M Sandy Yudha - 2017110019

UNIVERSITAS INDO GLOBAL MANDIRI
PENGGUNAAN METODE CLASSIFICATION AND

REGRESSION TREE (CART) UNTUK MENENTUKAN
STATUS KELAHIRAN
SKRIPSI
M SANDY YUDHA
2017.11.0019
PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER
PALEMBANG
2021
PENGGUNAAN METODE CLASSIFICATION AND
REGRESSION TREE (CART) UNTUK MENENTUKAN
STATUS KELAHIRAN
SKRIPSI
Diajukan Sebagai Syarat Untuk Menyelesaikan

Pendidikan Program Strata-1 Pada
Program Studi Informatika
Oleh:
M SANDY YUDHA
2017.11.0019
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER
UNIVERSITAS INDO GLOBAL MANDIRI PALEMBANG
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)
Skripsi ini kupersembahkan untuk:

❖ Kedua Orang Tuaku tercinta yang senantiasa memberikan semangat dalam
mengerjakan skripsi ini, dan tak henti-hentinya selalu berdoa agar saya
dapat menjadi seorang yang berguna bagi agama nusa dan bangsa. Terima
Kasih untuk kedua orang tuaku yang telah menjadi orang tua terbaik.
❖ Untuk sepupu saya tercinta, Mas Didi yang telah memberikan dukungan,
semangat dan motivasi dalam penyusunan skripsi ini. Terima kasih telah
menjadi sepupu saya yang terbaik.
❖ Untuk bude saya yang saya sayangi Bude Siti, terima kasih telah membantu
saya dalam memberikan semangat dalam skripsi saya ini.
❖ Dosen pembimbing saya Herri Setiawan M.Kom dan Dewi Sartika M.Kom
terima kasih telah memberikan waktu luangnya untuk membimbing saya
dalam skripsi ini dan selalu memberikan dukungan dalam menyelesaikan
skripsi ini.
❖ Untuk teman pejuang skripsi, semoga kita diberikan kelancaran, kesuksesan
dalam urusan dunia maupun akhirat. Aamiin.
❖ Untuk seluruh teman-teman Teknik Informatika 2017 terima kasih atas
dukungan kalian.
❖ Para senior Teknik Informatika terima kasih atas pengalaman yang kalian
ajarkan.
❖ Untuk teman-teman SMK saya terutama, Keken Wilandra, Hendri Saputra,
Wahyudi, Refzqi Safei, M Rendi Kurniawan, Ahmad Angwin Arden dan
Yudha Wahyu Hidayat terima kasih atas dukungan kalian.
ABSTRAK
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
Puji dan Syukur Penulis persembahkan kehadiran Allah SWT berkat

Rahmat dan Hidayah-Nya lah akhirnya penelitian ini dapat diselesaikan dengan
baik tepat pada waktunya, tidak lupa shalawat serta salam selalu dilimpahkan
kepada junjungan kita Nabi Muhammad SAW beserta keluarga sahabat para
pengikut dan insyaallah kita semua hingga akhir zaman.
Skripsi yang penulis buat dengan judul “PENGGUNAAN METODE
CLASSIFICATION AND REGRESSION TREE (CART) UNTUK
MENENTUKAN STATUS KELAHIRAN” disusun guna memenuhi syarat
kelulusan dalam memperoleh gelar Sarjana (S1) pada Program Studi Teknik
Informatika, Fakultas Ilmu Komputer, Universitas Indo Global Mandiri (UIGM)
Palembang.
Tidak lupa Penulis mengucapkan terima kasih atas bantuan yang diberikan
selama penyusunan skripsi ini kepada :
1. Dr. Marzuki Alie, SE., MM selaku Rektor Universitas Indo Global Mandiri
Palembang
2. Dr. Juhaini Alie, SH., MM sebagai Dekan Fakultas Ilmu Komputer
Universitas Indo Global Mandiri
3. Dewi Sartika, M.Kom sebagai Ketua Prodi Teknik Informatika Universitas
Indo Global Mandiri.
4. Dr. Herri Setiawan M.Kom sebagai Dosen Pembimbing I.
5. Dewi Sartika M.Kom sebagai Dosen Pembimbing II.
6. Kedua Orang Tua yang selalu mendukung saya.
7. Puskesmas 11 Ilir sebagai tempat penelitian saya
8. Bapak/Ibu Dosen Fakultas Ilmu Komputer dan karyawan/karyawati
Universitas Indo Global Mandiri.
9. Semua teman-teman seperjuangan Teknik Informatika.
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.
Palembang, Juni 2021

Penulis
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
Gambar 2.1 Tahap-Tahap Data Mining .............................................................. 7

Gambar 2.2 Tampilan antarmuka XAMPP ....................................................... 12
Gambar 2.3 Tahapan pengembangan metode Waterfall ................................... 14
Gambar 3.1 Use Case Diagram Aplikasi Prediksi Usia Kelahiran .................. 32
Gambar 3.2 Skenario Activity Diagram Data Pasien ........................................ 32
Gambar 3.3 Skenario Activity Diagram Data Testing ...................................... 33
Gambar 3.4 Skenario Class Diagram ................................................................ 34
Gambar 3.5 Sequence Diagram Data Pasien .................................................... 34
Gambar 3.6 Sequence Diagram Proses Mining ................................................ 35
Gambar 3.7 Antarmuka Login .......................................................................... 36
Gambar 3.8 Antarmuka Data Training ............................................................. 37
Gambar 3.9 Antamuka Input Data .................................................................... 37
Gambar 3.10 Antarmuka Data Testing ............................................................. 38
Gambar 3.11 Proses penentuan cabang pada atribut Tekanan Darah ............... 43
Gambar 3.12 Tekanan Darah memiliki label Prematur .................................... 45
Gambar 3.13 Pembentukan cabang anak kiri dan kanan pada masalah
kehamilan .......................................................................................................... 48
Gambar 3.14 Masalah lilitan memiliki label Postdate ...................................... 50
Gambar 3.15 Masalah Anemia dan Tidak Masalah memiliki label Normal..... 52
Gambar 4.1 Halaman Login .............................................................................. 53
Gambar 4.2 Halaman Mengelola Data Pasien .................................................. 54
Gambar 4.3 Halaman Tambah Data Pasien ...................................................... 54
Gambar 4.4 Halaman Proses Mining ................................................................ 55
xv
DAFTAR TABEL
Tabel 2.1 Variabel dan Atribut ......................................................................... 10

Tabel 2.2 Simbol Use Case Diagram ............................................................... 16
Tabel 2.3 Simbol Activity Diagram .................................................................. 17
Tabel 2.4 Simbol Class Diagram ...................................................................... 19
Tabel 2.5 Simbol Sequence Diagram ................................................................ 20
Tabel 2.6 Model Confusion Matrix ................................................................... 23
Tabel 2.7 Penelitian Terdahulu ......................................................................... 24
Tabel 3.1 Definisi Aktor ................................................................................... 31
Tabel 3.2 Definisi Use Case .............................................................................. 31
Tabel 3.3 Struktur Tabel Admin ....................................................................... 35
Tabel 3.4 Struktur Tabel Pasien ........................................................................ 36
Tabel 3.5 Variabel dan Atribut ......................................................................... 38
Tabel 3.6 Data Sampel ...................................................................................... 39
Tabel 3.7 Hitung impurity pada keseluruhan record ........................................ 42
Tabel 3.8 Impurity pada atribut Tekanan Darah ............................................... 42
Tabel 3.9 Data sampel Tekanan Darah Rendah ................................................ 43
Tabel 3.10 Hitung impurity pada keseluruhan record Tekanan Darah Rendah 44
Tabel 3.11 Data sampel Tekanan Darah Normal .............................................. 45
Tabel 3.12 Hitung impurity pada keseluruhan record Tekanan Darah Normal 46
Tabel 3.13 Impurity tertinggi pada atribut masalah saat kehamilan ................. 47
Tabel 3.14 Data sampel pada masalah lilitan .................................................... 48
Tabel 3.15 Menghitung pada keseluruhan record masalah kelilitan ................ 49
Tabel 3.16 Data sampel pada Masalah Anemia, Letak Bayi dan Tidak Ada
Masalah ............................................................................................................. 50
Tabel 3.17 Menghitung impurity pada keseluruhan record Masalah Anemia,
Letak Bayi dan Tidak Ada Masalah .................................................................. 51
Tabel 4.1 Pengujian Halaman Form Login Responden 1 ................................. 56
Tabel 4.2 Pengujian Halaman Mengelola Data Pasien Responden 1 ............... 56
Tabel 4.3 Pengujian Halaman Proses Mining Responden 1 ............................. 58
xvi
Tabel 4.10 Hasil Classification and Regression Tree ....................................... 63
Tabel 4.11 Hasil Akurasi Classification and Regression Tree ......................... 64
xvii
DAFTAR LAMPIRAN
Lampiran 1 Riwayat Hidup

Lampiran 2 Surat Izin Penelitian dari Kesbangpol
Lampiran 3 Surat Izin Penelitian dari Dinkes
Lampiran 4 Surat Izin Balasan Penelitian
Lampiran 5 Kartu Bimbingan
Lampiran 6 Kartu Rencana Studi
Lampiran 7 Daftar Kumpulan Nilai
Lampiran 8 Sertifikat Opdik
Lampiran 9 Pernyataan Tidak Plagiat
Lampiran 10 Surat Bebas Pustaka
xviii
BAB 1
PENDAHULUAN
1.1 Latar Belakang

Secara umum, kelahiran bayi yang normal mempunyai rentang 38 sampai
42 minggu. Akan tetapi, masih banyak bayi yang lahir kurang dari 37 minggu atau
biasa disebut dengan premature bahkan ada bayi yang lahir lebih dari 42 minggu
biasa disebut dengan postdate. Persalinan premature adalah persalinan yang terjadi
dalam masa kehamilan antara 20-37 minggu yang disertai dengan berat lahir bayi
yang rendah atau kurang dari 2500 gram. Persalinan postmature 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. Postmature dalam istilah
lain dapat disebut postterm (Indahsari & Kurniawan, 2019).
Setiap tahunnya, di Indonesia angka kelahiran bayi selalu meningkat.
Namun, angka kelahiran bayi yang selalu meningkat diiringi dengan angka
kematian pada bayi yang baru lahir. Beberapa faktor yang menyebabkan bayi yang
baru lahir meninggal, beberapa diantaranya adalah kekurangan nutrisi pada saat
dalam kandungan, janin yang memiliki cacat dalam tubuhnya, faktor kelahiran usia
premature, faktor usia kelahiran postmature/postdate dan lain lain. Kematian akibat
kelahiran premature tentunya menjadi masalah yang cukup serius.
Menurut SDKI 2017, 19% kematian bayi di Indonesia disebabkan oleh
persalinan premature. Bayi yang lahir prematur merupakan salah satu penyebab
kematian bayi di Indonesia. Angka kejadian persalinan premature pada umumnya
adalah sekitar 6-10%. Kontribusi persalinan prematur terhadap peningkatan angka
kematian bayi diperkirakan dapat mencapai 60-80% (Norma & Nita, 2013).
Kelahiran postmature atau postdate juga termasuk 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
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.
1.3 Batasan Masalah

Batasan masalah yang dibahas dalam penelitian ini ialah:
1) Data trainning yang digunakan sebanyak 175 data dan 25 data
testing.
2) Data yang digunakan merupakan riwayat kelahiran terakhir kali.
1.4 Tujuan Dan Manfaat Penelitian

Berdasarkan dengan latar belakang, perumusan masalah dan batasan
masalah, maka tujuan dan manfaat dalam penelitian ini adalah:
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.
1.5 Sistematika Penulisan

Sistematika penulisan ini dirancang untuk memberikan gambaran umum
tentang penelitian yang telah dilakukan. Sistematika penulisan ini sebagai berikut:
3
BAB 1 PENDAHULUAN
Berisi tentang latar belakang, perumusan masalah, batasan masalah, tujuan dan
manfaat penelitian, dan sistematika penulisan.
BAB 2 LANDASAN TEORI

Berisi tentang penjelasan tentang gambaran umum mengenai penerapan metode
Classification and Regression Tree (CART), landasan teori berupa tentang
kelahiran premature dan kelahiran postdate. Dan hal-hal lainnya dalam menunjang
proses penelitian.
BAB 3 METODE PENELITIAN

Berisi tentang penjelasan tahapan penelitian, pengolahan data, teknik perhitungan
menggunakan metode CART.
BAB 4 HASIL DAN PEMBAHASAN

Berisi tentang penjelasan implementasi dalam perancangan program untuk
menentukan status kelahiran menggunakan metode CART, menerapkan pengujian
Blackbox untuk pengujian hasil, dan tingkat akurasi.
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).
2.3 Data Mining

Data mining merupakan serangkaian proses untuk menggali informasi
yang belum diketahui secara manual dari suatu basis data. Informasi yang
dihasilkan diperoleh dengan cara mengekstrasi dan mengenali pola yang penting
atau menarik dari data yang terdapat dalam basis data. Data mining digunakan
untuk mencari pengetahuan yang terdapat dalam basis data yang besar sehingga
sering disebut Knowledge Discovery Databeses (KDD) (Merawati & Rino, 2019).
Data mining adalah proses yang menggunakan teknik statistik,
matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan
mengidentifikasi informasi yang bermanfaat dan pengetahuan yang terkait dari
berbagai database besar (Turban et al., 2005).
Sebagai suatu rangkaian proses, data mining dapat dibagi beberapa proses
yang diilustrasikan pada Gambar 2.1. tahap-tahap tesebut bersifat interaktif
pemakai terlibat langsung atau dengan perantaraan knowledge base.
Sumber: (Han & Kamber, 2006)

Gambar 2.1 Tahap-Tahap Data Mining
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.
2.4 Classification and Regression Tree (CART)

Metode CART (Classification And Regression Tree) merupakan metode
statistika nonparametrik yang dikembangkan untuk keperluan analisis klasifikasi,
menyatakan bahwa apabila variabel respon adalah berbentuk kontinu maka metode
yang digunakan adalah metode regresi pohon (regression tree) yang akan
menghasilkan pohon regresi. Apabila variabel respon berbentuk kategorik maka
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)
3. Menghitung tingkat impurity setiap cabang menggunakan rumus Gain.

Tahap ketiga, menghitung seluruh cabang menggunakan rumus pada
persamaan 2.2
𝐷𝑎𝑡𝑎 𝐶𝑎𝑏𝑎𝑛𝑔 𝐾𝑖𝑟𝑖 𝐷𝑎𝑡𝑎 𝐶𝑎𝑏𝑎𝑛𝑔 𝐾𝑎𝑛𝑎𝑛

𝐺𝑖𝑛𝑖 𝐴 = (
𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎
𝐺𝑖𝑛𝑖 ) + (
𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎
𝐺𝑖𝑛𝑖 ) (2.2)
Setelah mendapatkan hasil 𝐺𝑖𝑛𝑖 𝐴 , menghitung ∆ 𝐺𝑖𝑛𝑖 menggunakan

rumus pada persamaan 2.3
∆ 𝐺𝑖𝑛𝑖 = 𝐺𝑖𝑛𝑖 − 𝐺𝑖𝑛𝑖𝐴 (2.3)

4. Jika nilai impurity telah bersifat pure atau mendekati pure (semua nilai 0) maka
proses berhenti. Namun, jika nilai impurity belum mendekati pure atau bersifat
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).
Gambar 2.2 Tampilan antarmuka XAMPP

2.7 My SQL
MySQL adalah sebuah perangkat lunak yang terdapat didalam sistem
manajemen basis data SQL (Data Base Management System) atau yang biasa
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.
2.8 Metode Pengembangan Waterfall

Menurut (Pressman, 2012) Metode air terjun atau yang sering disebut
metode waterfall sering dinamakan siklus hidup klasik (classic life cycle), nama
model ini sebenarnya adalah “Linear Sequential Model” dimana hal ini
menggambarkan pendekatan yang sistematis dan juga berurutan pada
pengembangan perangkat lunak, dimulai dengan spesifikasi kebutuhan pengguna
lalu berlanjut melalui tahapan-tahapan perencanaan (planning), permodelan
(modelling), konstruksi (contruction), serta penyerahan sistem ke para pengguna
(deployment), yang diakhiri dengan dukungan pada perangkat lunak lengkap yang
13
dihasilkan. Dapat dilihat pada gambar 2.3 adalah tahapan pengembangan pada
metode Waterfall.
Sumber : (Pressman, 2012)

Gambar 2.3 Tahapan pengembangan 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.
Menurut Presman (2010) menjelaskan keuntungan dan kekurangan dari

metode Waterfall yaitu:
Keuntungan Metode Waterfall
a. Kualitas dari sistem yang dihasilkan akan baik. Ini dikarenakan oleh
pelaksanaannya secara bertahap. Sehingga tidak terfokus pada tahapan
tertentu.
b. Document pengembangan sistem sangat terorganisir, karena setiap fase
harus terselesaikan dengan lengkap sebelum melangkah ke fase berikutnya.
Jadi setiap fase atau tahapan akan mempunyai dokumen tertentu.
Kelemahan Metode Waterfall

a. Diperlukan majemen yang baik, karena proses pengembangan tidak dapat
dilakukan secara berulang sebelum terjadinya suatu produk.
b. Kesalahan kecil akan menjadi masalah besar jika tidak diketahui sejak awal
pengembangan.
c. Pelanggan sulit menyatakan kebutuhan secara eksplisit sehingga tidak dapat
mengakomodasi ketidakpastian pada saat awal pengembangan.
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.
2.9.1 Use Case Diagram

Use case diagram merupakan pemodelan untuk kelakuan (behavior)
sistem informasi yang akan dibuat. Use case digunakan untuk mengetahui fungsi
apa saja yang ada di dalam sistem informasi dan siapa saja yang berhak
menggunakan fungsi-fungsi tersebut. Simbol-simbol yang digunakan dalam Use
Case Diagram yaitu:
Dapat dilihat simbol-simbol yang terdapat pada diagram Use Case pada
Tabel 2.2
Tabel 2.2 Simbol Use Case Diagram
Gambar Keterangan
Use Case menggambarkan fungsionalitas yang
disediakan sistem sebagai unit-unit yang bertukar
pesan antar unit dengan aktir, yang dinyatakan
dengan menggunakan kata kerja
Actor Atau Aktor adalah Abstraction dari orang
atau sistem yang lain yang mengaktifkan fungsi
dari target sistem. Untuk mengidentifikasikan
aktor, harus ditentukan pembagian tenaga kerja
dan tugas-tugas yang berkaitan dengan peran pada
konteks target sistem. Orang atau sistem bisa
muncul dalam beberapa peran. Perlu dicatat
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)
2.9.2 Activity Diagram

Activity Diagram menggambarkan workflow (aliran kerja) atau aktivitas
dari sebuah sistem atau proses bisnis. Simbol – simbol yang ada pada activity
diagram dapat dilihat pada Tabel 2.3
Tabel 2.3 Simbol Activity Diagram
Simbol Deskripsi
Start Point, diletakkan pada pojok kiri atas dan

merupakan awal aktivitas.
17
End Point, akhir aktivitas.
Activities, menggambarkan suatu proses / kegiatan

bisnis.
Fork / percabangan, digunakan untuk

menunjukkan kegiatan yang dilakukan secara
paralel atau untuk menggabung kan dua kegiatan
paralel menjadi satu.
Join (penggabungan) atau rake, digunakan untuk

menunjukkan adanya dekomposisi .
Decision Points, menggambar kan pilihan untuk

pengambilan keputusan, true atau false.
18
Title
Function Swimlane, pembagian activity diagram untuk

menunjukkan siapa melakukan apa.
Phase
2.9.3 Class Diagram

Merupakan hubungan antar kelas dan penjelasan detail tiap-tiap kelas di
dalam model desain dari suatu sistem, juga memperlihatkan aturan-aturan dan
tanggung jawab entitas yang menentukan perilaku sistem. Class Diagram juga
menunjukkan atribut-atribut dan operasi-operasi dari sebuah kelas dan constraint
yang berhubungan dengan objek yang dikoneksikan (Gata & Gata, 2013). Simbol -
simbol yang ada pada diagram class diagram dapat dilihat pada Tabel 2.4.
Tabel 2.4 Simbol Class Diagram
Simbol Nama Deskripsi
ClassName Kelas pada struktur sistem
-memberName Kelas
-memberName
Sama dengan konsep interface

Interface dalam pemrograman berorientasi
objek.
Relasi antarkelas dengan makna

Asosiasi /
association umum, asosiasi biasanya disertai
dengan multiplicity.
Asosiasi
kelas yang satu digunakan oleh
berarah /
19
directed kelas yang lain, asosiasi biasanya
association
juga disertai dengan multiplicity.
Generalisasi generalisasi-spesialisasi (umum

khusus).
Kebergantu Relasi antarkelas dengan makna

ngan / kebergantungan antarkelas.
dependency

Agregasi /
semua-bagian.
aggregation
Sumber: (Sukamto & Shalahuddin, 2013)
2.9.4 Sequence Diagram

Sequence Diagram menggambarkan kelakuan objek pada use case dengan
mendeskripsikan waktu hidup objek dan pesan yang dikirimkan dan diterima antar
objek (Gata & Gata, 2013). Banyaknya Sequence Diagram yang harus digambar
adalah minimal sebanyak pendefinisian use case yang memiliki proses sendiri atau
semua use case yang telah didefinisikan interaksi jalannya pesan sudah dicakup
pada diagram sekuen sehingga semakin banyak use case yang didefinisikan maka
diagram sekuen yang harus dibuat juga banyak, simbol-simbol diagram sequence
dapat dilihat pada Tabel 2.5.
Tabel 2.5 Simbol Sequence Diagram
Simbol Deskripsi
Entity Class, merupakan bagian dari sistem yang
berisi kumpulan kelas berupa entitas-entitas
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.
Message, simbol mengirim pesan antar class.
Recursive, menggambarkan pengiriman pesan

yang dikirim untuk dirinya sendiri.
Activation, mewakili sebuah eksekusi operasi

dari objek, panjang kotak ini berbanding lurus
dengan durasi aktivasi sebuah operasi.
Lifeline, garis titik-titik yang terhubung dengan

objek, sepanjang lifeline terdapat activation.
2.10 Pengujian Perangkat Lunak

Menurut Pressman (2010) pengujian perangkat lunak mempunyai
beberapa sasaran penting, yaitu pengujian dilaksanakan dengan maksud
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).
2.11 Black-box Testing

Menurut (Pressman, 2012) pendekatan black-box merupakan pendekatan
pengujian untuk mengetahui apakah semua fungsi perangkat lunak telah berjalan
semestinya sesuai dengan kebutuhan fungsional yang telah didefinisikan.
Kasus uji ini bertujuan untuk menunjukkan fungsi perangkat lunak tentang
cara beroperasinya. Teknik pengujian ini berfokus pada domain informasi dari
perangkat lunak, yaitu melakukan kasus uji dengan mempartisi domain input dan
output program. Metode black-box memungkinkan perekayasa perangkat lunak
mendapatkan serangkaian kondisi input yang sepenuhnya menggunakan semua
persyaratan fungsional untuk suatu program. Pengujian ini berusaha menemukan
kesalahan dalam kategori fungsi-fungsi yang tidak benar atau hilang, kesalahan
interface, kesalahan dalam struktur data atau akses basis data eksternal, kesalahan
kinerja, dan inisialisasi dan kesalahan terminasi.
Menurut Ammann & Offutt (2016) menjelaskan keuntungan dan

kekurangan dari metode Black-box Testing yaitu:
Keuntungan penggunaan metode Black-box Testing adalah:
1. Penguji tidak perlu memiliki pengetahuan tentang bahasa pemrograman
tertentu.
2. Pengujian dilakukan dari sudut pandang pengguna, ini membantu untuk
mengungkapkan ambiguitas atau inkonsistensi dalam spesifikasi
persyaratan.
22
3. Programmer dan tester keduanya saling bergantung satu sama lain.
Kekurangan dari metode Black-box Testing adalah:

1. Uji kasus sulit desain tanpa spesifikasi yang jelas.
2. Kemungkinan memiliki pengulangan tes yang sudah dilakukan oleh
programmer.
3. Beberapa bagian back end tidak diuji sama sekali.
2.12 Tingkat Akurasi

Akurasi merupakan indikator untuk kerja suatu metode pengujian. Akurasi
dapat dinyatakan sebagai ukuran seberapa dekat nilai hasil ukur rata-rata yang
diperoleh dari sejumlah pengukuran berulang terhadap nilai sesungguhnya
(Ratnawati & Sunarko, 2008).
2.13 Confusion Matrix

Confusion matrix dapat diartikan sebagai suatu alat yang memiliki fungsi
untuk melakukan analisis apakah classifier tersebut baik dalam mengenali tuple
dari kelas yang berbeda. Nilai dari True-Positive dan True-Negative memberikan
informasi ketika classifier dalam melakukan klasifikasi data bernilai benar,
sedangkan False-Positive dan False-Negative memberikan informasi ketika
classifier salah dalam melakukan klasifikasi data (Fibrianda & Bhawiyuga, 2018).
Tabel 2.6 Model Confusion Matrix
Predicted Class
Yes No
Actual Class Yes TP FN
No FP TN
Sumber: (Han & Kamber, 2006)
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
Rumus untuk menghitung nilai akurasi adalah sebagai berikut:

(𝑇𝑃+𝑇𝑁)+(𝑇𝑃+𝑇𝑁)
𝐴= (𝑇𝑃+𝐹𝑃+𝐹𝑁+𝑇𝑁)+(𝑇𝑃+𝐹𝑃+𝐹𝑁+𝑇𝑁)
× 100% (2.4)
2.14 Penelitian Terdahulu

Beberapa tinjauan pustaka dari penelitian sebelumnya dijelaskan dalam
Tabel 2.7.
Tabel 2.7 Penelitian Terdahulu
No Nama Judul Tahun Hasil Penelitian
1 (Amin, 2016) Penerapan 2016 Algoritma ini akan
Algoritma CART mengolah dataset profil
untuk mahasiswa yang
Memprediksi berjumlah 238 data.
Status Kelulusan Berdasarkan hasil
Mahasiswa eksperimen, akurasi dari
model algoritma ini
sebesar 64,37%.
2 (Pratiwi et al., Klasifikasi 2014 Faktor yang
2014) Pengangguran mempengaruhi
Terbuka pengangguran terbuka
Menggunakan di
CART provinsi Sulawesi Utara
(Classification dengan menggunakan
and Regression CART yaitu
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
3.1 Waktu dan Tempat Penelitian

Penelitian ini dilakukan pada bulan Januari 2021 sampai Februari 2021 di
Puskesmas 11 Ilir Palembang.
3.2 Metode Pengumpulan Data

Teknik pengumpulan data merupakan cara mengumpulkan data yang
dibutuhkan untuk menjawab rumusan masalah penelitian, dalam memenuhi data
yang diperlukan untuk penelitian ini maka dilakukan observasi, wawancara dan
studi literatur. Berikut teknik pengumpulan data yang dilakukan peneliti di dalam
penelitian ini :
3.2.1 Data Primer

Data primer pada penelitian ini merupakan data yang diambil langsung
oleh peneliti dari sumber dengan data-data yang aktual dan sesuai fakta. Metode
yang digunakan untuk mendapatkan data primer yaitu :
1. Studi Observasi
Penelitian yang dilakukan langsung di Puskesmas 11 Ilir untuk melihat
objek yang diteliti, bertujuan untuk mendapatkan gambaran langsung tentang
hasil-hasil data Ibu yang telah mengalami persalinan.
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.
3.3 Metode Rekayasa Perangkat Lunak

Pada tahapan ini menjelaskan bagian-bagian yang akan dilakukan serta
menampilkan hasil yang diperoleh yaitu analisis dan desain antarmuka.
3.3.1 Analisis Kebutuhan Sistem

Analisis sistem adalah proses meninjau sistem yang ada dan tujuannya
untuk memperjelas tujuan dari pembuatan perangkat lunak yang sesuai dengan
aplikasi yang akan dibangun.
3.3.2 Kebutuhan Fungsional

Analisis sistem adalah proses meninjau sistem yang ada dan tujuannya
untuk memperjelas tujuan dari pembuatan perangkat lunak yang sesuai dengan
aplikasi yang akan dibuat.
1. Mengelola Data Pasien adalah fitur yang digunakan untuk menginput data
pasien seperti Usia Ibu, Tekanan Darah, Riwayat Abortus, SG LILA, dan
Masalah Saat Kehamilan.
2. Proses Mining adalah fitur yang digunakan untuk memproses data pasien
yang telah di input dengan melakukan proses mining menggunakan
Metode Classification and Regression Tree (CART).
3.3.3 Kebutuhan Non Fungsional

Kebutuhan non fungsional adalah kebutuhan yang melibatkan pada
perilaku yang di miliki oleh sistem. Aplikasi hanya digunakan oleh Bidan dan
Pasien. Kemudahan user dalam penggunaan aplikasi, waktu akses aplikasi dalam
menampilkan hasil, aplikasi hanya digunakan di operating sistem web.
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.
3.3.5 Spesifikasi Perangkat Lunak (Software)

Perangkat lunak (software) merupakan suatu program komputer yang
digunakan untuk membangun sebuah aplikasi atau program. Adapun komponen
perangkat lunak yang digunakan untuk membuat program pada penelitian ini adalah
sebagai berikut :
1. Sistem Operasi Windows 10 64 bit.
2. Web Browser untuk menjalankan aplikasi.
3.3.6 Desain Sistem

Tahapan desain sistem ini ialah membuat rancangan desain model
perangkat lunak dan rancangan desain masing-masing menu untuk aplikasi prediksi
usia kelahiran untuk mencegah hal-hal yang tidak diinginkan pada ibu hamil.
Desain model perangkat lunak yang akan digunakan meliputi Use Case Diagram,
Activity Diagram, Class Diagram, dan Sequence Diagram yang akan di jelaskan
sebagai berikut:
1. Use Case Diagram
Proses pada tahapan ini menjelaskan keterkaitan antara aktor dan user.
Interaksi tersebut dapat digambarkan dengan use case diagram. Berikut ini
adalah use case diagram sistem Aplikasi Prediksi Status Kelahiran untuk
30
mengelola data training, mengelola data testing, menguji identifikasi metode
CART dan melihat hasil:
a. Definisi Aktor Aplikasi Prediksi Usia Kelahiran

Definisi aktor merupakan mendefinisikan tentang aktor yang berperan di dalam
sistem. Identifikasi aktor dapat dilihat pada tabel 3.1
Tabel 3.1 Definisi Aktor
No Aktor Deskripsi
1 Admin Orang yang memiliki tugas untuk administrasi
terhadap sistem, melakukan pemeliharaan sistem
dan memiliki kewenangan mengatur hak akses
terhadap sistem.
2 User Orang yang dapat menguji identifikasi dan melihat
hasil.
b. Definisi Use Case Aplikasi Prediksi Usia Kelahiran

Definisi use case adalah mendefinisikan tentang use case yang berperan di
dalam sistem, dapat dilihat pada tabel 3.2
Tabel 3.2 Definisi Use Case
No Use Case Deskripsi Aktor
1 Mengelola data Menampilkan data kelola Admin
pasien dan dapat menambah,
mengubah dan
menghapus data training
2 Proses Mining Merupakan fitur untuk Admin
menampilkan hasil
proses mining
3 Melihat Hasil Merupakan fitur untuk User
menampilkan hasil
mining
31
Mengelola data pasien
Admin Proses Mining <<include>> Melihat Hasil
User
Gambar 3.1 Use Case Diagram Aplikasi Prediksi Usia Kelahiran
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
a. Skenario Activity Diagram Mengelola Data Pasien

Admin Sistem
Pilih menu mengelola data Menampilkan halaman Data

pasien Pasien
Input Data Pasien

Tidak
Menekan Tombol Simpan Benar
Ya
Menampilkan Data Pasien dan

Pesan data berhasil disimpan
Gambar 3.2 Skenario Activity Diagram Data Pasien
32
b. Skenario Activity Diagram Mengelola Proses Mining
Admin Sistem
Pilih menu mengelola Menampilkan halaman

proses mining proses mining
Memilih data pasien

Tidak
Menekan Tombol Prediksi Benar
Ya
Aplikasi melakukan proses

perhitungan metode CART
Aplikasi menampilkan hasil

mining
Gambar 3.3 Skenario Activity Diagram Data Testing
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()
Proses Data Training Proses Data Testing

+text: string +text: string
+proses_kelola_data_training(): string +proses_kelola_data_testing(): string
Data Training Proses Prediksi

+id +cart: string
+nama +proses_cart(): string
+usia
+tekanan_darah
+riwayat_abortus
+sg_lila
+masalah
+usia_kelahiran Data Testing
+create() +nama
+read() +usia
+update() +tekanan_darah
+delete() +riwayat_abortus
+sg_lila
+masalah
+usia_kelahiran
+create()
+read()
+update()
+delete()
Gambar 3.4 Skenario Class Diagram
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.
proses data training

Bidan halaman dashboard data pasien
pasien
1. masuk ke dalam dashboard

2. proses data pasien
3. set_id()
4. set_nama()
5. set_usia()
6. set_tekanan_darah()
7. set_abortus()
8. set_sg_lila()
9. set_masalah()
10. set_usia_kelahiran()
11. simpan_data()
12. return
Gambar 3.5 Sequence Diagram Data Pasien
34
halaman proses data testing
Bidan data pasien
dashboard pasien
1. masuk ke dalam dashboard

2. proses data pasien
3. set_nama()
4. set_usia()
5. set_tekanan_darah()
6. set_abortus()
7. set_nutrisi()
8. set_masalah()
9. klasifikasi
10. return
Gambar 3.6 Sequence Diagram Proses Mining
3.3.7 Perancangan Database

Perancangan database ini bernama db_kelahiran terdapat beberapa buah
tabel MySQL, berikut data tabel pada aplikasi prediksi usia kelahiran berbasis web:
1. Tabel Admin
Tabel admin digunakan untuk menyimpan data admin untuk
mengelola aplikasi prediksi usia kelahiran kemudian disimpan dengan
dengan atribut-atribut pada tabel 3.3.
Tabel 3.3 Struktur Tabel Admin
No Field Jenis Size Keterangan
1 Id Int 5 Primary Key
2 Username Varchar 15 -
3 Password Varchar 10 -
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 -
3.3.8 Tampilan Antarmuka

Tampilan antarmuka merupakan salah satu bagian terpenting dalam
pengembangan perangkat lunak dan desain sistem. Desain antarmuka yang baik
akan menentukan apakah perangkat lunak ini akan mudah digunakan oleh admin
yang akan mengelola.
1. Antarmuka Login
Gambar 3.7 Antarmuka Login
36
2. Antarmuka Data Training
Gambar 3.8 Antarmuka Data Training
3. Antarmuka Input Data
Gambar 3.9 Antamuka Input Data
37
4. Antarmuka Data Testing
Gambar 3.10 Antarmuka Data Testing
3.4 Contoh Penerapan Metode CART

Peneliti akan menjelaskan contoh penerapan metode CART pada kasus
prediksi usia kelahiran.
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
3.5
Tabel 3.5 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 - 120/80 mmHg )
c. Tinggi ( > 140/90 mmHg )
Ya
X3 Riwayat Abortus
Tidak
KEK = Kekurangan Energi Kronik ( < 23,5 cm )
X4 SG LILA (Lingkar Lengan Atas)
Normal ( 23,5 cm )
a. Anemia
b. Virus
c. Letak Bokong
X5 Masalah saat kehamilan d. Letak Lintang
e. Lilitan pada tali pusar
f. Panggul sempit (CPD)
g. Tidak Ada
a. Premature
Y Status Kelahiran b. Normal
c. Postdate
38
Sumber: Puskesmas 11 Ilir Palembang
• Tahap pertama, menyiapkan root dan kandidat cabang.

Tabel 3.6 menjelaskan tentang data sampel yang digunakan dalam
penjabaran Metode CART. Data Sampel tersebut didapatkan dari data sampel
pasien di Puskesmas 11 Ilir Palembang.
Tabel 3.6 Data Sampel
Usia Ibu Tekanan Darah Abortus SG LILA Masalah Usia Kelahiran
Kurang Normal Tidak Kurang Tidak Ada Normal
Cukup Normal Tidak Normal Tidak Ada Normal
Cukup Normal Tidak Normal Anemia Normal
Lebih Normal Tidak Normal Tidak Ada Normal
Lebih Normal Ya Normal Tidak Ada Normal
Kurang Normal Ya Kurang Tidak Ada Normal
Cukup Normal Ya Kurang Tidak Ada Normal
Kurang Rendah Tidak Kurang Anemia Prematur
Kurang Rendah Tidak Kurang Virus Prematur
Kurang Rendah Tidak Kurang Tidak Ada Prematur
Cukup Normal Tidak Normal Lilitan Postdate
Cukup Normal Tidak Normal Letak Postdate
Pembentukan pohon keputusan CART berisi enam tahapan. Tahapan

pertama, menyiapkan kandidat cabang. Tahap kedua menghitung tingkat impurity
pada data keseluruhan. Tahap ketiga, menghitung tingkat impurity cabang dengan
rumus Gain. Tahap keempat, kandidat yang memiliki tingkat impurity tertinggi
terpilih sebagai splitting node (node pembentuk cabang baru) Tahap kelima,
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 kedua yaitu menghitung tingkat impurity pada keseluruhan record.

Data yang digunakan pada tahap kedua adalah data sampel secara
keseluruhan. Data sampel berisi 16 record. Terdapat tiga atribut Ibu yang lahir
secara prematur, dua Ibu hamil lahir secara postdate dan 11 ibu lahir secara normal.
Ilustrasi perhitungan Gini Index parent dapat dilihat dibawah ini:
Total Data : 16 Data
Normal : 11 Data
Prematur : 3 Data
Postdate : 2 Data
Dengan persamaan (2.1)

11 2 3 2 2 2
𝐺𝑖𝑛𝑖 (𝐷) = 1 − ( ) − ( ) − ( )
16 16 16
𝐺𝑖𝑛𝑖 (𝐷) = 0,4765625
• 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

0 2 3 2 0 2
𝐺𝑖𝑛𝑖 (𝐷1 ) = 1 − ( ) − ( ) − ( )
3 3 3
𝐺𝑖𝑛𝑖 (𝐷1 ) = 0
Tekanan Darah = Normal

Total data = 13 data
Normal = 11 data
Prematur = 0 data
Postdate = 2 data

11 2 0 2 2 2
𝐺𝑖𝑛𝑖 (𝐷2 ) = 1 − ( ) − ( ) − ( )
13 13 13
𝐺𝑖𝑛𝑖 (𝐷2 ) = 0,26035503

3 13
𝐺𝑖𝑛𝑖𝐴 (𝐷) = 0+ 0,26035503
16 16
𝐺𝑖𝑛𝑖𝐴 (𝐷) = 0,211538

∆𝐺𝑖𝑛𝑖 (𝐷) = 0,4765625 − 0,211538
∆𝐺𝑖𝑛𝑖 (𝐷) = 0,2650245
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
Perhitungan ini menjelaskan tentang tingkat impurity pada semua kandidat

tidak bernilai 0, maka terjadi proses pemilihan cabang anak kiri dan cabang anak
kanan. Selanjutnya, dikarenakan Nilai tingkat impurity pada semua kandidat tidak
bernilai 0, maka masuk ke tahap selanjutnya.
• Tahapan keempat menentukan nilai impurity terbesar menjadi node / atribut

pembentuk cabang baru.
Tabel 3.8 menunjukan Impurity terbesar pada node / atribut Tekanan
Darah.
Tabel 3.8 Impurity pada atribut Tekanan Darah
Left Right
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
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
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
Malnutrisi
10 Normal Kurang 9 7 0 2 0,345679 7 4 3 0 0,489796 0,40873 0,067832
3 2 1 0 0,444444 13 9 2 2 0,473373 0,467949 0,008614
1 0 1 0 0 15 11 2 2 0,426667 0,4 0,076562
0 0 0 0 0 16 11 3 2 0,476563 0,476563 0
Masalah
1 0 0 1 0 15 11 3 1 0,417778 0,391667 0,084896
1 0 0 1 0 15 11 3 1 0,417778 0,391667 0,084896
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
Gambar 3.11 Proses penentuan cabang pada atribut Tekanan Darah
• Tahap keenam, masuk ke tahap rekursif.

Tahap keenam ialah masuk ke tahap rekursif, di karenakan pada cabang
Tekanan Darah belum bersifat pure, maka ulangi dari tahapan pertama hingga
bersifat pure.
• Tahap pertama, menyiapkan kandidat cabang.

Tahap pertama adalah menyiapkan kandidat cabang pada cabang anak kiri.
Data sampel akan diseleksi berdasarkan data anak kiri (Tekanan Darah = Rendah).
Hal ini berdampak pada data hasil seleksi seperti pada tabel 3.9.
Tabel 3.9 Data sampel Tekanan Darah Rendah
Usia Ibu Tekanan Darah Abortus SG LILA Masalah Usia Kelahiran
Kurang Rendah Tidak Kurang Anemia Prematur
Kurang Rendah Tidak Kurang Virus Prematur
Kurang Rendah Tidak Kurang Tidak Ada Prematur
• Tahap kedua, hitung impurity pada keseluruhan record.

Masuk ke dalam pembentukan pohon pada tahap kedua, data yang
digunakan adalah tabel 3.9 yang sudah disaring. Data sampel di atas memiliki 3
baris data. Terdapat 3 data ibu melahirkan secara Prematur.
Total data = 3 data
Normal = 0 data
43
Prematur = 3 data
Postdate = 0 data

0 2 3 2 0 2
𝐺𝑖𝑛𝑖 (𝐷) = 1 − ( ) − ( ) − ( )
3 3 3
𝐺𝑖𝑛𝑖 (𝐷) = 0
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
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
1 0 1 0 0 2 0 2 0 0 0 0
1 0 1 0 0 2 0 2 0 0 0 0
0 0 0 0 0 3 0 3 0 0 0 0
Masalah
0 0 0 0 0 3 0 3 0 0 0 0
0 0 0 0 0 3 0 3 0 0 0 0
1 0 1 0 0 2 0 2 0 0 0 0
• Tahap keempat, menentukan nilai impurity tertinggi (nilai Gain tertinggi)

menjadi node / atribut pembentuk cabang terbaru.
Tabel 3.10 semua kandidat memiliki tingkat impurity sebesar 0. Hal ini
disimpulkan node anak kiri yaitu tekanan darah rendah sudah bersifat pure.
Selanjutnya, dicari label dengan nilai tertinggi dan berada pada label Prematur
sehingga node Tekanan darah rendah merupakan leaf yang memiliki label prematur
seperti tabel 3.9. Hal ini dapat disimpulkan bahwa node anak kiri yaitu Tekanan
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.
Gambar 3.12 Tekanan Darah memiliki label Prematur

Selanjutnya karena cabang anak kiri sudah ada label maka proses rekursif
berhenti. Kemudian, masuk proses pada cabang anak kanan berdasarkan kondisi
Tekanan Darah Normal dengan data seperti pada tabel 3.11 Tabel 3.11 berisi 13
data record. Terdapat 11 Ibu hamil yang lahir secara Normal, dan 2 Ibu hamil yang
lahir secara Postdate.
Tabel 3.11 Data sampel Tekanan Darah Normal
Usia Ibu Tekanan Darah Abortus Nutrisi Masalah Usia Kelahiran
Cukup Normal Tidak Normal Letak Postdate
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

11 2 0 2 2 2
𝐺𝑖𝑛𝑖 (𝐷) = 1 − ( ) − ( ) − ( )
13 13 13
𝐺𝑖𝑛𝑖 (𝐷) = 0,26035503
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
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
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
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
2 2 0 0 0 11 9 0 2 0,297521 0,251748 0,008606778
0 0 0 0 0 13 11 0 2 0,260355 0,260355 0
0 0 0 0 0 13 11 0 2 0,260355 0,260355 0
Masalah
1 0 0 1 0 12 11 0 1 0,152778 0,141026 0,119329389
1 0 0 1 0 12 11 0 1 0,152778 0,141026 0,119329389
9 9 0 0 0 4 2 0 2 0,5 0,153846 0,106508876
46
Tabel 3.13 Impurity tertinggi pada atribut masalah saat kehamilan
Left Right
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
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
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
2 2 0 0 0 11 9 0 2 0,297521 0,251748 0,008606778
0 0 0 0 0 13 11 0 2 0,260355 0,260355 0
0 0 0 0 0 13 11 0 2 0,260355 0,260355 0
Masalah
1 0 0 1 0 12 11 0 1 0,152778 0,141026 0,119329389
1 0 0 1 0 12 11 0 1 0,152778 0,141026 0,119329389
9 9 0 0 0 4 2 0 2 0,5 0,153846 0,106508876
Tabel 3.13 menunjukkan tingkat impurity pada semua kandidat tidak

bernilai 0, maka terjadi proses tahapan keempat menentukan nilai impurity terbesar
menjadi node / atribut pembentuk cabang baru. Impurity terbesar pada node / atribut
masalah saat kehamilan.
• 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
• Tahap keenam, masuk ke tahap rekursif.

Tahap keenam ialah masuk ke tahap rekursif, di karenakan pada cabang
Masalah saat kehamilan belum bersifat pure, maka ulangi dari tahapan pertama
hingga bersifat pure.

Selanjutnya, masuk ke tahap rekursif pada cabang anak kiri. Data sampel
akan di saring berdasarkan data pada cabang anak kiri (masalah = lilitan) pada tabel
3.14.
Tabel 3.14 Data sampel pada masalah lilitan
Cukup Normal Tidak Normal Letak Bayi Postdate

Masuk ke dalam pembentukan pohon data yang digunakan adalah data
tabel 3.14 yang sudah disaring. Data sampel di atas memiliki 1 baris data. Hanya
terdapat ibu hamil yang melahirkan secara postdate.
Total data : 2 data
Normal : 0 data
Prematur : 0 data
Postdate : 2 data
48
0 2 0 2 2 2
𝐺𝑖𝑛𝑖 (𝐷) =1−( ) −( ) −( )
2 2 2
record
menggunakan rumus Gain dapat dilihat pada tabel 3.15
Tabel 3.15 Menghitung pada keseluruhan record masalah kelilitan
Left Right
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
0 0 0 0 0 2 0 0 2 0 0 0
0 0 0 0 0 2 0 0 2 0 0 0
0 0 0 0 0 2 0 0 2 0 0 0
Masalah
2 0 0 2 0 0 0 0 0 0 0 0
0 0 0 0 0 2 0 0 2 0 0 0
0 0 0 0 0 2 0 0 2 0 0 0

Tabel 3.15 menunjukkan tingkat impurity pada semua kandidat telah
bernilai 0, Hal ini disimpulkan node anak kiri yaitu masalah pada Lilitan tali pusar
dan letak bayi yang tidak sesuai sudah bersifat pure dan memiliki label Postdate
dapat dilihat pada Gambar 3.14 node anak kiri yaitu masalah tali pusar telah
memilik label Postdate.
49
Gambar 3.14 Masalah lilitan memiliki label Postdate
• Tahap pertama, menyiapkan kandidat cabang

Selanjutnya karena cabang anak kiri sudah ada label maka proses rekursif
berhenti. Kemudian, masuk proses pada cabang anak kanan berdasarkan kondisi
Masalah Anemia, Letak Bayi dan Tidak Ada Masalah.
Tabel 3.16 Data sampel pada Masalah Anemia, Letak Bayi dan Tidak Ada
Masalah

Masuk ke dalam pembentukan pohon, data yang digunakan adalah data
tabel 3.16 yang sudah disaring. Data sampel di atas memiliki 11 baris data. Terdapat
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

11 2 0 2 0 2
𝐺𝑖𝑛𝑖 (𝐷) = 1 − ( ) − ( ) − ( )
11 11 11
record
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
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
2 2 0 0 0 9 9 0 0 0 0 0
0 0 0 0 0 11 11 0 0 0 0 0
0 0 0 0 0 11 11 0 0 0 0 0
Masalah
0 0 0 0 0 11 11 0 0 0 0 0
0 0 0 0 0 11 11 0 0 0 0 0
9 9 0 0 0 2 2 0 0 0 0 0

Tabel 3.17 dapat dilihat bahwa pada data semua kandidat memiliki tingkat
impurity sebesar 0. Hal ini menyatakan bahwa pada node anak kanan yaitu Masalah
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
Setelah mendapatkan pohon keputusan dari data sampel, di dapatkanlah

aturan-aturan dibawah ini :
1. Jika tekanan darah rendah, maka bayi lahir berpotensi prematur.
2. Jika tekanan darah normal, namun memiliki masalah lilitan pada tali pusar
dan letak bayi yang tidak semestinya maka bayi lahir berpotensi postdate.
3. Jika tekanan darah normal, namun memiliki masalah anemia dan tidak
memiliki masalah pada kehamilan maka bayi lahir berpotensi normal.
Maka, dari kasus di atas dapat disimpulkan bahwa pada ibu hamil yang
mengalami tekanan darah rendah berpotensi lahir secara Prematur. Jika ibu hamil
dengan tekanan darah normal namun mengalami masalah yaitu lilitan pada tali
pusar dan masalah letak bayi tidak semestinya maka berpotensi lahir secara
postdate. Apabila ibu hamil dengan tekanan darah normal serta memiliki masalah
anemia atau tidak mempunyai masalah saat kehamilan maka berpotensi lahir secara
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.
4.1.1 Hasil Implementasi

Pembahasan implementasi merupakan hasil atau gambaran dari
implementasi penentuan status kelahiran dengan menggunakan metode
Classification and Regression Tree pada sistem operasi Windows 10 dengan
menggunakan XAMPP v3.3.0 dan Web Browser Google Chrome.
a. Tampilan Halaman Login

Halaman form login adalah form yang berisi dimana admin diminta untuk
memasukkan username dan password lalu terdapat tombol Login yang berfungsi
untuk memproses login. Tampilan halaman login dapat dilihat pada Gambar 4.1.
Gambar 4.1 Halaman Login
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
Gambar 4.2 Halaman Mengelola Data Pasien
c. Tampilan Halaman Tambah Data Pasien

Halaman Mengelola Data Pasien ini admin dapat menginput data pasien
seperti nama, usia, tekanan darah, riwayat abortus, sg lila, masalah saat kehamilan,
status kelahiran. Tampilan halaman tambah data pasien dapat dilihat pada Gambar
4.3.
Gambar 4.3 Halaman Tambah Data Pasien
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
Gambar 4.4 Halaman Proses Mining
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.
4.2.1 Tujuan Pengujian

Tujuan dilakukannya pengujian adalah untuk mengetahui apakah sistem
telah berjalan sesuai dengan sasaran pembuatan, yaitu menguji apakah
implementasi dari sistem telah berjalan dengan baik atau tidak.
4.2.2 Pengujian Sistem

Pengujian yang dilakukan yaitu pengujian black-box dan pengujian kepada
pengguna. Pengujian black-box digunakan untuk mengetahui efektifitas dan
efesiensi dari sistem yang dihasilkan. Pengujian black-box dimaksudkan untuk
mengetahui apakah fungsi-fungsi, masukan dan keluaran dari sistem sesuai dengan
55
spesifikasi yang dibutuhkan. Berdasarkan hasil uji coba aplikasi, hasil yang
diperoleh dapat dilihat pada tabel berikut:
Nama : Keken Wilandra

Pekerjaan : Swasta
Email : wilandrakeken@gmail.com
Tabel 4.1 Pengujian Halaman Form Login Responden 1
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
Status melalui web pada layar 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
Tabel 4.2 Pengujian Halaman Mengelola Data Pasien Responden 1

Pengujian Halaman Mengelola Data Pasien
1 Mengakses Mengklik Masuk Ke Masuk Ke Valid
Halaman Halaman Halaman Halaman
Mengelola Mengelola Mengelola Mengelola
Data Pasien Data Pasien Data Pasien Data Pasien
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
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
secara
lengkap lalu
klik button
Tambah Data
Nama : Muttawahsilla
Pekerjaan : Mahasiswa
Email : muttawahsilla123@gmail.com
pada layar web
58
Status melalui web pada layar
utama

secara
lengkap lalu
59
klik button
Tambah Data
Mengelola halaman
data pasien
Data Pasien mengelola mengelola data mengelola
data pasien pasien data pasien
terhapus terhapus

Mining Mining
klik button
Proses
60
secara
lengkap lalu
klik button
Tambah Data
Nama : Ghitta Risla Rahma Fasya

Pekerjaan : Mahasiswa
Email : ghittarisla27@gmail.com
Status melalui web pada layar web pada layar
utama

61
secara
lengkap lalu
klik button
Tambah Data
Mengelola halaman
data pasien
Data Pasien mengelola data mengelola
62
mengelola pasien data pasien
data pasien terhapus terhapus

Mining Mining
klik button
Proses
secara
lengkap lalu
klik button
Tambah Data
4.2.3 Pengujian Tingkat Akurasi Classification and Regression Tree

Tabel 4.10 Hasil Classification and Regression Tree
No Nama Status Sebenarnya Prediksi Hasil
Pengujian
1 SAMPLE 1 Normal Normal True
63
12 SAMPLE 12 Premature Premature True
15 SAMPLE 15 Postdate Postdate True
19 SAMPLE 19 Normal Postdate False
Tabel 4.11 Hasil Akurasi Classification and Regression Tree

Aktual
Sesuai Tidak Sesuai
Prediksi
Sesuai True Positive (TP) False Positive (FP)
24 0
Tidak Sesuai False Positve (FN) True Negative (TN)
1 0
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
𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 (𝑇𝑃)

𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 = × 100%
𝑇𝑟𝑢𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 (𝑇𝑃) + 𝐹𝑎𝑙𝑠𝑒 𝑃𝑜𝑠𝑖𝑡𝑖𝑣𝑒 (𝐹𝑃)
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
Amin, M. F. (2016). Penerapan Algoritma Cart Untuk Memprediksi Status

Kelulusan Mahasiswa. Jutisi: Jurnal Ilmiah Teknik Informatika Dan Sistem
Informasi, 5(3), 1215–1222.
Ammann, P., & Offutt, J. (2016). Introduction to Software Testing. In Introduction
to Software Testing. Cambridge University Press.
https://doi.org/10.1017/9781316771273
Andi. (2014). Sistem Informasi Penjualan Online. 10(2), 46–57.
Bandiyah, S. (2009). Kehamilan, Persalinan dan Gangguan Kehamilan. Jurnal
Ilmiah Keperawatan Sai Betik, 13(1), 31–34.
Breiman, L., Friedman, J., Stone, C. J., & Olshen, R. A. (1993). Classification and
Regression Trees. Encyclopedia of Data Warehousing and Mining, 246–280.
https://doi.org/10.4018/9781591405573.ch027
Clune, T. L., & Rood, R. B. (2011). Software testing and verification in climate
model development. IEEE Software, 28(6), 49–55.
https://doi.org/10.1109/MS.2011.117
Dhika, H., Isnain, N., & Tofan, M. (2019). Manajemen Villa Menggunakan Java
Netbeans Dan Mysql. IKRA-ITH INFORMATIKA : Jurnal Komputer Dan
Informatika, 3(2), 104–110. https://journals.upi-yai.ac.id/index.php/ikraith-
informatika/article/view/324
Fibrianda, M. F., & Bhawiyuga, A. (2018). Analisis Perbandingan Akurasi Deteksi
Serangan Pada Jaringan Komputer Dengan Metode Naïve Bayes Dan Support
Vector Machine (SVM). Jurnal Pengembangan Teknologi Informasi Dan
Ilmu Komputer, 2(9), 3112–3123.
Fobia, M. E., & Setyawan, Y. (2020). Perbandingan Metode Classification and
Regression Tree (CART) dan Metode Regresi Logistik Biner dalam
Mengklasifikasikan Status Wanita Bekerja di Kota Kupang. Jurnal Statistika
Industri Dan Komputasi, 5(1), 66–74.
Gata, W., & Gata, G. (2013). Sukses Membangun Aplikasi Penjualan dengan Java.
Crop Science, 107–116.
https://doi.org/10.2135/cropsci1983.0011183x002300020002x
Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques, Second
Edition. Creative Information Technology Journal, 4(2), 151.
https://doi.org/10.24076/citec.2017v4i2.106
Hariati, Wati, M., & Cahyono, B. (2018). Penerapan Algoritma C4.5 Decision Tree
pada Penentuan Penerima Program Bantuan Pemerintah Daerah Kabupaten
Kutai Kartanegara. Jurti, 2(1), 27–36.
Indah, Firdayanti, & Nadyah. (2019). Manajemen Asuhan Kebidanan Intranatal
Pada Ny. N dengan Usia Kehamilan Preterm di RSUD Syekh Yusuf Gowa
Tanggal 01 Juli 2018. Jurnal Widwifery, 1(1), 1–14.
Indahsari, D. K., & Kurniawan, Y. I. (2019). Jurnal Kebidanan APLIKASI
METODE K-NEAREST NEIGHBOR. Jurnal Kebidanan, XI(100), 1–14.
Indraswari, N. R., & Kurniawan, Y. I. (2018). Aplikasi Prediksi Usia Kelahiran
Dengan Metode Naive Bayes. Simetris: Jurnal Teknik Mesin, Elektro Dan
Ilmu Komputer, 9(1), 129–138. https://doi.org/10.24176/simet.v9i1.1827
Kurniawan, Y. I., & Dwiyatmika, W. (2013). Aplikasi diagnosa retardasi mental
pada anak. Penguatan Individu Di Era Revolusi Informasi, 336–343.
https://publikasiilmiah.ums.ac.id/handle/11617/9053
Lestari, I. D. (2016). Klasifikasi Online dan Google. Jurnal Iqra, 10(02), 14–15.
Merawati, D., & Rino. (2019). Penerapan Data Mining Penentu Minat Dan Bakat
Siswa Smk Dengan Metode C4.5. Jurnal Algor, 1(1), 28–37.
Nakagawa, E. Y., & Maldonado, J. C. (2011). Contributions and perspectives in
architectures of software testing environments. Proceedings - 25th Brazilian
Symposium on Software Engineering, SBES 2011, 66–71.
https://doi.org/10.1109/SBES.2011.42
Norma, & Nita. (2013). Asuhan Kebidanan Patologi. 3(1), 110–122.
https://doi.org/10.36729/jam.v3i1.166
Pratiwi, F. E., Pratiwi, F. E., & Zain, I. (2014). Klasifikasi Pengangguran. Jurnal
Sains Dan Seni ITS, 3(1), D54–D59.
http://www.ejurnal.its.ac.id/index.php/sains_seni/article/view/6129
Presman, R. (2010). Software Engineering A Practitiooner’s Approach (7th Edition
ed). Notes and Queries, 8–22. https://doi.org/10.1093/nq/182.23.321-a
Pressman, R. S. (2010). Software Quality Engineering: A Practitioner’s Approach.
In Software Quality Engineering: A Practitioner’s Approach (Vol.
9781118592). https://doi.org/10.1002/9781118830208
Pressman, R. S. (2012). Rekayasa Perangkat Lunak (Pendekatan Praktisi).
November.
https://www.researchgate.net/profile/Aceng_Wahid/publication/346397070_
Analisis_Metode_Waterfall_Untuk_Pengembangan_Sistem_Informasi/links/
5fbfa91092851c933f5d76b6/Analisis-Metode-Waterfall-Untuk-
Pengembangan-Sistem-Informasi.pdf
Raharjo, B. (2011). Belajar Otodidak Membuat Database Menggunakan MySQL.
Is The Best [Accounting Information System & Information Technology
Business Enterprise], 4(1), 426–440.
https://doi.org/10.34010/aisthebest.v4i1.1831
Rani, L. N. (2016). Klasifikasi Nasabah Menggunakan Algoritma C4.5 Sebagai
Dasar Pemberian Kredit. INOVTEK Polbeng - Seri Informatika, 1(2), 126.
https://doi.org/10.35314/isi.v1i2.131
Ratnawati, E., & Sunarko. (2008). Evaluasi Kinerja Fasilitas Iradiasi Sistem Rabbit
Menggunakan Bahan Acuan Standard Dengan Metode AAN. Buletin
Pengelolaan Reaktor Nuklir, 5(2), 49–55.
Siregar, A. B., Buulolo, E., & Ginting, P. (2017). Pemanfaatan Algoritma
Classification and Regression Tress ( Cart ) Untuk Memprediksi Omset
Spanduk Pada Cv . Moeha. Konferensi Nasional Teknologi Informasi Dan
Komputer (KOMIK), I, 347–354.
Steinberg, D. (2009). Chapter 10 CART : Classification and Regression Trees.
Suhartanto, M. (2012). Pembuatan Website Sekolah Menengah Pertama Negeri 3
Delanggu Dengan Menggunakan Php Dan Mysql. Jurnal Speed, 4(1), 1–8.
http://speed.web.id/ejournal/index.php/Speed/article/view/226
Sukamto, R. A., & Shalahuddin, M. (2013). Modul Pembelajaran Rekayasa
Perangkat Lunak (Terstruktur dan Berorientasi Objek). 2(2013), 21–28.
Turban, E., Aronson, J. E., & Liang, T. P. (2005). Decision Support Systems and
Clinical Innovation. Getting Research Findings into Practice: Second Edition,
123–137. https://doi.org/10.1002/9780470755891.ch11
Wibowo, A. (2007). 16 Aplikasi PHP Gratis Untuk Pengembangan Situs Web.
10(1), 1. https://doi.org/10.36723/juri.v10i1.53
Wicaksono. (2008). Membangun Bisnis Online dengan Mambo. Jurnal Manajemen
Informatika, 6(1).
L
A
M
P
I
R
A
N
BIODATA PRIBADI
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

M Sandy Yudha - 2017110019

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

M Sandy Yudha - 2017110019

Diunggah oleh

Hak Cipta:

Format Tersedia

UNIVERSITAS INDO GLOBAL MANDIRI

PENGGUNAAN METODE CLASSIFICATION AND

PROGRAM STUDI TEKNIK INFORMATIKA

Diajukan Sebagai Syarat Untuk Menyelesaikan

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER

UNIVERSITAS INDO GLOBAL MANDIRI PALEMBANG

Skripsi ini kupersembahkan untuk:

Puji dan Syukur Penulis persembahkan kehadiran Allah SWT berkat

Palembang, Juni 2021

Gambar 2.1 Tahap-Tahap Data Mining .............................................................. 7

Tabel 2.1 Variabel dan Atribut ......................................................................... 10

Lampiran 1 Riwayat Hidup

1.1 Latar Belakang

1.3 Batasan Masalah

1.4 Tujuan Dan Manfaat Penelitian

1.5 Sistematika Penulisan

BAB 2 LANDASAN TEORI

BAB 3 METODE PENELITIAN

BAB 4 HASIL DAN PEMBAHASAN

2.3 Data Mining

Sumber: (Han & Kamber, 2006)

2.4 Classification and Regression Tree (CART)

3. Menghitung tingkat impurity setiap cabang menggunakan rumus Gain.

𝐷𝑎𝑡𝑎 𝐶𝑎𝑏𝑎𝑛𝑔 𝐾𝑖𝑟𝑖 𝐷𝑎𝑡𝑎 𝐶𝑎𝑏𝑎𝑛𝑔 𝐾𝑎𝑛𝑎𝑛

Setelah mendapatkan hasil 𝐺𝑖𝑛𝑖 𝐴 , menghitung ∆ 𝐺𝑖𝑛𝑖 menggunakan

∆ 𝐺𝑖𝑛𝑖 = 𝐺𝑖𝑛𝑖 − 𝐺𝑖𝑛𝑖𝐴 (2.3)

Gambar 2.2 Tampilan antarmuka XAMPP

2.8 Metode Pengembangan Waterfall

Sumber : (Pressman, 2012)

Menurut Presman (2010) menjelaskan keuntungan dan kekurangan dari

Kelemahan Metode Waterfall

2.9.1 Use Case Diagram

2.9.2 Activity Diagram

Start Point, diletakkan pada pojok kiri atas dan

Activities, menggambarkan suatu proses / kegiatan

Fork / percabangan, digunakan untuk

Join (penggabungan) atau rake, digunakan untuk

Decision Points, menggambar kan pilihan untuk

Function Swimlane, pembagian activity diagram untuk

Sumber: (Gata & Gata, 2013)

2.9.3 Class Diagram

Sama dengan konsep interface

Relasi antarkelas dengan makna

Generalisasi generalisasi-spesialisasi (umum

Kebergantu Relasi antarkelas dengan makna

Relasi antarkelas dengan makna

Sumber: (Sukamto & Shalahuddin, 2013)

2.9.4 Sequence Diagram

Message, simbol mengirim pesan antar class.

Recursive, menggambarkan pengiriman pesan

Activation, mewakili sebuah eksekusi operasi

Lifeline, garis titik-titik yang terhubung dengan

Sumber: (Gata & Gata, 2013)

2.10 Pengujian Perangkat Lunak

2.11 Black-box Testing

Menurut Ammann & Offutt (2016) menjelaskan keuntungan dan

Kekurangan dari metode Black-box Testing adalah:

2.12 Tingkat Akurasi

2.13 Confusion Matrix

Rumus untuk menghitung nilai akurasi adalah sebagai berikut:

2.14 Penelitian Terdahulu

3.1 Waktu dan Tempat Penelitian