KLASIFIKASI PENYAKIT DEMAM BERDARAH DENGUE

MENGGUNAKAN ALGORITMA NAÏVE BAYES PADA RUMAH SAKIT

BUDI ASIH

SKRIPSI

Diajukan untuk memenuhi salah satu syarat dalam

Program Studi Strata Satu (S1) Teknik Informatika

Disusun Oleh :
MOCH MUSLIH
311410579

SEKOLAH TINGGI TEKNOLOGI

PELITA BANGSA CIKARANG
2018
 LEMBAR PERSETUJUAN

SKRIPSI

KLASIFIKASI PENYAKIT DEMAM BERDARAH DENGUE

MENGGUNAKAN ALGORITMA NAÏVE BAYES PADA RUMAH SAKIT
BUDI ASIH

MOCH MUSLIH
NIM : 311410579

Disetujui dan disahkan Oleh :

Pembimbing I Pembimbing II

Wahyu Hadikristanto S.Kom, M.Kom Akhmad Akromusyuhada, S.T, M.Pd.I

NIDN : 0415088207 NIDN : 0427057408

Mengetahui

Ketua Prodi Teknik Informatika

Aswan Supriyadi Sunge, S.E, M.Kom

NIDN : 0426018003

i
 PENGESAHAN

SKRIPSI

KLASIFIKASI PENYAKIT DEMAM BERDARAH DENGUE

MENGGUNAKAN ALGORITMA NAÏVE BAYES PADA RUMAH SAKIT
BUDI ASIH

Yang disusun oleh

MOCH MUSLIH
NIM: 311410579

Telah dipertahankan di depan Dewan Penguji

Pada tanggal 8 November 2018
Susunan Dewan Penguji

Nama Penguji Tanda Tangan

Yoga Religia, M.Kom ( )

NIDN : 0419089301

Basuki Edi Priyo, M.Pd ( )

NIDN : 0421068205
Mengetahui

Kaprodi Teknik Informatika

Aswan Supriyadi Sunge, S.E, M.Kom

NIDN : 0426018003

Ketua STT Pelita Bangsa

Dr. Ir. Supriyanto, M.P

NIDN : 0401066605

ii
 SURAT PERNYATAAN KEASLIAN SKRIPSI

Dengan ini saya yang bertandatangan dibawah ini,

Nama : MOCH MUSLIH
NIM : 311410579
Perrguruan Tinggi : STT Pelita Bangsa
Program Studi : Teknik Informatika
Dengan ini menyatakan bahwa skripsi yang telah saya buat dengan judul :
“KLASIFIKASI PENYAKIT DEMAM BERDARAH DENGUE
MENGGUNAKAN ALGORITMA NAÏVE BAYES PADA RUMAH SAKIT
BUDI ASIH“, adalah merupakan hasil karya saya sendiri dan segala kutipan dalam
bentuk apapun telah mengikuti kaidah dan etika yang berlaku. Mengenai isi dan
tulisan adalah merupakan tanggung jawab penulis, bukan STT Pelita Bangsa.

Demikian pernyataan ini dibuat dengan sebenar-benarnya dan dengan

keadaan sadar tanpa paksaan dari pihak manapun.

Cikarang, Oktober 2018

Yang membuat pernyataan.

Moch Muslih

iii
 LEMBAR PERNYATAAN PERSETUJUAN
PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya mahasiswa Kampus Pelita Bangsa :

Nama : Moch. Muslih

NIM : 311410579
Program pendidikan : Strata Satu (S1)
Program Studi : Teknik Informatika

Demi pengembangan ilmu pengetahuan, saya memberikan kepada

Perpustakaan Kampus Pelita Bangsa skripsi saya yang berjudul : “KLASIFIKASI
PENYAKIT DEMAM BERDARAH DENGUE MENGGUNAKAN
ALGORITMA NAÏVE BAYES PADA RUMAH SAKIT BUDI ASIH” beserta
perangkat yang diperlukan (bila ada). Dengan demikian saya memberikan kepada
Perpustakaan Kampus Pelita Bangsa hak untuk menyimpan, me-ngalihkan dalam
bentuk media lain, mengelolanya dalam bentuk pangkalan data, mendistribusikan
secara terbatas, dan mempublikasikannya di Internet atau media lain untuk
kepentingan akademis tanpa perlu meminta ijin dari saya maupun memberikan
royalti kepada saya selama tetap mencantumkan nama saya sebagai penulis.

Demikian pernyataan ini yang saya buat dengan sebenarnya.

Dibuat di Cikarang

Pada tanggal : 30 Oktober 2018

Yang menyatakan

(Moch Muslih)

iv
 ABSTRAK

Demam Berdarah Dengue (DBD) merupakan penyakit infeksi virus yang

disebabkan oleh gigitan nyamuk Aedes aegypti betina. Penyakit demam berdarah
masih termasuk dalam kategori penyakit yang berbahaya, bahkan dapat
menyebabkan kematian. Lamanya proses diagnosis penyakit tersebut menjadi
hambatan bagi seseorang untuk mendapatkan diagnosis akan penyakit yang diderita
secara dini. Penelitian ini dilakukan guna memprediksi penyakit demam berdarah
menggunakan metode algoritme naïve bayes yang di implementasikan pada data
pasien penyakit demam berdarah. Dari hasil analisis menggunakan Split Validation
diperoleh nilai akurasi 90,74%.

Kata Kunci: Demam Berdarah, Data Mining, Naive Bayes.

v
 KATA PENGANTAR

Dengan memanjatkan puji dan syukur kehadirat Allah SWT atas segala
Rahmat, Taufiq, serta Hidayah-Nya sehingga penulis dapat menyelesaikan Skripsi
ini dengan judul “Klasifikasi Penyakit Demam Berdarah Dengue Menggunakan
Algoritma Naïve Bayes Pada Rumah Sakit Budi Asih”. Yang merupakan syarat
dalam menyelesaikan Program Studi Sl pada Program Studi Teknik Informatika,
Sekolah Tinggi Teknologi Pelita Bangsa.

Selama penulisan skripsi ini penulis mendapat banyak bantuan dan

bimbingan dari berbagai pihak, untuk itu pada kesempatan ini penulis mengucapkan
terima kasih yang sebesar-besarnya. pada :

1. Ayah dan Ibu saya telah banyak memberikan dukungan maupun do'a kepada saya

sehingga semua dapat berjalan dengan lancar.

2. Dr. Ir. Supriyanto, M.P., selaku Ketua Sekolah Tinggi Teknologi Pelita Bangsa.

3. Aswan Supriyadi Sunge, S.E, M.Kom., selaku Ketua Program Studi Teknik

Informatika Sekolah Tinggi Teknologi Pelita Bangsa.

4. Bapak Wahyu Hadikristanto, S.Kom, M.Kom. selaku Dosen Pembimbing I.

5. Bapak Akhmad Akromusyuhada, S.T, M.Pd.I. selaku Dosen Pembimbing II.

6. Seluruh Dosen Teknik Informatika.

7. Teman-teman STT Pelita Bangsa angkatan 2014.

8. Semua pihak yang telah menbantu penulis dalam menyelesaikan Skripsi.

Penulis sadar bahwa tentunya dalam penulisan skripsi ini masih banyak
terdapat kekurangan untuk itu saran dan kritik dari pembaca yang sifatnya
membangun sangat diharapkan, demi pengembangan kemampuan penulis ke
depan.

vi
 DAFTAR ISI

LEMBAR PERSETUJUAN...................................................................................... i
SURAT PERNYATAAN KEASLIAN SKRIPSI ................................................ iii
ABSTRAK .................................................................................................................. v
KATA PENGANTAR .............................................................................................. vi
DAFTAR ISI ............................................................................................................ vii
DAFTAR GAMBAR ................................................................................................. x
DAFTAR TABEL ..................................................................................................... xi
BAB I ........................................................................................................................... 1
1.1 Latar belakang .............................................................................................. 1
1.2 Identifikasi Masalah ..................................................................................... 3
1.3 Rumusan Masalah ........................................................................................ 4
1.4 Batasan Masalah........................................................................................... 4
1.5 Tujuan Penelitian ......................................................................................... 5
1.6 Manfaat Penelitian ....................................................................................... 5
BAB II ......................................................................................................................... 7
2.1 Kerangka Pemikiran..................................................................................... 7
2.1 Sistem Diagnosis .......................................................................................... 9
2.1.1 Pengertian Sistem ................................................................................. 9
2.1.2 Pengertian Diagnosis .......................................................................... 10
2.1.3 Pengertian Sistem Diagnosis ............................................................. 11
2.2 Pengertian Penyakit Demam Berdarah Dengue (DBD) .......................... 11
2.3 Data Mining ................................................................................................ 13
2.3.1 Pengertian Data Mining ..................................................................... 13
2.3.2 Tugas – Tugas Data Mining............................................................... 14
2.4 Arsitektur Sistem Data Mining ................................................................. 16
2.5 Penyimpanan Data dalam Data Mining .................................................... 18
2.6 Tahap – Tahap Data Mining ...................................................................... 19
2.7 Teknik – Teknik Data Mining ................................................................... 21
2.7.1 Macam – Macam Teknik Data Mining ............................................. 21

vii
 2.7.2 Teknik Classification menggunakan Naïve Bayes ........................... 23
2.8 Implementasi (Penerapan Data Mining) ................................................... 23
2.9 Metode Penelitian Data Mining ................................................................ 25
2.9.1 Teori Naïve Bayes Classifier ............................................................. 25
2.9.2 Naïve Bayes Untuk Klasifikasi.......................................................... 26
2.9.3 Model Klasifikasi ............................................................................... 28
2.10 Metode – Metode Pilihan dan Klasifikasi ................................................ 30
2.11 Penelitian Terdahulu .................................................................................. 32
2.11.1 Kajian jurnal pertama ......................................................................... 32
2.11.2 Kajian jurnal kedua ............................................................................ 33
2.11.3 Kajian jurnal ketiga ............................................................................ 33
2.11.4 Kajian jurnal keempat ........................................................................ 34
2.11.5 Kajian jurnal kelima ........................................................................... 35
2.12 Spesifikasi Kebutuhan Software dan Hardware ...................................... 35
2.13 Pengujian Confusion Matrix.................................................................. 37
BAB III ...................................................................................................................... 40
3.1 Sekilas Tentang Rumah Sakit Budi Asih ................................................. 40
3.2 Metode Pengumpulan Data ....................................................................... 41
3.3 Hasil Wawancara ....................................................................................... 41
3.4 Desain Penelitian ........................................................................................ 42
3.5 Analisa Sistem yang Berjalan.................................................................... 42
3.6 Akuisisi Pengetahuan ................................................................................. 43
3.7 Analisa Sistem ............................................................................................ 44
3.8 Metode Algoritma Naïve Bayes ................................................................ 45
3.9 Pengumpulan Data ..................................................................................... 46
3.10 Model yang Diusulkan ............................................................................... 47
BAB IV ...................................................................................................................... 48
4.1 Persiapan dan Perhitungan Data................................................................ 48
4.2 Seleksi Data ................................................................................................ 49
4.3 Model dan Metode yang diusulkan ........................................................... 50
4.4 Hasil Pengujian Prediksi Diagnosa ........................................................... 51

viii
 4.4.1 Prediksi Menggunakan Perhitungan Manual .................................... 53
4.4.2 Prediksi Menggunakan Rapid Miner................................................. 56
4.5 Evaluasi dan Validasi................................................................................. 57
4.6 Hasil Klasifikasi Class ............................................................................... 58
4.6.1 Simple Distribution Model ................................................................ 58
4.6.2 Distribution Label ............................................................................... 59
4.7 Perhitungan Menentukan Akurasi, Presisi, dan Recall ............................ 60
4.7.1 Accuracy (Akurasi)............................................................................ 60
4.7.2 Precision (Presisi) .............................................................................. 61
4.7.3 Recall................................................................................................... 61
4.8 Analisa Hasil Pengujian ............................................................................. 62
BAB V........................................................................................................................ 64
5.1 Kesimpulan ................................................................................................. 64
5.2 Saran ........................................................................................................... 64
DAFTAR PUSTAKA .............................................................................................. 65
LAMPIRAN ............................................................................................................. 68

ix
 DAFTAR GAMBAR

Gambar 2.1 Tahapan Proses Data Mining ............................................................... 22

Gambar 2.2 Diagram Alir Naive Bayes ................................................................... 25

Gambar 2.3 Proses Klasifikasi.................................................................................. 30

Gambar 2.4 Use Case Diagram Rumah Sakit.......................................................... 37

Gambar 2.5 Activity Diagram Rumah Sakit............................................................ 38

Gambar 2.6 Sequence Diagram Administrator ....................................................... 39

Gambar 2.7 Class Diagram Rumah Sakit ................................................................ 40

Gambar 2.8 Interface Rapidminer pada Data Mining Naive Bayes ....................... 43

Gambar 3.1 Kerangka Pemikiran ............................................................................. 45

Gambar 3.2 Activity Diagram Diagnosa Prediksi Penyakit DBD ......................... 49

Gambar 3.3 Model Pengujian ................................................................................... 55

Gambar 4.1 Model Algoritma Naïve Bayes ............................................................ 56

Gambar 4.2 Menu untuk menemukan performance algoritma ............................... 59

Gambar 4.3 Design Rapid Miner ............................................................................. 65

Gambar 4.4 Hasil Prediksi Rapid Miner .................................................................. 65

Gambar 4.5 Simple Distribution Model ................................................................... 67

Gambar 4.6 Accuracy ................................................................................................ 69

Gambar 4.7 Precision................................................................................................ 70

Gambar 4.8 Recall ..................................................................................................... 71

Gambar 4.9 Kurva AUC ........................................................................................... 72

x
 DAFTAR TABEL

Tabel 3.1 Akuisisi Pengetahuan ............................................................................... 50

Tabel 3.2 Data Pasien ................................................................................................ 54

Tabel 3.3 Pembagian Data ........................................................................................ 55

Tabel 4.1 Seleksi Data .............................................................................................. 58

Tabel 4.2 Data Training ............................................................................................ 60

Tabel 4.3 Data Testing .............................................................................................. 60

Tabel 4.4 Evaluasi Pengujian ................................................................................... 66

Tabel 4.5 Distribusi Label ........................................................................................ 67

Tabel 4.6 Accuracy.................................................................................................... 69

Tabel 4.7 Nilai Sebenarnya....................................................................................... 69

xi
 BAB I

PENDAHULUAN

1.1 Latar belakang

Pada awal tahun 2018 wabah Demam Berdarah Dengue di Indonesia

memang tengah memuncak. Berdasarkan data pasien di RS Budi Asih Kota

Cikarang, Demam Berdarah Dengue memasuki 10 besar penyakit yang banyak

terjadi selama tahun 2017 yaitu sebanyak 485 kasus dan menjadi urutan ketiga

setelah penyakit Gastro Enteritis/Colitis dan Congestive Heart Failure/

Decompensatio Cordis. Terlepas dari masalah tersebut, dalam bidang

kesehatan/kedokteran, ada salah satu teknik klasifikasi dalam data mining yang

banyak diterapkan pada hal-hal yang berkenaan dengan diagnosis secara statistik

yang berhubungan dengan probabilitas serta kemungkinan dari penyakit dan gejala-

gejala yang berkaitan yaitu metode naïve bayes.

Beberapa penelitian pernah dilakukan oleh Krishnaiah, Narsimha, dan

Chandra (2013) mengenai “Diagnosis of Lung Cancer Prediction System Using

Data Mining Classification Techniques”, dalam penelitian tersebut digunakan

metode association rules, dicision tree, naïve bayes dan artificial neural network

dengan tujuan untuk mengusulkan model untuk deteksi dini dan diagnosis yang

benar dari penyakit yang akan membantu seorang dokter dalam menyelamatkan

hidup seorang pasien. Hasil analisisnya tersebut menyatakan bahwa model yang

paling efektif untuk memprediksi pasien dengan penyakit paru-paru tampaknya

adalah naïve bayes diikuti association rules, decision trees dan neural network.

1
 2

Peneliti lainnya dilakukan oleh Iyer, Jeyalatha, dan Sumbaly (2015) dengan

judul “Diagnosis of Diabetes Using Classification Mining Technique”, penelitian

tersebut bertujuan mencari solusi untuk mendiagnosis penyakit dengan

menganalisis pola yang ditemukan dalam data melalui analisis klasifikasi dengan

menggunakan decision tree dan naïve bayes. Hasil analisisnya menunjukan bahwa

kedua metode yang digunakan memiliki perbedaan yang memang relatif kecil

ditingkat kesalahan. Meskipun demikian, jika dibandingkan tingkat kesalahan

klasifikasinya, maka metode naïve bayes memiliki tingkat kesalahan yang yang

lebih kecil dibandingkan metode decision tree pada kasus tersebut.

Rumah sakit Budi Asih merupakan sebuah badan usaha yang bergerak

dibidang pelayanan kesehatan masyarakat dibawah naungan perusahaan perseroan

terbatas yang bernama PT. Kyandra Jantera dan sudah mendapat izin dari

Pemerintah Daerah Kabupaten Bekasi dan Dinas Kesehatan. Pada prinsipnya,

keberadaan Rumah Sakit Budi Asih ini adalah untuk memfasilitasi perusahaan -

perusahaan dalam melaksanakan salah satu kewajibannya sebagai sebuah badan

usaha yaitu menjamin kesejahteraan kesehatan bagi karyawannya.

Penyakit Demam Berdarah Dengue (DBD) yang sering dialami masyarakat

dapat terjadi pada pasien dengan usia berapapun. Penyakit ini paling banyak

ditemui selama musim hujan dan setelah musim hujan di area tropis dan subtropis.

Maka diharapkan dengan adanya diagnosa prediksi penyakit DBD menggunakan

data mining akan memudahkan pasien untuk melihat hasil diagnosa dari gejala –

gejala yang muncul dengan mudah.

 3

Oleh karena itu kemajuan teknologi mendorong setiap instansi – instansi

dalam dunia kesehatan yaitu Rumah Sakit untuk meningkatkan mutu pelayanan

terhadap pasien melalui cara melibatkan kemajuan teknologi dalam dunia

kesehatan. Dimana nantinya pihak Rumah Sakit Budi Asih mampu mendiagnosa

penyakit menggunakan teknlogi.

Dengan adanya masalah tersebut serta ada solusi untuk mengatasi dan

penerapan metode penelitian menggunakan data mining terhadap pasien untuk

mendiagnosa penyakit tersebut maka penulis akan mengusulkan judul “Klasifikasi

Penyakit Demam Berdarah Dengue Menggunakan Algoritma Naïve Bayes

Pada Rumah Sakit Budi Asih”.

1.2 Identifikasi Masalah

Setelah membaca literatur, melakukan wawancara dan melakukan observasi

adapun identifikasi masalah dari latar belakang diatas yaitu :

1. Rumah sakit Budi Asih melakukan identifikasi penyakit Demam

Berdarah Dengue secara manual dan memerlukan waktu yang cukup

lama untuk mendiagnosa penyakit tersebut.

2. Rumah Sakit Budi Asih belum menerapkan sistem yang mampu

mendeteksi secara akurat dan cepat tentang penyakit Demam Berdarah

Dengue.

3. Kurangnya pemahaman masyarakat akan bahaya dari penyakit Demam

Berdarah Dengue.
 4

4. Sulit membedakan Demam Berdarah Dengue dengan penyakit demam

biasa, karena penyakit DBD mempunyai gejala-gejala yang berjumlah

cukup banyak dan terdapat kesamaan gejala yang dimiliki penyakit lain.

5. Keterbatasan pengetahuan masyarakat tentang cara mencegah dan

menangani penyakit Demam Berdarah Dengue.

Pasien yang terjangkit penyakit Demam Berdarah Dengue pada Rumah sakit

Budi Asih mengalami peningkatan tiap tahun.

1.3 Rumusan Masalah

Dari identifikasi masalah yang terjadi, maka perumusan masalah yang akan

dibahas dalam penulisan ini adalah bagaimana melakukan prediksi data minig

untuk jenis data penyakit Demam Berdarah Dengue di Rumah Sakit Budi Asih

sehingga dokter dapat melihat hasil diagnosa awal dari gejala dengan cepat dan

akurat?

1.4 Batasan Masalah

Dari identifikasi masalah yang ada, penulis membatasi masalah dalam

penelitian ini, agar dalam pembahasan dilaporan penelitian dapat terarah dan

mencapai tujuan. Berikut batasan – batasan masalah antara lain :

1. Penggunaan rapid miner untuk mencari tingkat akurasi diagnosa dokter

terhadap penyakit demam berdarah dengue di Rumah Sakit Budi Asih.

2. Memastikan tingkat akurasi dan prediksi diagnosa dokter sesuai dengan

gejala yang diderita pasien.

 5

3. Banyak pasien yang terjangkit demam berdarah dengue, bahkan gejala yang

ditimbulkan menyerupai penyakit lain.

1.5 Tujuan Penelitian

Berdasarkan latar belakang dan rumusan masalah yang telah diuraikan

diatas maka tujuan dari penelitian ini yaitu :

1. Membuat sistem yang mampu mendeteksi secara akurat dan cepat tentang

penyakit Demam Berdarah Dengue.

2. Mengganti proses diagnosa penyakit Demam Berdarah Dengue secara

komputerisasi agar tidak memakan waktu yang lama untuk mendiagnosa

penyakit tersebut.

3. Membantu dokter dalam mendiagnosa penyakit Demam Berdarah Dengue

pada Rumah sakit Budi Asih.

1.6 Manfaat Penelitian

Jika tujuan tercapai adapun manfaat dari penulisan tugas akhir ini dibagi

menjadi beberapa bagian yaitu :

a. Bagi Penulis

Tercapainya tujuan penulis yaitu dapat mengimplementasikan ilmu

pengetahuan yang telah didapatkan penulis selama masa perkuliahan dan

dapat memahami penerapan data mining serta metode naïve bayes.

b. Bagi Institusi
 6

Manfaat bagi institusi yaitu dengan adanya penerapan data mining ini dapat

membantu dokter dalam mendiagnosa penyakit Demam Berdarah Dengue

(DBD) tersebut.

c. Bagi Instansi

Manfaat bagi instansi yaitu diharapkan dapat menjadi tambahan bagi

peneliti selanjutnya untuk meneliti variable yang lain yang berkaitan dengan

diagnosa penyakit Demam Berdarah Dengue (DBD) menggunakan data

mining dengan metode naïve bayes classifier.

 BAB II

LANDASAN TEORI

2.1 Kerangka Pemikiran

Kerangka pikir merupakan garis besar dari langkah – langkah penelitian

yang dilakukan. Langkah – langkah tersebut disusun sedemikian rupa sebagai acuan

untuk tahap – tahap yang dilakukan dalam proses penelitian. Kerangka pemikiran

dalam penelitian ini berisi landasan teori yang menjadi dasar dalam menjawab

tujuan penelitian. Teori yang diuraikan meliputi konsep dasar dari metode naïve

bayes beserta teknik yang digunakan untuk mengetahui diagnosa penyakit Demam

Berdarah Dengue yang dialami oleh pasien akibat terinfeksi virus serta penggunaan

rapid miner untuk mengetahui akurasi prediksi penyakit tersebut.

Adapun data yang diperoleh merupakan data berupa lembaran file rekam

medis pasien. Data tersebut berupa data kasus DBD. Selain itu juga terdapat data-

data terkait dengan hal atau faktor-faktor yang mempengaruhi terkena DBD. Data

rekam medis tersebut kemudian dianalisis guna mendapatkan data yang spesifik

dan menuangkan data yang didapatkan dalam bentuk excel, guna mempermudah

pengolahan data.

Berdasarkan kerangka teori yang telah dijelaskan pada gambaran umum

objek, maka dikembangkan kerangka pemikiran penelitian diagnosa penyakit

Demam Berdarah Dengue yang dipengaruhi oleh gejala – gejala yang ada pada

penyakit Demam Berdarah Dengue.

Berikut Gambar Kerangka Pemikiran

7
 8

Gambar 3.1 Kerangka Pemikiran

Tahap pertama yang dilakukan adalah menggali permasalahan yang

ditemukan pada objek yang diteliti guna mencari alternatif solusi yang terkait

dengan permasalahan tersebut.

Tahap kedua yang dilakukan dalam melakuan penelitian yaitu melakukan

studi literatur dengan cara mempelajari teori dan pengetahuan dasar mengenai

semua yang berkaitan dengan penelitian ini agar dapat memahami dasar – dasar

teori dan konsep – konsep yang mendukung penelitian.

 9

Tahap ketiga yaitu pengumpulan data, setelah tahap studi literatur maka

tahap selanjutnya yang harus dilakukan adalah mengumpulkan data. Data yang

dibutuhkan adalah data pasien yang di dapatkan dari RS. Budi Asih.

Tahap keempat yaitu membuat data training / data latih dari data – data

yang sudah dikumpulkan, karena tidak semua data dibutuhkan untuk pengujian

model.

Tahap kelima adalah membuat data mining yang digunakan untuk memilih

teknik dan algoritma yang sesuai untuk menemukan pola dari data pasien tersebut

dengan menggunakan algoritma naive bayes.

Tahap keenam adalah hasil prediksi dari penerapan data mining dengan

algoritma naive bayes.

Tahap ketujuh merupakan kesimpulan yang didapat dari penelitian tersebut

serta saran.

2.1 Sistem Diagnosis

2.1.1 Pengertian Sistem

Sistem di definisikan sebagai suatu komponen yang saling berhubungan,

dengan batas yang telah didefinisikan secara jelas, bekerja sama untuk mencapai

sekumpulan tujuan yang umum dengan menerima input dan memproduksi output

di sebuah proses transformasi yang teroganisir (James A. & George M, 2010 :25).

Sistem memuliki tiga fungsi dasar:

 10

1. Input meliputi pengambilan dan perakitan komponen yang masuk ke sistem

untuk di proses. Contohnya, bahan mentah, energy, data dan upaya manusia

harus di jamin dan teroganisir untuk di proses.

2. Processing meliputi proses transformasi yang mengubah input menjadi output.

Contohnya adalah proses pembuatan, proses pernafasan manusia, atau

perhitungan matematika.

3. Output meliputi pemindahan komponen yang telah di produksi oleh proses

transformasi ke tujuan akhir. Contohnya, produk jadi, pelayanan manusia, dan

informasi manajemen harus di kirim ke user.

Sistem adalah kumpulan dari elemen – elemen yang berinteraksi untuk

mencapai suatu tujuan tertentu yang menggambarkan suatu kejadian – kejadian dan

kesatuan yang nyata adalah suatu objek nyata seperti tempat, benda dan orang –

orang yang betul – betul ada dan terjadi (Jogianto, 2005:2).

Sistem adalah kumpulan – kumpulan dari komponen – komponen yang

dimiliki unsur keterkaitan antara satu dengan lainnya (Indrajit, 2001:2).

Sistem adalah seperangkat elemen yang membentuk kumpulan atau

prosedur – prosedur / bagan – bagan pengolahan yang mencari suatu tujuan bagian

atau tujuan bersama dengan mengoperasikan data pada waktu tertentu untuk

menghasilkan informasi (Murdick, R.G, 27).

2.1.2 Pengertian Diagnosis

Diagnosa adalah identifikasi sifat – sifat penyakit atau kondisi atau

membedakan satu penyakit atau kondisi dari yang lainnya. Penilaian dapat

dilakukan melalui pemeriksaan fisik, tes laboratorium atau sejenisnya. Dan dapat
 11

dibantu oleh program komputer yang dirancang untuk memperbaiki proses

pengambil keputusan. (Carpenito, L. J, 2013).

2.1.3 Pengertian Sistem Diagnosis

Sistem diagnosis adalah sistem yang mengadopsi pengetahuan manusia ke

komputer agar dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para

ahli dan dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan

meniru kerja dari para ahli (Kusumadewi, 2003).

Sistem diagnosis yang akan dibangun mengambil referensi literature sistem

pakar sebagai dasar dalam perancangan pada penelitian ini. Perbedaan sistem pakar

dengan sistem diagnosis adalah sistem diagnosis pada penelitian ini tidak

menggunakan salah satu komponen sistem pakar yaitu mesin inferensi. Dengan

demikian sistem ini belum dapat dikatakan sebagai sistem pakar (Kusrini, 2010).

2.2 Pengertian Penyakit Demam Berdarah Dengue (DBD)

Demam Dengue adalah penyakit yang disebabkan oleh virus dengue yang

ditularkan kepada manusia melalui gigitan nyamuk Aedes Aegypti. Penyakit ini

dapat dialami oleh semua golongan umur, terutama pada anak dan remaja, dengan

tanda-tanda klinis berupa demam, nyeri otot dan atau nyeri sendi yang disertai

leukopenia, dengan atau tanpa ruam, dan limfadenopati, demam bifasik, sakit

kepala hebat, nyeri pergerakan bola mata, trombositopenia ringan dan petekie

spontan. Sedangkan perbedaan dengan Demam Berdarah Dengue adalah pada

kasus Demam Berdarah Dengue ditemukan tanda hemokonsentrasi dan

trombositopenia, yang jika tidak ditangani dengan cepat dapat masuk dalam fase

syok.
 12

Penyakit ini merupakan salah satu masalah kesehatan utama karena dapat

menyerang semua golongan usia dan meyebabkan kematian khususnya pada anak

dan kejadian luar biasa (KLB, wabah). Saat ini terlihat adanya kecenderungan

kenaikan proporsi penderita Demam Berdarah Dengue pada orang dewasa.

Secara umum, Demam Dengue dan Demam Berdarah Dengue akan ditandai

dengan fase febril yaitu demam tinggi mendadak dan terusmenerus 2-7 hari, diikuti

oleh fase afebril (demam mereda). Fase afebril ini merupakan fase kesembuhan

untuk Demam Dengue, tetapi merupakan fase kritis pada Demam Berdarah

Dengue. Pada awal sukar dibedakan berdasarkan gejala apakah akan terjadi Demam

Dengue atau Demam Berdarah Dengue.

Ada beberapa gejala yang dapat menimbulkan penyakit DBD diantaranya

suhu badan naik secara mendadak dan terus-menerus hingga 2-7 hari. Demam naik

turun dan tidak mampu diobati dengan antireptik. Pendarahan yaitu pendarahan

pada kulit, gusi berdarah, mimisan. Lalu mual hingga muntah,nafsu makan turun,

pusing, kringat dingin, nyeri sendi dan otot (Sejati, E. W, 2015).

Tidak ada pengobatan spesifik untuk demam berdarah. Untuk demam

berdarah yang berat, perawatan medis oleh dokter dan perawat yang berpengalaman

dapat menyelamatkan nyawa hingga penurunan tingkat kematian lebih dari 20%

menjadi kurang dari 1%. Pemeliharaan volume cairan tubuh pasien sangat penting

untuk perawatan dengue yang parah (WHO, 2018).

Menurut World Health Organization (WHO), Dengue Hammorhagic Fever

(DHF) atau Demam Berdarah Dengue (DBD) merupakan penyakit yang disebabkan

oleh gigitan nyamuk Aedes yang terinfeksi salah satu dari empat tipe virus dengue
 13

dengan manifestasi klinis demam, nyeri otot dan/atau nyeri sendi yang disertai

leukopenia, ruam, limfadenopati, trombositopenia dan diathesis hemoragik (WHO,

2018).

Uji Hematologi atau Hitung Darah Lengkap (HDL) merupakan jenis

pemeriksaan yang memberikan informasi tentang sel-sel darah pasien. HDL

merupakan test laboratorium yang paling umum dilakukan. HDL memeriksa jenis

sel dalam darah, termasuk sel darah merah (hemoglobin), sel darah putih (leukosit),

kadar hematokrit, dan jumlah trombosit (Kumala, F, 2015).

2.3 Data Mining

2.3.1 Pengertian Data Mining

Data Mining merupakan istilah yang sering dikatakan sebagai suatu cara

untuk menguraikan serta mencari penemuan berupa pengetahuan di dalam suatu

database. Data mining adalah proses pemilihan atau “menambang” pengetahuan

dari sekumpulan data dalam jumlah yang banyak (Han, Jiawei dan Kamber, 2006)

Data Mining juga sering disebut sebagai kegiatan mengeksplorasi dan

menganalisis data dalam jumlah yang besar untuk menemukan pattern dan rule

yang berarti (Berry, M. & Gordon S, L, 2004)

Data mining digunakan untuk mencari informasi bisnis yang berharga dari

basis data yang sangat besar, yang dipakai untuk memprediksi trend dan sifat – sifat

bisnis serta menemukan pola – pola yang tidak diketahui sebelumnya.

Data mining adalah serangkaian proses untuk menggali nilai tambah dari

suatu kumpulan data berupa pengetahuan yang selama ini tidak diketahui secara

manual. Data mining adalah analisis otomatis dari data yang berjumlah besar atau
 14

kompleks dengan tujuan untuk menemukan pola atau kecenderungan yang penting

yang biasanya tidak disadari keberadaannya.

Data mining didefinisikan sebagai proses menemukan pola – pola dalam

data. Proses ini otomatis atau seringnya semi otomatis. Pola yang ditemukan harus

penuh arti dan pola tersebut memberikan keuntungan, biasanya keuntungan secara

ekonomi. Data yang dibutuhkan dalam jumlah besar.

Data mining adalah proses pengumpulan informasi penting dari sejumlah

data besar yang tersimpan di dalam basis data, gudang data, atau tempat

penyimpanan lainnya. Data mining merupakan proses yang tidak dapat dipisahkan

dengan Knowledge Discovery in Database (KDD), Karena penambangan data

adalah salah satu dari tahap dalam proses KDD. (Han, Jiawei dan Kamber, 2006)

2.3.2 Tugas – Tugas Data Mining

Menurut Larose (2005) tugas – tugas dalam data mining secara umum

dibagi ke dalam beberapa kategori yaitu :

a. Prediktif

Tujuan dari tugas prediktif adalah untuk memprediksi nilai dari atribut

tertentu berdasarkan pada nilai dari atribut – atribut lain. Atribut yang

diprediksi umumnya dikenal sebagai target atau variabel tak bebas,

sedangkan atribut – atribut yang digunakan untuk membuat prediksi dikenal

sebagai explanatory atau variabel bebas.

b. Deskriptif

Tujuan dari tugas deskriptif adalah untuk menurunkan pola - pola (korelasi,

trend, cluster, trayektori dan anomali) yang meringkas hubungan yang

 15

pokok dalam data. Tugas data mining deskriptif sering merupakan

penyelidikan dan seringkali memerlukan Teknik post processing untuk

validasi dan penjelasan hasil.

Berikut adalah tugas – tugas dalam data mining (Larose, 2005) :

a) Analisis Asosiasi (Korelasi dan Kausalitas)

Analisis Asosiasi adalah pencarian aturan – aturan asosiasi yang

menunjukkan kondisi – kondisi nilai atribut yang sering terjadi bersama –

sama dalam sekumpulan data. Analisis asosiasi sering digunakan untuk

menganalisa market basket dan data transaksi.

b) Klasifikasi dan Prediksi

Klasifikasi adalah proses menemukan model (fungsi) yang menjelaskan dan

membedakan kelas – kelas atau konsep, dengan tujuan agar model yang

diperoleh dapat digunakan untuk memprediksi kelas atau objek yang

memiliki label kelas tidak diketahui. Model yang diturunkan didasarkan

pada analisis dari training data (yaitu objek data yang memiliki label kelas

yang diketahui). Model yang diturunkan dapat direpresentasikan dalam

berbagai bentuk seperti aturan IF – THEN klasifikasi, pohon keputusan,

formula matematika atau jaringan syaraf tiruan. Dalam banyak kasus,

pengguna ingin memprediksi nilai – nilai data yang tidak tersedia atau

hilang (bukan label dari kelas). Dalam kasus ini biasanya nilai data yang

akan diprediksi merupakan data numeric. Kasus ini seringkali dirujuk

sebagai prediksi.
 16

c) Analisis Cluster

Tidak seperti klasifikasi dan prediksi, yang menganalisis objek data yang

diberi label kelas, clustering menganalisis objek data dimana label kelas

tidak diketahui. Clustering dapat digunakan untuk menentukan label kelas

tidak diketahui dengan cara mengkelompokkan data untuk membentuk

kelas baru. Sebagai contoh Clutering rumah untuk menemukan pola

distribusinya. Prinsip dalam clustering adalah memaksimumkan kemiripan

intra – class dan meminimumkan kemiripan interclass.

d) Analisis Outlier

Outlier merupakan objek data yang tidak mengikuti perilaku umum dari

data. Outlier dapat dianggap sebagai noise atau pengecualian. Analisis data

outlier dinamakan outlier mining. Teknik ini berguna dalam fraud detection

dan rare event analysis.

e) Analisis Trend dan Evolusi

Analisis evolusi data menjelaskan dan memodelkan trend dari objek yang

memiliki perilaku yang berubah setiap waktu. Teknik ini dapat meliputi

karakterisasi, deskriminasi, asosiasi, klasifikassi atau clustering dari data

yang berkaitan dengan waktu.

2.4 Arsitektur Sistem Data Mining

Data mining merupakan proses pencarian pengetahuan yang menarik dari

data berukuran besar yang disimpan dalam basis data, data warehouse atau tempat

penyimpanan informasi lainnya. Dengan demikian menurut (Connoly. T & Begg. C

2005) arsitektur sistem data mining memiliki komponen – komponen utama yaitu :
 17

a. Basis data, data warehouse atau tempat penyimpanan informasi lainnya.

b. Basis data dan data warehouse server. Komponen ini bertanggung jawab

dalam pengambilan relevan data, berdasarkan permintaan pengguna.

c. Basis pengetahuan. Komponen ini merupakan domain knowledge yang

digunakan untuk memandu pencarian atau mengevaluasi pola – pola yang

dihasilkan. Pengetahuan tersebut meliputi hirarki konsep yang digunakan

untuk mengorganisasikan atribut atau nilai atribut ke dalam level abstraksi

yang berbeda. Pengetahuan tersebut juga dapat berupa kepercayaan

pengguna (user belief) yang dapat digunakan untuk menentukan

kemenarikan pola yang diperoleh.

d. Data Mining Engine. Bagian ini merupakan komponen penting dalam

arsitektur sistem data mining. Komponen ini terdiri modul – modul

fungsional data mining seperti karakterisasi, asosiasi, klasifikasi dan

analisis cluster.

e. Modul Evaluasi Pola. Komponen ini menggunakan ukuran – ukuran

kemenarikan dan berinteraksi dengan modul data mining dalam pencarian

pola – pola menarik. Modul evaluasi pola dapat menggunakan threshold

kemenaikan untuk memfilter pola – pola yang diperoleh.

f. Antarmuka Pengguna Grafis. Modul ini berkomunikasi dengan pengguna

dan sistem data mining. Melalui modul ini, pengguna berinteraksi dengan

sistem menentukan query atau task data mining. Antarmuka juga

menyediakan informasi untuk memfokuskan pencarian dan melakukan

eksplorasi data mining berdasarkan hasil data mining. Komponen ini juga
 18

memungkinkan pengguna untuk mencari (browser) basis data dan skema

data warehouse atau struktur data, evaluasi pola yang diperoleh dan

visualisasi pola dalam berbagai bentuk.

2.5 Penyimpanan Data dalam Data Mining

Data mining dapat diaplikasikan pada berbagai jenis penyimpanan data

seperti basis data relational, data warehouse, transactional database, object –

oriented and object – relational databases, spatial databases, time – series data

and temporal data, text databases and multimedia databases, heterogeneous and

legacy databases dan WWW.

a. Basis Data Relasional

Merupakan kolekssi dari table. Setiap table berisi atribut (field) dan

biasanya menyimpan sejumlah besar tuple (record). Setiap tuple dalam

table relasional merepresentasikan sebuah objek yang diidentifikasikan oleh

kunci unik dan dideskripsikan oleh sekumpulan nilai atribut. Data relasional

dapat diakses oleh query basis data yang ditulis dalam bahasa query

relasional seperti SQL atau dengan bantuan antarmuka pengguna grafis.

b. Data Warehouse

Merupakan tempat penyimpanan informasi yang dikumpulkan dari berbagai

sumber, disimpan dalam skema yang dipersatukan (unified schema) dan

biasanya bertempat pada tempat penyimpanan tunggal. Data warehouse

dikonstruksi melalui sebuah proses data cleaning, data transformation, data

integration, data loading dan periodic data refreshing. Selain data

warehouse, terdapat istilah penyimpanan data yang lain yaitu datamart.

 19

Sebuah data warehouse mengumpulkan informasi mengenai subjek – subjek

yang menjangkau seluruh organisasi, dengan demikian cakupannya

enterprise-wide. Sedangkan datamart merupakan sub bagian dari data

warehouse. Fokus datamart adalah pada subjek yang dipilih dan dengan

demikian cakupannya adalah department-wide.

c. Basis Data Transaksional

Secara umum, basis data transaksional terdiri dari sebuah file dimana setiap

record merepresentasikan transaksi.

2.6 Tahap – Tahap Data Mining

Istilah data mining dan knowledge discovery in databases (KDD) sering kali

digunakan secara bergantian untuk menjelaskan proses penggalian informasi

tersembunyi dalam suatu basis data yang besar. Sebenarnya kedua istilah tersebut

memiliki konsep yang berbeda, tetapi berkaitan satu sama lain. Dan salah satu

tahapan dalam keseluruhan proses KDD adalah data mining. Menurut Fayyad

proses KDD secara garis besar dapat dijelaskan sebagai berikut :

1. Data Selection

Pemilihan (seleksi) dari data sekumpulan data operasional perlu dilakukan

sebelum tahap penggalian informasi dalam KDD dimulai. Data hasil seleksi yang

akan digunakan untuk proses data mining, disimpan suatu berkas, terpisah dari basis

data operasional.

2. Pre – Processing (Cleaning)

Sebelum proses data mining dapat dilaksanakan, perlu dilakukan proses

cleaning pada data yang menjadi focus KDD. Proses cleaning mencakup antara lain
 20

membuang duplikasi data, memeriksa data yang inkonsisten, memperbaiki

kesalahan pada data, seperti kesalahan cetak (tipografi). Juga dilakukan proses

enrichment, yaitu proses “memperkaya” data yang sudah ada dengan data atau

informasi yang relevan dan diperlukan untuk KDD, seperti data atau informasi

eksternal.

3. Transformation

Coding adalah proses transformasi pada data yang telah dipilih, sehingga data

tersebut sesuai untuk proses data mining. Proses coding dalam KDD merupakan

proses kreatif dan sangat tergantung pada jenis atau pola informasi yang akan dicari

dalam basis data.

4. Data Mining

Adalah proses mencari pola atau informasi menarik dalam data terpilih

dengan menggunakan teknik atau metode tertentu. Teknik, metode atau algoritma

dalam data mining sangat bervariasi pemilihan metode atau algoritma yang tepat

sangat bergantung pada tujuan dan proses KDD secara keseluruhan.

5. Interpretation (Evaluation)

Pola informasi yang dihasilkan dari proses data mining perlu ditampilkan

dalam bentuk yang mudah dimengerti oleh pihak yang berkepentingan. Tahap ini

merupakan bagian dari proses KDD yang disebut interpretation. Tahap ini

mencakup pemeriksaan apakah pola atau informasi yang ditemukan bertentangan

dengan fakta atau hipotesis yang ada sebelumnya.

Gambar tahapan pada data mining :

 21

Evaluasi

Pengetahuan
Data Mining

Merubah

Pola Data

Pemrosesan
..... Data yang diubah
.....
Pilihan
.......
Pre-pemrosesan

Data Target
Data

Gambar 2.1 Tahapan Proses Data Mining

2.7 Teknik – Teknik Data Mining

2.7.1 Macam – Macam Teknik Data Mining

Dengan definisi data mining yang luas, ada banyak jenis teknik analisa yang

dapat digolongkan dalam data mining. Karena keterbatasan tempat, disini penulis

akan memberikan sedikit gambaran tentang tiga teknik data mining yang paling

banyak digunakan menurut Larose Daniel T (2005) :

a. Association Rule Mining

Association rules (aturan asosiasi) atau affinity analysis (analisis afinitas)

berkenaan dengan studi tentang “apa bersama apa”. Karena awalnya berasal

dari studi tentang database transaksi pelanggan untuk menentukan

kebiasaan suatu produk dibeli bersama produk apa, maka aturan asosiasi

juga sering dinamakan market basket analysis. Analisis asosiasi dikenal

juga sebagai salah satu metode data mining yang menjadi dasar dari

berbagai metode data mining lainnya.

 22

b. Classification

Dalam klasifikasi, terdapat target variable kategori. Sebagai contoh

penggolongan pendapatan dapat dipisahkan dalam tiga kategori yaitu

pendapatan tinggi, pendapatan sedang dan pendapatan rendah.

c. Clustering

Termasuk metode yang sudah cukup dikenal dan banyak dipakai dalam data

mining. Sampai sekarang para ilmuwan dalam bidang data mining masih

melakukan berbagai usaha untuk melakukan perbaikan model clustering

karena metode yang dikembangankan sekarang masih bersifat heuristic.

Tujuan utama dari metode clustering adalah pengelompokkan sejumlah data

/ objek ke dalam cluster (group) sehingga dalam setiap cluster akan berisi

data yang semirip mungkin. Dalam metode ini tidak diketahui sebelumnya

berapa jumlah cluster dan bagaimana pengelompokannya.

Berikut ini adalah 9 algoritma penggalian data yang paling sering digunakan

berdasarkan konferensi ICDM ’06 :

1. C4.5

2. K-Means

3. SVM

4. Apriori

5. PageRank

6. AdaBoost

7. KNN

8. Naïve Bayes
 23

2.7.2 Teknik Classification menggunakan Naïve Bayes

Naïve Bayes merupakan sebuah metoda klasifikasi menggunakan metode

probabilitas dan statistic yang dikemukakan oleh ilmuwan Inggris Thomas Bayes.

Naïve Bayes memprediksi peluang di masa depan berdasarkan pengalaman di masa

sebelumnya sehingga dikenal sebagai Teorema Bayes.

Gambar diagram alir Naïve Bayes :

Gambar 2.2 Diagram Alir Naïve Bayes

(Jurnal PPTIK Vol.2, No.8, Agustus 2018)

2.8 Implementasi (Penerapan Data Mining)

Beberapa contoh bidang penerapan data mining :

 24

1. Analisa pasar dan manajemen

Solusi yang dapat diselesaikan dengan data mining, diantaranya : menembak

target pasar, melihat pola beli pemakai dari waktu ke waktu, cross-market

analysis, profil customer, identifikasi kebutuhan customer, menilai loyalitas

customer, informasi summary.

2. Analisa perusahaan dan manajemen resiko

Solusi yang dapat diselesaikan dengan data mining, diantaranya : perencanaan

dan evaluasi aset, perencanaan sumber daya (resource planning), persaingan

(competition).

3. Telekomunikasi

Menerapkan data mining untuk melihat dari jutaan transaksi yang masuk dan

transaksi mana sajakah yang harus ditangani secara manual.

4. Keuangan

Menggunakan data mining untuk menambang berbagai subyek seperti property,

rekening bank dan transaksi keuangan lainnya untuk mendeteksi transaksi –

transaksi keuangan yang mencurigakan seperti money laundry.

5. Asuransi

Menggunakan data mining untuk mengidentifikasi layanan kesehatan yang

sebenarnya tidak perlu tetapi tetap dilakukan oleh peserta asuransi.

6. Olahraga

Menggunakan data mining untuk menganalisis statistic permainan NBA dalam

rangka mecapai keunggulan bersaing.

 25

2.9 Metode Penelitian Data Mining

2.9.1 Teori Naïve Bayes Classifier

Naïve Bayes merupakan sebuah pengklasifikasian probalistik sederhana

yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan

kombinasi nilai dari dataset yang diberikan. Algoritma menggunakan Teorema

Bayes dan mengasumsikan semua atribut independen atau tidak saling

ketergantungan yang diberikan oleh nilai pada variable kelas. Naïve Bayes juga

didefinisikan sebagai pengklasifikasian dengan metode probabilitas dan statistik

yang dikemukakan oleh ilmuan inggris Thomas Bayes yaitu memprediksi peluang

di masa depan berdasarkan pengalaman di masa sebelumnya (Saleh, 2015).

Menurut Prasetyo (2012), Naïve Bayes merupakan teknik prediksi berbasis

probabilistik sederhana yang berdasar pada penerapan teorema bayes (aturan

bayes) dengan asumsi independensi (ketidaktergantungan) yang kuat (naif).

Dengan kata lain, dalam naive bayes model yang digunakan adalah “model fitur

independen”.

Naïve Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut

secara kondisional saling bebas jika diberikan nilai output. Dengan kata lain

diberikan nilai output, probabilitas mengamati secara bersama adalah produk dari

probabilitas individu. Keuntungan penggunaan Naïve Bayes adalah bahwa metode

ini hanya membutuhkan jumlah data pelatihan (Training Data) yang kecil untuk

menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian.

Naïve Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata

yang kompleks daripada yang diharapkan (Saleh, 2015).

 26

Persamaan dari Teorema Bayes (aturan bayes) dapat dilihat dibawah ini :

P(X|H). P(H)
𝑃 (𝐻 | 𝑋) =
P(H)

Dimana :

X : Data dengan class yang belum diketahui

H : Hipotesis data menggunakan suatu class spesifik

P(H|X) : Probabilitas hipotesis H berdasarkan kondisi X (parteriori

probabilitas)

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

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

P(X) : Probabilitas H

2.9.2 Naïve Bayes Untuk Klasifikasi

Menurut Prasetyo (2012), klasifikasi merupakan suatu pekerjaan menilai

objek data untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang

tersedia. Dalam klasifikasi terdapat dua proses yang dilakukan yaitu dengan

membangun model untuk disimpan sebagai memori dan menggunakan model

tersebut untuk melakukan pengenalan atau klasifikasi atau prediksi pada suatu data

lain supaya diketahui di kelas mana objek data tersebut dimasukkan berdasarkan

model yang telah disimpan dalam memori.

Sistem dalam klasifikasi diharapkan mampu melakukan klasifikasi semua

set data dengan benar, namun tidak dapat dipungkiri bahwa kesalahan akan terjadi

dalam proses pengklasifikasian tersebut sehingga perlunya dilakukan pengukuran

kinerja dari sistem klasifikasi. Umumnya, pengukuran kinerja klasifikasi dilakukan

 27

dengan matriks konfusi (confusion matrix). Matriks konfusi merupakan tabel

pencatat hasil kerja klasifikasi.

Kaitan antara naïve bayes dengan klasifikasi, korelasi hipotesis dan bukti

klasifikasi adalah bahwa hipotesis dalam teorema bayes merupakan label kelas

yang menjadi target pemetaan dalam klasifikasi, sedangkan bukti merupakan fitur

– fitur yang menjadikan masukkan dalam model klasifikasi. Jika X adalah vector

masukkan yang berisi fitur dan Y adalah label kelas, naïve bayes dituliskan dengan

P(X|Y). Notasi tersebut berarti probabilitas label kelas Y didapatkan setelah fitur –

fitur X diamati. Notasi ini disebut juga probabilitas akhir (posterior probability)

untuk Y, sedangkan P(Y) disebut probabilitas awal (prior probability) Y.

Konsep Klasifikasi merupakan suatu pekerjaan menilai objek data untuk

memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia. Dalam

klasifikasi ada dua pekerjaan utama yang dilakukan, yaitu :

1. Pembangunan model seperti prototype untuk disimpan sebagai memori.

2. Penggunaan model tersebut untuk melakukan pengenalan / klasifikasi / prediksi

pada suatu objek data lain agar diketahui di kelas mana objek data tersebut

dalam model yang mudah disimpan.

Contohnya adalah bagaimana melakukan diagnosis penyakit kulit kanker

melanoma (Amaliyah, 2011) yaitu dengan melakukan pembangunan model

berdasarkan data latih yang ada, kemudian menggunakan model tersebut untuk

mengidentifikasi penyakit pasien baru sehingga diketahui apakah pasien tersebut

menderita kanker atau tidak.

 28

2.9.3 Model Klasifikasi

Model dalam klasifikasi mempunyai arti yang sama dengan kotak hitam,

dimana ada suatu model yang menerima masukan, kemudian mampu melakukan

pemikiran terhadap masukan tersebut dan memberikan jawaban sebagai keluaran

dari hasil pemikirannya. Kerangka kerja (framework) klasifikasi ditunjukkan pada

gambar 2.3, pada gambar tersebut disediakan sejumlah data latih (x,y) untuk

digunakan sebagai data pembangunan model. Model tersebut kemudian dipakai

untuk memprediksi kelas dari data uji (x,y) sehingga diketahui kelas y yang

sesungguhnya. Menurut Amaliyah (2011) berikut adalah contoh proses klasifikasi

data latih

Gambar 2.3 Proses Klasifikasi (Amaliyah, 2011)

Model yang sudah dibangun pada saat pelatihan kemudian dapat digunakan

untuk memprediksi label kelas baru yang belum diketahui. Dalam pembangunan

model selama proses pelatihan tersebut diperlukan suatu algoritma untuk

membangunnya, yang disebut algoritma pelatihan (learning algorithm). Ada

banyak algoritma pelatihan yang sudah dikembangkan oleh para peneliti seperti K-
 29

Nearest Neighbor, Artificial Neural Network, Support Vector Machine dsb. Setiap

algoritma mempunyai kelebihan dan kekurangan, tetapi semua algoritma berprinsip

sama yaitu melakukan suatu pelatihan sehingga di akhir pelatihan model dapat

memetakan (memprediksi) setiap vektor masukan ke label kelas keluaran dengan

benar.

Contoh studi kasus hasil pengujian akurasi :

Hasil dari pengujian akurasi dengan sampel 40 data uji mendapat 35 hasil

yang akurat dan 5 hasil tidak akurat. Untuk mencari nilai persentase akurasi sistem

diperoleh dari menghitung jumlah data yang akurat dibagi jumlah seluruh data uji,

setelah mendapat hasil pembagian kemudian dikali 100. Nilai akurasi dihitung

dengan menggunakan persamaan 2 (Gardenia dkk, 2015) dan memperoleh hasil

seperti berikut:

𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑦𝑎𝑛𝑔 𝑎𝑘𝑢𝑟𝑎𝑡

𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥 100
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎
35
= 𝑥 100 = 87,5%
40

Dari hasil perhitungan akurasi di dapatkan persentase sebesar 87,5%.

Terdapat 5 kesalahan hasil diagnosis sistem, kesalahan terjadi disebabkan karena

gejala dimiliki oleh dua penyakit sedangkan sistem hanya dapat menghasilkan satu

output penyakit. Dapat dikatakan semakin banyak gejala spesifik yang digunakan

maka akurasi semakin tinggi, semakin banyak gejala umum yang digunakan maka

akurasi semakin rendah.

 30

2.10 Metode – Metode Pilihan dan Klasifikasi

Berikut merupakan beberapa metode yang digunakan pada klasifikasi

secara umum, diantaranya adalah :

1. Klasifikasi berdasarkan pohon keputusan (Decission Tree)

Pohon keputusan atau decission tree merupakan proses pelatihan data set yang

memiliki atribut dengan dasaran nominal, yaitu bersifat kategoris dan setiap

nilai tidak bisa dijumlahkan atau dikurangkan. Pada umumnya, ciri khusus

berikut cocok untuk diterapkan pada decission tree :

a. Data / example dinyatakan dengan pasangan atribut dan nilainya

b. Label / output data biasanya bernilai diskrit

c. Data mempunyai missing value

2. Klasifikasi Bayesian

Klasifikasi Bayesian merupakan klasifikasi berdasarkan statistic classifier. Ini

dapat mengklasifikasikan sebuah kelas dengan probabilitas dari setiap

klasifikasi Bayesian didasarkan pada Bayes Theorem. Beberapa penelitian yang

membandingkan algoritma klasifikasi telah menemukan sebuah klasifikasi

Bayesian sederhana yang dikenal dengan nama Naïve Bayes Classifier.

Algoritma ini telah dibandingkan dengan decission tree dan selektif Neoral

Network secara performansi. Klasifikasi Bayesian juga memiliki tingkat

akurasi yang tinggi dan cepat jika diterapkan pada database yang besar. Naïve

Bayes Classifier mengenali setiap atribut pada data set sebagai atribut yang

independen, sehingga disebut algoritma yang naïve.

3. Klasifikasi berdasarkan Propagasi Balik (Back Propagation)

 31

Propagasi Balik atau Back Propagation merupakan sebuah algoritma

pembelajaran dari Neural Network. Secara umum, neural network merupakan

satu set input / output yang terhubung pada setiap koneksi memiliki weight.

Input / Output yang terhubung tersebut mengadopsi system syaraf manusia,

yang pemrosesan utamanya adalah di otak. Bagian terkecil dari otak manusia

adalah sel syaraf yang disebut Unit Dasar pemroses informasi atau neuron. Ada

sekitar 10 miliar neuron dalam otak manusia dan sekitar 60 triliun koneksi

dengan menggunakan neuron tersebut secara simultan, otak manusia dapat

memproses informasi secara parallel dan cepat, bahkan lebih cepat dari

komputer tercepat saat ini.

Dengan analogi system kinerja otak tersebut, neural network terdiri dari unit

proses yang disebut neuron yang berisi penambah dan fungsi aktivasi, sejumlah

bobot, sejumlah vector masukan. Fungsi aktivasi berguna untuk mengatur

keluaran yang diberikan oleh neuron. Propagasi Balik mempelajari data dengan

memprediksi setiap jaringan pada setiap atribut dan kemudian

mengklasifikasikannya kedalam kelas target. Kelas target dapat diketahui

melalui training pada data set.

4. Support Vector Machine (SVM)

SVM merupakan metode klasifikasi yang berakar dari teori pembelajaran

statistik yang hasilnya sangat menjanjikan untuk memberikan hasil yang lebih

baik daripada metode yang lain. SVM juga bekerja dengan baik pada set data

berdimensi tinggi, bahkan SVM yang menggunakan teknik kernel yang harus

memetakan data asli dari dimensi asalnya menjadi dimensi lain yang relative
 32

lebih tinggi. Pada SVM, data latih yang akan dipelajari hanya data terpilih saja

yang berkontribusi untuk membentuk model yang digunakan dalam klasifikasi

yang akan dipelajari. Hal ini menjadi kelebihan SVM karena tidak semua data

latih akan dipandang untuk dilibatkan dalam setiap iterasi pelatihannya. Data

yang berkontribusi tersebut disebut Support Vector sehingga metodenya disebut

Support Vector Machine.

2.11 Penelitian Terdahulu

Pada penelitian terdahulu terdapat 5 kajian jurnal yang di bahas adalah

sebagai berikut :

2.11.1 Kajian jurnal pertama

Penelitian Dwi Nugroho, Fhira Nhita, Danang Trantoro. Pada tahun 2016

dengan judul “Prediksi Penyakit Menggunakan Genetic Algorithm (GA) dan Naive

Bayes Untuk Data Berdimensi Tinggi”. Penelitian ini membahas tentang sebuah

sistem yang mampu menganalisis dan mengidentifikasi seseorang terkena suatu

penyakit. Data penyakit Kanker, Jantung, Diabetes, AIDS, dan TBC bersumber dari

website Kent Ridge Bio-medical Repository, yang mana data tersebut adalah data

berdimensi tinggi untuk setiap penyakit.

Data penyakit tersebut memiliki ribuan atribut yang akan dibagi menjadi

dua data, yaitu data traning dan data testing selanjutnya dilakukan reduksi dengan

Genetic Algorithm (GA) dan klasifikasi dengan Naïve Bayes Classifier.

Kesimpulan hasil akhir yang didapat menunjukkan metode cross validation lebih

baik dengan nilai akurasi dari data colon tumor 88.89% dan leukemia 100%
 33

dibandingkan metode percentage split dengan akurasi dari data colon tumor 78.95%

dan leukemia 77.27% (Dwi Nugroho, Fhira Nhita, Danang Trantoro, 2016).

2.11.2 Kajian jurnal kedua

Penelitian Diana Septiari pada tahun 2016 dengan judul “Implementasi

Metode Naive Bayes Classification Dalam Klasifikasi Kelayakan Calon Pendonor

Darah (Studi Kasus Pmi Kab. Demak)”. Penelitian ini membahas tentang kegiatan

Palang Merah Indonesia (PMI) yaitu melakukan pelayanan kesehatan berupa donor

darah. Pada penelitian ini digunakan metode naive bayes classifier untuk

mengklasifikasikan calon pendonor darah berdasarkan input dari data calon

pendonor darah.

Data pendonor akan dicari nilai mean, nilai standart deviasi, nilai densitas

gaus, nilai likelihood dan kemudian akan dinormalisasi nilai probabilitasnya

sehingga menghasilkan kelas BOLEH DONOR atau TIDAK BOLEH DONOR.

Hasil dari sistem yang dibangun pada penelitian ini mempunyai akurasi kinerja

sistem sebesar 81,6% sehingga sistem ini dirasa dapat diterapkan pada PMI

Kabupaten Demak teempat penelitian ini berlangsung. (Diana Septiari, 2016).

2.11.3 Kajian jurnal ketiga

Penelitian Yudo Juni Hardiko, Nurul Hidayat, Imam Cholissodin pada

tahun 2018 dengan judul “Diagnosis Penyakit Ikan Koi Menggunakan Metode

Naive Bayes Classifier”. Penelitian ini membahas tentang penyakit yang sering

menyerang ikan koi, yaitu disebabkan oleh pathogen yang berupa bakteri, jamur,

atau virus. Dengan banyaknya penyakit yang mempunyai gejala yang sama tersebut

sulit mendiagnosis penyakit pada ikan koi.

 34

Dalam sistem ini menerima input berupa data gejala penyakit ikan koi dan

data tersebut kemudian diolah menggunakan metode Naive Bayes yang hasil output

sistem berupa diagnosis jenis penyakit dan pengobatan hasil penyakit yang

didiagnosis. Berdasarkan pengujian akurasi dari 20 data menghasilkan tingkat

akurasi sebesar 90%. (Yudo Juni Hardiko, Nurul Hidayat, Imam Cholissodin,

2018).

2.11.4 Kajian jurnal keempat

Penelitian Ela Nurelasari pada tahun 2018 tentang “Komparasi Algoritma

Naive Bayes Dengan Support Vector Machine Berbasis Particle Swarm

Optimization untuk Prediksi Kesuburan”. Penelitian ini membahas mengenai

kesuburan pria yang telah mengalami penurunan, hal ini dapat disebabkan oleh

beberapa faktor lingkungan dan gaya hidup, diantaranya seperti pecandu alkohol,

rokok, usia, faktor genetik dan musim yang dapat berpengaruh pada sperma yang

berkualitas.

Penelitian ini menguji kemampuan antara metode algoritma Naive Bayes

dengan Support Vector Machine berbasis Particle Swarm Optimization, dimana

dataset yang digunakan diambil dari dataset fertilitas UCI Machine Learning

Repositori. Dataset terdiri dari 100 sample dan 10 field/atribut. Hasil dari komparasi

kedua metode tersebut dimana klasifikasi Support Vector Machine berbasis Particle

Swarm Optimization memperoleh nilai accuracy lebih tinggi 88.00% dibandingkan

dengan algoritma naive bayes dengan nilai accuracy 85.00%. (Ela Nurelasari,

2018).
 35

2.11.5 Kajian jurnal kelima

Penelitian Adhi Indra Irawan pada tahun 2016 dengan judul “Penerapan

metode naïve bayes classifier dan algoritma adaboost untuk prediksi penyakit ginjal

kronik”. Penelitian ini membahas penerapan metode Naïve Bayes dan AdaBoost

dalam mengklasfikasikan penyakit ginjal kronik atau chronic kidney disease

(CKD). Dari hasil dengan perhitungan confusion matrix didapatkan akurasi sebesar

0,95 dan F1-score sebesar 0,958 untuk metode Naïve Bayes. Sedangkan

penggabungan dengan AdaBoost berhasil meningkatkan akurasi menjadi 0,98 dan

F1-score sebesar 0,984.

Ketika dilakukan penggantian missing value, metode Naïve Bayes

mengalami penurunan akurasi menjadi 0,945 dan F1-score 0,954, sedangkan

algoritma AdaBoost berhasil meningkatkan akurasi menjadi 0,9825 dan F1-score

sebesar 0,986. Hal ini menunjukkan bahwa metode Naïve Bayes memiliki

kemampuan yang baik dalam menghadapi missing value dan algoritma AdaBoost

berhasil meningkatkan kinerja dengan meningkatkan akurasi. (Adhi Indra Irawan,

2016).

2.12 Spesifikasi Kebutuhan Software dan Hardware

Suatu sistem yang baik tidak akan berhasil dengan baik apabila tidak

didukung oleh sarana pendukung yang baik pula. Sarana pendukung yang dimaksud

bukan harus menggunakan suatu unit komputer dengan merek tertentu dan harga

yang mahal tetapi harus berintegrasi dengan baik antara satu dengan yang lainnya.

Sistem dikatakan baik dan akan berhasil digunakan atau diterapkan jika didiukung

dengan beberapa unsur atau beberapa aspek antara lain perangkay keras
 36

(Hardware), perangkat lunak (Software) dan pemakai (Brainware). Diantara unsur

tersebut yaitu prasarana atau peralatan pendukung yang dibutuhkan harus sesuai

dengan spesifikasi sistem yang diusulkan untuk itu penulis menguraikan prasarana

atau perangkat komputer yang harus tersedia pada sistem yang diusulkan. Adapun

spsesifikasinya adalah sebagai berikut :

Perangkat lunak (Software) yang digunakan pada sistem usulan ini yaitu

menggunakan :

a. Operating Sistem : Microsoft Windows 10

b. Menggunakan Rapidminer untuk data mining dengan metode algoritma

naïve bayes classifier.

Rapidminer adalah aplikasi data mining yang tidak perlu dipertanyakan lagi

dan berbasis sistem open-source dunia yang terkemuka dan ternama.

Tersedia sebagai aplikasi yang berdiri sendiri untuk analisis data dan

sebagai mesin data mining untuk integrasi ke dalam produk.

Contoh interface Rapidminer pada data mining naïve bayes classifier

Gambar 2.8 Interface Rapidminer pada data mining naïve bayes classifier

Adapun perangkat keras yang digunakan sebagai berikut :

a. Micro Processor : AMD Quad-Core Processor E2-6110 / 1.50 Ghz

b. Memori : 2 GB DDR3
 37

c. Hardisk : 500 GB HDD

d. Monitor : 16”

e. Keyboard / Mouse : Serial / PS2 / USB

f. Printer : Epson Stylus Colour 460

2.13 Pengujian Confusion Matrix

Confusion matrix merupakan salah satu metode yang dapat digunakan untuk

mengukur kinerja suatu metode klasifikasi. Pada dasarnya confusion matrix

mengandung informasi yang membandingkan hasil klasifikasi yang dilakukan oleh

sistem dengan hasil klasifikasi yang seharusnya. Pada pengukuran kinerja

menggunakan confusion matrix, terdapat 4 (empat) istilah sebagai representasi hasil

proses klasifikasi. Keempat istilah tersebut adalah True Positive (TP), True

Negative (TN), False Positive (FP) dan False Negative (FN). Nilai True Negative

(TN) merupakan jumlah data negatif yang terdeteksi dengan benar, sedangkan False

Positive (FP) merupakan data negatif namun terdeteksi sebagai data positif.

Sementara itu, True Positive (TP) merupakan data positif yang terdeteksi benar.

False Negative (FN) merupakan kebalikan dari True Positive, sehingga data posifit,

namun terdeteksi sebagai data negatif.(Untari, 2010)

Pada jenis klasifikasi binary yang hanya memiliki 2 keluaran kelas,

confusion matrix dapat disajikan seperti pada Tabel 2.1.

 38

Tabel 0.1 Tabel Confusion matrix

Predicted class
Classification
Class = Yes Class = No

Class = Yes a ( true positive – TP ) b ( false negative– FN )

Class = No c ( false positive – FP ) d ( true negative – TN )

Pada tabel 2.1 berdasarkan nilai d (true negative –TN),c (false positive –

FP),b (false negative – FN),a (True positive – TP) dapat diperoleh nilai

akuras,presisi dan recall. Nilai akurasi menggambarkan seberapa akurasi sistem

dapat mengklasifikasi data secara benar. Dengan kata lain, nilai akurasi merupakan

perbandingan antara data yang terklasifikasi benar dengan keseluruhan data. Nilai

akurasi dapat diperoleh dengan Persamaan . Nilai presisi menggambarkan jumlah

data kategori positif yang diklasifikasikan secara benar dibagi dengan total data

yang diklasifikasi positif . Presisi dapat diperoleh dengan Persamaan . Sementara

itu, recall menunjukkan berapa persen data kategori positif yang terklasifikasikan

dengan benar oleh sistem. Nilai recall diperoleh dengan Persamaan.

𝑇𝑃+𝑇𝑁
Akurasi = *100%
𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁

𝑇𝑃
Presisi = *100%
𝐹𝑃+𝑇𝑃

𝑇𝑃
Recall = *100%
𝐹𝑁+𝑇𝑃
 39

dimana:

 TP adalah True Positive, yaitu jumlah data positif yang terklasifikasi dengan

benar oleh sistem.

 TN adalah True Negative, yaitu jumlah data negatif yang terklasifikasi

dengan benar oleh sistem.

 FN adalah False Negative, yaitu jumlah data negatif namun terklasifikasi

salah oleh sistem.

 FP adalah False Positive, yaitu jumlah data positif namun terklasifikasi

salah oleh sistem.

Sementara itu, pada klasifikasi dengan jumlah keluaran kelas yang lebih dari dua

(multi-class), cara menghitung akurasi, presisi dan recall dapat dilakukan dengan

menghitung rata-rata dari nilai akurasi, presisi dan recall pada setiap kelas.
 BAB III

METODE PENELITIAN

3.1 Sekilas Tentang Rumah Sakit Budi Asih

Rumah Sakit Budi Asih bertempat di Jl. Raya Serang-Cibarusah, Cikarang

Selatan, Jawa Barat, merupakan pengembangan dari klinik yang sekarang menjadi

Rumah Sakit yang di pimpin oleh dr. Anton. Rumah Sakit Budi Asih merupakan

sebuah badan usaha yang bergerak dibidang pelayanan kesehatan masyarakat di

bawah naungan perusahaan perseroan terbatas yang bernama PT. Kyandra Jantera

dan sudah mendapatkan izin dari Pemerintah Kabupaten Bekasi dan Dinas

Kesehatan.

Rumah Sakit Budi Asih didirikan pada September 2009 dengan status

Klinik Utama, kemudian meningkat statusnya menjadi Rumah Sakit Ibu dan Anak

pada akhir tahun 2014, dan menjadi Rumah Sakit Umum pada tahun 2015 yang di

dukung oleh tenaga medis dan non medis professional sehingga dapat memberikan

pelayanan kesehatan yang dibutuhkan pasien.

Terletak diantara pemukiman warga kampung serang, kebon kopi, cicau,

perumahan – perumahan dan kawasan industri di Cikarang. Letaknya yang strategis

sangat memudahkan masyarakat yang memerlukan pelayanan kesehatan baik

penduduk setempat di perkampungan, diperumahan maupun para karyawan

perusahaan yang berada di kawasan industri. Rumah Sakit Budi Asih terletak

diantara kawasan industri Hyundai, EJIP, Delta Silicon, Green Land dan beberapa

kawasan industri di Cikarang yang mulai ikut memadati kawasan Cikarang.

40
 41

3.2 Metode Pengumpulan Data

Metode yang digunakan dalam penyusunan laporan skripsi ini adalah :

1. Metode Wawancara

Dilakukan terhadap narasumber yang mengerti konsep kesehatan khususnya

mengenai gejala penyakit Demam Berdarah Dengue (DBD) dan jenisnya.

2. Observasi

Merupakan salah satu metode pengumpulan data yang cukup efektif untuk

mempelajari suatu sistem. Penulis melakukan pengamatan langsung pada Dokter

agar data yang di dapatkan lebih akurat.

3. Studi Pustaka (Library Research)

Metode ini memperoleh data – data yang berhubungan dengan penulisan skripsi

dari berbagai sumber bacaan seperti buku, jurnal dan lain sebagainya sebagai acuan.

3 Searching (Browsing)

Melakukan pengumpulan jurnal yang bersumber dari internet.

3.3 Hasil Wawancara

Setelah melakukan penelitian dan wawancara dengan seorang pakar yang

ahli di bidang kesahatan dan cara penanganan dapat disimpulkan bahwa penyakit

Demam Berdarah Dengue dapat berakibat fatal jika tidak segera ditangani. Gejala

penyakit Demam Berdarah Dengue bermacam – macam seperti demam, nyeri

kepala, pusing dan sebagainya yang akan berakibat fatal apabila tidak segera

ditangani. Cara penanganannya dengan rawat inap di rumah sakit tertentu dan

sering mengkonsumsi makanan – makanan yang bergizi.

 42

3.4 Desain Penelitian

Dalam melakukan suatu penelitian ini sangat perlu dilakukan perencanaan

agar penelitian yang dilakukan dapat berjalan dengan baik dan sistematis. Desain

penelitian menurut Moh. Nazir (2003:84) memaparkan bahwa desain penelitian

adalah semua proses yang dilakukan dalam perencanaan dan pelaksanaan

penelitian. Dari definisi diatas maka dapat disimpulkan bahwa desain penelitian

merupakan semua proses penelitian yang dilakukan oleh penulis dalam

melaksanakan penelitian mulai dari perencanaan sampai dengan pelaksanaan

penelitian yang dilakukan pada waktu tertentu.

3.5 Analisa Sistem yang Berjalan

Sebelum melakukan penelitian sistem, terlebih dahulu dilakukan analisa

sistem berjalan. Arus data pada sistem kerja dilihat pada gambar flowchart

Diagnosa Prediksi Penyakit Demam Berdarah Dengue (DBD) berikut :

Gambar 3.2 Flowchart Diagnosa Prediksi Penyakit Demam Berdarah Dengue

(DBD)
 43

3.6 Akuisisi Pengetahuan

Selanjutnya setelah penyusunan basis pengetahuan dengan tabel keputusan

diagnosa penyakit sesuai pengamatan pada penyakit Demam Berdarah Dengue.

Hanya beberapa gejala yang paling nampak yang digunakan dalam tabel keputusan

diagnosa, kemudian ditentukan hasil diagnosanya. Representasi pengetahuan

dibuat dalam bentuk tabel yang akan digunakan dalam pembuatan aturan – aturan

untuk melakukan pengambilan keputusan diagnosa pada penyakit Demam Berarah

Dengue (DBD).

Tabel 3.1 Akuisisi Pengetahuan

Gejala Parameter
Penyakit Penyebab Penyakit Dominan
Penyakit Penyakit
-Demam mendadak dan <37º C Biasa
berkesinambungan 37º - 39º C
Demam √
Sedang
-Disebabkan oleh
salahsatu dari empat >39º Bahaya
serotipe virus dari genus
Flavivirus, family Keringat × -
Flaviviridae.
Mual 1D Biasa
Demam -Gejala panas 2-7 hari Muntah √ 2-3D Sedang
Berdarah (saat panas turun disertai (Darah)
>4D Bahaya
Dengue kebocoran plasma).
(DBD) Sulit BAB × -
-Disebabkan oleh virus
Kondisi 0-1D Biasa
dengue yang ditularkan
Badan
kepada manusia melalui √ 2-3D Sedang
(Nyeri
gigitan nyamuk Aedes >3D Bahaya
Sendi)
Aegypti.
1D Biasa
Kurang
-Nyeri kepala, Nyeri 2-5D Sedang
Nafsu √
belakang mata, Nyeri otot Makan >5D Bahaya
& sendi.
 44

Pusing 1D Biasa
-Terjadi pendarahan gusi, (Sakit √ 2-5D Sedang
bahkan sampai Kepala)
pendarahan masif (butuh >5D Bahaya
transfusi darah). 1 Biasa
Bintik
-Timbul gejala gastro √ 2-5 Sedang
Merah
intestinal, berupa diare
>5 Bahaya
dan gejala saluran napas
atau batuk pilek.

-Gejala syok : korban

gelisah hingga terjadi Diare × -
penurunan kesadaran,
sianosis, nafas cepat,
hingga tekanan darah
turun.

3.7 Analisa Sistem

Pada bagian ini analisa dilakukan terhadap data dan permasalahan yang

telah dirumuskan yang dapat menjawab permasalahan dan kendala yang ada.

Adapun analisa yang dilakukan adalah :

a. Analisa kebutuhan sistem

Tahap ini dilakukan berdasarkan data yang diperoleh dari pakar kemudian data

tersebut digunakan dalam membangun sistem.

b. Basis pengetahuan

Pada tahap ini dibangun basis pengetahuan berupa data gejala. Pada tahap ini

digunakan table relasi gejala penyakit dengan memanfaatkan pengetahuan dari

pakar yang bersangkutan.

c. Mesin inferensi
 45

Pada tahap ini dilakukan proses penggabungan banyak aturan berdasarkan data

yang tersedia dari pakar yang merujuk kepada table relasi untuk

mempertimbangkan informasi dalam basis pengetahuan dan merumuskan

kesimpulan. Mesin inferensi yang digunakan adalah forward chaining (runut

maju).

d. Analisa fungsional

Analisa fungsional berisikan Analisa data kedalam bentuk UML (Unifield

Modelling Language).

Dengan adanya analisa di atas, dapat diketahui kebutuhan sistem dengan meneliti

dari mana data berasal, bagaimana aliran data menuju sistem, bagaimana operasi

sistem yang ada dan hasil akhirnya.

3.8 Metode Algoritma Naïve Bayes

Naïve Bayes merupakan sebuah pengklasifikasian probalistik sederhana

yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan

kombinasi nilai dari data set yang diberikan. Algoritma menggunakan Teorema

Bayes dan mengasumsikan semua atribut independen atau tidak saling

ketergantungan yang diberikan oleh nilai pada variable kelas. Naïve Bayes juga

didefinisikan sebagai pengklasifikasian dengan metode probabilitas dan statistic

yang dikemukakan oleh Thomas Bayes yaitu memprediksi peluang di masa depan

berdasarkan pengalaman di masa sebelumnya.

Naïve Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut

secara kondisonal saling bebas jika diberikan nilai output. Dengan kata lain

diberikan nilai output, probabilitas mengamati secara bersama adalah produk dari
 46

probabilitas individu. Keuntungan penggunaan naïve bayes adalah bahwa metode

ini hanya membutuhkan jumlah data pelatihan (Training Data) yang kecil untuk

menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian.

Naïve Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata

yang kompleks daripada yang diharapkan (Saleh, 2015).

3.9 Pengumpulan Data

Penulis mendapatkan data dari RS Budi Asih Serang. Data berupa lembaran

file rekam medis pasien. Data rekam medis tersebut kemudian dianalisis guna

mendapatkan data yang spesifik dan menuangkan data yang didapatkan dalam

bentuk excel, guna mempermudah pengolahan data. Total data yang diambil

sebanyak 268 kasus, pasien terdiagnosa positif DBD sebanyak 224 orang dan

pasien terdiagnosa negatif DBD sebanyak 44 orang.

Tabel 3.2 Data Pasien

 47

3.10 Model yang Diusulkan

Model yang diusulkan untuk klasifikasi menggunakan algoritma Naïve

bayes adalah menggunakan model split validation. Split validation membagi data

menjadi dua subset data yaitu data trainning dan data testing. Data trainning

merupakan data yang digunakan untuk pelatihan, sedangkan data testing akan

digunakan untuk pengujian. Adapaun untuk melihat secara lebih jelas dari model

split validation dapat dilihat pada gambar berikut.

Model
Training Developme

Classifier
Preposed
data
Testing
Model Prediction
Data
Assessme Accuration

Gambar 3.3 Model Pengujian

Pada gambar 3.3 akan digunakan untuk melakukan pengujian sebanyak

sepuluh kali yang masing-masing proporsi pembagian datanya dapat dilihat tabel

3.3 berikut ini.

Tabel 3.3 Validasi Pengujian

Persentase Data Data Training Data Testing Akurasi

70 : 30 188 80 91,25%
75 : 25 201 67 92,54%
80 : 20 214 54 90,74%
85 : 15 228 40 87,80%
90 : 10 241 27 92,31%

Dari delapan kali percobaan yang dilakukan berdasarkan proporsi dari tabel 3.3

setiap hasil yang diperoleh akan ditentukan jumlahnya.

 BAB IV

HASIL DAN PEMBAHASAN

4.1 Persiapan dan Perhitungan Data

Pada tahap persiapan data bab ini adalah tahapan lanjutan persiapan data di

bab sebelumnya. Pada tahap ini metode yang digunakan dalam perhitungan tingkat

akurasi adalah algoritma naive bayes dengan melakukan pengujian akurasi data set

dan perhitungan manual. Berikut langkah metode algoritma naive bayes

Mulai Input dataset

Proses Naive bayes

Perkalian dari
Menghitung probabilitas awal Hitung setiap class
semua Class
untuk klasifikasi yang yang sama untuk
yang sudah
probabilitas class
terbentuk positif dan negatif dihitung
X P(𝑋𝑖 |𝐶𝑖 ) dari
P(𝑋𝑖 |𝐶𝑖 ) dari setiap Class i probabilitasnya
setiap Class
P(𝑋𝑖 |𝐶𝑖 ) * P(𝐶𝑖 )

Prediksi positif Membandingkan hasil tiap

class probabilitas
𝐶+ 𝐶+ untuk class positif
𝐶− untuk class negatif
diterima
Selesa
P(X|𝐶+ )>P(X|𝐶− )
i

Prediksi negatif 𝐶−

Gambar 4.1 Model Algoritma Naive Bayes

48
 49

Pada gambar 4.1 mulai identifikasi sampel dari data set baca data.

selanjutnya P(Xi|Ci) menghitung jumlah class dari klasifikasi yang sudah terbentuk

yaitu class positif dan negatif untuk setiap class. Kemudian P(X|Ci) menghitung

jumlah kasus yang sama dari kelas yang sama X, dalam kasus data set pada

penelitian ini terdiri dari 2 class yaitu positif yang dinyatakan dengan simbul (+)

dan negatif yang dinyatakan dengan simbul (-). Kemudian hitung P(X|𝐶+),i=+,-

untuk setiap kelas atau atribut. Setelah itu dibandingkan, jika P(X|𝐶+)>P(X|𝐶−)

maka kesimpulannya adalah 𝐶+ atau pada penelitian ini berarti diagnosa penyakit

positif. Jika P(X|𝐶+)<P(X|𝐶−) maka kesimpulannya 𝐶− atau negatif.

4.2 Seleksi Data

Proses seleksi data yaitu dengan cara mengelompokkan data yang berupa

angka menjadi keterangan tingkat gejala normal, sedang dan bahaya. Data

dikelompokkan berdasar klasifikasi masing - masing gejala. Data yang diambil dari

data pasien yang sudah dihilangkan variabel yang tidak dibutuhkan.

Seleksi data yang penulis lakukan merupakan langkah untuk menentukan

variabel mana saja yang dibutuhkan dalam perhitungan nantinya. Data yang

nantinya akan diolah dapat berupa angka maupun keterangan lainnya. Berikut ini

adalah tabel klasifikasi yang sudah di seleksi.

 50

Tabel 4.1 Seleksi Data

4.3 Model dan Metode yang diusulkan

Metode yang akan digunakan dalam penelitian ini adalah algoritma naive

bayes. Dalam pemodelan ini algoritma naive bayes akan dicari Performance

Vektor (accurasy) dan Confusion Matrix.

 51

Prepocessing New Modeling Data

Data set Training
 Data Cleaning dataset  Naive bayes

Hasil accuracy Validation Data

dan confusion  Apply model Training
matrix  Performance

Gambar 4.2 Model untuk menemukan performance algoritma

4.4 Hasil Pengujian Prediksi Diagnosa

Perhitungan dalam penelitian ini menggunakan 268 data training terdiri dari

9 atribut untuk menentukan sebuah class, dan 268 data training tersebut akan

digunakan untuk melakukan perhitungan algoritma Naive bayes. Data training

merupakan data latih yang mementukan hasil dari data testing. Data training yang

dipakai adalah data yang sudah dilakukan transformasi data.

Selain data training, data testing diperlukan dalam perhitungan. Data testing

diambil dari 20% data training. Jadi perbandingan dalam perhitungan ini sebesar

80:20 data, yaitu terdiri dari 80% data training dan 20% data testing. Data testing

diambil secara acak menggunakan metode split validation dengan menentukan

interval sampling. Yaitu jumlah populasi (data training) dibagi 20% dari jumlah

data.

𝑑𝑎𝑡𝑎 𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 256 256

Interval sampling = = = = 4.9 atau dibulatkan
20% 𝑥 𝑑𝑎𝑡𝑎 𝑡𝑟𝑎𝑖𝑛𝑖𝑛𝑔 20% 𝑥 256 54

menjadi 5. Jadi interval data yang diambil adalah kelipatan 5. Adapun data training

serta data testing tersebut dapat dilihat pada tabel berikut ini.
 52

Tabel 4.2 Data Training

Tabel 4.3 Data Testing

 53

4.4.1 Prediksi Menggunakan Perhitungan Manual

Perhitungan manual menggunakan algoritma naïve bayes dilakukan guna

mendapatkan hasil dari klasifikasi dari data yang sebelumnya sudah dipersiapkan.

Hasil perhitungan ini nantinya akan digunakan sebagai acuan untuk perhitungan

dengan menggunakan Rapid Miner.

 Perhitungan data testing nomor 1 yaitu :

X = (Jenis Kelamin = ”L”, Suhu Badan = “Demam Sedang”, Mual Muntah = ”Mual

Muntah (sedang)”, Nyeri Sendi = “Sedang”, Nafsu Makan = “Normal”, Pusing =

”Bahaya”, Bintik Merah =”Banyak”)

Tahap 1 menghitung jumlah kelas atau prediksi data testing

P(Ci)
224
P(Positif) = = 0,8358
268
44
P(Negatif) = = 0,1641
268

Tahap 2 menghitung jumlah kasus yang sama dengan kelas yang sama.

P(X | Ci)
102
Suhu Badan(Sedang | Positif) = = 0,45536
224
37
Suhu Badan(Sedang | Negatif) = = 0,84091
44
148
Mual Muntah(Sedang | Positif) = = 0,66071
224
21
Mual Muntah(Sedang | Negatif) = = 0,047727
44
85
Nyeri Sendi(Sedang | Positif) = = 0,37946
224
29
Nyeri Sendi(Sedang | Negatif) = = 0,65909
44
 54

124
Nafsu Makan(Normal | Positif) = = 0,55357
224
22
Nafsu Makan(Normal | Negatif) = = 0,5
44
74
Pusing(Bahaya | Positif) = = 0,33036
224
6
Pusing(Bahaya | Negatif) = = 0,13636
44
140
Bintik Merah (Banyak | Positif) = = 0,625
224
18
Bintik Merah(Banyak | Negatif) = = 0,40909
44

Tahap 3 mengkalikan semua hasil dari atribut Positif dan Negatif.

P(X | Positif)= 0,45536*0,66071*0,37946*0,55357*0,33036*0,625=0,013049

P(X | Negatif)= 0,84091*0,47727*0,65909*0,5*0,13636*0,40909=0,007378

Tahap 4 membandingkan nilai kelas Positif dan Negatif.

P(X | Ci * P(Ci)

P(X | Positif) * P(Positif) = 0,013049*0,835=0,010906

P(X | Negatif) * P(Negatif) = 0,007378*0,1641=0,001211

Jadi untuk (Jenis Kelamin = ”L”, Suhu Badan = “Demam Sedang”, Mual Muntah

= ”Mual Muntah (Sedang)”, Nyeri Sendi = “Sedang”, Nafsu Makan = “Normal”,

Pusing = ”Bahaya”, Bintik Merah =”Banyak”) hasilnya “Positif” Demam Berdarah

Dengue.
 55

 Perhitungan data testing nomor 11 yaitu:

X = (Jenis Kelamin = ”L”, Suhu Badan = “Demam Sedang”, Mual Muntah = ”Mual

Muntah (Biasa)”, Nyeri Sendi = “Sedang”, Nafsu Makan = “Normal”, Pusing =

”Biasa”, Bintik Merah =”Sedikit”

Tahap 1 menghitung jumlah kelas atau prediksi data testing

P(Ci)
224
P(Positif) = = 0,8358
268
44
P(Negatif) = = 0,1641
268

Tahap 2 menghitung jumlah kasus yang sama dengan kelas yang sama.

P(X | Ci)
102
Suhu Badan(Sedang | Positif) = = 0,45536
224
37
Suhu Badan(Sedang | Negatif) = = 0,84091
44
62
Mual Muntah(Biasa | Positif) = = 0,27679
224
22
Mual Muntah(Biasa | Negatif) = = 0,5
44
85
Nyeri Sendi(Sedang | Positif) = = 0,37946
224
29
Nyeri Sendi(Sedang | Negatif) = = 0,65909
44
124
Nafsu Makan(Normal | Positif) = = 0,55357
224
22
Nafsu Makan(Normal | Negatif) = = 0,5
44
52
Pusing(Biasa | Positif) = = 0,23214
224
23
Pusing(Biasa | Negatif) = = 0,52273
44
21
Bintik Merah (Sedikit | Positif) = = 0,09375
224
15
Bintik Merah(Sedikit | Negatif) = = 0,34091
44
 56

Tahap 3 mengkalikan semua hasil dari atribut Positif dan Negatif.

P(X | Positif)= 0,45536*0,27679*0,37946*0,55357*0,23214*0,09375=0,000576

P(X | Negatif)= 0,84091*0,5 *0,65909*0,5*0,52273*0,34091=0,024692

Tahap 4 membandingkan nilai kelas Positif dan Negatif.

P(X | Ci * P(Ci)

P(X | Positif) * P(Positif) = 0,000576*0,835=0,000481593

P(X | Negatif) * P(Negatif) = 0,024692*0,1641=0,0040538

Jadi untuk (Jenis Kelamin = ”L”, Suhu Badan = “Demam Sedang”, Mual Muntah

= ”Mual Muntah (Biasa)”, Nyeri Sendi = “Sedang”, Nafsu Makan = “Normal”,

Pusing = ”Biasa”, Bintik Merah =”Sedikit”) hasilnya “Negatif” Demam Berdarah

Dengue.

4.4.2 Prediksi Menggunakan Rapid Miner

Uji coba ini dilakukan untuk mengetahui apakah perhitungan yang telah

dilakukan diatas sesuai dengan klasifikasi diagnosa penyakit Demam Berdarah

Dengue dengan metode naive bayes menggunakan Rapid Miner 9.0.003

Gambar 4.3 Design Rapid Miner

 57

Keterangan gambar 4.3 berisi tentang design model rapid miner yang

terdiri dari dua read excel, naïve bayes dan apply mode yang saling terkoneksi.

Gambar 4.4 Hasil Prediksi Rapid Miner

Dari keterangan gambar 4.4 hasil testing data pada nomor 1 dengan

klasifikasi (Jenis Kelamin = ”L”, Suhu Badan = “Demam Sedang”, Mual Muntah

= ”Mual Muntah (Sedang)”, Nyeri Sendi = “Sedang”, Nafsu Makan = “Normal”,

Pusing = ”Bahaya”, Bintik Merah =”Banyak”) hasilnya “Positif” DBD. Dan hasil

testing pada nomor 11 dengan klasifikasi (Jenis Kelamin = ”L”, Suhu Badan =

“Demam Sedang”, Mual Muntah = ”Mual Muntah (Biasa)”, Nyeri Sendi =

“Sedang”, Nafsu Makan = “Normal”, Pusing = ”Biasa”, Bintik Merah =”Sedikit”)

hasilnya “Negatif” DBD. Membuktikan bahwa perhitungan dengan metode naïve

bayes secara manual hasilnya sama dengan prediksi menggunakan Rapid Miner.

4.5 Evaluasi dan Validasi

Tahapan evaluasi yang dilakukan dalam penelitian ini adalah untuk

memberikan penilaian dari hasil penggunaan algoritma naive bayes saja dan naive
 58

bayes yang disertai dengan confusion matrix untuk mengklasifikasi diagnosa

prediksi penyakit Demam Berdarah Dengue menggunakan Split validation. Bagian

yang akan dievaluasi adalah presentase data, jumlah data training, jumlah data

testing dan nilai akurasi yang di hasilkan. Adapaun secara keseluruhan dapat dilihat

pada tabel 4.4

Tabel 4.4 Evaluasi Pengujian

Persentase Data Data Training Data Testing Akurasi

70 : 30 188 80 91,25%
75 : 25 201 67 92,54%
80 : 20 214 54 90,74%
85 : 15 228 40 87,80%
90 : 10 241 27 92,31%

4.6 Hasil Klasifikasi Class

4.6.1 Simple Distribution Model

Menganalisa tabel data pasien dalam memprediksi diagnosa penyakit Demam

Berdarah Dengue dengan metode naive bayes dapat menghasilkan 2 class utama.

Gambar 4.5 Simple Distribution Model

 59

Hasil dari klasifikasi dari data pasien dengan menggunakan metode naive bayes

membagi 2 kelas klasifikasi yaitu class POSITIF dan class NEGATIF. Untuk nilai

class POSITIF yaitu 0.836 dan nilai class NEGATIF 0.164

4.6.2 Distribution Label

Tabel distribusi hasil analisa dengan metode naive bayes terhadap tabel data

pasien dalam memprediksi diagnosa penyakit dapat dilihat di tabel berikut.

Tabel 4.5 Distribusi Label

Probabilitas
Atribut Value
Positif Negatif
Demam Biasa 0.089285714 0.022727273
Suhu Badan Demam Sedang 0.455357143 0.840909091
Demam Tinggi 0.455357143 0.136363636
Muntah Biasa 0.276785714 0.5
Mual Muntah Muntah Sedang 0.660714286 0.477272727
Muntah Bahaya 0.0625 0.022727273
Biasa 0.285714286 0.159090909
Nyeri Sendi Sedang 0.379464286 0.659090909
Bahaya 0.334821429 0.181818182
Normal 0.553571429 0.5
Nafsu Makan Biasa 0.053571429 0.386363636
Bahaya 0.392857143 0.113636364
Biasa 0.232142857 0.522727273
Pusing Sedang 0.4375 0.340909091
Bahaya 0.330357143 0.136363636
Sedikit 0.09375 0.340909091
Bintik Merah
Sedang 0.28125 0.25
(Ruam)
Banyak 0.625 0.409090909

Pada tabel 4.5 adalah tabel distribusi yang mempunyai nilai yang besar terhadap

probabilitasnya, dapat diketahui bahwa atribut tersebut mempunyai nilai yang

 60

hampir sempurna. Atribut tersebut dapat mempengaruhi pola dari prediksi diagnosa

penyakit Demam Berdarah Dengue.

4.7 Perhitungan Menentukan Akurasi, Presisi, dan Recall

Proses klasifikasi dengan rapidminer dengan metode naive bayes yang

digunakan mengklasifikasi data pasien sebanyak 268 data pada penelitian ini

sehingga diperoleh nilai Accuracy, Precision dan Recall dengan menggunakan Split

validation 80 : 20 yaitu, 214 merupakan data training sedangkan 54 merupakan

data testing.

4.7.1 Accuracy (Akurasi)

Dengan mengetahui jumlah data yang di klasifikasikan secara benar maka

dapat diketahui akurasi hasil prediksi yaitu 90,74% dari hasil data pasien.

Gambar 4.6 Accuracy

Untuk membuktikan tingkat akurasi maka dilakukan perhitungan akurasi secara

manual:

(𝑇𝑃+𝑇𝑁)
Accuracy = (𝑇𝑃+𝑇𝑁+𝐹𝑃+𝐹𝑁) 𝑥100%

(44 + 5) (49)
= 𝑥100% = 𝑥100% = 0.9074 𝑥 100%
(44 + 5 + 4 + 1) (54)

= 90,74%
 61

4.7.2 Precision (Presisi)

Precision adalah jumlah data yang true positive (jumlah data positif yang

dikenali secara benar sebagai positif) dibagi dengan jumlah data dikenali sebagai

positif. Dari hasil pengujian nilai precision yaitu 91,67% untuk class Positif dan

nilai precision 83,33% untuk class Negatif.

Gambar 4.7 Precision

Berikut perhitungan presisi secara manual :

𝑇𝑃
Positive Precision = (𝑇𝑃+𝐹𝑃)
𝑥100%

44 44
= 𝑥100% = 𝑥100% = 0.9167 𝑥 100% = 91,67%
(44 + 4) 48

𝑇𝑁
Negative Precision = (𝑇𝑁+𝐹𝑁)
𝑥100%

5 5
= 𝑥100% = 𝑥100% = 0.8333 𝑥 100% = 83,33%
(5 + 1) 6

4.7.3 Recall
Recall merupakan jumlah data yang true positive dibagi dengan jumlah data

yang sebenarnya positive (true positive + true negative). Untuk nilai recall yaitu

97,78% pada class positif dan nilai recall 55,56% pada class negatif.
 62

Gambar 4.8 Recall

Berikut perhitungan recall secara manual :

𝑇𝑃
Recall (Positive) = (𝑇𝑃+𝐹𝑁)
𝑥100%

44 44
= 𝑥100% = 𝑥100% = 0.9777 𝑥 100% = 97,78%
(44 + 1) 45
𝑇𝑁
Recall (Negative) = (𝑇𝑁+𝐹𝑃)
𝑥100%

5 5
= 𝑥100% = 𝑥100% = 0.5555 𝑥 100% = 55,56%
(5 + 4) 9

4.8 Analisa Hasil Pengujian

Dengan mengetahui jumlah data yang di klasifikasikan secara benar maka

dapat diketahui akurasi hasil prediksi yaitu 90,74% dari hasil data testing.

Tabel 4.6 Accuracy

 63

Tabel 4.7 Nilai Sebenarnya

Hasil analisa antara data yang di tes dengan data training pada Rapidminer. Untuk

menghitungakurasinya sebagai berikut :

Jumlah data yang diuji : 268

Jumlah data yang diprediksi benar : 224

Jumlah data yang diprediksi salah : 45

Akurasi = Jumlah data yang diprediksi benar/jumlah data yang diuji 100%

= (90,74/100)*100% = 90.74%

Error = Jumlah data yang diprediksi salah/jumlah data yang diuji 100%

= (9,26/100)*100% = 9,26%

Dari perhitungan tersebut dapat disimpulkan bahwa klasifikasi dengan

menggunakan metode naive bayes untuk klasifikasi penyakit Demam Berdarah

Dengue menghasilkan tingkat akurasi sebesar 90,74% dan tingkat error 9,26%.

.
 BAB V

KESIMPULAN DAN SARAN

5.1 Kesimpulan

Dari hasil penelitian didapatkan kesimpulan sebagai berikut :

1. Pada penelitian ini dengan menggunakan algoritma naive bayes yang di lakukan

di Rumah Sakit Budi Asih sudah dilihat baik dari data yang diperoleh dengan

akurasi 90,74% dan tingkat error sebesar 9,26%.

2. Penelitian ini dapat di implementasikan di Rumah Sakit lainnya yang bisa

digunakan untuk mendiagnosa penyakit Demam Berdarah Dengue.

5.2 Saran

Saran yang dapat diberikan dalam penelitian ini adalah :

1. Perlu dilakukan pengembangan metode selain klasifikasi, seperti klastering dan

asosiasi. Setiap metode diuji tingkat akurasinya baik dari akurasi metode pada

data mining itu sendiri maupun uji akurasi antara aktual dan prediksi.

2. Pada penelitian selanjutnya diperlukan atribut yang lebih banyak untuk

mengetahui atribut apa yang sangat berpengaruh terhadap prediksi penyakit

Demam Berdarah Dengue tersebut.

64
 DAFTAR PUSTAKA

Abdillah, Ihsan. 2016. Prediksi Penentuan Metode KB dalam Program Keluarga

Berencana dengan Menggunakan Metode Naive Bayes Classifier. Pekanbaru :
UIN Sultan Syarif Kasim Riau
Adi Nugroho. 2009. Rekayasa Perangkat Lunak Menggunakan UML Dan Java.
ANDI, Yogyakarta.
Aeni, Nur W, dkk. “Algoritma Klasifikasi Data Minning Naive Bayes Berbasis
Particle Swarm Optimization untuk Deteksi Penyakit Jantung”. Jurnal
Pseudocode Vol. 1, No. 1, Februari 2014
(http://www.academia.edu/16838248/Jurnal_Pseudocode_Volume_1_Nomor_1_F
ebruari_2014_ISSN_2355_5920)
Ayyad, Usama. Advances in Knowledge Discovery and Data Mining. MIT Press
Berry, M., & Gordon S, L. 2004. Data Minig Techniques : For Marketing, Sales,
and Customer Relationship Management. : John Willey & Sonns, Inc.
Bustami “Penerapan Algoritma Naive Bayes untuk mengklasifikasi Data
Nasabah Asuransi”. Jurnal Penelitian Teknik Informatika (TECHSI) Vol. 2 127-
146, 2013
(http://journal.uad.ac.id/index.php/JIFO/article/view/2086)
C, Dennis Aprilla, dkk. 2013. Belajar Data Mining dengan Rapidminer. Diakses 10
Oktober 2018
Cahya, Intan G. 2014. Prediksi Persediaan Obat dengan Metode Naive Bayes.
Fakultas Komunikasi dan Informatika Universitas Muhammadiyah Surakarta :
Surakarta
Carpenito, L. J. (2013). Diagnosa Keperawatan : Aplikasi pada Praktek Klinik
(Terjemahan). Edisi 6. Jakarta: EGC
Connoly, T., & Begg. C. 2005. Database Systems ; A Practical Approach to Design,
Implementation and Management. Harlow : Addison Wesley
Dedy Ahmad Kurniawan, Danny Kriestanto. Penerapan Naive Bayes untuk Prediksi
Kelayakan Kredit. Jurnal Informatika dan Komputer (JIKO) Vol. 1 No. 1.
2016
(https://ejournal.akakom.ac.id/index.php/jiko/article/view/10/3)
Fadli, A. 2011. Konsep Data Mining. Sumber : IlmuKomputer.com (diakses pada 07
September 2018)

65
 66

Han, Jiawei dan Kamber, Micheline. (2006), Data Mining : Concept and Techniques
Second Edition. Morgan Kaufmann Publishers.
Hermawati, F.A. 2013. Data Mining. Andi : Yogyakarta
Indrajit, 2001, Analisis dan Perancangan Sistem Berorientasi Object. Bandung,
Informatika.
James A. & George M, 2010. “Introduction to Information Systems”. New York:
McGraw-Hill Companies, Inc.
Jogiyanto, H.M., 2005, Analisa dan Desain Sistem Informasi: Pendekatan
Terstruktur Teori dan Praktik Aplikasi Bisnis. ANDI : Yogyakarta
Jananto Arief. Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi
Mahasiswa. Jurnal Teknologi Informasi DINAMIK Vol. 18, No. 1 2013
(https://www.unisbank.ac.id/ojs/index.php/fti1/article/view/1669)
Kusrini. 2010. Algoritma Data Mining. ANDI : Yogyakarta
Kumala, F.2010. Penilaian Hasil Pemeriksaan Hematologi Rutin. Cermin Dunia
Kedokteran. 1983; 30: 28-31
Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Graha
Ilmu. Yogyakarta.
Mahadewi. M. Ch. Agung Ayu Bulan. 2015. Klasifikasi Kain Tradisional
Nusantara dengan menggunakan Algoritma Naive Bayes Classifier.
Universitas Sanata Dharma : Yogyakarta
Moertini, V. 2002. Data Mining sebagai Solusi Bisnis. Penelitian Staff Pengajar
Jurusan Ilmu Komputer Universitas Katolik Parahyangan : Bandung
Murdick, R. G. (1991). Sistem Informasi Untuk Manajemen Modern. Jakarta :
Erlangga
Muslehatin Wiwik, dkk. 2017. Penerapan Naive Bayes Classification untuk
Klasifikasi Tingkat Kemungkinan Obesitas Mahasiswa Sistem Informasi UIN
Suska Riau. Jurnal SNTKI 9. 2017 : Pekanbaru, Riau
(http://ejournal.uin-suska.ac.id/index.php/SNTIKI/article/view/3276)
Novianto, Nurul, Ratih “Sistem Diagnosis Penyakit Hati Menggunakan Metode
Naive Bayes”. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol.
2, No. 8, 2666-2671, Agustus 2018
(http://j-ptiik.ub.ac.id/index.php/j-ptiik/article/view/1917/735)
Prasetyo, Eko. (2012). Data Mining Konsep dan Aplikasi menggunakan
MATLAB. Penerbit Andi. Yogyakarta.
 67

Ridwan M, Suyono H dan Sarosa M. Penerapan Data Mining untuk evaluasi

kinerja Akademik Mahasiswa menggunakan Algoritma Naive Bayes
Classifier. Jurnal EECCIS Vol. 7 No. 1. 2013
(https://media.neliti.com/media/publications/61002-ID-penerapan-data-mining-
untuk-evaluasi-kin.pdf)
Saleh, A. (2015). Implementasi Metode Klasifikasi Naive Bayes Dalam
Memprediksi Besarnya Penggunaan Listrik Rumah Tangga. Citec Jurnal , 2
(3), 207-2017.
Sitanggang, Sartika. 2015. Pengkategorian Buku untuk Fakultas Teknik
Menggunakan Metode Naive Bayes Classifier di Perpustakaan Universitas
Widyatama : Bandung
Soedarto. 2012. Demam Berdarah Dengue Dengue Haemoohagic fever. Jakarta:
Sugeng Seto
Suyanto. 2016. Data Mining Untuk Klasifikasi dan Klasterisasi Data. Bandung:
Penerbit Informatika
Yuliawardhani, Dilla dan Zarman Wendi. Pembuatan Sistem Berbasis Android
untuk Memprediksi Penyakit Berdasarkan Gejala yang Ditimbulkan
Menggunakan Metode Naive Bayes. Jurusan Teknik Komputer Unikom :
Bandung
World Health Organization. (2018). (Azmi & Dahria, 2013) Dengue and severe
dengue. Diambil pada 26 Agustus 2018
(http://www.who.int/news-room/fact-sheets/detail/dengue-and-severedengue)
 LAMPIRAN
1. Tabel Data Pasien
Kurang
Jenis Suhu Mual Nyeri Bintik
Nafsu Pusing
No Tanggal Nama Kela- Badan Muntah Sendi Merah DBD
Makan (hari)
min (°Celcius) (kali) (hari) (Ruam)
(hari)
1 11-10-2016 Bapak L 38.2 2 2 1 5 Banyak Positif
2 13-10-2016 Anak P 39.1 3 2 4 1 Sedikit Negatif
3 17-10-2016 Ibu P 42.0 1 1 3 2 Banyak Positif
4 20-10-2016 Anak L 40.0 4 2 6 2 Sedang Positif
5 21-10-2016 Ibu P 39.2 2 3 5 3 Banyak Positif
6 23-10-2016 Bapak L 37.1 2 1 7 1 Banyak Positif
7 24-10-2016 Bapak L 36.3 0 3 4 2 Sedikit Positif
8 26-10-2016 Ibu P 37.2 2 2 6 2 Sedang Positif
9 29-10-2016 Bapak L 40.0 2 3 9 1 Banyak Positif
10 01-11-2016 Ibu P 41.0 2 1 5 2 Sedang Positif
11 04-11-2016 Anak L 37.3 1 2 1 1 Sedikit Negatif
12 05-11-2016 Anak L 40.1 2 2 1 1 Banyak Positif
13 07-11-2016 Bapak L 39.5 1 1 2 2 Banyak Positif
14 10-11-2016 Ibu P 38.0 1 2 5 2 Banyak Negatif
15 13-11-2016 Ibu P 38.1 2 1 4 3 Sedang Positif
16 16-11-2016 Bapak L 39.2 2 2 1 1 Sedikit Negatif
17 19-11-2016 Ibu P 37.0 3 3 6 2 Sedang Positif
18 22-11-2016 Bapak L 41.0 1 1 2 2 Banyak Positif
19 26-11-2016 Ibu P 40.3 2 2 5 1 Banyak Positif
20 29-11-2016 Anak P 40.0 2 2 7 2 Banyak Positif
21 03-12-2016 Ibu P 38.4 1 3 8 1 Banyak Positif
22 07-12-2016 Anak L 40.0 2 1 6 2 Banyak Positif
23 09-12-2016 Anak P 39.2 0 4 1 3 Sedikit Negatif
24 11-12-2016 Anak L 37.1 2 2 4 1 Sedikit Positif
25 14-12-2016 Bapak L 36.3 3 2 4 3 Banyak Positif
26 15-12-2016 Ibu P 37.2 1 4 6 2 Banyak Positif
27 17-12-2016 Bapak L 40.0 3 0 2 3 Sedang Positif
28 22-12-2016 Ibu P 41.5 2 2 3 1 Banyak Positif
29 27-12-2016 Bapak L 37.4 3 2 5 2 Sedang Positif
30 28-12-2016 Ibu P 40.1 1 3 6 2 Sedikit Positif
31 30-12-2016 Anak P 39.0 2 1 3 1 Banyak Positif
32 01-01-2017 Anak P 38.1 2 2 7 2 Sedang Positif
33 01-01-2017 Ibu P 38.2 1 3 5 2 Banyak Positif
34 05-01-2017 Bapak L 39.0 2 1 7 1 Sedikit Negatif
35 01-01-2017 Bapak L 37.4 2 3 4 2 Sedikit Positif
36 11-01-2017 Bapak L 41.0 0 2 6 3 Banyak Positif
37 16-01-2017 Ibu P 40.0 2 6 9 1 Sedang Positif
38 21-01-2017 Ibu P 40.3 3 1 5 3 Sedang Positif

68
39 22-01-2017 Anak P 38.0 1 2 1 2 Banyak Negatif
40 25-01-2017 Ibu P 40.1 3 1 10 3 Banyak Positif
41 29-01-2017 Ibu P 39.2 2 2 2 1 Sedikit Negatif
42 02-02-2017 Bapak L 37.1 3 3 5 2 Banyak Positif
43 02-02-2017 Ibu P 36.3 1 1 4 2 Banyak Positif
44 06-02-2017 Ibu P 37.2 2 2 3 1 Sedang Negatif
45 09-02-2017 Anak P 40.0 2 3 2 2 Sedang Positif
46 11-02-2017 Bapak L 41.1 1 1 5 3 Banyak Positif
47 13-02-2017 Ibu P 37.2 2 2 6 1 Banyak Positif
48 16-02-2017 Anak L 40.6 3 2 8 3 Sedang Positif
49 18-02-2017 Bapak L 39.4 0 4 1 2 Banyak Negatif
50 19-02-2017 Bapak L 38.6 3 5 5 3 Sedang Positif
51 22-02-2017 Ibu P 38.0 2 1 3 1 Sedikit Negatif
52 25-02-2017 Ibu P 39.4 3 2 2 2 Banyak Positif
53 27-02-2017 Ibu P 37.0 1 2 5 2 Banyak Positif
54 02-03-2017 Bapak L 41.5 2 3 7 1 Banyak Positif
55 05-03-2017 Bapak L 40.1 2 1 8 2 Banyak Positif
56 07-03-2017 Ibu P 40.7 1 2 1 1 Sedikit Negatif
57 10-03-2017 Anak L 40.0 2 2 10 2 Sedang Positif
58 12-03-2017 Bapak L 39.2 1 1 4 3 Banyak Positif
59 14-03-2017 Anak P 37.1 2 2 4 1 Sedikit Negatif
60 16-03-2017 Bapak L 36.3 3 2 6 2 Banyak Positif
61 19-03-2017 Ibu P 37.2 1 3 2 3 Banyak Positif
62 22-03-2017 Ibu P 40.1 2 2 3 1 Sedikit Positif
63 23-03-2017 Bapak L 41.0 3 1 5 3 Banyak Positif
64 25-03-2017 Ibu P 37.1 1 2 6 2 Banyak Negatif
65 01-04-2017 Bapak L 40.1 3 3 9 3 Banyak Positif
66 02-04-2017 Bapak L 39.4 2 1 5 1 Sedang Positif
67 05-04-2017 Bapak L 38.5 6 3 4 2 Sedikit Positif
68 07-04-2017 Ibu P 40.2 1 2 1 2 Banyak Negatif
69 09-04-2017 Bapak L 39.4 2 3 2 1 Sedang Positif
70 11-04-2017 Bapak L 37.1 2 1 1 2 Banyak Positif
71 12-04-2017 Anak P 41.5 1 2 2 1 Sedang Positif
72 14-04-2017 Anak L 40.1 2 2 4 2 Banyak Positif
73 17-04-2017 Ibu P 40.1 1 1 10 3 Sedang Positif
74 19-04-2017 Ibu P 40.4 2 2 8 1 Banyak Positif
75 20-04-2017 Bapak L 39.2 3 1 8 3 Sedang Positif
76 21-04-2017 Anak P 37.1 1 2 5 2 Sedikit Negatif
77 22-04-2017 Ibu P 36.3 3 3 2 3 Banyak Positif
78 24-04-2017 Anak L 37.2 2 1 2 1 Sedikit Positif
79 25-04-2017 Anak L 40.0 3 2 9 2 Sedang Positif
80 26-04-2017 Bapak L 41.3 1 3 5 2 Banyak Positif
81 28-04-2017 Ibu P 37.3 2 5 7 5 Banyak Positif
82 30-04-2017 Ibu P 40.1 2 1 10 1 Sedikit Positif
83 01-05-2017 Ibu P 39.5 3 2 2 3 Banyak Positif
84 02-05-2017 Bapak L 38.0 1 2 5 2 Banyak Positif
85 05-05-2017 Bapak L 38.4 3 3 4 3 Banyak Positif
86 07-05-2017 Ibu P 39.1 2 1 5 1 Sedang Negatif
87 09-05-2017 Bapak L 37.3 5 2 4 4 Banyak Positif
88 11-05-2017 Bapak L 41.2 1 2 3 2 Sedikit Positif
89 12-05-2017 Ibu P 40.1 2 1 7 5 Banyak Positif
90 14-05-2017 Bapak L 40.0 2 2 5 4 Banyak Positif
91 17-05-2017 Anak P 40.0 1 1 7 5 Banyak Positif
92 19-05-2017 Anak L 39.2 2 1 4 7 Banyak Positif
93 20-05-2017 Anak P 37.1 1 2 6 3 Sedikit Positif
94 21-05-2017 Anak L 36.3 2 2 9 2 Sedang Positif
95 22-05-2017 Ibu P 37.2 3 3 5 3 Banyak Negatif
96 24-05-2017 Ibu P 40.0 1 1 1 2 Banyak Positif
97 25-05-2017 Bapak L 41.4 2 2 10 4 Banyak Positif
98 26-05-2017 Ibu P 37.1 3 2 2 2 Sedang Positif
99 28-05-2017 Anak P 40.0 1 1 5 3 Banyak Positif
100 30-05-2017 Bapak L 39.0 3 2 4 2 Sedikit Negatif
101 01-06-2017 Bapak L 40.0 3 1 9 2 Banyak Positif
102 02-06-2017 Anak L 41.3 1 2 5 2 Banyak Positif
103 05-06-2017 Ibu P 37.3 2 3 7 5 Sedikit Positif
104 07-06-2017 Anak L 40.1 2 1 10 1 Sedang Positif
105 09-06-2017 Ibu P 39.5 3 3 2 3 Banyak Positif
106 11-06-2017 Bapak L 38.0 1 2 5 2 Banyak Positif
107 12-06-2017 Bapak L 38.4 3 3 4 3 Sedang Positif
108 14-06-2017 Ibu P 39.1 2 1 5 1 Banyak Positif
109 17-06-2017 Bapak L 37.3 5 2 4 4 Sedikit Positif
110 19-06-2017 Ibu P 41.2 1 2 3 2 Sedang Positif
111 20-06-2017 Anak L 40.1 2 1 7 5 Banyak Positif
112 21-06-2017 Anak P 40.0 2 2 5 4 Banyak Positif
113 22-06-2017 Bapak L 40.0 1 2 7 5 Sedang Positif
114 24-06-2017 Ibu P 39.2 2 1 4 7 Sedikit Negatif
115 25-06-2017 Ibu P 37.1 1 2 6 3 Sedang Positif
116 26-06-2017 Bapak L 36.3 2 3 9 2 Sedang Positif
117 28-06-2017 Ibu P 37.2 3 1 5 3 Banyak Positif
118 30-06-2017 Bapak L 40.0 1 3 1 2 Banyak Positif
119 01-07-2017 Ibu P 41.4 2 2 10 4 Sedang Positif
120 02-07-2017 Anak L 38.2 2 3 1 5 Banyak Positif
121 05-07-2017 Ibu P 39.1 3 2 4 1 Sedang Negatif
122 07-07-2017 Anak P 42.0 1 1 3 2 Sedang Positif
123 09-07-2017 Anak P 40.0 4 2 7 2 Banyak Positif
124 11-07-2017 Anak L 39.2 2 3 5 3 Banyak Positif
125 12-07-2017 Bapak L 37.1 2 1 7 1 Banyak Positif
126 14-07-2017 Ibu P 36.3 4 2 4 2 Sedikit Positif
127 17-07-2017 Bapak L 37.2 0 3 6 2 Sedikit Positif
128 19-07-2017 Ibu P 40.0 2 1 9 1 Banyak Positif
129 20-07-2017 Bapak L 41.0 2 3 5 2 Sedang Positif
130 21-07-2017 Ibu P 36.3 3 2 6 2 Banyak Positif
131 22-07-2017 Anak P 37.2 1 3 2 3 Banyak Positif
132 24-07-2017 Anak L 40.1 2 1 3 1 Banyak Positif
133 25-07-2017 Ibu P 41.0 3 2 5 3 Banyak Positif
134 26-07-2017 Bapak L 37.1 1 2 6 2 Sedang Positif
135 28-07-2017 Bapak L 40.1 3 1 9 3 Sedang Positif
136 30-07-2017 Bapak L 39.4 2 2 5 1 Sedang Positif
137 01-08-2017 Ibu P 38.5 6 1 4 2 Banyak Positif
138 02-08-2017 Ibu P 40.0 1 2 1 2 Banyak Negatif
139 05-08-2017 Anak L 41.4 2 3 10 4 Banyak Positif
140 07-08-2017 Ibu P 38.2 2 1 1 5 Sedang Positif
141 09-08-2017 Ibu P 39.1 3 3 4 1 Banyak Positif
142 11-08-2017 Bapak L 42.0 1 2 3 2 Banyak Positif
143 12-08-2017 Ibu P 40.0 4 3 7 2 Sedang Positif
144 14-08-2017 Ibu P 39.2 2 1 5 3 Banyak Positif
145 17-08-2017 Anak L 37.1 2 2 7 1 Banyak Positif
146 19-08-2017 Bapak L 36.3 4 2 4 2 Banyak Positif
147 20-08-2017 Ibu P 37.2 0 5 6 2 Sedang Positif
148 21-08-2017 Anak L 40.0 2 1 9 1 Sedang Positif
149 22-08-2017 Bapak L 41.0 2 3 5 2 Banyak Positif
150 24-08-2017 Bapak L 36.3 3 2 6 2 Banyak Negatif
151 25-08-2017 Bapak L 37.2 1 3 2 3 Banyak Positif
152 26-08-2017 Anak L 36.3 1 1 4 2 Sedang Positif
153 28-08-2017 Ibu P 37.2 2 4 3 1 Sedikit Positif
154 30-08-2017 Anak L 40.0 2 2 2 2 Banyak Positif
155 01-09-2017 Ibu P 41.1 1 5 5 3 Banyak Positif
156 02-09-2017 Bapak L 37.2 2 4 6 1 Banyak Positif
157 05-09-2017 Bapak L 40.6 3 5 8 3 Sedang Positif
158 07-09-2017 Ibu P 39.4 0 7 1 2 Banyak Negatif
159 09-09-2017 Bapak L 38.6 3 3 5 3 Sedikit Positif
160 11-09-2017 Ibu P 38.0 2 2 3 1 Sedang Negatif
161 12-09-2017 Anak L 39.4 3 3 2 2 Sedang Positif
162 14-09-2017 Anak P 37.0 1 2 5 2 Sedang Negatif
163 17-09-2017 Bapak L 41.5 2 4 7 1 Sedikit Positif
164 19-09-2017 Ibu P 40.1 2 2 8 2 Banyak Positif
165 22-09-2017 Ibu P 40.7 1 3 1 1 Banyak Negatif
166 23-09-2017 Bapak L 40.0 2 2 10 2 Banyak Positif
167 25-09-2017 Ibu P 39.2 1 2 4 3 Sedang Positif
168 27-09-2017 Bapak L 37.1 2 2 4 1 Banyak Positif
169 29-09-2017 Ibu P 36.3 3 5 6 2 Banyak Positif
170 30-09-2017 Anak L 37.2 1 1 2 3 Sedang Negatif
171 02-10-2017 Ibu P 39.4 2 3 5 1 Sedang Positif
172 04-10-2017 Anak L 38.5 6 2 4 2 Banyak Positif
173 05-10-2017 Anak L 40.0 1 3 1 2 Sedang Positif
174 06-10-2017 Anak P 41.4 2 1 10 4 Banyak Positif
175 09-10-2017 Bapak L 38.2 2 4 1 5 Banyak Positif
176 10-10-2017 Ibu P 39.1 3 2 4 1 Banyak Negatif
177 11-10-2017 Bapak L 42.0 1 5 3 2 Banyak Positif
178 13-10-2017 Ibu P 40.0 4 4 7 2 Banyak Negatif
179 17-10-2017 Bapak L 39.2 2 5 5 3 Banyak Positif
180 20-10-2017 Ibu P 37.1 2 7 7 1 Banyak Positif
181 21-10-2017 Anak P 36.3 4 3 4 2 Banyak Positif
182 23-10-2017 Anak L 37.2 0 2 6 2 Sedang Negatif
183 24-10-2017 Ibu P 40.0 2 3 9 1 Banyak Positif
184 26-10-2017 Bapak L 41.0 2 2 5 2 Sedang Positif
185 29-10-2017 Bapak L 36.3 3 4 6 2 Banyak Positif
186 01-11-2017 Bapak L 37.2 1 5 2 3 Sedang Positif
187 04-11-2017 Ibu P 36.3 1 1 4 2 Sedang Positif
188 05-11-2017 Ibu P 37.2 2 2 3 1 Banyak Negatif
189 07-11-2017 Anak L 40.0 2 2 2 2 Sedang Positif
190 10-11-2017 Ibu P 41.1 1 3 5 3 Banyak Positif
191 13-11-2017 Ibu P 37.2 2 1 6 1 Banyak Positif
192 16-11-2017 Bapak L 40.6 3 2 8 3 Banyak Positif
193 19-11-2017 Ibu P 39.4 0 2 1 2 Sedang Negatif
194 22-11-2017 Ibu P 38.6 3 1 5 3 Banyak Positif
195 26-11-2017 Anak L 38.0 2 2 3 1 Sedang Positif
196 29-11-2017 Bapak L 39.4 3 2 2 2 Banyak Positif
197 03-12-2017 Ibu P 37.0 1 3 5 2 Sedikit Positif
198 07-12-2017 Anak P 41.5 2 1 7 1 Sedikit Positif
199 09-12-2017 Bapak L 40.1 2 3 8 2 Sedang Positif
200 11-12-2017 Bapak L 40.7 1 2 1 1 Banyak Negatif
201 14-12-2017 Ibu P 40.0 2 3 10 2 Sedang Positif
202 15-12-2017 Ibu P 39.2 1 1 4 3 Sedang Positif
203 17-12-2017 Ibu P 37.1 2 2 4 1 Sedang Negatif
204 22-12-2017 Bapak L 36.3 3 2 6 2 Banyak Positif
205 27-12-2017 Bapak L 37.2 1 4 2 3 Banyak Positif
206 30-12-2017 Ibu P 38.2 2 5 1 5 Banyak Positif
207 04-01-2018 Anak L 39.1 3 1 4 1 Banyak Positif
208 05-01-2018 Bapak L 42.0 1 2 3 2 Banyak Positif
209 08-01-2018 Anak P 40.0 4 2 7 2 Banyak Positif
210 10-01-2018 Bapak L 39.2 2 3 5 3 Sedang Positif
211 11-01-2018 Ibu P 37.1 2 1 7 1 Banyak Positif
212 14-01-2018 Ibu P 36.3 4 2 4 2 Banyak Positif
213 17-01-2018 Bapak L 37.2 0 2 6 2 Sedang Positif
214 22-01-2018 Ibu P 40.0 2 1 9 1 Banyak Positif
215 23-01-2018 Bapak L 41.0 2 2 5 2 Banyak Positif
216 28-01-2018 Bapak L 37.3 1 2 1 1 Sedang Negatif
217 29-01-2018 Bapak L 40.1 2 3 1 1 Banyak Positif
218 02-02-2018 Ibu P 39.5 1 2 2 2 Banyak Negatif
219 03-02-2018 Bapak L 38.0 1 1 5 2 Banyak Positif
220 05-02-2018 Bapak L 38.1 2 2 4 3 Banyak Positif
221 10-02-2018 Anak P 39.2 2 3 1 1 Banyak Negatif
222 12-02-2018 Anak P 37.0 3 1 6 2 Sedikit Positif
223 15-02-2018 Ibu P 41.0 1 3 2 2 Sedang Positif
224 17-02-2018 Ibu P 40.3 2 2 5 1 Sedang Positif
225 18-02-2018 Bapak L 40.0 2 3 7 2 Sedikit Positif
226 22-02-2018 Anak P 38.4 1 1 8 1 Banyak Positif
227 23-02-2018 Ibu P 40.0 2 2 10 2 Banyak Positif
228 25-02-2018 Anak L 39.2 0 2 1 3 Sedang Negatif
229 26-02-2018 Anak P 37.1 2 1 4 1 Banyak Negatif
230 01-03-2018 Bapak L 36.3 3 2 4 3 Sedikit Positif
231 03-03-2018 Ibu P 37.2 1 1 6 2 Banyak Positif
232 04-03-2018 Ibu P 40.0 3 2 2 3 Banyak Positif
233 07-03-2018 Ibu P 41.5 2 3 3 1 Sedang Positif
234 10-03-2018 Bapak L 37.4 3 1 5 2 Banyak Positif
235 12-03-2018 Bapak L 40.1 1 2 6 2 Banyak Positif
236 14-03-2018 Ibu P 39.0 2 3 3 1 Sedang Positif
237 16-03-2018 Bapak L 38.1 2 1 7 2 Banyak Positif
238 19-03-2018 Bapak L 38.2 1 2 5 2 Banyak Positif
239 22-03-2018 Ibu P 39.0 2 2 7 1 Banyak Positif
240 23-03-2018 Bapak L 37.4 2 4 4 2 Sedang Positif
241 25-03-2018 Anak P 41.0 0 5 6 3 Banyak Positif
242 28-03-2018 Anak P 40.0 2 1 9 1 Banyak Positif
243 01-04-2018 Anak P 40.3 3 2 5 3 Banyak Positif
244 02-04-2018 Anak L 38.0 1 2 1 2 Banyak Negatif
245 04-04-2018 Ibu P 40.1 3 3 10 3 Banyak Positif
246 07-04-2018 Ibu P 39.2 2 1 2 1 Sedikit Negatif
247 09-04-2018 Bapak L 37.1 3 2 5 2 Banyak Positif
248 11-04-2018 Ibu P 36.3 1 2 4 2 Banyak Positif
249 13-04-2018 Bapak L 37.2 2 1 3 1 Sedang Positif
250 16-04-2018 Bapak L 40.0 2 2 2 2 Sedang Positif
251 17-04-2018 Ibu P 37.2 1 2 2 3 Banyak Positif
252 20-04-2018 Ibu P 40.1 2 3 3 1 Banyak Positif
253 21-04-2018 Ibu P 41.0 3 2 5 3 Banyak Positif
 254 24-04-2018 Bapak L 37.1 1 1 6 2 Banyak Positif
255 26-04-2018 Bapak L 40.1 3 2 9 3 Banyak Positif
256 29-04-2018 Ibu P 39.4 2 3 5 1 Banyak Positif
257 01-05-2018 Anak L 38.5 6 1 4 2 Banyak Positif
258 02-05-2018 Bapak L 40.2 1 3 1 2 Sedikit Negatif
259 05-05-2018 Anak P 39.4 2 2 2 1 Banyak Negatif
260 07-05-2018 Bapak L 37.1 2 3 1 2 Banyak Positif
261 09-05-2018 Ibu P 41.5 1 1 2 1 Sedang Positif
262 10-05-2018 Ibu P 40.1 2 2 4 2 Banyak Positif
263 13-05-2018 Bapak L 40.1 1 2 10 3 Banyak Positif
264 15-05-2018 Ibu P 40.4 2 1 8 1 Sedang Positif
265 19-05-2018 Bapak L 39.2 3 2 8 3 Banyak Positif
266 22-05-2018 Bapak L 37.1 1 1 5 2 Banyak Positif
267 24-05-2018 Bapak L 36.3 3 2 2 3 Banyak Positif
268 29-05-2018 Ibu P 37.2 2 3 2 1 Banyak Positif

2. Tabel Transformasi Data

Kurang
Jenis Nyeri Bintik
Suhu Badan Mual Muntah Nafsu Pusing
No Kela- Sendi Merah DBD
(°Celcius) (kali) Makan (hari)
min (hari) (Ruam)
(hari)
1 L Demam Sedang Muntah Sedang Sedang Normal Bahaya Banyak Positif
2 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedikit Negatif
3 P Demam Tinggi Muntah Biasa Biasa Biasa Sedang Banyak Positif
4 L Demam Tinggi Muntah Bahaya Sedang Bahaya Sedang Sedang Positif
5 P Demam Sedang Muntah Sedang Bahaya Biasa Bahaya Banyak Positif
6 L Demam Sedang Muntah Sedang Biasa Bahaya Biasa Banyak Positif
7 L Demam Biasa Muntah Biasa Bahaya Biasa Sedang Sedikit Positif
8 P Demam Sedang Muntah Sedang Sedang Bahaya Sedang Sedang Positif
9 L Demam Tinggi Muntah Sedang Bahaya Bahaya Biasa Banyak Positif
10 P Demam Tinggi Muntah Sedang Biasa Biasa Sedang Sedang Positif
11 L Demam Sedang Muntah Biasa Sedang Normal Biasa Sedikit Negatif
12 L Demam Tinggi Muntah Sedang Sedang Normal Biasa Banyak Positif
13 L Demam Sedang Muntah Biasa Biasa Biasa Sedang Banyak Positif
14 P Demam Sedang Muntah Biasa Sedang Biasa Sedang Banyak Negatif
15 P Demam Sedang Muntah Sedang Biasa Biasa Bahaya Sedang Positif
16 L Demam Sedang Muntah Sedang Sedang Normal Biasa Sedikit Negatif
17 P Demam Sedang Muntah Sedang Bahaya Bahaya Sedang Sedang Positif
18 L Demam Tinggi Muntah Biasa Biasa Biasa Sedang Banyak Positif
19 P Demam Tinggi Muntah Sedang Sedang Biasa Biasa Banyak Positif
20 P Demam Tinggi Muntah Sedang Sedang Bahaya Sedang Banyak Positif
21 P Demam Sedang Muntah Biasa Bahaya Bahaya Biasa Banyak Positif
22 L Demam Tinggi Muntah Sedang Biasa Bahaya Sedang Banyak Positif
23 P Demam Sedang Muntah Biasa Bahaya Normal Bahaya Sedikit Negatif
24 L Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedikit Positif
25 L Demam Biasa Muntah Sedang Sedang Biasa Bahaya Banyak Positif
26 P Demam Sedang Muntah Biasa Bahaya Bahaya Sedang Banyak Positif
27 L Demam Tinggi Muntah Sedang Biasa Biasa Bahaya Sedang Positif
28 P Demam Tinggi Muntah Sedang Sedang Biasa Biasa Banyak Positif
29 L Demam Sedang Muntah Sedang Sedang Biasa Sedang Sedang Positif
30 P Demam Tinggi Muntah Biasa Bahaya Bahaya Sedang Sedikit Positif
31 P Demam Sedang Muntah Sedang Biasa Biasa Biasa Banyak Positif
32 P Demam Sedang Muntah Sedang Sedang Bahaya Sedang Sedang Positif
33 P Demam Sedang Muntah Biasa Bahaya Biasa Sedang Banyak Positif
34 L Demam Sedang Muntah Sedang Biasa Bahaya Biasa Sedikit Negatif
35 L Demam Sedang Muntah Sedang Bahaya Biasa Sedang Sedikit Positif
36 L Demam Tinggi Muntah Biasa Sedang Bahaya Bahaya Banyak Positif
37 P Demam Tinggi Muntah Sedang Bahaya Bahaya Biasa Sedang Positif
38 P Demam Tinggi Muntah Sedang Biasa Biasa Bahaya Sedang Positif
39 P Demam Sedang Muntah Biasa Sedang Normal Sedang Banyak Negatif
40 P Demam Tinggi Muntah Sedang Biasa Bahaya Bahaya Banyak Positif
41 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedikit Negatif
42 L Demam Sedang Muntah Sedang Bahaya Biasa Sedang Banyak Positif
43 P Demam Biasa Muntah Biasa Biasa Biasa Sedang Banyak Positif
44 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedang Negatif
45 P Demam Tinggi Muntah Sedang Bahaya Biasa Sedang Sedang Positif
46 L Demam Tinggi Muntah Biasa Biasa Biasa Bahaya Banyak Positif
47 P Demam Sedang Muntah Sedang Sedang Bahaya Biasa Banyak Positif
48 L Demam Tinggi Muntah Sedang Sedang Bahaya Bahaya Sedang Positif
49 L Demam Sedang Muntah Biasa Bahaya Normal Sedang Banyak Negatif
50 L Demam Sedang Muntah Sedang Bahaya Biasa Bahaya Sedang Positif
51 P Demam Sedang Muntah Sedang Biasa Biasa Biasa Sedikit Negatif
52 P Demam Sedang Muntah Sedang Sedang Biasa Sedang Banyak Positif
53 P Demam Sedang Muntah Biasa Sedang Biasa Sedang Banyak Positif
54 L Demam Tinggi Muntah Sedang Bahaya Bahaya Biasa Banyak Positif
55 L Demam Tinggi Muntah Sedang Biasa Bahaya Sedang Banyak Positif
56 P Demam Tinggi Muntah Biasa Sedang Normal Biasa Sedikit Negatif
57 L Demam Tinggi Muntah Sedang Sedang Bahaya Sedang Sedang Positif
58 L Demam Sedang Muntah Biasa Biasa Biasa Bahaya Banyak Positif
59 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedikit Negatif
60 L Demam Biasa Muntah Sedang Sedang Bahaya Sedang Banyak Positif
61 P Demam Sedang Muntah Biasa Bahaya Biasa Bahaya Banyak Positif
62 P Demam Tinggi Muntah Sedang Sedang Biasa Biasa Sedikit Positif
63 L Demam Tinggi Muntah Sedang Biasa Biasa Bahaya Banyak Positif
64 P Demam Sedang Muntah Biasa Sedang Bahaya Sedang Banyak Negatif
65 L Demam Tinggi Muntah Sedang Bahaya Bahaya Bahaya Banyak Positif
66 L Demam Sedang Muntah Sedang Biasa Biasa Biasa Sedang Positif
67 L Demam Sedang Muntah Bahaya Bahaya Biasa Sedang Sedikit Positif
68 P Demam Tinggi Muntah Biasa Sedang Normal Sedang Banyak Negatif
69 L Demam Sedang Muntah Sedang Bahaya Biasa Biasa Sedang Positif
70 L Demam Sedang Muntah Sedang Biasa Normal Sedang Banyak Positif
71 P Demam Tinggi Muntah Biasa Sedang Biasa Biasa Sedang Positif
72 L Demam Tinggi Muntah Sedang Sedang Biasa Sedang Banyak Positif
73 P Demam Tinggi Muntah Biasa Biasa Bahaya Bahaya Sedang Positif
74 P Demam Tinggi Muntah Sedang Sedang Bahaya Biasa Banyak Positif
75 L Demam Sedang Muntah Sedang Biasa Bahaya Bahaya Sedang Positif
76 P Demam Sedang Muntah Biasa Sedang Biasa Sedang Sedikit Negatif
77 P Demam Biasa Muntah Sedang Bahaya Biasa Bahaya Banyak Positif
78 L Demam Sedang Muntah Sedang Biasa Biasa Biasa Sedikit Positif
79 L Demam Tinggi Muntah Sedang Sedang Bahaya Sedang Sedang Positif
80 L Demam Tinggi Muntah Biasa Bahaya Biasa Sedang Banyak Positif
81 P Demam Sedang Muntah Sedang Bahaya Bahaya Bahaya Banyak Positif
82 P Demam Tinggi Muntah Sedang Biasa Bahaya Biasa Sedikit Positif
83 P Demam Sedang Muntah Sedang Sedang Biasa Bahaya Banyak Positif
84 L Demam Sedang Muntah Biasa Sedang Biasa Sedang Banyak Positif
85 L Demam Sedang Muntah Sedang Bahaya Biasa Bahaya Banyak Positif
86 P Demam Sedang Muntah Sedang Biasa Biasa Biasa Sedang Negatif
87 L Demam Sedang Muntah Bahaya Sedang Biasa Bahaya Banyak Positif
88 L Demam Tinggi Muntah Biasa Sedang Biasa Sedang Sedikit Positif
89 P Demam Tinggi Muntah Sedang Biasa Bahaya Bahaya Banyak Positif
90 L Demam Tinggi Muntah Sedang Sedang Biasa Bahaya Banyak Positif
91 P Demam Tinggi Muntah Biasa Biasa Bahaya Bahaya Banyak Positif
92 L Demam Sedang Muntah Sedang Biasa Biasa Bahaya Banyak Positif
93 P Demam Sedang Muntah Biasa Sedang Bahaya Bahaya Sedikit Positif
94 L Demam Biasa Muntah Sedang Sedang Bahaya Sedang Sedang Positif
95 P Demam Sedang Muntah Sedang Bahaya Biasa Bahaya Banyak Negatif
96 P Demam Tinggi Muntah Biasa Biasa Normal Sedang Banyak Positif
97 L Demam Tinggi Muntah Sedang Sedang Bahaya Bahaya Banyak Positif
98 P Demam Sedang Muntah Sedang Sedang Biasa Sedang Sedang Positif
99 P Demam Tinggi Muntah Biasa Biasa Biasa Bahaya Banyak Positif
100 L Demam Sedang Muntah Sedang Sedang Biasa Sedang Sedikit Negatif
101 L Demam Tinggi Muntah Sedang Biasa Bahaya Sedang Banyak Positif
102 L Demam Tinggi Muntah Biasa Sedang Biasa Sedang Banyak Positif
103 P Demam Sedang Muntah Sedang Bahaya Bahaya Bahaya Sedikit Positif
104 L Demam Tinggi Muntah Sedang Biasa Bahaya Biasa Sedang Positif
105 P Demam Sedang Muntah Sedang Bahaya Biasa Bahaya Banyak Positif
106 L Demam Sedang Muntah Biasa Sedang Biasa Sedang Banyak Positif
107 L Demam Sedang Muntah Sedang Bahaya Biasa Bahaya Sedang Positif
108 P Demam Sedang Muntah Sedang Biasa Biasa Biasa Banyak Positif
109 L Demam Sedang Muntah Bahaya Sedang Biasa Bahaya Sedikit Positif
110 P Demam Tinggi Muntah Biasa Sedang Biasa Sedang Sedang Positif
111 L Demam Tinggi Muntah Sedang Biasa Bahaya Bahaya Banyak Positif
112 P Demam Tinggi Muntah Sedang Sedang Biasa Bahaya Banyak Positif
113 L Demam Tinggi Muntah Biasa Sedang Bahaya Bahaya Sedang Positif
114 P Demam Sedang Muntah Sedang Biasa Biasa Bahaya Sedikit Negatif
115 P Demam Sedang Muntah Biasa Sedang Bahaya Bahaya Sedang Positif
116 L Demam Biasa Muntah Sedang Bahaya Bahaya Sedang Sedang Positif
117 P Demam Sedang Muntah Sedang Biasa Biasa Bahaya Banyak Positif
118 L Demam Tinggi Muntah Biasa Bahaya Normal Sedang Banyak Positif
119 P Demam Tinggi Muntah Sedang Sedang Bahaya Bahaya Sedang Positif
120 L Demam Sedang Muntah Sedang Bahaya Normal Bahaya Banyak Positif
121 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedang Negatif
122 P Demam Tinggi Muntah Biasa Biasa Biasa Sedang Sedang Positif
123 P Demam Tinggi Muntah Bahaya Sedang Bahaya Sedang Banyak Positif
124 L Demam Sedang Muntah Sedang Bahaya Biasa Bahaya Banyak Positif
125 L Demam Sedang Muntah Sedang Biasa Bahaya Biasa Banyak Positif
126 P Demam Biasa Muntah Bahaya Sedang Biasa Sedang Sedikit Positif
127 L Demam Sedang Muntah Biasa Bahaya Bahaya Sedang Sedikit Positif
128 P Demam Tinggi Muntah Sedang Biasa Bahaya Biasa Banyak Positif
129 L Demam Tinggi Muntah Sedang Bahaya Biasa Sedang Sedang Positif
130 P Demam Biasa Muntah Sedang Sedang Bahaya Sedang Banyak Positif
131 P Demam Sedang Muntah Biasa Bahaya Biasa Bahaya Banyak Positif
132 L Demam Tinggi Muntah Sedang Biasa Biasa Biasa Banyak Positif
133 P Demam Tinggi Muntah Sedang Sedang Biasa Bahaya Banyak Positif
134 L Demam Sedang Muntah Biasa Sedang Bahaya Sedang Sedang Positif
135 L Demam Tinggi Muntah Sedang Biasa Bahaya Bahaya Sedang Positif
136 L Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedang Positif
137 P Demam Sedang Muntah Bahaya Biasa Biasa Sedang Banyak Positif
138 P Demam Tinggi Muntah Biasa Sedang Normal Sedang Banyak Negatif
139 L Demam Tinggi Muntah Sedang Bahaya Bahaya Bahaya Banyak Positif
140 P Demam Sedang Muntah Sedang Biasa Normal Bahaya Sedang Positif
141 P Demam Sedang Muntah Sedang Bahaya Biasa Biasa Banyak Positif
142 L Demam Tinggi Muntah Biasa Sedang Biasa Sedang Banyak Positif
143 P Demam Tinggi Muntah Bahaya Bahaya Bahaya Sedang Sedang Positif
144 P Demam Sedang Muntah Sedang Biasa Biasa Bahaya Banyak Positif
145 L Demam Sedang Muntah Sedang Sedang Bahaya Biasa Banyak Positif
146 L Demam Biasa Muntah Bahaya Sedang Biasa Sedang Banyak Positif
147 P Demam Sedang Muntah Biasa Bahaya Bahaya Sedang Sedang Positif
148 L Demam Tinggi Muntah Sedang Biasa Bahaya Biasa Sedang Positif
149 L Demam Tinggi Muntah Sedang Bahaya Biasa Sedang Banyak Positif
150 L Demam Biasa Muntah Sedang Sedang Bahaya Sedang Banyak Negatif
151 L Demam Sedang Muntah Biasa Bahaya Biasa Bahaya Banyak Positif
152 L Demam Biasa Muntah Biasa Biasa Biasa Sedang Sedang Positif
153 P Demam Sedang Muntah Sedang Bahaya Biasa Biasa Sedikit Positif
154 L Demam Tinggi Muntah Sedang Sedang Biasa Sedang Banyak Positif
155 P Demam Tinggi Muntah Biasa Bahaya Biasa Bahaya Banyak Positif
156 L Demam Sedang Muntah Sedang Bahaya Bahaya Biasa Banyak Positif
157 L Demam Tinggi Muntah Sedang Bahaya Bahaya Bahaya Sedang Positif
158 P Demam Sedang Muntah Biasa Bahaya Normal Sedang Banyak Negatif
159 L Demam Sedang Muntah Sedang Bahaya Biasa Bahaya Sedikit Positif
160 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedang Negatif
161 L Demam Sedang Muntah Sedang Bahaya Biasa Sedang Sedang Positif
162 P Demam Sedang Muntah Biasa Sedang Biasa Sedang Sedang Negatif
163 L Demam Tinggi Muntah Sedang Bahaya Bahaya Biasa Sedikit Positif
164 P Demam Tinggi Muntah Sedang Sedang Bahaya Sedang Banyak Positif
165 P Demam Tinggi Muntah Biasa Bahaya Normal Biasa Banyak Negatif
166 L Demam Tinggi Muntah Sedang Sedang Bahaya Sedang Banyak Positif
167 P Demam Sedang Muntah Biasa Sedang Biasa Bahaya Sedang Positif
168 L Demam Sedang Muntah Sedang Sedang Biasa Biasa Banyak Positif
169 P Demam Biasa Muntah Sedang Bahaya Bahaya Sedang Banyak Positif
170 L Demam Sedang Muntah Biasa Biasa Biasa Bahaya Sedang Negatif
171 P Demam Sedang Muntah Sedang Bahaya Biasa Biasa Sedang Positif
172 L Demam Sedang Muntah Bahaya Sedang Biasa Sedang Banyak Positif
173 L Demam Tinggi Muntah Biasa Bahaya Normal Sedang Sedang Positif
174 P Demam Tinggi Muntah Sedang Biasa Bahaya Bahaya Banyak Positif
175 L Demam Sedang Muntah Sedang Bahaya Normal Bahaya Banyak Positif
176 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Banyak Negatif
177 L Demam Tinggi Muntah Biasa Bahaya Biasa Sedang Banyak Positif
178 P Demam Tinggi Muntah Bahaya Bahaya Bahaya Sedang Banyak Negatif
179 L Demam Sedang Muntah Sedang Bahaya Biasa Bahaya Banyak Positif
180 P Demam Sedang Muntah Sedang Bahaya Bahaya Biasa Banyak Positif
181 P Demam Biasa Muntah Bahaya Bahaya Biasa Sedang Banyak Positif
182 L Demam Sedang Muntah Biasa Sedang Bahaya Sedang Sedang Negatif
183 P Demam Tinggi Muntah Sedang Bahaya Bahaya Biasa Banyak Positif
184 L Demam Tinggi Muntah Sedang Sedang Biasa Sedang Sedang Positif
185 L Demam Biasa Muntah Sedang Bahaya Bahaya Sedang Banyak Positif
186 L Demam Sedang Muntah Biasa Bahaya Biasa Bahaya Sedang Positif
187 P Demam Biasa Muntah Biasa Biasa Biasa Sedang Sedang Positif
188 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Banyak Negatif
189 L Demam Tinggi Muntah Sedang Sedang Biasa Sedang Sedang Positif
190 P Demam Tinggi Muntah Biasa Bahaya Biasa Bahaya Banyak Positif
191 P Demam Sedang Muntah Sedang Biasa Bahaya Biasa Banyak Positif
192 L Demam Tinggi Muntah Sedang Sedang Bahaya Bahaya Banyak Positif
193 P Demam Sedang Muntah Biasa Sedang Normal Sedang Sedang Negatif
194 P Demam Sedang Muntah Sedang Biasa Biasa Bahaya Banyak Positif
195 L Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedang Positif
196 L Demam Sedang Muntah Sedang Sedang Biasa Sedang Banyak Positif
197 P Demam Sedang Muntah Biasa Bahaya Biasa Sedang Sedikit Positif
198 P Demam Tinggi Muntah Sedang Biasa Bahaya Biasa Sedikit Positif
199 L Demam Tinggi Muntah Sedang Bahaya Bahaya Sedang Sedang Positif
200 L Demam Tinggi Muntah Biasa Sedang Normal Biasa Banyak Negatif
201 P Demam Tinggi Muntah Sedang Bahaya Bahaya Sedang Sedang Positif
202 P Demam Sedang Muntah Biasa Biasa Biasa Bahaya Sedang Positif
203 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedang Negatif
204 L Demam Biasa Muntah Sedang Sedang Bahaya Sedang Banyak Positif
205 L Demam Sedang Muntah Biasa Bahaya Biasa Bahaya Banyak Positif
206 P Demam Sedang Muntah Sedang Bahaya Normal Bahaya Banyak Positif
207 L Demam Sedang Muntah Sedang Biasa Biasa Biasa Banyak Positif
208 L Demam Tinggi Muntah Biasa Sedang Biasa Sedang Banyak Positif
209 P Demam Tinggi Muntah Bahaya Sedang Bahaya Sedang Banyak Positif
210 L Demam Sedang Muntah Sedang Bahaya Biasa Bahaya Sedang Positif
211 P Demam Sedang Muntah Sedang Biasa Bahaya Biasa Banyak Positif
212 P Demam Biasa Muntah Bahaya Sedang Biasa Sedang Banyak Positif
213 L Demam Sedang Muntah Biasa Sedang Bahaya Sedang Sedang Positif
214 P Demam Tinggi Muntah Sedang Biasa Bahaya Biasa Banyak Positif
215 L Demam Tinggi Muntah Sedang Sedang Biasa Sedang Banyak Positif
216 L Demam Sedang Muntah Biasa Sedang Normal Biasa Sedang Negatif
217 L Demam Tinggi Muntah Sedang Bahaya Normal Biasa Banyak Positif
218 P Demam Sedang Muntah Biasa Sedang Biasa Sedang Banyak Negatif
219 L Demam Sedang Muntah Biasa Biasa Biasa Sedang Banyak Positif
220 L Demam Sedang Muntah Sedang Sedang Biasa Bahaya Banyak Positif
221 P Demam Sedang Muntah Sedang Bahaya Normal Biasa Banyak Negatif
222 P Demam Sedang Muntah Sedang Biasa Bahaya Sedang Sedikit Positif
223 P Demam Tinggi Muntah Biasa Bahaya Biasa Sedang Sedang Positif
224 P Demam Tinggi Muntah Sedang Sedang Biasa Biasa Sedang Positif
225 L Demam Tinggi Muntah Sedang Bahaya Bahaya Sedang Sedikit Positif
226 P Demam Sedang Muntah Biasa Biasa Bahaya Biasa Banyak Positif
227 P Demam Tinggi Muntah Sedang Sedang Bahaya Sedang Banyak Positif
228 L Demam Sedang Muntah Biasa Sedang Normal Bahaya Sedang Negatif
229 P Demam Sedang Muntah Sedang Biasa Biasa Biasa Banyak Negatif
230 L Demam Biasa Muntah Sedang Sedang Biasa Bahaya Sedikit Positif
231 P Demam Sedang Muntah Biasa Biasa Bahaya Sedang Banyak Positif
232 P Demam Tinggi Muntah Sedang Sedang Biasa Bahaya Banyak Positif
233 P Demam Tinggi Muntah Sedang Bahaya Biasa Biasa Sedang Positif
234 L Demam Sedang Muntah Sedang Biasa Biasa Sedang Banyak Positif
235 L Demam Tinggi Muntah Biasa Sedang Bahaya Sedang Banyak Positif
236 P Demam Sedang Muntah Sedang Bahaya Biasa Biasa Sedang Positif
 237 L Demam Sedang Muntah Sedang Biasa Bahaya Sedang Banyak Positif
238 L Demam Sedang Muntah Biasa Sedang Biasa Sedang Banyak Positif
239 P Demam Sedang Muntah Sedang Sedang Bahaya Biasa Banyak Positif
240 L Demam Sedang Muntah Sedang Bahaya Biasa Sedang Sedang Positif
241 P Demam Tinggi Muntah Biasa Bahaya Bahaya Bahaya Banyak Positif
242 P Demam Tinggi Muntah Sedang Biasa Bahaya Biasa Banyak Positif
243 P Demam Tinggi Muntah Sedang Sedang Biasa Bahaya Banyak Positif
244 L Demam Sedang Muntah Biasa Sedang Normal Sedang Banyak Negatif
245 P Demam Tinggi Muntah Sedang Bahaya Bahaya Bahaya Banyak Positif
246 P Demam Sedang Muntah Sedang Biasa Biasa Biasa Sedikit Negatif
247 L Demam Sedang Muntah Sedang Sedang Biasa Sedang Banyak Positif
248 P Demam Biasa Muntah Biasa Sedang Biasa Sedang Banyak Positif
249 L Demam Sedang Muntah Sedang Biasa Biasa Biasa Sedang Positif
250 L Demam Tinggi Muntah Sedang Sedang Biasa Sedang Sedang Positif
251 P Demam Sedang Muntah Biasa Sedang Biasa Bahaya Banyak Positif
252 P Demam Tinggi Muntah Sedang Bahaya Biasa Biasa Banyak Positif
253 P Demam Tinggi Muntah Sedang Sedang Biasa Bahaya Banyak Positif
254 L Demam Sedang Muntah Biasa Biasa Bahaya Sedang Banyak Positif
255 L Demam Tinggi Muntah Sedang Sedang Bahaya Bahaya Banyak Positif
256 P Demam Sedang Muntah Sedang Bahaya Biasa Biasa Banyak Positif
257 L Demam Sedang Muntah Bahaya Biasa Biasa Sedang Banyak Positif
258 L Demam Tinggi Muntah Biasa Bahaya Normal Sedang Sedikit Negatif
259 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Banyak Negatif
260 L Demam Sedang Muntah Sedang Bahaya Normal Sedang Banyak Positif
261 P Demam Tinggi Muntah Biasa Biasa Biasa Biasa Sedang Positif
262 P Demam Tinggi Muntah Sedang Sedang Biasa Sedang Banyak Positif
263 L Demam Tinggi Muntah Biasa Sedang Bahaya Bahaya Banyak Positif
264 P Demam Tinggi Muntah Sedang Biasa Bahaya Biasa Sedang Positif
265 L Demam Sedang Muntah Sedang Sedang Bahaya Bahaya Banyak Positif
266 L Demam Sedang Muntah Biasa Biasa Biasa Sedang Banyak Positif
267 L Demam Biasa Muntah Sedang Sedang Biasa Bahaya Banyak Positif
268 P Demam Sedang Muntah Sedang Bahaya Biasa Biasa Banyak Positif

3. Data Testing

Kurang
Jenis Nyeri Bintik
Suhu Badan Mual Muntah Nafsu Pusing
No Kela- Sendi Merah DBD
(°Celcius) (kali) Makan (hari)
min (hari) (Ruam)
(hari)
1 L Demam Sedang Muntah Sedang Sedang Normal Bahaya Banyak Positif
6 L Demam Sedang Muntah Sedang Biasa Bahaya Biasa Banyak Positif
11 L Demam Sedang Muntah Biasa Sedang Normal Biasa Sedikit Negatif
16 L Demam Sedang Muntah Sedang Sedang Normal Biasa Sedikit Negatif
21 P Demam Sedang Muntah Biasa Bahaya Bahaya Biasa Banyak Positif
26 P Demam Sedang Muntah Biasa Bahaya Bahaya Sedang Banyak Positif
31 P Demam Sedang Muntah Sedang Biasa Biasa Biasa Banyak Positif
36 L Demam Tinggi Muntah Biasa Sedang Bahaya Bahaya Banyak Positif
41 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedikit Negatif
46 L Demam Tinggi Muntah Biasa Biasa Biasa Bahaya Banyak Positif
51 P Demam Sedang Muntah Sedang Biasa Biasa Biasa Sedikit Negatif
56 P Demam Tinggi Muntah Biasa Sedang Normal Biasa Sedikit Negatif
61 P Demam Sedang Muntah Biasa Bahaya Biasa Bahaya Banyak Positif
66 L Demam Sedang Muntah Sedang Biasa Biasa Biasa Sedang Positif
71 P Demam Tinggi Muntah Biasa Sedang Biasa Biasa Sedang Positif
76 P Demam Sedang Muntah Biasa Sedang Biasa Sedang Sedikit Negatif
81 P Demam Sedang Muntah Sedang Bahaya Bahaya Bahaya Banyak Positif
86 P Demam Sedang Muntah Sedang Biasa Biasa Biasa Sedang Negatif
91 P Demam Tinggi Muntah Biasa Biasa Bahaya Bahaya Banyak Positif
96 P Demam Tinggi Muntah Biasa Biasa Normal Sedang Banyak Positif
101 L Demam Tinggi Muntah Sedang Biasa Bahaya Sedang Banyak Positif
106 L Demam Sedang Muntah Biasa Sedang Biasa Sedang Banyak Positif
111 L Demam Tinggi Muntah Sedang Biasa Bahaya Bahaya Banyak Positif
116 L Demam Biasa Muntah Sedang Bahaya Bahaya Sedang Sedang Positif
121 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedang Negatif
126 P Demam Biasa Muntah Bahaya Sedang Biasa Sedang Sedikit Positif
131 P Demam Sedang Muntah Biasa Bahaya Biasa Bahaya Banyak Positif
136 L Demam Sedang Muntah Sedang Sedang Biasa Biasa Sedang Positif
141 P Demam Sedang Muntah Sedang Bahaya Biasa Biasa Banyak Positif
146 L Demam Biasa Muntah Bahaya Sedang Biasa Sedang Banyak Positif
151 L Demam Sedang Muntah Biasa Bahaya Biasa Bahaya Banyak Positif
156 L Demam Sedang Muntah Sedang Bahaya Bahaya Biasa Banyak Positif
161 L Demam Sedang Muntah Sedang Bahaya Biasa Sedang Sedang Positif
166 L Demam Tinggi Muntah Sedang Sedang Bahaya Sedang Banyak Positif
171 P Demam Sedang Muntah Sedang Bahaya Biasa Biasa Sedang Positif
176 P Demam Sedang Muntah Sedang Sedang Biasa Biasa Banyak Negatif
181 P Demam Biasa Muntah Bahaya Bahaya Biasa Sedang Banyak Positif
186 L Demam Sedang Muntah Biasa Bahaya Biasa Bahaya Sedang Positif
191 P Demam Sedang Muntah Sedang Biasa Bahaya Biasa Banyak Positif
196 L Demam Sedang Muntah Sedang Sedang Biasa Sedang Banyak Positif
201 P Demam Tinggi Muntah Sedang Bahaya Bahaya Sedang Sedang Positif
206 P Demam Sedang Muntah Sedang Bahaya Normal Bahaya Banyak Positif
211 P Demam Sedang Muntah Sedang Biasa Bahaya Biasa Banyak Positif
216 L Demam Sedang Muntah Biasa Sedang Normal Biasa Sedang Negatif
221 P Demam Sedang Muntah Sedang Bahaya Normal Biasa Banyak Negatif
 226 P Demam Sedang Muntah Biasa Biasa Bahaya Biasa Banyak Positif
231 P Demam Sedang Muntah Biasa Biasa Bahaya Sedang Banyak Positif
236 P Demam Sedang Muntah Sedang Bahaya Biasa Biasa Sedang Positif
241 P Demam Tinggi Muntah Biasa Bahaya Bahaya Bahaya Banyak Positif
246 P Demam Sedang Muntah Sedang Biasa Biasa Biasa Sedikit Negatif
251 P Demam Sedang Muntah Biasa Sedang Biasa Bahaya Banyak Positif
256 P Demam Sedang Muntah Sedang Bahaya Biasa Biasa Banyak Positif
261 P Demam Tinggi Muntah Biasa Biasa Biasa Biasa Sedang Positif
266 L Demam Sedang Muntah Biasa Biasa Biasa Sedang Banyak Positif

4. Testing Dengan Split Validation 0,7

4.1 Accuracy

4.2 Precision

4.3 Recall
4.4 AUC

5. Testing Dengan Split Validation 0,75

5.1 Accuracy

5.2 Precision
5.3 Recall

5.4 AUC

6. Testing Dengan Split Validation 0,85

6.1 Accuracy
6.2 Precision

6.3 Recall

6.4 AUC
7. Testing Dengan Split Validation 0,9

7.1 Accuracy

7.2 Precision

7.3 Recall
7.4 AUC