SKRIPSI
Disusun Oleh :
MOCH MUSLIH
311410579
SKRIPSI
MOCH MUSLIH
NIM : 311410579
Pembimbing I Pembimbing II
Mengetahui
i
PENGESAHAN
SKRIPSI
MOCH MUSLIH
NIM: 311410579
ii
SURAT PERNYATAAN KEASLIAN SKRIPSI
Moch Muslih
iii
LEMBAR PERNYATAAN PERSETUJUAN
PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS
Yang bertanda tangan di bawah ini, saya mahasiswa Kampus Pelita Bangsa :
Dibuat di Cikarang
Yang menyatakan
(Moch Muslih)
iv
ABSTRAK
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.
1. Ayah dan Ibu saya telah banyak memberikan dukungan maupun do'a kepada saya
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
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 2.8 Interface Rapidminer pada Data Mining Naive Bayes ....................... 43
x
DAFTAR TABEL
xi
BAB I
PENDAHULUAN
terjadi selama tahun 2017 yaitu sebanyak 485 kasus dan menjadi urutan ketiga
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-
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
adalah naïve bayes diikuti association rules, decision trees dan neural network.
1
2
Peneliti lainnya dilakukan oleh Iyer, Jeyalatha, dan Sumbaly (2015) 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
klasifikasinya, maka metode naïve bayes memiliki tingkat kesalahan yang yang
Rumah sakit Budi Asih merupakan sebuah badan usaha yang bergerak
terbatas yang bernama PT. Kyandra Jantera dan sudah mendapat izin dari
keberadaan Rumah Sakit Budi Asih ini adalah untuk memfasilitasi perusahaan -
dapat terjadi pada pasien dengan usia berapapun. Penyakit ini paling banyak
ditemui selama musim hujan dan setelah musim hujan di area tropis dan subtropis.
data mining akan memudahkan pasien untuk melihat hasil diagnosa dari gejala –
dalam dunia kesehatan yaitu Rumah Sakit untuk meningkatkan mutu pelayanan
kesehatan. Dimana nantinya pihak Rumah Sakit Budi Asih mampu mendiagnosa
Dengan adanya masalah tersebut serta ada solusi untuk mengatasi dan
Dengue.
Berdarah Dengue.
4
cukup banyak dan terdapat kesamaan gejala yang dimiliki penyakit lain.
Pasien yang terjangkit penyakit Demam Berdarah Dengue pada Rumah sakit
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?
penelitian ini, agar dalam pembahasan dilaporan penelitian dapat terarah dan
3. Banyak pasien yang terjangkit demam berdarah dengue, bahkan gejala yang
1. Membuat sistem yang mampu mendeteksi secara akurat dan cepat tentang
penyakit tersebut.
Jika tujuan tercapai adapun manfaat dari penulisan tugas akhir ini dibagi
a. Bagi Penulis
b. Bagi Institusi
6
Manfaat bagi institusi yaitu dengan adanya penerapan data mining ini dapat
(DBD) tersebut.
c. Bagi Instansi
peneliti selanjutnya untuk meneliti variable yang lain yang berkaitan dengan
LANDASAN TEORI
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
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.
Demam Berdarah Dengue yang dipengaruhi oleh gejala – gejala yang ada pada
7
8
ditemukan pada objek yang diteliti guna mencari alternatif solusi yang terkait
studi literatur dengan cara mempelajari teori dan pengetahuan dasar mengenai
semua yang berkaitan dengan penelitian ini agar dapat memahami dasar – dasar
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
Tahap keenam adalah hasil prediksi dari penerapan data mining dengan
serta saran.
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).
untuk di proses. Contohnya, bahan mentah, energy, data dan upaya manusia
perhitungan matematika.
mencapai suatu tujuan tertentu yang menggambarkan suatu kejadian – kejadian dan
kesatuan yang nyata adalah suatu objek nyata seperti tempat, benda dan orang –
prosedur – prosedur / bagan – bagan pengolahan yang mencari suatu tujuan bagian
atau tujuan bersama dengan mengoperasikan data pada waktu tertentu untuk
membedakan satu penyakit atau kondisi dari yang lainnya. Penilaian dapat
dilakukan melalui pemeriksaan fisik, tes laboratorium atau sejenisnya. Dan dapat
11
komputer agar dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para
ahli dan dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan
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).
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
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
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
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,
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
(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
2018).
merupakan test laboratorium yang paling umum dilakukan. HDL memeriksa jenis
sel dalam darah, termasuk sel darah merah (hemoglobin), sel darah putih (leukosit),
Data Mining merupakan istilah yang sering dikatakan sebagai suatu cara
dari sekumpulan data dalam jumlah yang banyak (Han, Jiawei dan Kamber, 2006)
menganalisis data dalam jumlah yang besar untuk menemukan pattern dan rule
Data mining digunakan untuk mencari informasi bisnis yang berharga dari
basis data yang sangat besar, yang dipakai untuk memprediksi trend dan sifat – sifat
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
data. Proses ini otomatis atau seringnya semi otomatis. Pola yang ditemukan harus
penuh arti dan pola tersebut memberikan keuntungan, biasanya keuntungan secara
data besar yang tersimpan di dalam basis data, gudang data, atau tempat
penyimpanan lainnya. Data mining merupakan proses yang tidak dapat dipisahkan
adalah salah satu dari tahap dalam proses KDD. (Han, Jiawei dan Kamber, 2006)
Menurut Larose (2005) tugas – tugas dalam data mining secara umum
a. Prediktif
Tujuan dari tugas prediktif adalah untuk memprediksi nilai dari atribut
tertentu berdasarkan pada nilai dari atribut – atribut lain. Atribut yang
b. Deskriptif
Tujuan dari tugas deskriptif adalah untuk menurunkan pola - pola (korelasi,
membedakan kelas – kelas atau konsep, dengan tujuan agar model yang
pada analisis dari training data (yaitu objek data yang memiliki label kelas
pengguna ingin memprediksi nilai – nilai data yang tidak tersedia atau
hilang (bukan label dari kelas). Dalam kasus ini biasanya nilai data yang
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
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
Analisis evolusi data menjelaskan dan memodelkan trend dari objek yang
memiliki perilaku yang berubah setiap waktu. Teknik ini dapat meliputi
data berukuran besar yang disimpan dalam basis data, data warehouse atau tempat
2005) arsitektur sistem data mining memiliki komponen – komponen utama yaitu :
17
b. Basis data dan data warehouse server. Komponen ini bertanggung jawab
analisis cluster.
dan sistem data mining. Melalui modul ini, pengguna berinteraksi dengan
eksplorasi data mining berdasarkan hasil data mining. Komponen ini juga
18
data warehouse atau struktur data, evaluasi pola yang diperoleh dan
oriented and object – relational databases, spatial databases, time – series data
and temporal data, text databases and multimedia databases, heterogeneous and
Merupakan kolekssi dari table. Setiap table berisi atribut (field) dan
kunci unik dan dideskripsikan oleh sekumpulan nilai atribut. Data relasional
dapat diakses oleh query basis data yang ditulis dalam bahasa query
b. Data Warehouse
warehouse. Fokus datamart adalah pada subjek yang dipilih dan dengan
Secara umum, basis data transaksional terdiri dari sebuah file dimana setiap
Istilah data mining dan knowledge discovery in databases (KDD) sering kali
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
1. Data Selection
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.
cleaning pada data yang menjadi focus KDD. Proses cleaning mencakup antara lain
20
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
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
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
Evaluasi
Pengetahuan
Data Mining
Merubah
Pola Data
Pemrosesan
..... Data yang diubah
.....
Pilihan
.......
Pre-pemrosesan
Data Target
Data
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
berkenaan dengan studi tentang “apa bersama apa”. Karena awalnya berasal
kebiasaan suatu produk dibeli bersama produk apa, maka aturan asosiasi
juga sebagai salah satu metode data mining yang menjadi dasar dari
b. Classification
c. Clustering
Termasuk metode yang sudah cukup dikenal dan banyak dipakai dalam data
mining. Sampai sekarang para ilmuwan dalam bidang data mining masih
/ objek ke dalam cluster (group) sehingga dalam setiap cluster akan berisi
data yang semirip mungkin. Dalam metode ini tidak diketahui sebelumnya
Berikut ini adalah 9 algoritma penggalian data yang paling sering digunakan
1. C4.5
2. K-Means
3. SVM
4. Apriori
5. PageRank
6. AdaBoost
7. KNN
8. Naïve Bayes
23
probabilitas dan statistic yang dikemukakan oleh ilmuwan Inggris Thomas Bayes.
target pasar, melihat pola beli pemakai dari waktu ke waktu, cross-market
(competition).
3. Telekomunikasi
Menerapkan data mining untuk melihat dari jutaan transaksi yang masuk dan
4. Keuangan
5. Asuransi
6. Olahraga
ketergantungan yang diberikan oleh nilai pada variable kelas. Naïve Bayes juga
yang dikemukakan oleh ilmuan inggris Thomas Bayes yaitu memprediksi peluang
Dengan kata lain, dalam naive bayes model yang digunakan adalah “model fitur
independen”.
secara kondisional saling bebas jika diberikan nilai output. Dengan kata lain
diberikan nilai output, probabilitas mengamati secara bersama adalah produk dari
ini hanya membutuhkan jumlah data pelatihan (Training Data) yang kecil untuk
Naïve Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata
Persamaan dari Teorema Bayes (aturan bayes) dapat dilihat dibawah ini :
P(X|H). P(H)
𝑃 (𝐻 | 𝑋) =
P(H)
Dimana :
probabilitas)
P(X) : Probabilitas H
objek data untuk memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang
tersedia. Dalam klasifikasi terdapat dua proses yang dilakukan yaitu dengan
tersebut untuk melakukan pengenalan atau klasifikasi atau prediksi pada suatu data
lain supaya diketahui di kelas mana objek data tersebut dimasukkan berdasarkan
set data dengan benar, namun tidak dapat dipungkiri bahwa kesalahan akan terjadi
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)
memasukkannya ke dalam kelas tertentu dari sejumlah kelas yang tersedia. Dalam
pada suatu objek data lain agar diketahui di kelas mana objek data tersebut
berdasarkan data latih yang ada, kemudian menggunakan model tersebut untuk
Model dalam klasifikasi mempunyai arti yang sama dengan kotak hitam,
dimana ada suatu model yang menerima masukan, kemudian mampu melakukan
gambar 2.3, pada gambar tersebut disediakan sejumlah data latih (x,y) untuk
untuk memprediksi kelas dari data uji (x,y) sehingga diketahui kelas y yang
data latih
Model yang sudah dibangun pada saat pelatihan kemudian dapat digunakan
untuk memprediksi label kelas baru yang belum diketahui. Dalam pembangunan
banyak algoritma pelatihan yang sudah dikembangkan oleh para peneliti seperti K-
29
Nearest Neighbor, Artificial Neural Network, Support Vector Machine dsb. Setiap
sama yaitu melakukan suatu pelatihan sehingga di akhir pelatihan model dapat
benar.
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
seperti berikut:
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
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
2. Klasifikasi Bayesian
Algoritma ini telah dibandingkan dengan decission tree dan selektif Neoral
akurasi yang tinggi dan cepat jika diterapkan pada database yang besar. Naïve
Bayes Classifier mengenali setiap atribut pada data set sebagai atribut yang
satu set input / output yang terhubung pada setiap koneksi memiliki weight.
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
memproses informasi secara parallel dan cepat, bahkan lebih cepat dari
Dengan analogi system kinerja otak tersebut, neural network terdiri dari unit
proses yang disebut neuron yang berisi penambah dan fungsi aktivasi, sejumlah
keluaran yang diberikan oleh neuron. Propagasi Balik mempelajari data dengan
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 akan dipelajari. Hal ini menjadi kelebihan SVM karena tidak semua data
latih akan dipandang untuk dilibatkan dalam setiap iterasi pelatihannya. Data
sebagai berikut :
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
penyakit. Data penyakit Kanker, Jantung, Diabetes, AIDS, dan TBC bersumber dari
website Kent Ridge Bio-medical Repository, yang mana data tersebut adalah data
Data penyakit tersebut memiliki ribuan atribut yang akan dibagi menjadi
dua data, yaitu data traning dan data testing selanjutnya dilakukan reduksi dengan
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).
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
pendonor darah.
Data pendonor akan dicari nilai mean, nilai standart deviasi, nilai densitas
Hasil dari sistem yang dibangun pada penelitian ini mempunyai akurasi kinerja
sistem sebesar 81,6% sehingga sistem ini dirasa dapat diterapkan pada PMI
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
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
akurasi sebesar 90%. (Yudo Juni Hardiko, Nurul Hidayat, Imam Cholissodin,
2018).
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.
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
dengan algoritma naive bayes dengan nilai accuracy 85.00%. (Ela Nurelasari,
2018).
35
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
(CKD). Dari hasil dengan perhitungan confusion matrix didapatkan akurasi sebesar
0,95 dan F1-score sebesar 0,958 untuk metode Naïve Bayes. Sedangkan
sebesar 0,986. Hal ini menunjukkan bahwa metode Naïve Bayes memiliki
kemampuan yang baik dalam menghadapi missing value dan algoritma AdaBoost
2016).
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
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
Perangkat lunak (Software) yang digunakan pada sistem usulan ini yaitu
menggunakan :
Rapidminer adalah aplikasi data mining yang tidak perlu dipertanyakan lagi
Tersedia sebagai aplikasi yang berdiri sendiri untuk analisis data dan
Gambar 2.8 Interface Rapidminer pada data mining naïve bayes classifier
b. Memori : 2 GB DDR3
37
d. Monitor : 16”
Confusion matrix merupakan salah satu metode yang dapat digunakan untuk
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,
Predicted class
Classification
Class = Yes Class = No
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
dapat mengklasifikasi data secara benar. Dengan kata lain, nilai akurasi merupakan
perbandingan antara data yang terklasifikasi benar dengan keseluruhan data. Nilai
data kategori positif yang diklasifikasikan secara benar dibagi dengan total data
itu, recall menunjukkan berapa persen data kategori positif yang terklasifikasikan
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
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
Selatan, Jawa Barat, merupakan pengembangan dari klinik yang sekarang menjadi
Rumah Sakit yang di pimpin oleh dr. Anton. Rumah Sakit Budi Asih merupakan
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
perusahaan yang berada di kawasan industri. Rumah Sakit Budi Asih terletak
diantara kawasan industri Hyundai, EJIP, Delta Silicon, Green Land dan beberapa
40
41
1. Metode Wawancara
2. Observasi
Merupakan salah satu metode pengumpulan data yang cukup efektif untuk
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)
ahli di bidang kesahatan dan cara penanganan dapat disimpulkan bahwa penyakit
Demam Berdarah Dengue dapat berakibat fatal jika tidak segera ditangani. Gejala
kepala, pusing dan sebagainya yang akan berakibat fatal apabila tidak segera
ditangani. Cara penanganannya dengan rawat inap di rumah sakit tertentu dan
agar penelitian yang dilakukan dapat berjalan dengan baik dan sistematis. Desain
penelitian. Dari definisi diatas maka dapat disimpulkan bahwa desain penelitian
sistem berjalan. Arus data pada sistem kerja dilihat pada gambar flowchart
(DBD)
43
Hanya beberapa gejala yang paling nampak yang digunakan dalam tabel keputusan
dibuat dalam bentuk tabel yang akan digunakan dalam pembuatan aturan – aturan
Dengue (DBD).
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.
Pada bagian ini analisa dilakukan terhadap data dan permasalahan yang
telah dirumuskan yang dapat menjawab permasalahan dan kendala yang ada.
Tahap ini dilakukan berdasarkan data yang diperoleh dari pakar kemudian data
b. Basis pengetahuan
Pada tahap ini dibangun basis pengetahuan berupa data gejala. Pada tahap ini
c. Mesin inferensi
45
Pada tahap ini dilakukan proses penggabungan banyak aturan berdasarkan data
yang tersedia dari pakar yang merujuk kepada table relasi untuk
maju).
d. Analisa fungsional
Modelling Language).
Dengan adanya analisa di atas, dapat diketahui kebutuhan sistem dengan meneliti
dari mana data berasal, bagaimana aliran data menuju sistem, bagaimana operasi
kombinasi nilai dari data set yang diberikan. Algoritma menggunakan Teorema
ketergantungan yang diberikan oleh nilai pada variable kelas. Naïve Bayes juga
yang dikemukakan oleh Thomas Bayes yaitu memprediksi peluang di masa depan
secara kondisonal saling bebas jika diberikan nilai output. Dengan kata lain
diberikan nilai output, probabilitas mengamati secara bersama adalah produk dari
46
ini hanya membutuhkan jumlah data pelatihan (Training Data) yang kecil untuk
Naïve Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata
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
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
Model
Training Developme
Classifier
Preposed
data
Testing
Model Prediction
Data
Assessme Accuration
sepuluh kali yang masing-masing proporsi pembagian datanya dapat dilihat tabel
Dari delapan kali percobaan yang dilakukan berdasarkan proporsi dari tabel 3.3
bab sebelumnya. Pada tahap ini metode yang digunakan dalam perhitungan tingkat
akurasi adalah algoritma naive bayes dengan melakukan pengujian akurasi data set
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 negatif 𝐶−
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
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
variabel mana saja yang dibutuhkan dalam perhitungan nantinya. Data yang
nantinya akan diolah dapat berupa angka maupun keterangan lainnya. Berikut ini
Metode yang akan digunakan dalam penelitian ini adalah algoritma naive
bayes. Dalam pemodelan ini algoritma naive bayes akan dicari Performance
Perhitungan dalam penelitian ini menggunakan 268 data training terdiri dari
9 atribut untuk menentukan sebuah class, dan 268 data training tersebut akan
merupakan data latih yang mementukan hasil dari data testing. Data training yang
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
interval sampling. Yaitu jumlah populasi (data training) dibagi 20% dari jumlah
data.
menjadi 5. Jadi interval data yang diambil adalah kelipatan 5. Adapun data training
serta data testing tersebut dapat dilihat pada tabel berikut ini.
52
mendapatkan hasil dari klasifikasi dari data yang sebelumnya sudah dipersiapkan.
Hasil perhitungan ini nantinya akan digunakan sebagai acuan untuk perhitungan
X = (Jenis Kelamin = ”L”, Suhu Badan = “Demam Sedang”, Mual Muntah = ”Mual
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
P(X | Ci * P(Ci)
Jadi untuk (Jenis Kelamin = ”L”, Suhu Badan = “Demam Sedang”, Mual Muntah
Dengue.
55
X = (Jenis Kelamin = ”L”, Suhu Badan = “Demam Sedang”, Mual Muntah = ”Mual
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
P(X | Ci * P(Ci)
Jadi untuk (Jenis Kelamin = ”L”, Suhu Badan = “Demam Sedang”, Mual Muntah
Dengue.
Uji coba ini dilakukan untuk mengetahui apakah perhitungan yang telah
Keterangan gambar 4.3 berisi tentang design model rapid miner yang
terdiri dari dua read excel, naïve bayes dan apply mode yang saling terkoneksi.
Dari keterangan gambar 4.4 hasil testing data pada nomor 1 dengan
klasifikasi (Jenis Kelamin = ”L”, Suhu Badan = “Demam Sedang”, Mual Muntah
Pusing = ”Bahaya”, Bintik Merah =”Banyak”) hasilnya “Positif” DBD. Dan hasil
testing pada nomor 11 dengan klasifikasi (Jenis Kelamin = ”L”, Suhu Badan =
bayes secara manual hasilnya sama dengan prediksi menggunakan Rapid Miner.
memberikan penilaian dari hasil penggunaan algoritma naive bayes saja dan naive
58
yang akan dievaluasi adalah presentase data, jumlah data training, jumlah data
testing dan nilai akurasi yang di hasilkan. Adapaun secara keseluruhan dapat dilihat
Berdarah Dengue dengan metode naive bayes dapat menghasilkan 2 class utama.
Hasil dari klasifikasi dari data pasien dengan menggunakan metode naive bayes
membagi 2 kelas klasifikasi yaitu class POSITIF dan class NEGATIF. Untuk nilai
Tabel distribusi hasil analisa dengan metode naive bayes terhadap tabel data
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
hampir sempurna. Atribut tersebut dapat mempengaruhi pola dari prediksi diagnosa
digunakan mengklasifikasi data pasien sebanyak 268 data pada penelitian ini
sehingga diperoleh nilai Accuracy, Precision dan Recall dengan menggunakan Split
data testing.
dapat diketahui akurasi hasil prediksi yaitu 90,74% dari hasil data pasien.
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
dikenali secara benar sebagai positif) dibagi dengan jumlah data dikenali sebagai
positif. Dari hasil pengujian nilai precision yaitu 91,67% untuk class Positif dan
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
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
dapat diketahui akurasi hasil prediksi yaitu 90,74% dari hasil data testing.
Hasil analisa antara data yang di tes dengan data training pada Rapidminer. Untuk
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%
Dengue menghasilkan tingkat akurasi sebesar 90,74% dan tingkat error 9,26%.
.
BAB V
5.1 Kesimpulan
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
5.2 Saran
asosiasi. Setiap metode diuji tingkat akurasinya baik dari akurasi metode pada
data mining itu sendiri maupun uji akurasi antara aktual dan prediksi.
64
DAFTAR PUSTAKA
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
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
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
4.1 Accuracy
4.2 Precision
4.3 Recall
4.4 AUC
5.1 Accuracy
5.2 Precision
5.3 Recall
5.4 AUC
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