SKRIPSI
M SANDY YUDHA
2017.11.0019
SKRIPSI
Oleh:
M SANDY YUDHA
2017.11.0019
2021
LEMBAR PENGESAHAN SKRIPSI
LEMBAR PERSETUJUAN DEWAN PENGUJI
SURAT KETERANGAN REVISI SKRIPSI
SURAT KETERANGAN SIAP SIDANG SKRIPSI
MOTTO DAN PERSEMBAHAN
“Allah Tidak Membebani Seseorang Melainkan Sesuai dengan Kesanggupannya”
(QS. Al-Baqorah:268)
Secara umum, kelahiran bayi yang normal mempunyai rentang waktu 38 sampai 42
minggu. Namun, masih banyak bayi yang lahir kurang dari 37 minggu atau biasa
disebut dengan premature. Persalinan premature adalah persalinan yang terjadi
dalam masa kehamilan antara 20-37 minggu. Persalinan premature ini disebabkan
anemia, virus, tekanan darah dan usia ibu hamil yang masih sangat muda atau di
bawah umur. Tidak hanya ada persalinan premature, ada juga persalinan
postmature atau postdate yang lahir lebih dari 42 minggu biasanya diakibatkan
panggul ibu hamil yang sempit, lilitan tali pusar, letak lintang dan letak bokong
pada ibu hamil. Pada penelitian kasus kelahiran ini, digunakan sebuah penelitian
untuk menentukan status kelahiran pada bayi berdasarkan gejala yang dialami pada
ibu hamil. Sistem yang akan di bangun menggunakan bahasa pemrograman PHP
dan MYSQL sebagai database. Proses perhitungan ini menggunakan metode
Classification and Regression Tree berdasarkan kriteria yang telah ditentukan.
Sistem yang akan dibangun pada penelitian ini, akan menampilkan proses mining
berdasarkan data yang telah diinput sebelumnya. Sehingga dapat menghasilkan
klasifikasi dalam prediksi status kelahiran apakah lahir secara premature, normal,
atau postdate. Dan hasil ini dapat mengantisipasi sejak dini agar tidak menimbul
kejadian yang tidak diinginkan hingga menimbulkan kematian. Aplikasi yang
dibangun dengan menerapkan metode Classification and Regression Tree
menghasilkan tingkat akurasi 96%, tingkat recall 100% dan tingkat precision 100%
yang berarti metode ini sangat cocok untuk menentukan status kelahiran.
Kata Kunci: Persalinan, Classification and Regression Tree.
viii
ABSTRACT
In general, the birth of a normal baby has a time span of 38 to 42 weeks. However,
there are still many babies born less than 37 weeks or commonly referred to as
premature. Premature delivery is delivery that occurs during the gestation period
between 20-37 weeks. Premature labor is caused by anemia, viruses, blood pressure
and the age of pregnant women who are very young or underage. Not only preterm
labor, there are also postmature or postdate deliveries that are born more than 42
weeks usually due to the narrow pelvis of pregnant women, umbilical cord
entanglement, latitude and location of the buttocks in pregnant women. In this birth
case study, a study was used to determine the birth status of the baby based on the
symptoms experienced by pregnant women. The system that will be built uses the
PHP and MYSQL programming languages as the database. This calculation process
uses the Classification and Regression Tree method based on predetermined
criteria. The system that will be built in this research will display the mining process
based on the data that has been inputted previously. So that it can produce a
classification in predicting birth status whether born prematurely, normal, or
postdate. And these results can anticipate early on so as not to cause unwanted
events to cause death. Applications built by applying the Classification and
Regression Tree method produce an accuracy rate of 96%, a recall rate of 100%
and a precision level of 100%, which means that this method is very suitable for
determining birth status.
Keywords: Labor, Classification and Regression Tree.
ix
KATA PENGANTAR
x
Penulis menyadari bahwa penyusunan skripsi ini masih memiliki banyak
kekurangan, karenanya Penulis mengharapkan saran dan kritik yang sifatnya
membangun agar dapat digunakan demi perbaikan skripsi ini nantinya. Penulis juga
berharap agar skripsi ini akan memberikan banyak manfaat bagi semua pihak yang
memerlukannya.
M Sandy Yudha
NPM: 2017110019
xi
DAFTAR ISI
HALAMAN JUDUL LUAR
HALAMAN JUDUL DALAM
LEMBAR PENGESAHAN SKRIPSI
LEMBAR PERSETUJUAN DEWAN PENGUJI
SURAT KETERANGAN REVISI SKRIPSI
SURAT KETERANGAN SIAP SIDANG SKRIPSI
MOTTO DAN PERSEMBAHAN
ABSTRAK .......................................................................................................... viii
ABSTRACT .......................................................................................................... ix
KATA PENGANTAR ........................................................................................... x
DAFTAR ISI ........................................................................................................ xii
DAFTAR GAMBAR ........................................................................................... xv
DAFTAR TABEL .............................................................................................. xvi
DAFTAR LAMPIRAN .................................................................................... xviii
BAB 1 PENDAHULUAN ..................................................................................... 1
1.1 Latar Belakang ......................................................................................... 1
1.2 Perumusan Masalah .................................................................................. 3
1.3 Batasan Masalah ....................................................................................... 3
1.4 Tujuan Dan Manfaat Penelitian ................................................................ 3
1.4.1 Tujuan ............................................................................................... 3
1.4.2 Manfaat ............................................................................................. 3
1.5 Sistematika Penulisan ............................................................................... 3
BAB 2 LANDASAN TEORI ................................................................................ 5
2.1 Persalinan ................................................................................................. 5
2.1.1 Premature.......................................................................................... 5
2.1.2 Postdate ............................................................................................. 6
2.2 Klasifikasi ................................................................................................. 6
2.3 Data Mining ............................................................................................. 7
2.4 Classification and Regression Tree (CART) ........................................... 8
2.5 PHP ......................................................................................................... 11
2.6 XAMPP .................................................................................................. 11
xii
2.7 My SQL .................................................................................................. 12
2.8 Metode Pengembangan Waterfall .......................................................... 13
2.9 UML (Unified Modeling Language) ...................................................... 16
2.9.1 Use Case Diagram .......................................................................... 16
2.9.2 Activity Diagram ............................................................................. 17
2.9.3 Class Diagram ................................................................................ 19
2.9.4 Sequence Diagram .......................................................................... 20
2.10 Pengujian Perangkat Lunak ................................................................ 21
2.11 Black-box Testing ............................................................................... 22
2.12 Tingkat Akurasi .................................................................................. 23
2.13 Confusion Matrix ................................................................................ 23
2.14 Penelitian Terdahulu ........................................................................... 24
BAB 3 METODE PENELITIAN ....................................................................... 28
3.1 Waktu dan Tempat Penelitian ................................................................ 28
3.2 Metode Pengumpulan Data .................................................................... 28
3.2.1 Data Primer ..................................................................................... 28
3.2.2 Data Sekunder ................................................................................. 29
3.3 Metode Rekayasa Perangkat Lunak ....................................................... 29
3.3.1 Analisis Kebutuhan Sistem ............................................................. 29
3.3.2 Kebutuhan Fungsional .................................................................... 29
3.3.3 Kebutuhan Non Fungsional............................................................. 29
3.3.4 Spesifikasi Perangkat Keras (Hardware) ........................................ 30
3.3.5 Spesifikasi Perangkat Lunak (Software) ......................................... 30
3.3.6 Desain Sistem .................................................................................. 30
3.3.7 Perancangan Database ..................................................................... 35
3.3.8 Tampilan Antarmuka ...................................................................... 36
3.4 Contoh Penerapan Metode CART .......................................................... 38
BAB 4 HASIL DAN PEMBAHASAN ............................................................... 53
4.1 Implementasi .......................................................................................... 53
4.1.1 Hasil Implementasi.......................................................................... 53
4.2 Pengujian ................................................................................................ 55
4.2.1 Tujuan Pengujian ............................................................................ 55
xiii
4.2.2 Pengujian Sistem ............................................................................. 55
4.2.3 Pengujian Tingkat Akurasi Classification and Regression Tree .... 63
BAB 5 PENUTUP................................................................................................ 66
5.1 Kesimpulan ............................................................................................. 66
5.2 Saran ....................................................................................................... 66
xiv
DAFTAR GAMBAR
xv
DAFTAR TABEL
xvi
Tabel 4.5 Pengujian Halaman Mengelola Data Pasien Responden 2 ............... 59
Tabel 4.6 Pengujian Halaman Proses Mining Responden 2 ............................. 60
Tabel 4.7 Pengujian Halaman Form Login Responden 3 ................................. 61
Tabel 4.8 Pengujian Halaman Mengelola Data Pasien Responden 3 ............... 61
Tabel 4.9 Pengujian Halaman Proses Mining Responden 3 ............................. 63
Tabel 4.10 Hasil Classification and Regression Tree ....................................... 63
Tabel 4.11 Hasil Akurasi Classification and Regression Tree ......................... 64
xvii
DAFTAR LAMPIRAN
xviii
BAB 1
PENDAHULUAN
1
pertumbuhan yang lambat. Kelahiran postmature/postdate biasanya terjadi pada
kelahiran anak pertama (Indraswari & Kurniawan, 2018).
Berdasarkan permasalahan tersebut maka dirasa perlu untuk memprediksi
usia kelahiran berdasarkan faktor-faktor yang sedang dialami oleh ibu hamil ini
guna mencegah kematian pada bayi akibat lahir secara premature atau postdate.
Salah satu metode yang dapat digunakan untuk mengklasifikasi adalah
menggunakan Metode Classification and Regression Tree (CART). Metode
Classification and Regression Tree (CART) adalah metode atau algoritma dari
teknik pohon keputusan atau Metode CART ini adalah suatu metode statistic
nonparametrik yang dapat menggambarkan hubungan antara variabel respon
(variabel dependen) dengan satu atau lebih variabel prediktor (variabel
independen). Metode CART terdiri dari dua metode yaitu regression dan pohon
klasifikasi. Metode CART menghasilkan pohon klasifikasi (classification trees)
jika variabel dependen memiliki tipe kategorik. Sedangkan metode CART yang
menghasilkan pohon regresi (regression trees) jika variabel dependen memiliki tipe
kontinu atau numerik. Adapun kelebihan dari metode CART ini diantaranya metode
ini bersifat non parametrik sehingga tidak memerlukan asumsi yang mengikat
contoh asumsi distribusi normal untuk variabel predictor, kemudian mampu
mengidentifikasi interaksi antar variabel prediktor yang berpengaruh secara lokal
akibat diterapkannya pengambilan keputusan secara bertahap dalam himpunan-
himpunan bagian data pengukuran yang kompleks, lalu metode ini memberikan
kemudahan dalam interpretasi hasil. Penelitian ini akan mengklasifikasikan usia
kelahiran berdasarkan 3 kategori yaitu premature, normal dan postdate.
Berdasarkan permasalahan di atas, penelitian ini akan menggunakan
metode Classification and Regression Tree (CART). Alasan penulis menggunakan
metode Classification and Regression Tree (CART) ini adalah metode ini terdiri
dari dua metode yaitu regression dan pohon klasifikasi. Pada penelitian ini, variabel
dependen berskala kategorik, sehingga metode ini menggunakan metode dari
klasifikasi pohon.
2
1.2 Perumusan Masalah
Berdasarkan permasalahan yang telah diuraikan pada latar belakang, maka
perumusan masalah yang dibahas ini yaitu:
Bagaimana mengklasifikasikan status kelahiran berdasarkan 3 kategori yaitu
premature, normal dan postdate berdasarkan Penerapan metode Classification and
Regression Tree (CART) untuk mengklasifikasi status kelahiran.
1.4.1 Tujuan
Tujuan dalam penelitian ini adalah Penerapan metode Classification and
Regression Tree (CART) untuk menentukan klasifikasi status kelahiran
berdasarkan klasifikasi yang digunakan yaitu premature, normal atau postdate.
1.4.2 Manfaat
Manfaat dalam penelitian ini adalah menghasilkan klasifikasi dalam
prediksi status kelahiran apakah lahir secara premature, normal, atau postdate. Dan
hasil ini dapat mengantisipasi sejak dini agar tidak menimbul kejadian yang tidak
diinginkan hingga menimbulkan kematian.
3
BAB 1 PENDAHULUAN
Berisi tentang latar belakang, perumusan masalah, batasan masalah, tujuan dan
manfaat penelitian, dan sistematika penulisan.
BAB 5 KESIMPULAN
Berisi tentang penjelasan kesimpulan dan saran.
4
BAB 2
LANDASAN TEORI
2.1 Persalinan
Persalinan adalah proses pengeluaran hasil konsepsi (janin dan uri) yang
telah cukup bulan atau dapat hidup di luar. Proses persalinan selalu dibarengi
dengan timbulnya rasa nyeri yang teramat sangat. Nyeri pada persalinan kala I
merupakan proses fisiologis yang disebabkan oleh proses dilatasi servik, hipoksia
otot uterus saat kontraksi, iskemia korpus uteri dan peregangan segmen bawah
rahim dan kompresi saraf di servik (Bandiyah, 2009).
Terjadinya persalinan normal bukan berarti tidak ada permasalahan dalam
persalinan, tetapi melainkan banyak kemungkinan hal yang bisa terjadi dimana
dinamakan dengan komplikasi pada saat persalinan. Komplikasi persalinan adalah
kondisi dimana ibu dan janinnya terancam yang disebabkan oleh gangguan
langsung saat persalinan serta menjadi salah satu penyebab terjadinya kematian ibu
bersalin maupun janinnya. Adapun beberapa komplikasi yang terjadi pada saat
persalinan di antaranya Ketuban pecah dini (KPD), persalinan preterm, kehamilan
postmatur, malposisi dan malpresentasi, pre-eklampsia dan eklampsia, kehamilan
kembar (gemelli), dan distosia bahu. Hal ini dapat menyebabkan tingginya Angka
Kematian Ibu (AKI) dan Angka Kematian Bayi (AKB) pada saat persalinan (Indah
et al., 2019).
2.1.1 Premature
Persalinan premature merupakan persalinan yang terjadi pada kehamilan
kurang dari 37 minggu (antara 20-37 minggu) atau dengan berat janin kurang dari
2500 gram. Persalinan premature merupakan hal yang berbahaya karena potensial
meningkatkan kematian perinatal sebesar 65%-75%, umumnya berkaitan dengan
berat badan lahir rendah. Berat lahir rendah dapat disebabkan oleh kelahiran
premature dan pertumbuhan janin yang terhambat. Keduanya sebaiknya dicegah
karena dampaknya yang negatif tidak hanya kematian mental dan beban ekonomi
5
bagi keluarga dan bangsa secara keseluruhan. Pada kebanyakan kasus, penyebab
pasti persalinan premature tidak diketahui (Norma & Nita, 2013).
Anak yang terlahir premature memiliki resiko yang lebih tinggi terhadap
retardasi mental. Retardasi Mental (RM) atau biasa disebut dengan keterbelakangan
mental atau disabilitas intelektual (DI) adalah suatu kelainan mental dimana tingkat
kecerdasan berasa dibawah rata-rata orang normal lainnya (umumnya IQ kurang
dari 70) dan gangguan dalam keteranpilan adaptif yang terjadi sebelum anak berusia
18 tahun (Kurniawan & Dwiyatmika, 2013).
2.1.2 Postdate
Persalinan postdate adalah persalinan yang terjadi pada usia kehamilan
yang bisa dikatakan lewat bulan atau melebihi hari prediksi lahir yang dan
berlangsung lebih dari 42 minggu atau 294 hari dalam rahim, dapat dihitung dari
hari pertama pada haid terakhir. Postdate dalam istilah lain dapat disebut postterm
(Indahsari & Kurniawan, 2019).
Kelahiran postmature/postdate juga menimbulkan masalah yang cukup
serius, diantaranya air ketuban yang semakin sedikit, fetal distress atau gawat janin,
makrosomia atau bayi dengan berat badan lebih, fetal death atau janin meninggal
dalam kandungan, bayi kekurangan nutrisi dan oksigen, dan lain lain. Kelahiran
postmature/postdate menyebabkan bayi yang lahir memiliki tingkat pertumbuhan
yang lambat. Kelahiran postmature/postdate biasanya terjadi pada kelahiran anak
pertama (Indraswari & Kurniawan, 2018).
2.2 Klasifikasi
Klasifikasi adalah suatu kegiatan mengelempokkan. Dimana klasifikasi
sangat dibutuhkan dalam perpustakaan, karena klasifikasi bertujuan untuk
mengelompokkan satu koleksi yang sejenis, yang pengelompokkannya berdasarkan
judul, pengarang, dan lain sebagainya (Lestari, 2016).
Klasifikasi adalah proses dari mencari suatu himpunan model (fungsi)
yang dapat mendeskripsikan dan membedakan kelas-kelas data atau konsep-
6
konsep, dengan tujuan dapat menggunakan model tersebut untuk memprediksi
kelas dari suatu objek yang mana kelasnya belum diketahui (Rani, 2016).
7
Menurut (Han & Kamber, 2006) tahapan-tahapan data mining sebagai
berikut :
1. Pembersihan Data (Data Cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data
yang tidak konsisten atau data yang tidak relevan.
2. Integrasi Data (Data Integration)
Integrasi data merupakan proses penggabungan data dari berbagai
database kedalam suatu database baru.
3. Seleksi Data (Selection Data)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh
karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari
database.
4. Transformasi Data (Transformation Data)
Data diubah atau digabung ke dalam format yang sesuai untuk diproses
dalam data mining.
5. Proses Mining
Merupakan suatu proses utama saat metode diterapkan untuk
menemukan pengetahuan berharga dan tersembunyi dari data.
6. Evaluasi Pola (Pattern Evaluation)
Untuk mengidentifikasi pola-pola menarik ke dalam knowledge based
yang ditemukan.
7. Presentasi pengetahuan (Knowledge Presentation)
Merupakan visualisasi dan penyajian pengetahuan mengenai metode
yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna.
8
metode yang digunakan adalah metode klasifikasi pohon (classification tree) yang
akan menghasilkan pohon klasifikasi (Fobia & Setyawan, 2020).
Apabila variabel respon berbentuk kontinu maka metode yang digunakan
adalah metode regresi pohon (regression trees), sedangkan apabila variabel respon
memiliki skala kategorik maka metode yang digunakan adalah metode klasifikasi
pohon (classification trees). Variabel respon dalam penelitian ini berskala
kategorik, sehingga metode yang akan digunakan adalah metode klasifikasi pohon
(Breiman et al., 1993).
Menurut Steinberg (2009) tahapan-tahapan penerapan Metode
Classification and Regression Tree (CART) terdapat 6 tahapan yaitu:
1. Mempersiapkan root dan kandidat cabang.
Tahap pertama, menjelaskan menyiapkan data sampel, dan pembentukan
cabang baru jika kandidat cabang belum bersifat rekursif.
2. Menghitung tingkat impurity pada keseluruhan record.
Tahap kedua, menghitung data sampel secara keseluruhan dengan
menggunakan rumus pada persamaan 2.1
𝑇𝑜𝑡𝑎𝑙 𝐴𝑡𝑟𝑖𝑏𝑢𝑡 (1) 2 𝑇𝑜𝑡𝑎𝑙 𝐴𝑡𝑟𝑖𝑏𝑢𝑡 (2) 2
𝐺𝑖𝑛𝑖 = 1 − (𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎) − (𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎) … 𝑛 (2.1)
9
pure, kandidat dengan nilai impurity tertinggi (nilai Gain tertinggi) menjadi
node / atribut pembentuk cabang terbaru,.
5. Menentukan komponen pada cabang anak kiri dan kanan
6. Lakukan langkah 1 sd 4 hingga semua data cabang bersifat pure atau mendekati
pure.
Peneliti akan menjelaskan atribut-atribut yang di dapatkan dalam
penjelasan ini merupakan hasil wawancara peneliti dengan bidan di Puskesmas 11
Ilir Palembang. Atribut yang digunakan dalam penjabaran terdiri dari Usia Ibu,
Tekanan Darah, Riwayat Abortus, Nutrisi, Masalah saat kehamilan dan Usia
Kelahiran pada Ibu Hamil. Status Kelahiran ini merupakan label dari setiap record.
Value dari setiap atribut dapat dilihat pada tabel 2.1
Tabel 2.1 Variabel dan Atribut
Variabel Atribut Keterangan
a. Muda ( < 20 Tahun )
X1 Usia Ibu b. Cukup ( 20-35 Tahun )
c. Tua ( > 35 Tahun )
a. Rendah ( < 90/60 mmHg )
X2 Tekanan Darah b. Normal ( 90/70 mmHg – 120/80 mmHg)
c. Tinggi ( > 140/90 mmHg)
Ya
X3 Riwayat Abortus
Tidak
KEK = Kekurangan Energi Kronik ( < 23,5
SG LILA (Lingkar
X4 cm)
Lengan Atas)
Normal ( 23,5 cm )
a. Anemia
b. Virus
c. Letak Bokong
X5 Masalah saat d. Letak Lintang
kehamilan e. Lilitan pada tali pusar
f. Panggul Sempit (CPD)
10
g. Tidak Ada
a. Premature
Y Status Kelahiran b. Normal
c. Postdate
Sumber: Puskesmas 11 Ilir Palembang
2.5 PHP
PHP merupakan bahasa berbentuk script yang ditempatkan didalam server
baru kemudian diproses. Kemudian hasil pemrosesan dikirim kepada web browser
klien. Bahasa pemrograman ini dirancang khusus untuk membentuk web dinamis.
Artinya, pemrograman PHP dapat membentuk suatu tampilan berdasarkan
permintaan terkini, misalnya halaman yang menampilkan daftar tamu. Halaman
tersebut akan selalu mengalami perubahan mengikuti jumlah data tamu yang telah
mengisi buku tamu (Wibowo, 2007).
Sedangkan menurut Suhartanto (2012) PHP diciptakan pertama kali oleh
Rasmus Lerdrof pada tahun 1994. Awalnya, PHP digunakan untuk mencatat jumlah
serta untuk mengetahui siapa saja pengunjung homepage-nya. Rasmus Lerdrof
adalah seorang pendukung open source. Oleh karena itu, ia mengeluarkan Personal
Home Page Tools versi 1.0 secara gratis, kemudian menambah kemampuan PHP
1.0 dan meluncurkan PHP 2.0. Pada tahun 1996, telah banyak digunakan dalam
website di dunia. Sebuah kelompok pengembang software yang terdiri dari Rasmus,
Zeew Suraski, Andi Gutman, Stig Bakken, Shane Caraveo, dan Jim Wistead bekerja
sama untuk menyempurnakan PHP 2.0. Akhirnya, pada tahun 1998, PHP 3.0
diluncurkan. Penyempurnaan terus dilakukan sehingga pada tahun 2000
dikeluarkan PHP 4.0. Tidak sampai disitu, kemampuan PHP terus ditambah, dan
saat ini versi terbaru yang telah dikeluarkan adalah PHP 5.0.x.
2.6 XAMPP
XAMPP adalah sebuah software yang berfungsi untuk menjalankan
website berbasis PHP dan menggunakan pengolah data MYSQL di komputer lokal.
XAMPP berperan sebagai server web pada komputer lokal. XAMPP juga dapat
11
disebut sebuah server virtual, yang dapat membantu melakukan preview sehingga
dapat dimodifikasi website tanpa harus online atau terakses dengan internet
(Wicaksono, 2008).
XAMPP di artikan sebagai software web apache yang terdapat database
MySQL dan PHP Programming. XAMPP merupakan software yang mudah
digunakan, gratis dan mendukung instalasi di linux dan windows. Keuntungannya
hanya menginstall sekali yang sudah tersedia di dalam web apache, database
MySQL, dan PHP programming (PHP 4 dan PHP 5). Hanya bedanya kalau yang
versi untuk windows sudah dalam bentuk instalasi grafis dan yang Linux dalam
bentuk file terkompresi tar.gz. Versi windows ini memiliki kelebihan tersendiri
antara lain yaitu mempunyai fitur yang dapat mengaktifkan sebuah server secara
free, dan jika di bandingkan dengan linux sangat jauh sekali karena linux masih
berupa perintah-perintah di console. Oleh karena itu yang versi untuk linux sulit
untuk dioperasikan. Dulu XAMPP untuk linux dinamakan LAMPP, sekarang
berganti nama menjadi XAMPP for Linux (Dhika et al., 2019).
12
disebut DBMS yang multithread, multi-user, dengan sekitar 6 juta instalasi di
seluruh dunia. Dalam membuatkan MySQL yang tersedia di dalam perangkat lunak
yang terletak di GPL atau yang biasa di sebut dengan General Public License. Dan
tetapi MySQL ini dapat menjual dibawah komersial dalam kasus pengguna bagi
yang tidak sama cocok dengan penggunaan General Public License (Dhika et al.,
2019).
MySQL merupakan software RDMS (atau server database) yang dapat
mengelola database dengan sangat cepat, dapat menampung data dalam jumlah
sangat besar, dapat diakses oleh banyak user (multi-user), dan dapat melakukan
suatu proses secara sinkron atau berbarengan (multi- threaded) (Raharjo, 2011).
Sedangkan menurut Andi (2014) pada perkembangannya, MySQL disebut
juga SQL yang merupakan singkatan dari Structured Query Language. SQL
merupakan bahasa terstruktur yang khusus digunakan untuk mengolah database.
SQL pertama kali didefinisikan oleh American National Standards Institute (ANSI)
pada tahun 1986. MySQL adalah sebuah sistem manajemen database yang
setbersifat open source. MySQL merupakan sistem manajemen database yang
bersifat relational. Artinya, data yang dikelola dalam database yang akan
diletakkan pada beberapa tabel yang terpisah sehingga manipulasi data akan jauh
lebih cepat. MySQL dapat digunakan untuk mengelola database mulai dari yang
kecil sampai dengan yang sangat besar.
13
dihasilkan. Dapat dilihat pada gambar 2.3 adalah tahapan pengembangan pada
metode Waterfall.
1. Requirement
Tahap ini pengembang sistem diperlukan komunikasi yang bertujuan
untuk memahami perangkat lunak yang diharapkan oleh pengguna dan batasan
perangkat lunak tersebut. Informasi dapat diperoleh melalui wawancara, diskusi
atau survei langsung. Informasi dianalisis untuk mendapatkan data yang dibutuhkan
oleh pengguna.
2. Design
Pada tahap ini, pengembang membuat desain sistem yang dapat membantu
menentukan perangkat keras (hardware) dan sistem persyaratan dan juga
membantu dalam mendefinisikan arsitektur sistem secara keseluruhan.
3. Implementation
Pada tahap ini, sistem pertama kali dikembangkan di program kecil yang
disebut unit, yang terintegrasi dalam tahap selanjutnya. Setiap unit dikembangkan
dan diuji untuk fungsionalitas yang disebut sebagai unit testing.
4. Verification
14
Pada tahap ini, sistem dilakukan verifikasi dan pengujian apakah sistem
sepenuhnya atau sebagian memenuhi persyaratan sistem, pengujian dapat
dikategorikan ke dalam unit testing (dilakukan pada modul tertentu kode), sistem
pengujian (untuk melihat bagaimana sistem bereaksi ketika semua modul yang
terintegrasi) dan penerimaan pengujian (dilakukan dengan atau nama pelanggan
untuk melihat apakah semua kebutuhan pelanggan puas).
5. Maintenance
Ini adalah tahap akhir dari metode waterfall. Perangkat lunak yang sudah
jadi dijalankan serta dilakukan pemeliharaan. Pemeliharaan termasuk dalam
memperbaiki kesalahan yang tidak ditemukan pada langkah sebelumnya.
15
2.9 UML (Unified Modeling Language)
Menurut Gata & Gata (2013) Unified Modeling Language (UML) adalah
bahasa spesifikasi standar yang dipergunakan untuk mendokumentasikan,
menspesifikasikan dan membanngun perangkat lunak. UML merupakan
metodologi dalam mengembangkan sistem berorientasi objek dan juga merupakan
alat untuk mendukung pengembangan sistem.
Penelitian ini, penulis menggunakan diagram-diagram diantaranya Use
Case Diagram, Activity Diagram, Class Diagram dan Sequence Diagram.
16
bahwa aktor berinteraksi dengan Use Case, tetapi
tidak memiliki kontrol terhadap use case.
Asosiasi antara aktor dan use case, digambarkan
dengan garis tanpa panah yang mengindikasikan
siapa atau apa yang meminta interaksi secara
langsung dan bukannya mengindikasikan data.
Extend, merupakan perluasan dari use case lain
<<extend>>
jika kondisi atau syarat terpenuhi.
Asosiasi antara aktor dan use case yang
menggunakan panah terbuka untuk
mengindikasikan bila aktor berinteraksi secara
pasif dengan sistem.
Include, merupakan di dalam use case lain
(required) atau pemanggilan use case oleh use
<<include>>
case lain, contohnya adalah pemanggilan sebuah
fungsi program.
Sumber: (Gata & Gata, 2013)
17
End Point, akhir aktivitas.
18
Title
19
directed kelas yang lain, asosiasi biasanya
association
juga disertai dengan multiplicity.
Relasi antarkelas dengan makna
20
yang membentuk gambaran awal sistem dan
menjadi landasan untuk menyusun basis data.
Boundary Class, berisi kumpulan kelas yang
menjadi interfaces atau interaksi antara satu atau
lebih aktor dengan sistem, seperti tampilan form
entry dan form cetak.
Control Class, suatu objek yang berisi logika
aplikasi yang tidak memiliki tanggung jawab
kepada entitas, contohnya adalah kalkulasi dan
aturan bisnis yang melibatkan berbagai objek.
21
menemukan kesalahan, kesuksesan pengujian adalah kemampuan dalam
menemukan kesalahan yang belum pernah ditemukan sebelumnya, dan kasus uji
yang baik adalah sebuah kasus uji yang mempunyai probabilitas tinggi untuk
menemukan kesalahan yang belum pernah ditemukan sebelumnya.
Pengujian perangkat lunak adalah proses menjalankan dan mengevaluasi
sebuah perangkat lunak secara manual maupun otomatis untuk menguji apakah
perangkat lunak sudah memenuhi persyaratan atau belum (Clune & Rood, 2011)
dan (Nakagawa & Maldonado, 2011).
22
3. Programmer dan tester keduanya saling bergantung satu sama lain.
TP (True Positive) : Jumlah data dengan nilai sebenarnya positif dan nilai
prediksi positif
FP (False Positive) : Jumlah data dengan nilai sebenarnya negatif dan nilai
23
prediksi positif
FN (False Negative) : Jumlah data dengan nilai sebenarnya positif dan nilai
prediksi negatif
TN (True Negative) : Jumlah data dengan nilai sebenarnya negatif dan nilai
prediksi negatif
24
Tree) di Provinsi Jenis Kelamin,
Sulawesi Utara Pendidikan terakhir,
Usia, Status dalam
Rumah
Tangga, dan Status
Perkawinan. Metode
CART pada penelitian
ini memiliki ketepatan
klasifikasi 78,90%
3 (Siregar et al., Pemanfaatan 2017 Metode Cart yang
2017) Algoritma digunakan sangat efektif
Classification And digunakan perusahaan
Regression Tress untuk memprediksi
(Cart) Untuk omset perusahaan.
Memprediksi Berdasarkan data pada
Omset Spanduk CV. Moeha Advertising
Pada Cv.Moeha yang di jadikan data
Advertising training, metode Cart
berhasil
mengklasifikasikan data
yang diuji dengan
menggunakan aplikasi
weka dengan persentase
keakuratan sebesar
95%.
4 (Hariati et al., Penerapan 2018 Dari hasil penelitian
2018) Algoritma CART diperoleh hasil bahwa
Decision Tree akurasi terbaik ada pada
pada Penentuan rasio data training
Penerima sebesar 85%
25
Program Bantuan menggunakan 105 data
Pemerintah dengan nilai akurasi
Daerah sebesar 98,18%. Data
Kabupaten Kutai yang digunakan sangat
Kartanegara mempengaruhi tingkat
akurasi, hal ini bisa
dilihat ketika dilakukan
percobaan dari 55%,
65%, 75%, 85%
mengalami kenaikan
akurasi, namun ketika
berada pada 95% data
training, akurasi
mengalami penurunan
menjadi 97,35%. Hal ini
sebanding dengan
keadaan kurva ROC
yang memiliki nilai
keakurasian AUC
sebesar 0,500 dan
termasuk dalam Failure
Classification.
26
5 (Fobia & Perbandingan 2020 Metode CART
Setyawan, 2020) Metode memprediksi bahwa
Classification wanita yang bekerja
And Regression adalah wanita dengan
Tree (Cart) Dan umur 15-64 tahun dan
Metode Regresi memiliki status
Logistik Biner perkawinan menikah
Dalam atau cerai. Sedangkan
Mengklasifikasi wanita yang diprediksi
Status Wanita tidak bekerja adalah
Bekerja Di Kota wanita yang berusia
Kupang lebih dari 64 tahun dan
wanita yang belum
menikah. Presentase
ketepatan klasifikasi
sebesar 65,2%.
27
BAB 3
METODE PENELITIAN
2. Wawancara
Wawancara merupakan pengumpulan data dengan melakukan tatap
muka atau tanya jawab dengan pihak bersangkutan yaitu bidan Tria Agustina
yang mengerti tentang proses persalinan.
28
3.2.2 Data Sekunder
Data sekunder yang digunakan dalam penelitian ini merupakan data rekap
hasil persalinan yang di dapat dari Puskesmas 11 Ilir Palembang, data rekapan
digunakan sebanyak 200 data.
29
3.3.4 Spesifikasi Perangkat Keras (Hardware)
Perangkat keras (hardware) merupakan komponen dari sebuah komputer
yang wujudnya bisa dilihat dan dirasakan secara langsung, berfungsi untuk
mendukung proses komputerisasi. Adapun komponen perangkat keras yang
dibutuhkan dalam merancang dan membangun aplikasi pada penelitian ini adalah
sebagai berikut :
1. Prosesor Intel Celeron.
2. Memory 2 GB.
3. Harddisk 500 GB.
4. Monitor, Keyboard, dan Mouse.
30
mengelola data training, mengelola data testing, menguji identifikasi metode
CART dan melihat hasil:
31
Mengelola data pasien
User
2. Activity Diagram
Activity Diagram merupakan state diagram khusus, di mana sebagian
besar state adalah action dan sebagian besar transisi di-trigger oleh selesainya
state sebelumnya (internal processing). Skenario Activity Diagram dapat dilihat
pada Gambar 3.2 dan Gambar 3.3
Ya
32
b. Skenario Activity Diagram Mengelola Proses Mining
Admin Sistem
Ya
3. Class Diagram
Class diagram ialah memberikan gambaran hubungan antara tabel-
tabel yang ada dalam database. Class Diagram Aplikasi Prediksi Usia
Kelahiran dapat dilihat pada gambar 3.4.
33
Login
Dashboard
+username()
+form kelola_data_trainning()
+password() +form kelola_data_testing()
+login()
4. Sequence Diagram
Sequence Diagram menggambarkan interaksi antar objek di dalam dan
di sekitar sistem (termasuk pengguna, display, dan sebagainya) berupa pesan
yang digambarkan terhadap waktu. Sequence Diagram dapat dilihat pada
Gambar 3.5 dan Gambar 3.6.
12. return
34
halaman proses data testing
Bidan data pasien
dashboard pasien
10. return
2. Tabel Pasien
Tabel pasien digunakan untuk menyimpan data pasien untuk
mengelola aplikasi prediksi usia kelahiran kemudian disimpan dengan
dengan atribut-atribut pada tabel 3.4.
35
Tabel 3.4 Struktur Tabel Pasien
No Field Jenis Size Keterangan
1 Id Int 10 Primary Key
2 Nama Varchar 50 -
3 Usia_ibu Varchar 25 -
4 Tekanan_darah Varchar 10 -
5 Riwayat_abortus Varchar 10 -
6 Sg_lila Varchar 10 -
7 Masalah Varchar 20 -
8 Status Kelahiran Varchar 10 -
1. Antarmuka Login
36
2. Antarmuka Data Training
37
4. Antarmuka Data Testing
38
Sumber: Puskesmas 11 Ilir Palembang
39
menentukan komponen pada cabang anak kiri dan cabang kanan. Tahap keenam,
lakukan langkah pada tahap pertama dan keempat hingga cabang bersifat pure atau
mendekati pure.
Selanjutnya, dilakukan pemodelan klasifikasi menggunakan Metode
CART dengan data sampel seperti tabel 3.5. Kemudian dilakukan perhitungan
impurity data tabel 3.5 sebelum masuk ke perhitungan dengan terlebih dahulu
melakukan setting root dari pohon keputusan CART.
• Tahap ketiga yaitu menghitung tingkat impurity setiap cabang pada semua
record menggunakan rumus Gain.
Berikut ini dapat dilihat contoh perhitungan menggunakan rumus Gain.
Kandidat 4 : Tekanan Darah = Rendah vs Tekanan Darah = Normal
Tekanan Darah = Rendah
Total data = 3 data
Normal = 0 data
Prematur = 3 data
40
Postdate = 0 data
Kemudian hitung seluruh data tingkat impurity setiap cabang pada semua
record menggunakan rumus Gain dapat dilihat pada tabel 3.7
41
Tabel 3.7 Hitung impurity pada keseluruhan record
Left Right
Candidate A Left Right gini a ∆ gini
total Normal Premature Postdate gini total Normal Premature Postdate gini
1 Kurang CukupLebih 6 3 3 0 0,5 10 8 0 2 0,32 0,3875 0,089063
2 Usia Ibu Cukup KurangLebih 8 6 0 2 0,375 8 5 3 0 0,46875 0,421875 0,054688
3 Lebih KurangCukup 2 2 0 0 0 14 9 3 2 0,520408 0,455357 0,021205
4 Rendah NormalTinggi 3 0 3 0 0 13 11 0 2 0,260355 0,211538 0,265024
5 T. Darah Normal RendahTinggi 13 11 0 2 0,260355 3 0 3 0 0 0,211538 0,265024
6 Tinggi RendahNormal 0 0 0 0 0 16 11 3 2 0,476563 0,476563 0
7 Ya Tidak 3 3 0 0 0 13 8 3 2 0,544379 0,442308 0,034255
R. Abortus
8 Tidak Ya 13 8 3 2 0,544379 3 3 0 0 0 0,442308 0,034255
9 Kurang Normal 7 4 3 0 0,489796 9 7 0 2 0,345679 0,40873 0,067832
SG LILA
10 Normal Kurang 9 7 0 2 0,345679 7 4 3 0 0,489796 0,40873 0,067832
11 Anemia VirusPendarahanLilitanLetakTidakAda
3 2 1 0 0,444444 13 9 2 2 0,473373 0,467949 0,008614
12 Virus AnemiaPendarahanLilitanLetakTidakAda
1 0 1 0 0 15 11 2 2 0,426667 0,4 0,076562
13 PendarahanAnemiaVirusLilitanLetakTidakAda
0 0 0 0 0 16 11 3 2 0,476563 0,476563 0
Masalah
14 Lilitan AnemiaVirusPendarahanLetakTidakAda
1 0 0 1 0 15 11 3 1 0,417778 0,391667 0,084896
15 Letak AnemiaVirusPendarahanLilitanTidakAda
1 0 0 1 0 15 11 3 1 0,417778 0,391667 0,084896
16 TidakAda AnemiaVirusPendarahanLilitanLetak
10 9 1 0 0,18 6 2 2 2 0,666667 0,3625 0,114063
• Tahap kelima yaitu menentukan komponen pada cabang anak kiri dan kanan.
42
Kandidat baris ke 4 sehingga Ibu dengan Tekanan Darah Rendah menjadi
cabang anak kiri. Ibu dengan Tekanan Darah Normal menjadi cabang anak kanan
dapat dilihat pada Gambar 3.11
43
Prematur = 3 data
Postdate = 0 data
• Tahap ketiga yaitu menghitung tingkat impurity setiap cabang pada semua
record
Tahapan ketiga ialah menghitung tingkat impurity setiap cabang
menggunakan rumus Gain dapat dilihat pada tabel 3.10.
Tabel 3.10 Hitung impurity pada keseluruhan record Tekanan Darah Rendah
Left Right
Candidate A Left Right gini a ∆ gini
total Normal Premature Postdate gini total Normal Premature Postdate gini
1 Kurang CukupLebih 3 0 3 0 0 0 0 0 0 0 0 0
2 Usia Ibu Cukup KurangLebih 0 0 0 0 0 3 0 3 0 0 0 0
3 Lebih KurangCukup 0 0 0 0 0 3 0 3 0 0 0 0
4 Rendah NormalTinggi 3 0 3 0 0 0 0 0 0 0 0 0
5 T. Darah Normal RendahTinggi 0 0 0 0 0 3 0 3 0 0 0 0
6 Tinggi RendahNormal 0 0 0 0 0 3 0 3 0 0 0 0
7 Ya Tidak 0 0 0 0 0 3 0 3 0 0 0 0
R. Abortus
8 Tidak Ya 3 0 3 0 0 0 0 0 0 0 0 0
9 Kurang Normal 3 0 3 0 0 0 0 0 0 0 0 0
Malnutrisi
10 Normal Kurang 0 0 0 0 0 3 0 2 0 0 0 0
11 Anemia VirusPendarahanLilitanLetakTidakAda
1 0 1 0 0 2 0 2 0 0 0 0
12 Virus AnemiaPendarahanLilitanLetakTidakAda
1 0 1 0 0 2 0 2 0 0 0 0
13 PendarahanAnemiaVirusLilitanLetakTidakAda
0 0 0 0 0 3 0 3 0 0 0 0
Masalah
14 Lilitan AnemiaVirusPendarahanLetakTidakAda
0 0 0 0 0 3 0 3 0 0 0 0
15 Letak AnemiaVirusPendarahanLilitanTidakAda
0 0 0 0 0 3 0 3 0 0 0 0
16 TidakAda AnemiaVirusPendarahanLilitanLetak
1 0 1 0 0 2 0 2 0 0 0 0
44
Darah Rendah memiliki label Prematur dapat dilihat pada Gambar 3.12 cabang
anak kiri telah bersifat pure yaitu Tekanan Darah Rendah memiliki label Prematur.
45
• Tahap kedua, hitung impurity pada keseluruhan record
Masuk ke dalam pembentukan pohon, data yang digunakan adalah data
tabel 3.11 yang telah di saring. Data sampel di atas memiliki 13 baris data. Terdapat
11 data ibu lahir secara normal, 2 data ibu lahir secara postdate.
Total data : 13 data
Normal : 11 data
Prematur : 0 data
Postdate : 2 data
• Tahap ketiga yaitu menghitung tingkat impurity setiap cabang pada semua
record
Kemudian, masuk ke tahap ketiga yaitu menghitung tingkat impurity
setiap cabang pada semua record menggunakan rumus Gain dapat dilihat pada tabel
3.12.
Tabel 3.12 Hitung impurity pada keseluruhan record Tekanan Darah Normal
Left Right
Candidate A Left Right gini a ∆ gini
total Normal Premature Postdate gini total Normal Premature Postdate gini
1 Kurang CukupLebih 3 3 0 0 0 10 8 0 2 0,32 0,246154 0,014201184
2 Usia Ibu Cukup KurangLebih 8 6 0 2 0,375 5 5 0 0 0 0,230769 0,029585799
3 Lebih KurangCukup 2 2 0 0 0 11 9 0 2 0,297521 0,251748 0,008606778
4 Rendah NormalTinggi 0 0 0 0 0 13 11 0 2 0,260355 0,260355 0
5 T. Darah Normal RendahTinggi 13 11 0 2 0,260355 0 0 0 0 0 0,260355 0
6 Tinggi RendahNormal 0 0 0 0 0 13 11 0 2 0,260355 0,260355 0
7 Ya Tidak 3 3 0 0 0 10 8 0 2 0,32 0,246154 0,014201184
R. Abortus
8 Tidak Ya 10 8 0 2 0,32 3 3 0 0 0 0,246154 0,014201184
9 Kurang Normal 4 4 0 0 0 9 7 0 2 0,345679 0,239316 0,021038791
Malnutrisi
10 Normal Kurang 9 7 0 2 0,345679 4 4 0 0 0 0,239316 0,021038791
11 Anemia VirusPendarahanLilitanLetakTidakAda
2 2 0 0 0 11 9 0 2 0,297521 0,251748 0,008606778
12 Virus AnemiaPendarahanLilitanLetakTidakAda
0 0 0 0 0 13 11 0 2 0,260355 0,260355 0
13 PendarahanAnemiaVirusLilitanLetakTidakAda
0 0 0 0 0 13 11 0 2 0,260355 0,260355 0
Masalah
14 Lilitan AnemiaVirusPendarahanLetakTidakAda
1 0 0 1 0 12 11 0 1 0,152778 0,141026 0,119329389
15 Letak AnemiaVirusPendarahanLilitanTidakAda
1 0 0 1 0 12 11 0 1 0,152778 0,141026 0,119329389
16 TidakAda AnemiaVirusPendarahanLilitanLetak
9 9 0 0 0 4 2 0 2 0,5 0,153846 0,106508876
46
• Tahap keempat, menentukan nilai impurity tertinggi (nilai Gain tertinggi)
menjadi node / atribut pembentuk cabang terbaru.
Tabel 3.13 Impurity tertinggi pada atribut masalah saat kehamilan
Left Right
Candidate A Left Right gini a ∆ gini
total Normal Premature Postdate gini total Normal Premature Postdate gini
1 Kurang CukupLebih 3 3 0 0 0 10 8 0 2 0,32 0,246154 0,014201183
2 Usia Ibu Cukup KurangLebih 8 6 0 2 0,375 5 5 0 0 0 0,230769 0,029585799
3 Lebih KurangCukup 2 2 0 0 0 11 9 0 2 0,297521 0,251748 0,008606778
4 Rendah NormalTinggi 0 0 0 0 0 13 11 0 2 0,260355 0,260355 0
5 T. Darah Normal RendahTinggi 13 11 0 2 0,260355 0 0 0 0 0 0,260355 0
6 Tinggi RendahNormal 0 0 0 0 0 13 11 0 2 0,260355 0,260355 0
7 Ya Tidak 3 3 0 0 0 10 8 0 2 0,32 0,246154 0,014201183
R. Abortus
8 Tidak Ya 10 8 0 2 0,32 3 3 0 0 0 0,246154 0,014201183
9 Kurang Normal 4 4 0 0 0 9 7 0 2 0,345679 0,239316 0,02103879
Malnutrisi
10 Normal Kurang 9 7 0 2 0,345679 4 4 0 0 0 0,239316 0,02103879
11 Anemia VirusPendarahanLilitanLetakTidakAda
2 2 0 0 0 11 9 0 2 0,297521 0,251748 0,008606778
12 Virus AnemiaPendarahanLilitanLetakTidakAda
0 0 0 0 0 13 11 0 2 0,260355 0,260355 0
13 PendarahanAnemiaVirusLilitanLetakTidakAda
0 0 0 0 0 13 11 0 2 0,260355 0,260355 0
Masalah
14 Lilitan AnemiaVirusPendarahanLetakTidakAda
1 0 0 1 0 12 11 0 1 0,152778 0,141026 0,119329389
15 Letak AnemiaVirusPendarahanLilitanTidakAda
1 0 0 1 0 12 11 0 1 0,152778 0,141026 0,119329389
16 TidakAda AnemiaVirusPendarahanLilitanLetak
9 9 0 0 0 4 2 0 2 0,5 0,153846 0,106508876
• Tahap kelima yaitu menentukan komponen pada cabang anak kiri dan kanan.
Atribut pada masalah kehamilan membentuk pembuatan cabang anak kiri
dan kanan. Kandidat dengan nilai impurity terbesar pada baris ke 14. Hal ini
disimpulkan, ibu hamil yang mempunyai masalah Lilitan tali pusar dan letak bayi
yang tidak sesuai ditetapkan menjadi cabang anak kiri, sedangkan ibu yang
memiliki masalah Anemia, dan Tidak ada masalah menjadi cabang anak kanan.
Pembuatan cabang anak kiri dan anak kanan dapat dilihat pada Gambar 3.13
47
Gambar 3.13 Pembentukan cabang anak kiri dan kanan pada masalah kehamilan
48
Dengan persamaan (2.1)
0 2 0 2 2 2
𝐺𝑖𝑛𝑖 (𝐷) =1−( ) −( ) −( )
2 2 2
𝐺𝑖𝑛𝑖 (𝐷) = 0
• Tahap ketiga yaitu menghitung tingkat impurity setiap cabang pada semua
record
Tahapan ketiga ialah menghitung tingkat impurity setiap cabang
menggunakan rumus Gain dapat dilihat pada tabel 3.15
Tabel 3.15 Menghitung pada keseluruhan record masalah kelilitan
Left Right
Candidate A Left Right gini a ∆ gini
total Normal Premature Postdate gini total Normal Premature Postdate gini
1 Kurang CukupLebih 0 0 0 0 0 2 0 0 2 0 0 0
2 Usia Ibu Cukup KurangLebih 2 0 0 2 0 0 0 0 0 0 0 0
3 Lebih KurangCukup 0 0 0 0 0 2 0 0 2 0 0 0
4 Rendah NormalTinggi 0 0 0 0 0 2 0 0 2 0 0 0
5 T. Darah Normal RendahTinggi 2 0 0 2 0 0 0 0 0 0 0 0
6 Tinggi RendahNormal 0 0 0 0 0 2 0 0 2 0 0 0
7 Ya Tidak 0 0 0 0 0 2 0 0 2 0 0 0
R. Abortus
8 Tidak Ya 1 0 0 2 0 0 0 0 0 0 0 0
9 Kurang Normal 0 0 0 0 0 2 0 0 2 0 0 0
Malnutrisi
10 Normal Kurang 2 0 0 2 0 0 0 0 0 0 0 0
11 Anemia VirusPendarahanLilitanLetakTidakAda
0 0 0 0 0 2 0 0 2 0 0 0
12 Virus AnemiaPendarahanLilitanLetakTidakAda
0 0 0 0 0 2 0 0 2 0 0 0
13 PendarahanAnemiaVirusLilitanLetakTidakAda
0 0 0 0 0 2 0 0 2 0 0 0
Masalah
14 Lilitan AnemiaVirusPendarahanLetakTidakAda
2 0 0 2 0 0 0 0 0 0 0 0
15 Letak AnemiaVirusPendarahanLilitanTidakAda
0 0 0 0 0 2 0 0 2 0 0 0
16 TidakAda AnemiaVirusPendarahanLilitanLetak
0 0 0 0 0 2 0 0 2 0 0 0
49
Gambar 3.14 Masalah lilitan memiliki label Postdate
50
11 data ibu hamil melahirkan secara normal, dan 1 data ibu hamil melahirkan secara
postdate.
Total data : 11 data
Normal : 11 data
Prematur : 0 data
Postdate : 0 data
• Tahap ketiga yaitu menghitung tingkat impurity setiap cabang pada semua
record
Tahapan ketiga ialah menghitung tingkat impurity setiap cabang
menggunakan rumus Gain dapat dilihat pada tabel 3.17.
Tabel 3.17 Menghitung impurity pada keseluruhan record Masalah Anemia, Letak
Bayi dan Tidak Ada Masalah
Left Right
Candidate A Left Right gini a ∆ gini
total Normal Premature Postdate gini total Normal Premature Postdate gini
1 Kurang CukupLebih 3 3 0 0 0 8 8 0 0 0 0 0
2 Usia Ibu Cukup KurangLebih 6 6 0 0 0 5 5 0 0 0 0 0
3 Lebih KurangCukup 2 2 0 0 0 9 9 0 0 0 0 0
4 Rendah NormalTinggi 0 0 0 0 0 11 11 0 0 0 0 0
5 T. Darah Normal RendahTinggi 11 11 0 0 0 0 0 0 0 0 0 0
6 Tinggi RendahNormal 0 0 0 0 0 11 11 0 0 0 0 0
7 Ya Tidak 3 3 0 0 0 8 8 0 0 0 0 0
R. Abortus
8 Tidak Ya 8 8 0 0 0 3 3 0 0 0 0 0
9 Kurang Normal 4 4 0 0 0 7 7 0 0 0 0 0
Malnutrisi
10 Normal Kurang 7 7 0 0 0 4 4 0 0 0 0 0
11 Anemia VirusPendarahanLilitanLetakTidakAda
2 2 0 0 0 9 9 0 0 0 0 0
12 Virus AnemiaPendarahanLilitanLetakTidakAda
0 0 0 0 0 11 11 0 0 0 0 0
13 PendarahanAnemiaVirusLilitanLetakTidakAda
0 0 0 0 0 11 11 0 0 0 0 0
Masalah
14 Lilitan AnemiaVirusPendarahanLetakTidakAda
0 0 0 0 0 11 11 0 0 0 0 0
15 Letak AnemiaVirusPendarahanLilitanTidakAda
0 0 0 0 0 11 11 0 0 0 0 0
16 TidakAda AnemiaVirusPendarahanLilitanLetak
9 9 0 0 0 2 2 0 0 0 0 0
51
Anemia dan Tidak ada masalah bersifat pure. Sehingga pada tahap ini dilakukan
proses pelabelan dengan mencari nilai label mana yang memiliki nilai tertinggi.
Dan pada label dengan nilai tertinggi berada di label Normal. Sehingga node
Masalah Anemia dan Tidak ada masalah merupakan leaf yang memiliki label
Normal dapat dilihat pada gambar 3.15.
Gambar 3.15 Masalah Anemia dan Tidak Masalah memiliki label Normal
52
BAB 4
HASIL DAN PEMBAHASAN
4.1 Implementasi
Tahap Implementasi merupakan bagian kegiatan implementasi dan
pengujian perangkat lunak. Pada kegiatan implementasi ini menerjemahkan hasil
analisis dan perancangan perangkat lunak ke dalam bahasa mesin yang dikenal oleh
komputer. Sedangkan untuk tahap pengujian kinerja sistem diperhitungkan untuk
menyesuaikan dengan hasil yang diinginkan.
53
b. Tampilan Halaman Mengelola Data Pasien
Halaman Mengelola Data Pasien ini admin dapat melihat data-data pasien
apa yang telah tersimpan pada halaman data training ini. Tampilan halaman
mengelola data pasien dapat dilihat pada gambar 4.2
54
d. Tampilan Halaman Proses Mining
Halaman Proses Mining ini admin dapat melakukan testing berdasarkan
data inputan pada halaman mengelola data pasien. Tampilan halaman proses mining
dapat dilihat pada gambar 4.4
4.2 Pengujian
Pada tahap ini membahas pengujian aplikasi pada sistem, fitur-fitur yang
ada pada sistem aplikasi, dan pengujian terhadap pengalaman pengguna dalam
menggunakan aplikasi.
55
spesifikasi yang dibutuhkan. Berdasarkan hasil uji coba aplikasi, hasil yang
diperoleh dapat dilihat pada tabel berikut:
56
2 Mengakses Mengklik Masuk ke Masuk ke Valid
Halaman Button Halaman Halaman
Tambah Data Tambah Data Tambah Data Tambah Data
3 Menambahkan Mengisi data Menyimpan Menyimpan Valid
Data Pasien secara Data dan Data dan
lengkap lalu menampilkan menampilkan
klik button ke Halaman ke Halaman
Tambah Data Mengelola Mengelola
Data Pasien Data Pasien
Tidak Tampil Tampil Valid
mengisi data Peringatan Peringatan
secara
lengkap lalu
klik button
Tambah Data
4 Mengedit Mengklik Masuk ke Masuk ke Valid
Data Pada link ubah halaman ubah halaman ubah
Halaman pada data pasien data pasien
Mengelola halaman
Data Pasien mengelola
data pasien
5 Menghapus Mengklik Tampil Tampil Valid
Data Pada link hapus Peringatan Peringatan
Halaman pada hapus data lalu hapus data
Mengelola halaman data pada lalu data pada
Data Pasien mengelola mengelola data mengelola
data pasien pasien data pasien
terhapus terhapus
57
Tabel 4.3 Pengujian Halaman Proses Mining Responden 1
Pengujian Halaman Proses Mining
No Skenario Test Case Hasil yang Hasil dari Hasil
Pengujian diharapkan sistem
1 Mengakses Mengklik Menampilkan Menampilkan Valid
halaman halaman Halaman Halaman
Proses Proses Proses Mining Proses Mining
Mining Mining
2 Pengujian Mengisi data Menampilkan Menampilkan Valid
Proses secara Hasil Proses Hasil Proses
Mining lengkap lalu Mining Mining
klik button
Proses
Tidak Tampil Tampil Valid
mengisi data Peringatan Peringatan
secara
lengkap lalu
klik button
Tambah Data
Nama : Muttawahsilla
Pekerjaan : Mahasiswa
Email : muttawahsilla123@gmail.com
Tabel 4.4 Pengujian Halaman Form Login Responden 2
Pengujian Halaman Form Login
No Skenario Test Case Hasil yang Hasil dari Hasil
Pengujian diharapkan sistem
1 Menjalankan Mengakses Halaman Login Halaman login Valid
Aplikasi Aplikasi aplikasi tampil aplikasi tampil
pada layar web
58
Status melalui web pada layar
Kelahiran browser browser
2 Pengujian Login Benar Masuk ke Masuk ke Valid
Login halaman utama Halaman
utama
Login Salah Tampil Tampil Valid
peringatan peringatan
59
klik button
Tambah Data
4 Mengedit Mengklik Masuk ke Masuk ke Valid
Data Pada link ubah halaman ubah halaman ubah
Halaman pada data pasien data pasien
Mengelola halaman
Data Pasien mengelola
data pasien
5 Menghapus Mengklik Tampil Tampil Valid
Data Pada link hapus Peringatan Peringatan
Halaman pada hapus data lalu hapus data
Mengelola halaman data pada lalu data pada
Data Pasien mengelola mengelola data mengelola
data pasien pasien data pasien
terhapus terhapus
60
Tidak Tampil Tampil Valid
mengisi data Peringatan Peringatan
secara
lengkap lalu
klik button
Tambah Data
61
1 Mengakses Mengklik Masuk Ke Masuk Ke Valid
Halaman Halaman Halaman Halaman
Mengelola Mengelola Mengelola Mengelola
Data Pasien Data Pasien Data Pasien Data Pasien
2 Mengakses Mengklik Masuk ke Masuk ke Valid
Halaman Button Halaman Halaman
Tambah Data Tambah Data Tambah Data Tambah Data
3 Menambahkan Mengisi data Menyimpan Menyimpan Valid
Data Pasien secara Data dan Data dan
lengkap lalu menampilkan menampilkan
klik button ke Halaman ke Halaman
Tambah Data Mengelola Mengelola
Data Pasien Data Pasien
Tidak Tampil Tampil Valid
mengisi data Peringatan Peringatan
secara
lengkap lalu
klik button
Tambah Data
4 Mengedit Mengklik Masuk ke Masuk ke Valid
Data Pada link ubah halaman ubah halaman ubah
Halaman pada data pasien data pasien
Mengelola halaman
Data Pasien mengelola
data pasien
5 Menghapus Mengklik Tampil Tampil Valid
Data Pada link hapus Peringatan Peringatan
Halaman pada hapus data lalu hapus data
Mengelola halaman data pada lalu data pada
Data Pasien mengelola data mengelola
62
mengelola pasien data pasien
data pasien terhapus terhapus
63
4 SAMPLE 4 Normal Normal True
5 SAMPLE 5 Normal Normal True
6 SAMPLE 6 Normal Normal True
7 SAMPLE 7 Normal Normal True
8 SAMPLE 8 Normal Normal True
9 SAMPLE 9 Normal Normal True
10 SAMPLE 10 Normal Normal True
11 SAMPLE 11 Normal Normal True
12 SAMPLE 12 Premature Premature True
13 SAMPLE 13 Premature Premature True
14 SAMPLE 14 Premature Premature True
15 SAMPLE 15 Postdate Postdate True
16 SAMPLE 16 Postdate Postdate True
17 SAMPLE 17 Normal Normal True
18 SAMPLE 18 Normal Normal True
19 SAMPLE 19 Normal Postdate False
20 SAMPLE 20 Postdate Postdate True
21 SAMPLE 21 Postdate Postdate True
22 SAMPLE 22 Normal Normal True
23 SAMPLE 23 Postdate Postdate True
24 SAMPLE 24 Premature Premature True
25 SAMPLE 25 Postdate Postdate True
64
Berdasarkan hasil pengujian yang telah dilakukan, akurasi dari aplikasi status
kelahiran pada sistem dihitung dengan rumus:
𝐽𝑢𝑚𝑙𝑎ℎ ℎ𝑎𝑠𝑖𝑙 𝑝𝑒𝑛𝑔𝑢𝑗𝑖𝑎𝑛 𝑦𝑎𝑛𝑔 𝑠𝑒𝑠𝑢𝑎𝑖
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100%
𝑇𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛
24
× 100% = 𝟗𝟔%
25
Sedangkan hasil pengujian recall dan precision pada sistem dihitung
dengan rumus:
𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 (𝑇𝑃)
𝑅𝑒𝑐𝑎𝑙𝑙 = × 100%
𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 (𝑇𝑃) + 𝐹𝑎𝑙𝑠𝑒 𝑁𝑒𝑔𝑎𝑡𝑖𝑣𝑒 (𝐹𝑁)
24
× 100% = 𝟏𝟎𝟎%
24
Dari hasil pengujian yang didapat, accuracy yang didapatkan 96%, recall
yang didapatkan 100%, precision 100%. Sehingga dapat disimpulkan bahwa
metode Classification and Regression Tree cukup baik digunakan dalam hal
menentukan status kelahiran.
65
BAB 5
PENUTUP
5.1 Kesimpulan
Berdasarkan dari kesimpulan yang dapat di ambil dari penulis skripsi ini
adalah sebagai berikut :
1. Hasil dari perhitungan menggunakan metode Classification and Regression
Tree mendapatkan nilai akurasi 96%, nilai recall 100% dan nilai precission
100%.
2. Aplikasi Status Kelahiran menggunakan metode Classification and
Regression Tree (CART) merupakan sistem yang dibuat sebagai media
untuk mempermudah bidan dalam mengklasifikasi gejala-gejala apa saja
yang dialami pada pasien ibu hamil sehingga dapat mengantisipasi sejak
dini agar tidak menimbul kejadian yang tidak diinginkan hingga
menimbulkan kematian.
5.2 Saran
Peneliti sadar bahwa dalam pembuatan aplikasi ini masih ada kekurangan
yang harus di perbaiki, untuk itu menyarankan pada peneliti selanjutnya agar dapat
mengembangkan aplikasi sebagai berikut :
1. Menganalisa kembali Aplikasi Status Kelahiran menggunakan metode
Classification and Regression Tree (CART) agar ibu pasien dapat
mengakses juga aplikasi ini dikarenakan aplikasi ini hanya ditujukan pada
bidan dan pasien harus datang ke bidan untuk mencek gejala apa yang
dialami pada pasien ibu hamil.
2. Seiring dengan perkembangan teknologi informasi, diharapkan adanya
pengembangan aplikasi berbasis mobile.
3. Penambahan enthropy untuk pembobotan.
66
DAFTAR PUSTAKA
a. Data Pribadi
Nama : M Sandy Yudha
Nama Panggilan : Yudha
Tempat & Tanggal Lahir : Palembang, 4 Maret 1998
Jenis Kelamin : Laki - Laki
Agama : Islam
Nama Ayah : Ikhsan
Nama Ibu : Sulasih
Kebangsaan : Indonesia
Alamat : Jl. Suka Senang No 156 RT 03 RW 01 Sukarami,
Palembang
Nomor Telepon : 085155286070
Email : muhammadsandy74@gmail.com
b. Pendidikan
SD : SD NEGERI 131 PALEMBANG
SMP : SMP NEGERI 46 PALEMBANG
SMA : SMK NEGERI 2 PALEMBANG
Perguruan Tinggi : UNIVERSITAS INDO GLOBAL MANDIRI