 2 2
Entropy = (− 3 + 𝑙𝑜𝑔2 (3)) + (− 3 + 𝑙𝑜𝑔2 (3))

= 0.91829583405
 24

2. Hypermetrope

Jumlah Kasus :5

Jumlah Kasus Yes :3

Jumlah Kasus No :2

2 2 3 3
Entropy = (− 5 + 𝑙𝑜𝑔2 (5)) + (− 5 + 𝑙𝑜𝑔2 (5))

= 0.970959445

Perhitungan Gain Spectacle Preseption

3 5
Gain = 0.95443400292 − (( ∗ 0.91829583405) + ( ∗ 0.970959445) )
8 8

Gain = 0.003322894362

Perhitungan Entropy Asigmatic

1. No

Jumlah Kasus :6

Jumlah Kasus Yes :5

Jumlah Kasus No :1

1 1 5 5
Entropy = (− 6 + 𝑙𝑜𝑔2 (6)) + (− 6 + 𝑙𝑜𝑔2 (6))

= 0.65002242164
2. Yes

Jumlah Kasus :2

Jumlah Kasus Yes :0

Jumlah Kasus No :2

2 2 0 0
Entropy = (− 2 + 𝑙𝑜𝑔2 (2)) + (− 2 + 𝑙𝑜𝑔2 (2))

=0
 25

Perhitungan Gain Spectacle Preseption

6 2
Gain = 0.95443400292 − (( ∗ 0.65002242164) + ( ∗ 0) )
8 8

Gain = 0.46691718669

Atribut Kasus Yes No Entropy Gain

Total 8 5 3 0.95443400292
Age 0.26571212738
Young 2 2 0 0
Pra-Pres 3 2 1 0.91829583405
Presbyopic 3 1 2 0.91829583405
Spectacle 0.003322894362
Myope 3 2 1 0.91829583405

Hypermetrope 5 3 2 0.970959445
Astigmatic 0.46691718669
No 6 5 1 0.65002242164
Yes 2 0 2 0

1
Tear
Production
Reduced Normal

No 1.1
Asigmatic

Yes No

No 1.1.2
???
 26

Tabel III

Tear Prediction Rate (Normal) – Asigmatic (No)

No Age of the Spectacle Asigmatic Tear Classes

Patient Presception Production

1 Young Myope No Normal No

2 Young Hypermetrope No Normal No
3 Pra-Presbyopic Myope No Normal No
4 Pra-Presbyopic Hypermetrope No Normal No
5 Presbyopic Myope No Normal No
6 Presbyopic Hypermetrope No Normal Yes

Perhitungan Akar Tear Production Rate (Normal) – Asigmatic (No)

Jumlah Kasus :6

Jumlah Kasus Yes :5

Jumlah Kasus No :1

1 1 5 5
Entropy = (− 6 + 𝑙𝑜𝑔2 (6)) + (− 6 + 𝑙𝑜𝑔2 (6))

= 0.65002242164

Perhitungan Entropy Age of the Patient

1. Young

Jumlah Kasus :2

Jumlah Kasus Yes :0

Jumlah Kasus No :2

2 2 0 0
Entropy = (− 2 + 𝑙𝑜𝑔2 (2)) + (− 2 + 𝑙𝑜𝑔2 (2))

=0
 27

2. Pra-Presbyopic

Jumlah Kasus :2

Jumlah Kasus Yes :0

Jumlah Kasus No :2

2 2 0 0
Entropy = (− 2 + 𝑙𝑜𝑔2 (2)) + (− 2 + 𝑙𝑜𝑔2 (2))

=0

3. Presbyopic

Jumlah Kasus :2

Jumlah Kasus Yes :1

Jumlah Kasus No :1

1 1 1 1
Entropy = (− 2 + 𝑙𝑜𝑔2 (2)) + (− 2 + 𝑙𝑜𝑔2 (2))

=1

Perhitungan Gain Age of the Patient

2 2 2
Gain = 0.65002242164 − (( ∗ 0) + ( ∗ 0) + ( ∗ 1) )
6 6 6

Gain = 0.3166890883

Perhitungan Entropy Spectacle Presception

1. Myope

Jumlah Kasus :3

Jumlah Kasus Yes :0

Jumlah Kasus No :3

3 3 0 0
Entropy = (− 3 + 𝑙𝑜𝑔2 (3)) + (− 3 + 𝑙𝑜𝑔2 (3))

=0
 28

2. Hypermetrope

Jumlah Kasus :3

Jumlah Kasus Yes :1

Jumlah Kasus No :2

2 2 1 1
Entropy = (− 3 + 𝑙𝑜𝑔2 (3)) + (− 3 + 𝑙𝑜𝑔2 (3))

= 0.91829583405

Perhitungan Gain Spectacle Presception

3 3
Gain = 0.65002242164 − (( ∗ 0) + ( ∗ 0.91829583405) )
6 6

Gain = 0.19087450461

Atribut Kasus Yes No Entropy Gain

Total 8 5 3 0.65002242164
Age 0.3166890883
Young 2 0 2 0
Pra-Pres 2 0 2 0
Presbyopic 2 1 1 1
Spectacle 0.19087450461
Myope 3 0 3 0

Hypermetrope 3 1 2 0.91829583405

Tabel IV

Tear Prediction Rate (Normal) – Asigmatic (No) – Age (Presbyopic)

No Age of the Spectacle Asigmatic Tear Classes

Patient Presception Production

1 Presbyopic Myope No Normal No

2 Presbyopic Hypermetrope No Normal Yes
 29

1
Tear
Production
Reduced Normal

No 1.1
Asigmatic

No Yes

1.1.2 No
Age of the
Patient

Young Presbyopic
Pra-Presbyopic

No No 1.1.2.3
Spectacle
Prescription

Hypermetrope Myope

Yes No

Berdasarkan pohon keputusan diatas, dapat dibentuk rule classification sebagai

berikut :

1. R1 : IF Tear Production = Normal AND Asigmatic = Yes THEN tidak perlu

menggunakan kontak lensa

2. R2 : IF Tear Production = Normal AND Asigmatic = No AND Age of the

Patient = Young THEN tidak perlu menggunakan kontak lensa

3. R3 : IF Tear Production = Normal AND Asigmatic = No AND Age of the

Patient = Pra-presbyopic THEN tidak perlu menggunakan kontak lensa

4. R4 : IF Tear Production = Normal AND Asigmatic = No AND Spectacle

Prescription = Hypermetrope THEN perlu menggunakan kontak lensa

5. R5 : IF Tear Production = Normal AND Asigmatic = No AND Spectacle

Prescription = Myope THEN tidak perlu menggunakan kontak lensa

6.

7.
 BAB V

PENUTUP

4.1. Kesimpulan

Setelah dilakukan uji coba dalam penelitian dan perhitungan dengan

menggunakan algoritma C4.5 dapat disimpulkan beberapa hal sebagai berikut :

1. Algoritma C4.5 menggunakan perhitungan entropy, information gain dan

gain ratio untuk membentuk sebuah pola berupa pohon keputusan.

2. Dari hasil penelitian yang dilakukan dapat disimpulkan bahwa algoritma

C4.5 dapat digunakan sebagai alat analisa yang dilakukan oleh bidang

kedokteran atau kesehatan terutama kontak lensa pada mata. Hal ini

diperkuat dengan hasil evaluasi penelitian bahwa algoritma C4.5 mampu

menganalisa bahwa kesesuaian kontak lensa mata pada pasien sangatlah

penting untuk kesehatan pengguna sendiri jika terjadi kesalahanpun akan

berakibat buruk pada pasien tersebut.

3. Dari pembahasan tersebut maka hal yang paling mempengaruhi untuk

pemilihan lensa kontak yaitu jenis kacamata yang digunakan kemudian

dilanjutkan dengan usia pasien, silinder dan produksi air mata.

4.2. Saran

Berdasarkan proses pengujian dan kesimpulan yang telah dilakukan, maka

ada beberapa saran dalam penelitian ini adalah:

30
 31

1. Menambahkan jumlah data yang lebih besar dan atribut yang lebih banyak,

sehingga hasil pengukuran yang akan didapatkan lebih baik lagi.

2. Meningkatkan lagi sistem analisa pemeriksaan kontak lensa pas pada mata

untuk penentuan hasil pemeriksaan kesehatan pada pasien.

3. Penerapan kedalam sebuah aplikasi berbasis teknologi informasi guna

membantu pihak bidang kedokteran atau kesehatan untuk pemeriksaan

kontak lensa pada mata seseorang.

 DAFTAR PUSTAKA

Berry, J. Michael dan Linoff, Gordon. 2011. Data Mining Techniques : For
Marketing, Sales, and Costumer Support. New York : John Wiley and
Sons, inc

Connolly, T., Begg, C. 2010. Database Systems: a practical approach to design,

implementation, and management. 5th Edition. Amerika: Pearson
Education

Han, J dan Kamber, M. 2011. Data Mining : Concepts and Techniques.

Burlington : Morgan Kaufmann

Julian, Benoit. 1990.Basis Data Untuk Lensa Kontak Pas. Diambil dari :
http://www.ics.uci.edu/~mlearn/MLRepository.html
(08 Desember 2018)

Kusrini dan Taufiq, Emha. 2009. Algoritma Data Mining, Yogyakarta : Andi
Offical

Syaqdiyah, W. Halimatus. Prihatiningtias, Riski dan Saubig , A. Novitasari.

2018.Hubungan Lama Pemakaian Lensa Kontak Dengan Mata Kering.
Semarang. Jurnal Kedokteran Dipenegoro. Vol.7 No.2.

Indayati, Ratna dan Mutia , Firdalena. 2016 . Gambaran Penggunaan Lensa

Kontak ( Soft Lens) Pada Mahasiswa Universitas Syiah Kuala Ditinjau
Dari Jenis lensa, Pola Pemakaian, Jangka Waktu dan Iritasi Yang
Ditimbulkan. Banda Aceh. Jurnal Kedokteran Syiah Kuala. Vol.16 No.3.

32