SKRIPSI NOVRI ANDRE (F1F016016) Revisi Setelah Sidang

SKRIPSI
KLASIFIKASI KEJADIAN PREEKLAMPSIA DENGAN
MENGGUNAKAN METODE CHI-SQUARED AUTOMATIC INTERACTION
DETECTION (CHAID) DAN CLASSIFICATION AND REGRESSION TREES (CART)
(Studi Kasus: Ibu Hamil Puskesmas Ratu Agung Kota Bengkulu)
NOVRI ANDRE
F1F016016
PROGRAM STUDI S1 STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BENGKULU
2021
SKRIPSI
Diajukan untuk memenuhi persyaratan penulisan skripsi
NOVRI ANDRE
F1F016016
PROGRAM STUDI S1 STATISTIKA
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS BENGKULU
2021
ii
iii
MOTTO DAN PERSEMBAHAN
Motto:
 “Allah tidak membebani seseorang melainkan sesuai dengan

kesanggupannya. Dia mendapat (pahala) dari (kebajikan) yang
dikerjakannya dan dia mendapat (siksa) dari (kejahatan) yang
diperbuatnya” (Q.S Al-Baqarah 286)
 “Apabila kamu telah selesai (dari suatu urusan), maka kerjakanlah dengan
sungguh-sungguh (urusan) yang lain” (Q.S Al-Insyirah 7)
Persembahan:
Syukur Alhamdulillah, penulis telah dapat menyelesaikan Skripsi yang berjudul

“Klasifikasi Kejadian Preeklampsia Dengan Menggunakan Metode Chi-Squared
Automatic Interaction Detection (CHAID) dan Classification And Regression
Trees (CART)” dengan lancar. Skripsi ini penulis persembahkan kepada orang-
orang yang berjasa seperti:
1. Kedua orang tua saya tercinta, Almarhum Bapak Akhiruddin dan Ibu
Onayurita, tersayang yang selalu mendoakan dan memberi segenap kasih
sayang serta dukungan yang tiada henti.
2. Kakakku dan suami (Nilva Yurita dan Fuad Syazali Lubis), kepada
Abangku dan Istri (Defri Akbar dan Risky Tri Mentari), yang telah
memberikan semangat, motivasi dan dukunganya.
3. Ibu Dian Agustina, S.Si., M.Sc. selaku Ketua Prodi Statistika Universitas
Bengkulu dan Dosen Pembimbing Utama, Bapak Prof. Ir. Sigit Nugroho,
M.Sc., Ph.D selaku Dosen Pembimbing Pendamping, Ibu Dyah Setyo Rini,
S.Si., M.Si. selaku Dosen Penguji I, Ibu Herlin Fransiska, S.Si., M.Si.
selaku dosen Penguji II. Ibu Winalia Agwil, S.Si., M.Si selaku Pembimbing
Akademik. Terimakasih telah memberikan waktu, bimbingan, arahan, ilmu
dan saran sehingga penulis dapat menyelesaikan skripsi ini dengan baik.
4. Semua Bapak Ibu dosen serta staf dan karyawan di Jurusan Matematika
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Bengkulu.
5. Teman-teman seperjuangan Statistika 2016, HIMASTA, serta adik-adik

tingkat.
iv
PERNYATAAN KEASLIAN TULISAN
Yang bertanda tangan di bawah ini:
Nama : Novri Andre
NPM : F1F016016
Fakultas : MIPA
Program Studi : Statistika
Menyatakan dengan sesungguhnya bahwa skripsi ini disusun sebagai syarat untuk
memperoleh gelar Sarjana Statistika (S.Stat) dari Program Studi Statistika Fakultas
Matematika dan Ilmu Pengetahuan Alam Universitas Bengkulu seluruhnya
merupakan hasil karya sendiri.
Bagian tertentu dalam penulisan skripsi ini dikutip dari hasil karya orang lain yang
telah dicantumkan sumbernya secara jelas sesuai norma, etika, dan kaidah
penulisan ilmiah.
Apabila dikemudian hari ditemukan seluruh atau sebagian skripsi ini adanya
plagiat dalam bagian-bagian tertentu, saya bersedia menerima sanksi sesuai dengan
perundangan yang berlaku.
Bengkulu, Agustus 2021
Novri Andre
v
ABSTRAK
Oleh:
NOVRI ANDRE
F1F016016
Preeklampsia merupakan kelainan multisistemik spesifik pada kehamilan

yang ditandai oleh timbulnya hipertensi dan proteinuria setelah umur kehamilan 20
minggu. Faktor risiko penyebab preeklampsia harus diperhatikan secara serius agar
berdampak pada penurunan angka preeklampsia pada ibu hamil. Oleh karena itu
dilakukan analisis untuk mengklasifikasikan kejadian preeklampsia pada ibu hamil
sehingga akan diketahui faktor risiko apa saja yang berpengaruh terhadap kejadian
preeklampsia. Metode yang digunakan adalah CHAID dan CART yang akan
menghasilkan pohon keputusan dalam klasifikasi sehingga akan memudahkan
dalam interpretasi. Data yang digunakan sebanyak 110 ibu hamil yang terdiri dari
55 ibu yang preeklampsia dan 55 ibu yang tidak preeklampsia. Analisis CHAID
menghasilkan 6 segmen klasifikasidan akurasi dari klasifikasi CHAID sebesar
71,8%. Analisis CART menghasilkan 14 segmen klasifikasi dan akurasi dari
klasifikasi CART sebesar 75,5%. Dari analisis CHAID dapat disimpulkan bahwa
ibu hamil yang memiliki risiko terbesar mengalami preeklampsia adalah ibu hamil
yang memiliki riwayat penyakit, dan terkena anemia, sedangkan ibu hamil yang
memiliki kemungkinan terbesar untuk tidak mengalami preeklampsia adalah ibu
hamil yang tidak memiliki riwayat penyakitdan paritas 2-3. Untuk analisis CART
dapat disimpulkan bahwa ibu hamil yang memiliki risiko terbesar mengalami
preeklampsia adalah ibu hamil yang memiliki riwayat penyakit , anemia dan
berpendidikan rendah, sedangkan ibu hamil yang memiliki kemungkinan terbesar
untuk tidak mengalami preeklampsia adalah ibu hamil yang tidak memiliki riwayat
penyakit, paritas 2-3 dan berpendidikan rendah.
Kata kunci: CART, CHAID, Klasifikasi, Pohon Keputusan, Preeklamsia.
vi
ABSTRACT
CLASSIFICATION PREECLAMSIA WITH
USING CHI-SQUARE AUTOMATIC INTERACTION DETECTION
(CHAID) AND CLASSIFICATION AND REGRESSION TREES (CART) METHODS
(Case Study: Pregnant Women in Ratu Agung Public Health Center, Bengkulu City)
NOVRI ANDRE
F1F016016
Preeclampsia is a pregnancy-specific multisystemic disorder characterized by

the Preeclampsia is a pregnancy-specific multisystemic disorder characterized by
the onset of hypertension and proteinuria after 20 weeks of gestation. Risk factors
that cause preeclampsia must be considered seriously in order to have an impact on
reducing the number of preeclampsia in pregnant women. Therefore, an analysis
was carried out to classify the incidence of preeclampsia in pregnant women so
that it would be known what risk factors influenced the incidence of preeclampsia.
The method used is CHAID and CART which will produce a decision tree in the
classification so that it will be easier for interpretation. The data used were 110
pregnant women consisting of 55 women who were preeclampsia and 55 women
who were not. The CHAID analysis resulted in 6 classification segments and the
accuracy of the CHAID classification was 71.8%. CART analysis resulted in 14
classifications and the accuracy of the CART classification was 75.5%. From the
CHAID analysis, it can be said that pregnant women who have the greatest risk of
experiencing preeclampsia are pregnant women who have a history of disease and
are affected by anemia, while pregnant women who have the greatest possibility of
not experiencing preeclampsia are pregnant women who do not have a history of
disease and parity 2-3. For CART analysis, it can be said that pregnant women
who have the greatest risk of experiencing preeclampsia are pregnant women who
have a history of disease, anemia and low education, while pregnant women who
have the greatest possibility of not experiencing preeclampsia are pregnant women
who do not have a history of disease, parity 2- 3 and have low education.
Keywords: CART, CHAID, Classification, Decision Tree, Preeclampsia.
vii
KATA PENGANTAR
Alhamdulillah, segala puji dan syukur penulis curahkan kepada Allah SWT
yang telah memberikan limpahan rahmat dan karunia-Nya sehingga penulis dapat
menyelesaikan skripsi yang berjudul “Klasifikasi Kejadian Preeklampsia Dengan
Menggunakan Metode Chi-Squared Automatic Interaction Detection (Chaid) Dan
Classification And Regression Trees (Cart)”. Penulisan skripsi ini diharapkan
memberikan manfaat dan pengetahuan untuk pembaca dan pemerintah dalam
mengatasi kasus pengangguran kedepannya.
Selama penyusunan skripsi ini, penulis telah banyak menerima bantuan,
dukungan, serta bimbingan dari berbagai pihak. Oleh karena itu, dalam
kesempatan ini penulis ingin mengucapkan terima kasih kepada:
1. Ibu Dian Agustina, S.Si., M.Sc. selaku Dosen Pembimbing Utama yang
telah banyak meluangkan waktu dalam membimbing dan berbagi ilmu
sehingga penulis mampu menyelesaikan skripsi ini dengan baik.
2. Bapak Prof. Ir. Sigit Nugroho, M.Sc., Ph.D. selaku Dosen Pembimbing
Pendamping yang telah banyak meluangkan waktu dalam membimbing dan
berbagi ilmu sehingga penulis mampu menyelesaikan skripsi ini dengan
baik.
3. Ibu Dyah Setyo Rini, S.Si., M.Sc. selaku Dosen Penguji I yang telah
mengoreksi, memberikan arahan, petunjuk, dan bimbingan sehingga penulis
mampu menyelesaikan skripsi ini dengan baik.
viii
4. Ibu Herlin Fransiska, S.Si., M.Si. selaku Dosen Penguji II yang telah
mengoreksi, memberikan arahan, petunjuk, dan bimbingan sehingga penulis
mampu menyelesaikan skripsi ini dengan baik.
5. Ibu Winalia Agwil, S.Si., M.Si. selaku Dosen Pembimbing Akademik yang
telah membimbing, memberikan arahan, motivasi dan saran selama penulis
mengikuti pendidikan di Prodi Statistika Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Bengkulu selama semester 1-8.
6. Seluruh Bapak dan Ibu Dosen Jurusan Matematika Fakultas Matematika
dan Ilmu Pengetahuan Alam Universitas Bengkulu yang telah memberikan
ilmu selama jenjang perkuliahan di Universitas Bengkulu.
7. Staff-staff administrasi di Fakultas Matematika dan Ilmu Pengetahuan Alam
Universitas Bengkulu.
8. Semua pihak yang ikut serta membantu dalam penyelesaian skripsi ini.
Penulis menyadari sepenuhnya bahwa skripsi ini masih banyak kekurangan
dan kesalahan. Oleh karena itu, kritik dan saran yang membangun sangat penulis
harapkan demi kesempurnaan skripsi ini. Penulis berharap semoga skripsi ini dapat
bermanfaat bagi kita semua.
Bengkulu, Agustus 2021
Novri Andre
ix
DAFTAR ISI
JUDUL
SKRIPSI....................................................................................................................i
MOTTO DAN PERSEMBAHAN.........................................................................iv
PERNYATAAN KEASLIAN TULISAN..............................................................v
ABSTRAK...............................................................................................................vi
ABSTRACT...........................................................................................................vii
KATA PENGANTAR..........................................................................................viii
DAFTAR ISI............................................................................................................x
DAFTAR TABEL................................................................................................xiii
DAFTAR GAMBAR.............................................................................................xv
DAFTAR SIMBOL..............................................................................................xvi
DAFTAR LAMPIRAN.......................................................................................xvii
BAB I PENDAHULUAN......................................................................................1
1.1 Latar Belakang..........................................................................................1
1.2 Rumusan Masalah.....................................................................................4
1.3 Tujuan Penelitian......................................................................................4
1.4 Manfaat Penelitian....................................................................................4
1.5 Batasan Masalah.......................................................................................5
1.6 Sistematika Penulisan...............................................................................5
BAB II TINJAUAN PUSTAKA............................................................................7
2.1 Statistika Deskriptif..................................................................................7
2.2 Data Mining...............................................................................................7
2.3 Klasifikasi...................................................................................................8
2.4 Pohon Keputusan (Decision Tree)..........................................................11
2.5 CHAID (Chi-Squared Automatic Interaction Detection)......................12
2.5.1 Definisi CHAID............................................................................12
2.5.2 Variabel dalam analisis CHAID....................................................13
x
2.5.3 Uji Chi-Square..............................................................................14
2.5.4 Koreksi Bonferroni (Bonferroni Correction)................................16
2.5.5 Tahapan Klasifikasi CHAID.........................................................17
2.5.6 Kunggulan CHAID........................................................................19
2.6 CART (Classification and Regression Trees).........................................20
2.6.1 Definisi CART..............................................................................20
2.6.2 Tahapan Klasifikasi CART...........................................................20
2.6.3 Keunggulan CART........................................................................21
2.7 Perbandingan Metode CHAID dan CART...........................................22
2.8 Preeklampsia...........................................................................................22
2.9 Faktor-Faktor Penyebab Preeklampsia................................................24
2.9.1 Umur/ Usia ibu..............................................................................24
2.9.2 Paritas............................................................................................24
2.9.3 Status Pekerjaan............................................................................25
2.9.4 Riwayat Penyakit...........................................................................25
2.9.5 Riwayat Konseling........................................................................25
2.9.6 Pendidikan Ibu...............................................................................25
2.9.7 Anemia..........................................................................................26
2.9.8 Jarak Kehamilan............................................................................26
2.9.9 Obesitas.........................................................................................27
2.10Penelitian Sebelumnya............................................................................27
BAB IIIMETODE PENELITIAN.......................................................................36
3.1 Jenis dan Sumber Data...........................................................................36
3.2 Waktu Penelitian.....................................................................................36
3.3 Varabel Penelitian...................................................................................36
3.4 Diagram Alur Penelitian.........................................................................38
BAB IV HASIL DAN PEMBAHASAN...............................................................39
4.1 Karakteristik Data..................................................................................39
4.1.1 Umur Ibu.......................................................................................39
4.1.2 Paritas............................................................................................40
4.1.3 Status Pekerjaan............................................................................40
xi
4.1.4 Riwayat penyakit...........................................................................41
4.1.5 Riwayat konseling.........................................................................41
4.1.6 Pendidikan ibu...............................................................................42
4.1.7 Anemia..........................................................................................42
4.1.8 Jarak kehamilan.............................................................................43
4.1.9 Obesitas.........................................................................................43
4.2 Analisis CHAID.......................................................................................44
4.3 Analisis CART.........................................................................................54
4.4 Perbandingan CHAID dan CART........................................................63
BAB V KESIMPULAN DAN SARAN...............................................................65
5.1 Kesimpulan..............................................................................................65
5.2 Saran.........................................................................................................66
DAFTAR PUSTAKA..........................................................................................xvii
LAMPIRAN..........................................................................................................xxi
xii
DAFTAR TABEL
Tabel 2. 1. Confussion Matrix...................................................................................9

Tabel 2.2. Struktur Data Uji Chi-Square.................................................................14
Tabel 2.3. Probabilitas Sel.......................................................................................15
Tabel 3.1 Variabel Independen 36
Tabel 4.1 Karakteristik Umur Ibu Hamil 39
Tabel 4.2 Karakteristik Paritas Ibu Hamil...............................................................40

Tabel 4.3 Karakteristik Status Pekerjaan Ibu Hamil...............................................40
Tabel 4.4 Karakteristik Riwayat Penyakit Ibu Hamil.............................................41
Tabel 4.5 Karakteristik Riwayat Konseling Ibu Hamil...........................................42
Tabel 4.6 Karakteristik Pendidikan Ibu Hamil........................................................42
Tabel 4.7 Karakteristik Anemia Ibu Hamil.............................................................43
Tabel 4.8 Karakteristik Jarak Kehamilan Ibu Hamil...............................................43
Tabel 4.9 Karakteristik Obesitas Ibu Hamil............................................................44
Tabel 4.10 Hasil Pengujian Chi- Square.................................................................45
Tabel 4.11 Uji Chi-Square Ke 2..............................................................................48
Tabel 4.12 Perhitungan Chi-Square Ke 3...............................................................50
Tabel 4.13 Perhitungan Chi-Square Ke 4................................................................51
Tabel 4.14 Segmen Ibu Hamil Dengan Chaid.........................................................52
Tabel 4.15 Persentase Segmen Klasifikasi Dengan Chaid......................................52
Tabel 4.16 Keakuratan Klasifikasi Chaid................................................................53
Tabel 4.17 Calon Cabang........................................................................................54
Tabel 4.18 Abel Perhitungan PLdan PR .................................................................55
Tabel 4.19 Tabel Perhitungan Pj∨tL, Pj∨tR Dan i(t)...........................................55
Tabel 4.20 Nilai Impuritas Iterasi (1)......................................................................56
xiii
Tabel 4.25 Segmen Ibu Hamil Dengan Cart...........................................................61
Tabel 4.26 Persentase Segmen Klasifikasi Dengan Cart........................................62
Tabel 4.27 Keakuratan Klasifikasi Cart..................................................................63
Tabel 4.28 Perbandingam Chaid Dan Cart..............................................................64
xiv
DAFTAR GAMBAR
Gambar 2.1 Bentuk Pohon Keputusan....................................................................12
Gambar 3.1 Alur Penelitian 38
Gambar 4.1 Pohon Utama CHAID 46
Gambar 4.2 Pohon Klasifikasi CHAID...................................................................49

Gambar 4.3 Pohon Utama CART............................................................................56
Gambar 4.4 Pohon Klasifikasi CART.....................................................................59
xv
DAFTAR SIMBOL
Simbol-simbol yang digunakan dalam penulisan skripsi ini sebagai berikut:
X :Variabel Independen
Y :Variabel Dependen
n11 :Banyaknya pengamatan dengan sifat A1dan B1
ni • :Total banyaknya pengamatan pada sifat ke Ai , i=1 , … r
n• j :Total banyaknya pengamatan pada sifat ke Bi, i¿ 1 , … c
pij :Probabilitas kejadian irisan antara kejadian i dan kejadian j
Eij :Nilai harapan pengamatan pada baris ke-i dan kolom ke- j
M :Pengali Bonferroni
c :Kategori variabel independen
r :Kategori variabel dependen
PL :Peluang observasi pada cabangkiri
PR :Peluang observasi pada cabang kanan
∅ ( s|t ) :Nilai impuritas simpul ke-t /Goodness Of Split
p ( j ∨t L ) :Proporsi kelas j pada cabang t
p ( j ∨t R ) :Proporsi kelas j pada cabang t
i(T ) :Indeks gini
xvi
DAFTAR LAMPIRAN
Lampiran 1 Data Ibu Hamil..................................................................................xxi

Lampiran 2 Hasil Analsisi CHAID.........................................................................ix
Lampiran 3 Hasil Analisi CART..........................................................................xvii
Lampiran 4 Surat Izin Pengambilan Data..............................................................xx
xvii
BAB I
PENDAHULUAN
1.1 Latar Belakang
Kesejahteraan suatu negara dipengaruhi oleh kesehatan ibu dan anak, yang
dimulai dari proses kehamilan, persalinan, nifas, neonatus(usia bayi 28 hari
pertama) (Saifuddin. 2013). Pembangunan kesehatan dapat dilihat dari
meningkatnya kesadaran, kemauan dan kemampuan hidup sehat bagi setiap orang.
Salah satu indikator keberhasilan pembangunan kesehatan di suatu negara adalah
menurunnya Angka Kematian Ibu (AKI) (Kemenkes RI, 2015).
Menurut Kemenkes RI terdapat dua kategori kematian ibu, yakni penyebab
langsung dan penyebab tidak langsung. Penyebab langsung merupakan kematian
yang diakibatkan langsung oleh kehamilan dan persalinannya, dan penyebab tidak
langsung merupakan kematian yang terjadi pada ibu hamil yang disebabkan oleh
penyakit. Semakin tinggi AKI di suatu wilayah menggambarkan rendahnya derajat
kesehatan masyarakat, sehingga berpotensi mengalami kemunduran ekonomi dan
sosial pada level rumah tangga.
Menurut World Health Organization (WHO), AKI di dunia pada tahun 2019
adalah 261 per 100.000 kelahiran hidup atau diperkirakan jumlah kematian ibu
adalah 303.000 kematian dengan jumlah tertinggi berada di negara berkembang
yaitu sebesar 94%. Untuk itu, WHO menerapkan agenda Millenium Developments
Goals (MDGs) yang hendak dicapai oleh seluruh negara di dunia, yaitu
menurunkan AKI didunia. Setelah berakhirnya MDGs pada tahun 2015 agenda
dilanjutkan dengan Sustainable Development Goals (SDGs). Salah satu target

SDGs adalah untuk mengurangi rasio kematian ibu bersalin global menjadi kurang
dari 70 per 100.000 kelahiran hingga kurun waktu 2030 (WHO, 2019).
Di Indonesia AKI tiap tahun terus meningkat, pada tahun 2019 dari 100%
kelahiran hidup, sekitar 30% mengalami kematian yang disebabkan oleh
kehamilan dan persalinan (obstetri) maupun disebabkan oleh penyakit. Menurut
Dapertemen Kesehatan Republik Indonesia (2019) ada tiga penyebab utama
kematian ibu dalam bidang obstetri, yaitu pendarahan sebanyak 27,03%, infeksi
sebanyak 6,06%, dan hipertensi dalam kehamilan atau Preeklampsia sebanyak
33,07%.
Preklampsia dalam kehamilan merupakan salah satu penyebab terbesar dari
kematian ibu di Indonesia yang ditandai dengan terjadinya peningkatan tekanan
darah (hipertensi) dan kandungan protein yang tinggi didalam urin (proteinuria)
pada wanita hamil setelah umur kehamilan 20 minggu. Proteinuria merupakan
kondisi dimana protein dalam urin manusia yang melebihi nilai normal yaitu lebih
dari 150 mg/hari atau pada anak-anak lebih dari 140 mg/m2 (Bawazier, 2006).
Menurut data laporan Dinas Kesehatan Provinsi Bengkulu tahun 2019, AKI di
Provinsi bengkulu masih tergolong tinggi yakni 162 per 100 ribu kelahiran hidup
dan masih diatas rata-rata nasional yaitu 132 per 100 ribu kelahiran. Pada tahun
2019 secara absolut jumlah kematian ibu yakni sebanyak 35 kasus, 75%
diantaranya disebabkan oleh kehamilan dan persalinan sedangkan 25% disebabkan
oleh kecelakaan serta penyakit.
Puskesmas Ratu Agung merupakan pelayanan kesehatan di Kota Bengkulu
yang terletak dikecamatan Muara Bangkahulu. Puskesmas Ratu Agung juga
merupakan salah satu puskesmas yang memiliki wilayah kerja yang cukup luas dan
2
berada disekitar salah satu universitas yang ada di Provinsi Bengkulu. Berdasarkan
data yang diperoleh dari Puskesmas Ratu Agung pada tahun 2018 terdapat kasus
preeklamsia sebanyak 47 kasus dari 210 ibu bersalin. Pada tahun 2019 terdapat
kasus preeklamsia sebanyak 63 kasus dari 293 ibu bersalin.
Berdasarkan paparan diatas penulis ingin melakukan penelitian terhadap
faktor-faktor apa saja yang mempengaruhi terjadinya preeklamsia di wilayah
pelayanan kesahatan Puskesmas Ratu Agung dan kemudian dikasifikasikan.
Metode yang peneliti digunakan untuk menyelesaikan permasalahan ini adalah
metode CHAID dan CART. Metode CHAID dan CART merupakan salah satu
metode klasifikasi. Kedua metode ini akan menghasilkan pohon keputusan yang
akan lebih memudahkan dalam interpretasi. Pohon keputusan tersebut akan
dibentuk berdasarkan variabel-variabel yang berpengaruh dalam pengklasifikasian.
Dengan adanya pengklasifikasian tersebut maka diharapkan jumlah preeklampsia
pada Ibu hamil dapat diidentifikasi dan diturunkan sehingga akan berdampak pula
pada penurunan AKI.
Penelitian dengan menggunakan metode CHAID dan CART yang sudah
pernah dilakukan sebelumnya oleh Reny pada tahun 2019 dengan metode CHAID
dan CART di RS PKU Muhammadiyah Yogyakarta merupakan ibu hamil yang
memiliki riwayat komplikasi (100%) dan ketepatan klasifikasi menggunakan
CHAID adalah sebesar 67% sedangkan pada CART sebesar 74%. Penelitian
Khalfia pada tahun 2019 menyimpulkan bahwa penerapan metode CHAID pada
klasifikasi status kerja di Kabupaten Brebes dipengaruhi oleh faktor umur, status
perkawinan, dan pendidikan memiliki struktur pohon klasifikasi dengan 4
3
tingkatan. Hasil pengujian akurasi yang diperoleh sebesar 83.51%. Sedangkan
metode CART memiliki 5 tingkatan kasifikasi dengan hasil yang sama.
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang diatas, makadapat dirumuskan masalah
sebagai berikut:
1. Variabel apa saja yang mempengaruhi terjadinya preeklampsia pada Ibu hamil
di wilayah kerja Puskesmas Ratu Agung berdasarkan hasil analisis CHAID
dan CART?
2. Bagaimana hasil klasifikasi terjadinya preeklamsia dengan menggunakan
analisis CHAID dan CART di wilayah kerja Puskesmas Ratu Agung serta
perbandingan antara kedua metode tersebut?
1.3 Tujuan Penelitian
Adapun tujuan dari penelitian ini sebagai berikut:
1. Mengetahui faktor-faktor apa saja yang mempengaruhi terjadinya
preeklampsia pada ibu hamil di wilayah kerja Puskesmas Ratu Agung
berdasarkan hasil analisis CHAID dan CART.
2. Mengetahui hasil klasifikasi preeklampsia menggunakan analisis CHAID dan
CART di wilayah kerja Puskesmas Ratu Agung serta perbandingan hasil
antara kedua metode tersebut.
1.4 Manfaat Penelitian
Adapun manfaat dari penelitian ini sebagai berikut
1. Bagi penulis
a. Dapat mengetahui faktor apa saja yang menjadi penyebab terjadinya
preeklampsia.
4
b. Mengetahui hasil klasifikasi dan perbandingan dari metode CHAID dan
CART.
2. Bagi pembaca
a. Menambah pengetahuan tentang apa saja faktor-faktor yang mempengaruhi
terjadinya kejadian preeklampsia di wilayah kerja Puskesmas Ratu Agung.
b. Menjadi acuan bagi tenaga medis untuk menekan terjadinya praklempsia di
wilayah kerja Puskesmas Ratu Agung.
c. Menambah referensi bagi pembaca
1.5 Batasan Masalah
Adapun batasan masalah untuk penelitian ini adalah sebagai berikut :
a. Ruang lingkup data dibatasi pada tahun (2018-2019)
b. Jenis data yang digunakan pada penelitian ini berupa format .xlsx dan .csv
c. Jumlah data yang digunakan sebanyak 110 data
1.6 Sistematika Penulisan
Sistematika penulisan proposal skripsi yaitu:
BAB I PENDAHULUAN
Bab ini merupakan bab yang memuat latar belakang dari penelitian,
tujuan dan manfaat dari penelitian, batasan masalah dari penelitian
dan sistematika penulisan.
BAB II TINJAUAN PUSTAKA
Bab ini memuat pengertian, definisi dan teori yang digunakan untuk
melakukan penelitian.
BAB III METODE PENELITIAN
5
Bab ini merupakan bab yang memuat gambaran rancangan
penelitian yang meliputi antara lain: prosedur dan langkah-langkah
yang harus ditempuh, waktu penelitian, sumber data, dan dengan
langkah apa data-data tersebut diperoleh dan selanjutnya diolah dan
dianalisis.
BAB IV HASIL DAN PEMBAHASAN
Bab ini merupakan bab yang memuat hasil analisis dan pembahasan
dari hasil yang telah diperoleh dan interpretasi.
BAB V KESIMPULAN DAN SARAN
Bab ini merupakan bab yang memuat rangkuman dari hasil secara
keseluruhan dan saran yang diberikan oleh penulis terhadap hasil
maupun analisi yang telah dilakukan.
DAFTAR PUSTAKA
6
BAB II
TINJAUAN PUSTAKA
2.1 Statistika Deskriptif
Statistika deskriptif adalah statistik yang digunakan untuk menganalisis data
dengan cara mendeskripsikan atau menggambarkan data yang telah terkumpul
sebagaimana adanya tanpa bermaksud membuat kesimpulan yang berlaku untuk
umum atau generalisasi (Sugiyono, 2007). Selain dalam bentuk ukuran pemusatan
data juga dapat disajikan dalam bentuk diagram dan tabel.
2.2 Data Mining
Data mining adalah suatu proses menemukan hubungan yang berarti, pola, dan
kecenderungan dengan memeriksa dalam sekumpulan besar data yang tersimpan
dalam penyimpanan dengan menggunakan teknik pengenalan pola seperti teknik
statistik dan matematika (Larose, 2005).
Menurut Paratu (2012) teknik data mining dibagi menjadi beberapa kelompok
berdasarkan tugas yang dapat dilakukan, yaitu:
a. Deskripsi
Terkadang peneliti dan analisis secara sederhana ingin mencoba mencari cara
untuk menggambarkan pola dan kecenderungan yang terdapat dalam data. Sebagai
contoh, petugas pengumpul suara mungkin tidak dapat menemukan keterangan
atau fakta bahwa siapa yang tidak cukup profesional akan sedikit didukung dalam
pemilihan presiden. Deskripsi dari pola dan kecenderungan sering memberikan
kemungkinan penjelasan untuk suatu pola atau kecenderungan.

b. Klasifikasi
Dalam klasifikasi, terdapat target variabel kategori. Sebagai contoh
penggolongan pendapatan dapat dipisahkan dalam tiga kategori yaitu pendapatan
tinggi, pendapatan sedang, dan pendapatan rendah.
c. Estimasi
Estimasi hampir sama dengan klasifikasi, kecuali variabel target estimasi lebih
ke arah numerik daripada ke arah kategori. Model dibangun menggunakan record
lengkap yang menyediakan nilai dari variabel target sebagai nilai prediksi.
Selanjutnya, pada peninjauan berikut estimasi nilai dari variabel target dibuat
berdasarkan nilai variabel prediksi.
d. Pengelompokkan
Pengelompokan/pengklusteran merupakan pengelompokan record,
pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang
memiliki kemiripan.
e. Asosiasi
Tugas asosiasi dalam data mining adalah menemukan atribut yang muncul
dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang
belanja.
2.3 Klasifikasi
Menurut Hamakonda (2006), klasifikasi merupakan pengelompokan sistematis
dari sejumlah objek, gagasan, buku atau benda-benda lain ke dalam kelas atau
golongan tertentu berdasarkan ciri-ciri yang sama.
Menurut Hamidah (2013) Teknik klasifikasi dalam data mining
dikelompokkan ke dalam beberapa kelompok, yakni teknik pohon keputusan,
8
Bayesian, Jaringan Saraf Tiruan, teknik yang berbasis konsep aturan asosiasi, dan
teknik lain.
Pengukuran terhadap kinerja suatu sistem klasifikasi merupakan hal yang
penting. Kinerja sistem klasifikasi menggambarkan seberapa baik sistem dalam
mengklasifikasikan data. Confusion matrix merupakan salah satu metode yang
dapat digunakan untuk mengukur kinerja suatu metode klasifikasi. Pada
dasarnya confusion matrix mengandung informasi yang membandingkan hasil
klasifikasi yang dilakukan oleh sistem dengan hasil klasifikasi yang seharusnya
(Prasetyo, 2012).
Pada pengukuran kinerja menggunakan confusion matrix, terdapat 4 (empat)
istilah sebagai representasi hasil proses klasifikasi. Keempat istilah tersebut
adalah True Positive (TP), True Negative (TN), False Positive (FP) dan False
Negative (FN). Nilai True Negative (TN) merupakan jumlah data negatif yang
terdeteksi dengan benar, sedangkan False Positive (FP) merupakan data negatif
namun terdeteksi sebagai data positif. Sementara itu, True Positive (TP)
merupakan data positif yang terdeteksi benar. False Negative (FN) merupakan
kebalikan dari True Positive.
Pada jenis klasifikasi binary yang hanya memiliki 2 keluaran kelas, confusion
matrix dapat disajikan seperti:
Tabel 2.1 Confussion Matrix
Kelas Terklasifikasi Positif Terklasifikasi Negatif
Positif TP (True Positive) FN (False Negative)
Negatif FP (False Negative) TN (True Negative)

(Sokolova dan Lapalme, 2009).
9
a. Akurasi Klasifikasi
Akurasi dapat dihitung dengan proporsi dari prediksi yang bernilai positif dan
negatif. Nilai akurasi merupakan perbandingan antara data yang terklasifikasi
benar dengan keseluruhan data. Menurut Sokolova dan Lapalme (2009) suatu
klasifikasi dapat dikatakan baik apabila nilai akurasinya berada diatas 65%. Nilai
akurasi dapat diperoleh dengan persamaan berikut:
TP+TN
Akurasi= × 100 %( 2.1)
TP+ TN+ FN + FP
Dimana: TP=True Positif
TN=True Negative
FN =False Negative
FP=False Negative
Secara ekuivalen, kinerja setiap model tentunya memiliki error. Berikut
bentuk persamaan error :
FP+ FN
Laju Error= × 100 %( 2.2)
TP+TN + FN + FP
b. Presisi
Nilai presisi menggambarkan jumlah data kategori positif yang
diklasifikasikan secara benar dibagi dengan total data yang diklasifikasi positif:
TP
Presisi= ×100 % (2.3)
TP+ FP
c. Recall
Recall menunjukkan berapa persen data kategori positif yang terklasifikasikan
dengan benar oleh sistem. Berikut persamaan recall :
TP
Recall= ×100 % (2.4)
TP+ FN
10
2.4 Pohon Keputusan (Decision Tree)
Pohon keputusan atau decision tree merupakan teknik data mining yang
digunakan untuk mengeksplorasi data dengan membagi kumpulan data yang besar
menjadi himpunan record yang lebih kecil dan memperhatikan variabel tujuannya
(Ridwan dkk, 2013).
Menurut Kusrini (2006), decision tree adalah sebuah struktur pohon, dimana
setiap node pohon merepresentasikan atribut yang telah diuji, setiap cabang
merupakan suatu pembagian hasil uji, dan node daun (leaf) merepresentasikan
kelompok kelas tertentu. Level node teratas dari sebuah decision
tree adalah node akar (root) yang biasanya berupa atribut yang paling memiliki
pengaruh terbesar pada suatu kelas tertentu. Pada umumnya decision
tree melakukan strategi pencarian secara top-down untuk solusinya. Pada proses
mengklasifikasi data yang tidak diketahui, nilai atribut akan diuji dengan cara
melacak jalur dari node akar (root) sampai node daun dan kemudian akan
diprediksi kelas yang dimiliki oleh suatu data baru tertentu.
Persyaratan yang harus terpenuhi dalam penerapan decision tree adalah
sebagai berikut (Yogi, 2007):
1. Algoritma decision tree mempresentasikan supervised learning (baik input
maupun output datanya dapat ditunjukkan).
2. Data harus banyak dan bervariasi.
3. Kelas atribut target harus diskrit (tidak saling berhubungan).
11
Gambar 2.1 Bentuk Pohon Keputusan
2.5 CHAID (Chi-Squared Automatic Interaction Detection)
2.5.1 Definisi CHAID
CHAID adalah singkatan dari Chi-squared Automatic Interaction Detector.
CHAID pertama kali diperkenalkan dalam sebuah artikel berjudul “An Exploratory
Technique for Investigating Large Quantities of Categorical Data” oleh Dr. G.V.
Kass tahun 1980. Prosedurnya merupakan bagian dari teknik terdahulu yang
dikenal dengan Automatic Interaction Detector (AID), dan menggunakan statistik
chi-square sebagai alat utamanya.
CHAID secara keseluruhan bekerja untuk menduga sebuah variabel
tunggal, disebut sebagai variabel dependen, yang didasarkan pada sejumlah
variabel-variabel yang lain, disebut sebagai variabel-variabel independen. CHAID
merupakan suatu teknik iteratif yang menguji satu-persatu variabel independen
yang digunakan dalam klasifikasi, dan menyusunnya berdasarkan pada tingkat
signifikansi statistik chi-square terhadap variabel dependennya (Gallagher, 2000).
12
Menurut Sharp et at (2002) Analisis CHAID dapat diringkas menjadi 3
elemen kunci, yaitu:
1. Uji signifikan chi-square, uji ini dilakukan untuk mengidentifikasi
variabel independen yang paling signifikan dalam data.
2. Koreksi bonferroni.
3. Sebuah algoritma yang digunakan untuk menggabungkan kategori-
kategori variabel.
2.5.2 Variabel dalam analisis CHAID
Dalam analisis CHAID variabel yang digunakan dibedakan atas variabel
terikat (variabel dependen) dan variabel bebas (variabel independen). Klasifikasi
dalam CHAID dilakukan berdasarkan pada hubungan yang ada antara kedua
variabel tersebut, oleh karena itu CHAID termasuk dalam metode dependensi
dalam menentukan segmentasi.
Menurut Gallagher (2000), CHAID membedakan variabel-variabel
independen kategorik menjadi tiga tipe yang berbeda, yaitu:
1. Monotonik: kategori-kategori pada variabel ini dapat dikombinasikan
atau digabungkan oleh CHAID hanya jika keduanya berdekatan satu
sama lain, yaitu variabel-variabel yang kategorinya mengikuti urutan
aslinya (data ordinal), contohnya: usia atau pendapatan.
2. Bebas: kategori-kategori pada variabel ini dapat dikombinasikan atau
digabungkan walaupun keduanya berdekatan atau tidak satu sama lain
(data nominal), contohnya: pekerjaan, kelompok etnik, dan area
geografis.
13
3. Mengambang (floating): kategori-kategori pada variabel ini akan
diperlakukan seperti monotonik kecuali untuk kategori yang terakhir
(yaitu missing value), yang dapat berkombinasi dengan kategori
manapun.
2.5.3 Uji Chi-Square
Uji ini digunakan untuk mengetahui independensi, yaitu apakah terdapat
hubungan antara dua variabel tertentu atau tidak pada tiap levelnya. Misal suatu
variabel pertama memilikir kategori dan variabel kedua memiliki c kategori maka
nij adalah pengamatan pada variabel pertama di level i dan variabel kedua di level
j ,secara umum tabel disajikan sebagai berikut:
Tabel 2.2 Struktur Data Uji Chi-Square
Faktor II
Faktor I B1 B2 ... Bj ... Bc Total
A1 n11 n12 ... n1 j ... n1 c n1 •
A2 n21 n22 ... n2 j ... n2 c n2 •
... ... ... ... ... ... ... ...
Ai ni 1 ni 2 ... nij ... nic ni •
... ... ... ... ... ... ... ...
Ar Ar 1 Ar 2 ... Arj ... nrc nr •
Total n• 1 n• 2 ... n• j ... n• c n
14
Tabel 2.3. Probabilitas sel
Faktor II
Faktor I B1 B2 ... Bj ... Bc Total
A1 p11 p12 ... p1 j ... p1 c p1 •
A2 p21 p22 ... p2 j ... p2 c p2 •
... ... ... ... ... ... ... ...
Ai pi 1 pi 2 ... pij ... pic pi •
... ... ... ... ... ... ... ...
Ar pr 1 pr 2 ... prj ... prc pr •
Total p•1 p•2 ... p• j ... p• c p
Dikarenakan nilai dari p11 , … p1 ∙ , … prc tidak diketahui besarnya, maka
dapat dicari harga penduganya melalui persamaan berikut:
ni •
^pi= (2.5)
n
n• j
^p j= (2.6)
n
ni • n• j
^pij = (2.7)
n
Sehingga untuk nilai harapan setiap sel adalah:
ni • n • j
Eij = (2.8)
n
Hipotesis pada pengujian chi-square adalah:
H 0 : p ij =p i • p • j (tidak terdapat hubungan antara baris dan kolom (bebas))
H 1 : p ij ≠ pi • p• j (terdapat hubungan antara baris dan kolom (tidak bebas))
15
Statistik uji chi-Square:
r c
χ 2=∑ ∑ ¿ ¿ ¿ ¿
i=1 j =1
Keputusan yang diambil dari uji chi-square ini adalah:
H 0ditolak jika χ 2hit > χ 2tabel atau p−value<α
Menurut Gallagher (2000), chi-square dalam metode CHAID dapat
berfungsi sebagai berikut:
1. Statistik chi-square digunakan untuk menentukan apakah kategori-
kategori dalam sebuah variabel independen bersifat seragam dan bisa
digabungkan menjadi satu.
2. Ketika semua variabel independen sudah diringkas menjadi bentuk yang
signifikan dan tidak mungkin digabung lagi, kemudian statistik chi-
square digunakan untuk menentukan variabel independen mana yang
paling signifikan untuk membagi atau membedakan kategori-kategori
dalam variabel dependen.
2.5.4 Koreksi Bonferroni (Bonferroni Correction)
Koreksi bonferroni adalah suatu proses koreksi yang digunakan ketika
beberapa uji statistik untuk kebebasan atau ketidakbebasan dilakukan secara
bersamaan (Kunto dan Hasana, 2006). Biasanya koreksi ini digunakan dalam
perbandingan berganda.
Misalkan variabel independen memiliki c kategori dan dikurangi menjadi r
kategori pada langkah penggabungan, maka perkalian bonferroni adalah
banyaknya cara yang mungkin dimana c kategori dapat digabungkan menjadi r
kategori. Dengan demikian nilai p-value dari uji chi-Squared yang baru
16
merupakan perkaliannya dengan pengali bonferroni sesuai dengan jenis
variabelnya.
Ketika terdapat sebanyak M uji perbandingan yang sudah dikatakan bebas
satu sama lain, peluang untuk melakukan kesalahan tipe 1 atau α (dalam satu atau
lebih), akan sama dengan 1 dikurangi peluang untuk tidak melakukan kesalahan
tipe 1 dalam uji tersebut, di mana nilainya akan lebih besar dari α yang telah
ditentukan. Secara umum, hal tersebut dapat dirumuskan sebagai berikut (Bagozzi,
1994):
1−(1−α )M > α (2.10)
Pengali bonferroni untuk masing-masing tipe variabel independen adalah
berbeda. Gallagher (2000) menyebutkan bahwa pengali bonferroni untuk masing-
masing jenis variabel independen adalah sebagai berikut:
1. Variabel independen monotonik
M= (c−1
r −1 )
(2.11)
2. Variabel independen bebas

r−1
(r−i)
M =∑ (−1 )
i
(2.12)
i=0 i ! ( r−i ) !
3. Variabel independen mengambang
( ) ( )
M = c−2 +r c−2 (2.13)
r −2 r−2
2.5.5 Tahapan Klasifikasi CHAID
CHAID secara garis besar dapat dibagi menjadi tiga tahap, yaitu
penggabungan (merging), pemisahan (splitting) dan penghentian (stopping).
17
1. Tahap Penggabungan
Setiap variabel independen, X 1 , X 2 , … X k maka lakukan tahapan sebagai
berikut:
a. Bentuk tabel kontingensi dua arah dengan variabel dependennya
b. Hitung nilai chi-square untuk setiap masing-masing kategori yang dapat
dipilih untuk digabung menjadi satu, untuk menguji kebebasannya
dalam sebuah sub tabel kontingensi 2 x J yang dibentuk oleh sepasang
kategori tersebut dengan variabel dependennya yang mempunyai
sebanyak J kategori.
r c
χ 2 hitung=∑ ∑ ¿ ¿ ¿ ¿
i=1 j =1
c. Untuk masing-masing nilai chi-square berpasangan, hitung p-value
berpasangan bersamaan. Di antara pasangan-pasangan yang tidak
signifikan, gabungkan sebuah pasangan kategori yang paling mirip
(yaitu pasangan yang mempunyai nilai chi-square berpasangan terkecil)
menjadi sebuah kategori tunggal, dan kemudian dilanjutkan ke langkah
nomor 4. Tetapi apabila semua pasangan kategori yang tersisa adalah
signifikan, lanjutkan ke langkah nomor 5.
d. Untuk suatu kategori gabungan yang terdiri dari 3 kategori atau lebih,
ujilah untuk melihat apakah suatu kategori variabel independen
seharusnya dipisah dengan menguji kesignifikanan antara kategori
tersebut dengan kategori yang lain dalam satu kategori gabungan. Jika
didapat nilai chi-square yang signifikan, pisahkan kategori tersebut
dengan yang lain. Jika lebih dari satu kategori yang bisa dipilih untuk
18
dipisah, pisahkan salah satu yang mempunyai nilai chi-square tertinggi.
Kemudian kembali ke langkah nomor 3.
e. Hitung p-value terkoreksi Bonferroni didasarkan pada tabel yang telah
digabung.
2. Tahap Pemisahan
Tahap ini dilakukan dengan memilih variabel independen yang memiliki
nilai chi-square terbesar dan p-value terkoreksi Bonferroni terkecil yang
akan digunakan sebagai pemisah simpul terbaik. Jika tidak ada variabel
independen dengan nilai p-value ≤ α maka tidak dilakukan pemisahan.
3. Tahap Penghentian
Tahap ini dilakukan jika sudah tidak ada hubungan antara variabel
independen dengan variabel dependen.
4. Tahap Akurasi
Tahap ini dilakukan dengan mencari nilai ketepatan dalam klasifikasi
menggunakan metode CHAID.
2.5.6 Kunggulan CHAID
Keunggulan metode CHAID menurut Gallagher (2002) antara lain:
1. Algortima CHAID memungkinkan data untuk didefinisikan kedalam kelas
regu yang sesuai, sehingga menjamin bahwa kelompok tersebut
diidentifikasi berdasarkan pada populasi.
2. Pembagian dipertimbangkan berdasarkan konteks dari semua faktor,
interaksi dari semua faktor secara otomatis akan tepat pada sasaran.
3. Algoritma CHAID merupakan prosedur yang bersifat iteratif, akan
memberikan urutan variabel seperti yang diharapkan.
19
2.6 CART (Classification and Regression Trees)
2.6.1 Definisi CART
Clasification and Regression Trees (CART) merupakan salah satu metode
teknik pohon keputusan (decision tree). Metode ini merupakan teknik klasifikasi
dengan menggunakan algoritma penyekatan rekursif secara biner (binary recursive
partitioning) (Lewis, 2000).
Istilah “binary” berarti pemilahan dilakukan pada sekelompok data yang
terkumpul dalam suatu ruang yang disebut simpul (node) menjadi dua kelompok
yang disebut simpul anak (child nodes). Istilah “recursive” berarti prosedur
penyekatan secara biner dilakukan secara berulangulang. Setiap simpul anak yang
diperoleh dari penyekatan simpul awal kemudian bisa dipilah kembali menjadi
dua simpul anak lagi, dan begitu seterusnya hingga memenuhi kriteria tertentu.
Sedangkan istilah “partitioning” memiliki arti bahwa proses klasifikasi
dilakukan dengan cara memilah suatu kumpulan data menjadi beberapa bagian
atau partisi. Tujuan utama CART untuk mendapatkan suatu kelompok data
yang akurat sebagai penciri dari suatu pengklasifikasian.
Algoritma CART melalui tiga tahapan, yaitu pembentukan pohon
klasifikasi, pemangkasan pohon klasifikasi dan penentuan pohon klasifikasi
optimum.
2.6.2 Tahapan Klasifikasi CART
Algoritma CART melalui tiga tahapan, yaitu pembentukan pohon
klasifikasi, pemangkasan pohon klasifikasi dan penentuan pohon klasifikasi
optimum.
1. Menyusun Calon Cabang
20
Menyusun calon cabang terhadap seluruh variabel independen. . Kemudian
mencari peluang pada masing-masing cabang dengan rumus :
calon cabang kiri t L

P L= (2.15)
banyak data
caloncabang kanan t R
P R= ( 2.16)
banyak data
Setelah mencari peluang dari masig-masing cabang, kemudian dilanjutkan
dengan mencari nilai proporsi untuk setiap simpu dengan rumus:
j calon cabang kiri t L

P ( j∨t L ) = (2.17)
noktah keputusant
jcalon cabang kiri t R

P ( j∨t R )= (2.18)
nok tah keputusan t
2. Menilai Kinerja Seluruh Calon Cabang
Pada tahap ini digunakan indeks gini untuk melihat kinerja calon cabang
dengan rumus:
jumlah
kategori
i (t )=1− ∑ 2
P ( j|t ) (2.19)
j=1
3. Pemilihan Calon Cabang Optimal
Tahapan ini dilakukan dengan cara menghitung nilai impuritas atau nilai
goodness of split terbesar dengan rumus:
∅ ( s ,t )=i ( t ) −P L i(t l)−P R i(t R )(2.20)
4. Tahapan Akurasi
Tahap ini dilakukan dengan mencari nilai ketepatan dalam klasifikasi
menggunakan metode CART.
2.6.3 Keunggulan CART
Beberapa keunggulan dari metode CART adalah sebagai berikut:
21
1. Variabel-variabel dalam analisis CART, baik variabel dependen maupun
independen tidak mengasumsikan populasinya pada distribusi probabilitas
tertentu
2. Variabel-variabel independen pada CART bisa bertipe numerik maupun
kategorik, jika kategorik tidak membutuhkan pembuatan variabel dummy
3. Mampu mengatasi adanya missing value
4. Tidak terpengaruh terhadap outlier, koliniearitas, dan heterokedastisitas
pada variabel-variabel independennya
5. Tidak berlaku adanya transformasi data
6. Interpretasi dari hasil analisis CART yang berupa pohon keputusan sangat
mudah dipahami
2.7 Perbandingan Metode CHAID dan CART
Metode klasifikasi klasifikasi berstruktur pohon yang sering digunakan, yaitu
metode CHAID dan CART. Kedua metode ini memiliki perbedaan dalam
pembentukan pohon klasifikasi. CART memilih pemisah terbaiknya berdasarkan
tingkat kehomogenan yang optimal. Sedangkan CHAID menggunakan uji Chi-
Square untuk menentukan pemisah terbaik pada setiap langkahnya. Dari perbedaan
tersebut akan dihasilkan perbandingan yaitu hasil tingkatan segmen klasifikasi,
faktor-faktor yang dihasilkan oleh klasifikasi dan nilai keakuratan klasifikasi.
2.8 Preeklampsia
Preeklampsia adalah kelainan multisistemik spesifik pada kehamilan yang
ditandai oleh timbulnya hipertensi dan proteinuria setelah umur kehamilan 20
minggu (Wiknjosastro, 2006). Hingga saat ini penyebab preeklampsia belum
diketahui secara pasti (Dini, 2015). Namun demikian, resiko preeklampsia
22
diketahui dapat meningkat pada ibu hamil dengan primigravida,
grandmultigravida, kehamilan yang langsung terjadi setelah perkawinan, ibu hamil
dengan usia kurang dari 20 tahun atau lebih dari 35 tahun, janin besar, kehamilan
lebih dari satu (kembar), morbid obesitas, riwayat preeklampsia pada kehamilan
sebelumnya, riwayat keluarga dengan preeklampsia, ibu hamil dengan gangguan
fungsi organ (diabetes mellitus, penyakit ginjal, migrain, dan hipertensi), serta ibu
hamil dengan hydrops foetalis, mola hidatidosa, anti fosfolipid antibodies, dan
infeksi saluran kemih (Kumala, 2015).
Menurut Varney (2007), preeklampsia adalah sekumpulan gejala yang secara
spesifik hanya muncul pada saat kehamilan dengan umur > 20 minggu (kecuali
pada penyakit trofoblastik) dan dapat didiagnosis dengan kriteria sebagai berikut:
a. Ada peningkatan tekanan darah selama kehamilan (sistolik = 140 mmHg atau
diastolik = 90 mmHg) yang sebelumnya normal, disertai proteinuria (> 0,3
gram protein selama 24 jam atau = 30 mg/dL dengan hasil reagen urin = +1)
b. Apabila hipertensi selama kehamilan muncul tanpa proteinuria, perlu dicurigai
adanya Preeklampsia seiring kemajuan kehamilan, jika muncul gejala nyeri
kepala, gangguan penglihatan, nyeri pada abdomen, nilai trombosit rendah dan
kadar enzim ginjal abnormal (Norma & Dwi S, 2013).
Menurut Depertemen Kesehatan Indonesia, preeklampsia dibagi kedalam dua
jenis yaitu :
a. Preeklampsia ringan
1. Tekanan darah = 140/90 mmHg pada umur kehamilan > 20 minggu
2. Tes celup urin menunjukkan proteinuria 1+ atau pemeriksaan protein
kuantitatif menunjukkan hasil > 300 mg/24 jam.
23
b. Preeklampsia berat
1. Tekanan darah lebih > 160/110 mmHg pada umur kehamilan > 20 minggu
2. Tes celup urin menunjukkan proteinuria = 2+ atau pemeriksaan protein
kuantitatif menunjukkan hasil > 5g/24 jam atau disertai keterlibatan
organ antara lain trombositopenia (< 100.000 sel/µL), hemolisis
mikroangipati, peningkatan SGOT/SGPT, nyeri abdomen kuadran kanan
atas, sakit kepala, skotoma penglihatan, pertumbuhan janin terhambat,
oligohidramnionedema paru dan atau gagal jantung kongestif, eliguria
(< 500ml/24 jam), kreatin >1,2 mg/dL (Kemenkes, 2015).
2.9 Faktor-Faktor Penyebab Preeklampsia
Tedapat faktor penyebab terjadinya Preeklampsia, diantaranya sebagai berikut:
2.9.1 Umur/ Usia ibu
Usia merupakan salah satu penyebab terjadinya preeklamsia. Usia ibu
kurang dari 20 tahun atau lebih dari 35 tahun merupakan usia rentan terjadinya
preeklampsia (Wiknjosastro, H. 2006). Ibu yang hamil pada usia dibawah 20 tahun
dianggap belum aman karena pada saat itu kondisi panggul belum berkembang
secara optimal dan mental yang juga belum siap untuk menghadapi kehamilan dan
menjalankan tugas sebagai seorang Ibu (BKKBN, 2007).
2.9.2 Paritas
Paritas adalah banyaknya kelahiran hidup yang dipunyai oleh seorang
perempuan. Paritas pertama berhubungan dengan kuranganya pengalaman dan
pengetahuan ibu dalam perawatan kehamilan. Paritas 2-3 merupakan paritas paling
aman pada seorang wanita. Paritas satu dan paritas tinggi (lebih dari tiga)sangat
beresiko terjadinya preeklampsia (Djannah dan Arianti, 2010).
24
2.9.3 Status Pekerjaan
Suatu studi menunjukkan bahwa wanita yang memiliki jam bekerja dengan
rata-rata 74 jam per minggu selama masa kehamilan akan memiliki risiko
terjadinya preeklampsia yang lebih tinggi jika dibandingkan dengan wanita yang
bekerja dengan rata-rata 38 jam per minggu selama masa kehamilan
(Siswosudarmo. R, 2008). Studi lain menunjukkan bahwa ibu yang kesehariannya
memiliki pekerjaan yang didominasi oleh berdiri maupun berjalan akan memiliki
risiko preeklampsia yang lebih rendah (Varney, 2007).
2.9.4 Riwayat Penyakit
Riwayat penyakit merupakan catatan dimana seseorang pernah mengidap
suatu penyakit, pada ibu hamil adanya riwayat penyakit merupakan suatu kondisi
yang sangat berbahaya dan memiliki pengaruh besar terhadap terjadinya
preeklmpsia (Varney, 2007). Ibu hamil yang memiliki hipertensi memiliki risiko
mengalami preeklampsia lebih besar. Beberapa riwayat penyakit yang berbahaya
bagi keselamatan Ibu hamil dan berisiko menimbulkan preeklampsia adalah
hipertensi, penyakit ginjal, diabetes, dan sebagainya.
2.9.5 Riwayat Konseling
Konseling kehamilan merupakan suatu proses bantuan oleh bidan kepada
ibu hamil, yang dilaksanakan lewat tatap muka dalam bentuk wawancara, dengan
tujuan untuk memecahkan permasalahan yang berkaitan dengan kehamilannya,
pemahaman diri tentang permasalahan yang dihadapi (Varney, 2007).
2.9.6 Pendidikan Ibu
Kurangnya pengetahuan tentang kesehatan kehamilan merupakan salah satu
faktor yang menyebabkan terjadinya Preeklampsia. Semakin tinggi pendidikan
25
seseorang maka akan semakin mudah mendapatkan informasi. Semakin banyak
informasi yang masuk maka akan semakin banyak pula pengetahuan yang
diperolehnya. Oleh karena itu, pendidikan sangat erat kaitannya dengan
pengetahuan seseorang. Berdasarkan penelitian Supriandono (2001) menyebutkan
bahwa sebesar 93,9% kejadian Preeklampsia terjadi pada Ibu yang berpendidikan
kurang dari 12 tahun. Hal ini menunjukkan bahwa Pendidikan seseorang
berhubungan dengan kesempatan seseorang tersebut dalam menyerap informasi
serta menentukan bagaimana sikap dan perilakunya.
2.9.7 Anemia
Salah satu penyebab anemia karena kurang gizi, anemia berat memiliki 3
sampai 6 kali risiko lebih tinggi secara signifikan pada preeklampsia dibandingkan
wanita yang tidak anemia. Hal ini terkait mikronutrien dan kekeurangan
antioksidan yang merupakan kontribusi preeklampsia pada ibu hamil (Varney,
2007).
2.9.8 Jarak Kehamilan
Jarak kehamilan yang terlalu dekat merupakan jarak antara kehamilan satu
dengan berikutnya kurang dari 2 tahun (24 bulan) termasuk salah satu yang dapat
membahayakan Ibu. Jarak kehamilan ¿ 2 tahun dan ¿ 5 tahun berpeluang
mengalami preeklampsia lebih besar dibanding dengan ibu jarak kehamilan 2-5
tahun (Prawirohardjo, 2009). Hal ini dikarenakan kondisi rahim Ibu belum pulih
dan waktu Ibu untuk menyususi dan merawat bayi kurang. Ibu yang hamil lagi
sebelum 2 tahun sejak melahirkan anak terakhir cenderung lebih sering mengalami
komplikasi kehamilan dan persalinan.
26
2.9.9 Obesitas
Salah satu faktor yang berkaitan erat dengan terjadinya preeklampsia
adalah obesitas (Prwirohdarjo, 2009). Obesitas adalah peningkatan berat badan
melebihi batas kebutuhan skeletal dan fisik sebagai akibat dari akumulasi lemak
berlebihan dalam tubuh (Eger, 2001). Pada ibu hamil yang mengalami obesitas,
risiko preeklampsia meningkat sebesar 2 kali lipat setiap peningkatan berat badan
sebesar 5-7 kg/m2. Selain itu ditemukan adanya peningkatan risiko preeklampsia
dengan adanya peningkatan BMI (Body Mass Index) (Wafiyatunisa dan Rodiani,
2016).
2.10 Penelitian Sebelumnya
Pada penelitian sebelumnya yang dilakukan oleh Reny pada tahun 2018
dengan judul Penerapan Metode CHAID (Chi-Squared Automatic Interaction
Detection) Dan CART (Classification And Regression Trees) Pada Klasifikasi
Preeklampsia di RS PKU Muhammadiyah Yogyakarta, menyimpulkan bahwa
segmen ibu hamil yang mengalami preeklampsia dengan metode CHAID adalah
ibu hamil yang memiliki riwayat komplikasi (100%) dan ibu hamil yang memiliki
riwayat penyakit, jarak kehamilan kurang dari 2 atau lebih dari 5 tahun dan tidak
memiliki riwayat komplikasi (77,8%). Komplikasi kehamilan (87,5%) dan ibu
hamil yang tidak memiliki riwayat penyakit, jarak kehamilan kurang dari 2 atau
lebih dari 5 tahun dan tidak memiliki riwayat komplikasi (55,6%). Adapun segmen
ibu hamil yang mengalami preeklampsia dengan metode CART adalah ibu hamil
yang memiliki riwayat komplikasi (100%), ibu hamil yang anemia, tidak bekerja,
jarak kehamilan 2-5 tahun dan tidak ada riwayat komplikasi (80%), ibu hamil yang
berumur kurang dari 20 atau lebih dari 35 tahun, tidak anemia, tidak ada riwayat
27
penyakit, jarak kehamilan kurang dari 2 atau lebih dari 5 tahun dan tidak ada
riwayat komplikasi (83,3%) dan ibu hamil yang ada riwayat penyakit, jarak
kehamilan kurang dari 2 atau lebih dari 5 tahun dan tidak ada riwayat komplikasi
(77,8%). Ketetapan klasifikasi menggunakan CHAID adalah sebesar 67%
sedangkan pada CART sebesar 74%.
Hasil dari penelitian Khalfia Helena pada tahun 2019 yang berjudul Penerapan
Metode Chi-Squared Automatic Interaction Detection (CHAID) dan Classification
And Regression Trees (CART) pada Klasifikasi Status Kerja di Kabupaten Brebes
menyimpulkan bahwa penerapan metode CHAID pada klasifikasi status kerja
dengan faktor yang mempengaruhi antara lain umur, status perkawinan, dan
pendidikan memiliki struktur pohon klasifikasi dengan 4 tingkatan. Hasil
pengujian akurasi yang diperoleh sebesar 83.51%. Sedangkan metode CART
memiliki 5 tingkatan kasifikasi dengan hasil yang sama. Sedangkan penelitian
Rahayu (2015) tentang klasifikasi Preeklampsia menggunakan CHAID dimana
diperoleh akurasi sebesar 78,2%, Sumartini (2015) tentang klasifikasi pasien
kanker serviks menggunakan CART diperoleh akurasi sebesar 69,14%.
28
BAB III
METODE PENELITIAN
3.1 Jenis dan Sumber Data
Jenis data dalam penelitian ini merupakan data sekunder yang diambil dari data
rekam medis Puskesmas Ratu Agung Kota Bengkulu sebanyak 110 data. Teknik
pengumpulan data dilakukan dengan cara studi dokumentasi memanfaatkan
dokumen-dokumen catatan ibu hamil dilingkungan kerja Puskesmas Ratu Agung
Kota Bengkulu. Kemudian data tersebut digunakan untuk dianalisis menggunakan
metode CHAID dan CART.
3.2 Waktu Penelitian
Penelitian ini dilakukan selama lebih kurang 4 bulan.
3.3 Varabel Penelitian
Variabel penelitian ini terdiri dari 1 variabel dependen dan 9 variabel
independen.
1. Variabel dependen yaitu status Preeklampsia.
2. Variabel independen yang digunakan adalah berikut: :
Tabel 3.1 Variabel Independen

Variabel Hasil ukur
Preeklampsia 0: Tidak Preeklampsia
1: Preeklampsia
Umur Ibu 0: Tidak Berisiko (umur 20-35 tahun)
1: Berisiko (umur ¿ 20 atau ¿35 tahun)
Paritas 0: Tidak Berisiko (paritas 2-3)
1: Berisiko (1 atau >3)
Status Pekerjaan 0: Tidak Bekerja
1: Bekerja
Riwayat Penyakit 0: Tidak ada
1: Ada
Riwayat Konseling 0: Tidak rutin
1:Rutin
Pendidikan Ibu 0: Tinggi (≥SMA)
1: Rendah (<SMA)
Anemia 0: Tidak
1: Ya
Jarak kehamilan 0: Tidak Berisiko 2-5 tahun)
1: Berisiko (¿ 2 tahun atau ¿5 tahun)
Obesitas 0: Tidak
1: Ya
3.4 Diagram Alur Penelitian
Mulai
37
Pengumpulan data
Input data
CHAID CART
Tahap Penggabungan Menyusun calon cabang
Menilai kinerja seluruh calon

Tahap pemisahan
cabang
Tahap pemberhentian Cabang optimal
Hasil klasifikasi CHAID Hasil klasifikasi CART
Tahap Akurasi klasifikasi Tahap Akurasi klasifikasi

CHAID CART
Perbandingan Hasil klasifikasi CHAID dan CART
Kesimpulan dan Saran
Selesai
Gambar 3.1 Alur Penelitian
38
BAB IV
HASIL DAN PEMBAHASAN
4.1 Karakteristik Data
Penelitian ini terdiri dari 110 ibu hamil yang meliputi 55 ibu mengalami
preeklamsia dan 55 ibu tidak mengalami preeklamsia yang tercatat di Puskesmas
Ratu Agung Kota Bengkulu. Adapun karekteristik data ibu hamil yang menjadi
sampel dalam penelitian ini adalah sebagai berikut:
4.1.1 Umur Ibu
Berikut adalah persentasi umur dari 110 ibu hamil terhadap status
preklamsia:
Tabel 4.1 Karakteristik Umur Ibu Hamil

Umur
Tidak Berisiko
Berisiko (Umur <20 Total
(Umur 20- Atau > 35
35 Tahun) Tahun)
Tidak N 37 18 55
Preeklamsia % 67.3% 32.7% 100.0%
Preeklamsia
N 33 22 55
Preeklamsia
% 60.0% 40.0% 100.0%
Total 70 40 110
Berdasarkan Tabel 4.1 dilihat bahwa dari 110 ibu hamil yang diteliti, ibu
yang berumur 20-35 tahun lebih tinggi untuk tidak mengalami preeklampsia, yaitu
sebesar 67,3%, dibandingkan yang mengalami preeklampsia sebesar 60,0%.
Sedangkan ibu hamil yang berumur <20 atau >35 lebih tinggi mengalami
preeklampsia sebesar 40,0% dibandingkan tidak mengalami preeklampsia 32,7%.
39
4.1.2 Paritas
Berikut adalah persentase paritas dari 110 ibu hamil terhadap status
preeklamsia:
Tabel 4.2 Karakteristik Paritas Ibu Hamil

Paritas
Tidak
Berisiko (1 Total
Berisiko
Atau >3)
(Paritas 2-3)
Tidak N 31 24 55
Preeklamsia % 56.4% 43.6% 100.0%
Preeklamsia
N 36 19 55
Preeklamsia
% 65.5% 34.5% 100.0%
Total 67 43 110
Berdasarkan Tabel 4.2 dapat dilihat bahwa dari 110 Ibu hamil yang diteliti,
kejadian preeklamsia lebih banyak terjadi pada ibu hamil yang memiliki paritas 2-3
sebesar 65,5% dan sebesar 56,4% tidak mengalami preeklamsia. Sedangkan 34,5%
ibu hamil yang memiliki paritas 1 atau >3 mengalami preeklamsia dan 43,6% tidak
mengalami preeklamsia.
4.1.3 Status Pekerjaan
Berikut adalah persentase status pekerjaan dari 110 ibu hamil terhadap
status preeklamsia:
Tabel 4.3 Karakteristik Status Pekerjaan Ibu Hamil
Status Pekerjaan
Total
Tidak Bekerja Bekerja
Tidak N 21 34 55
Preeklamsia % 38.2% 61.8% 100.0%
Preeklamsia
N 30 25 55
Preeklamsia
% 54.5% 45.5% 100.0%
Total 51 59 110
40
Berdasarkan tabel 4.3 dari 110 ibu hamil dipuskesmas Ratu Agung, 54,5%
ibu hamil yang tidak bekerja mengalami preeklamsia, sedangkan 61,8% ibu yang
bekerja tidak mengalami preeklamsia.
4.1.4 Riwayat penyakit
Berikut adalah persentase riwayat penyakit dari 110 ibu hamil terhadap
status preeklamsia:
Tabel 4.4 Karakteristik Riwayat Penyakit Ibu Hamil
Riwayat Penyakit
Total
Tidak Ada Ada
Tidak N 36 19 55
Preeklamsia % 65.5% 34.5% 100.0%
Preeklamsia
N 20 35 55
Preeklamsia
% 36.4% 63.6% 100.0%
Total 56 54 110
Berdasarkan tabel 4.4 dari 110 ibu hamil di puskesmas Ratu Agung, 36,4%
ibu hamil yang tidak memiliki riwayat penyakit mengalami preeklamsia,
sedangkan 63,6% ibu hamil yang memiliki riwayat penyakit mengalami
preeklamsia.
4.1.5 Riwayat konseling
Berikut adalah persentase riwayat konseling dari 110 ibu hamil terhadap
status preeklamsia:
41
Tabel 4.5 Karakteristik Riwayat Konseling Ibu Hamil
Riwayat Konseling
Tidak Total
Rutin
Rutin
Tidak N 26 29 55
Preeklamsia % 47.3% 52.7% 100.0%
Preeklamsia
N 23 32 55
Preeklamsia
% 41.8% 58.2% 100.0%
Total 49 61 110
Berdasarkan tabel 4.5 dari 110 ibu hamil di puskesmas Ratu Agung, 41,8%
mengalami preeklamsia karena tidak rutin melakukan konseling kehamilan,
sedangkan 58,2% % mengalami preeklamsia karena rutin melakukan konseling.
4.1.6 Pendidikan ibu
Berikut adalah persentase Pendidikan ibu hamil dari 110 ibu hamil
terhadap status preeklamsia:
Tabel 4.6 Karakteristik Pendidikan Ibu Hamil

Pendidikan
Total
Rendah Tinggi
Tidak N 26 29 55
Preeklamsia % 47.3% 52.7% 100.0%
Preeklamsia
N 33 22 55
Preeklamsia
% 60.0% 40.0% 100.0%
Total 59 51 110
Berdasarkan Tabel 4.6, dari 110 ibu hamil di puskesmas Ratu Agung
60,0% mengalami preeklamsia karena rendahnya pendidikan, dan 40,0% ibu hamil
yang berpendidikan tinggi mengalami preeklamsia.
4.1.7 Anemia
Berikut adalah persentase Anemia dari 110 ibu hamil terhadap status
preeklamsia:
42
Tabel 4.7 Karakteristik Anemia Ibu Hamil
Anemia
Total
Tidak Ya
Tidak N 32 23 55
Preeklamsia % 58.2% 41.8% 100.0%
Preeklamsia
N 46 9 55
Preeklamsia
% 83.6% 16.4% 100.0%
Total 78 32 110
83,6% mengalami preeklamsia karena tidak ada riwayat anemia, dan 14,4% ibu
hamil yang memiliki riwayat anemia mengalami preeklamsia.
4.1.8 Jarak kehamilan
Berikut adalah persentase jarak kehamilan dari 110 ibu hamil terhadap
status preeklamsia:
Tabel 4.8 Karakteristik Jarak Kehamilan Ibu Hamil
Jarak Kehamilan
Total
Tidak
Beresiko
Beresiko
Tidak N 38 17 55
Preeklamsia % 69% 31% 100.0%
Preeklamsia
N 31 24 55
Preeklamsia
% 56,3% 43,4% 100.0%
Total 69 41 110
66,7% mengalami preeklamsia pada jarak kehamilan 2-5 tahun, dan 33,3% ibu
hamil mengalami preeklamsia pada jarak kehamilan <2 atau >5 tahun.
4.1.9 Obesitas
Berikut adalah persentase obesitas dari 110 ibu hamil terhadap status
preeklamsia:
43
Tabel 4.9 Karakteristik Obesitas Ibu Hamil
Obesitas
Total
Tidak Ya
Tidak N 14 41 55
Preeklamsia % 25.5% 74.5% 100.0%
Preeklamsia
N 13 42 55
Preeklamsia
% 23.6% 76.4% 100.0%
Total 27 83 110
Berdasarkan Tabel 4.9 dari 110 ibu hamil di puskesmas Ratu Agung
mengalami preeklamsia karena obesitas sebesar 74,5% dan ibu hamil mengalami
preeklamsia tidak tergolong obesitas sebesar 25,5%
4.2 Analisis CHAID
Langkah awal dalam pembentukan suatu pohon keputusan pada CHAID
adalah melakukan pengujian chi-Squared untuk mengidentifikasi variabel
independen yang paling signifikan yang nantinya akan dijadikan sebagai pemisah
atau penyekat awal dalam pembentukan pohon keputusan. Pada penelitian ini,
yang menjadi variabel independennya adalah umur ibu, paritas, status pekerjaan,
riwayat penyakit, riwayat konseling, pendidikan ibu, anemia, jarak kehamilan, dan
obesitas.
Analisis chi-Square merupakan analisis yang digunakan untuk menguji ada
atau tidaknya pengaruh yang signifikan antara dua variabel. Berikut adalah tahapan
analisis chi-square:
1. Hipotesis dari analisi chi-square adalah sebagai berikut:
H 0 :Tidak terdapat pengaruh yang signifikan antaradua variabel
H 1 : Terdapat pengaruh yang signifikan antaradua variabel
2. Menentukan taraf signifikansi (α )
44
3. Statistik Uji chi-Square
Pada persamaan (2.9)
4. Menentukan Kriteria Pengujian
Jika χ 2 hitung ≤χ 2 tabel, maka H 0 Diterima
Jika χ 2 hitung > χ 2 tabel, maka H 0 Ditolak
Jika Sig. ≥ 0,05 maka H 0 Diterima
Jika Sig. < 0,05 maka H 0 Ditolak .
Berdasarkan pada halaman 15 Tabel 2.4, didapatkan hasil perhitungan
pengujian chi-Square pada masing-masing variabel independen disajikan dalam
Tabel 4.10 berikut:
Tabel 4.10 Hasil Pengujian Chi- Square
Pasangan Variabel χ 2hitung χ 2tabel p−value Keterangan
Preeklamsia * Umur 0,629 3,841 0,428 Tidak Signifikan
Preeklamsia * Paritas 0,955 3,841 0,329 Tidak Siginifikan

Preeklamsia * Riwayat
9,312 3,841 0,002 Siginifikan
Penyakit
Preeklamsia * Status Pekerjaan 2,961 3,841 0,085 Tidak Siginifikan
Preeklamsia * Riwayat
0,331 3,841 0,565 Tidak Siginifikan
Konseling
Preeklamsia * Pendidikan 1,791 3,841 0,181 Tidak Siginifikan
Preeklamsia * Anemia 8,638 3,841 0,003 Siginifikan
Preeklamsia * Obesitas 0,049 3,841 0,825 Tidak Siginifikan
Preeklamsia * Jarak Kehamilan 1,905 3,841 0,167 Tidak Signifikan
Berdasarkan Tabel 4.10 dengan menggunakan tingkat signifikansi (α ) sebesar
5%, akan dilihat variabel independen yang memiliki nilai p−value yang kurang
45
2 2
dari tingkat signifikansi atau yang memiliki χ hitung yang melebihi nilai χ tabel .
Variabel yang paling signifikan ditentukan oleh nilai p−value terkecil atau nilai
2
χ hitung terbesar. Dari 9 variabel independen dapat dilihat bahwa variabel yang
paling signifikan terhadap preeklampsia berdasarkan nilai χ 2hitung yang paling tinggi,
yaitu 9,312 atau nilai p−value yang paling rendah, yaitu 0,002 adalah variabel
riwayat penyakit. Oleh karena itu, variabel ini akan dijadikan sebagai pohon
keputusan pohon awal seperti Gambar 4.1 berikut:
Gambar 4.1 Pohon Utama CHAID

Berdasarkan Gambar 4.1 dapat dilihat bahwa variabel riwayat penyakit
merupakan pemisah terbaik karena memiliki nilai chi-Square paling besar atau
nilai p-value yang paling kecil. Kategori pada riwayat penyakit akan dijadikan
46
sebagai pemisah untuk menentukan simpul anak. Proses pemisahan akan dilakukan
terus menerus hingga tidak terdapat lagi variabel independen yang signifikan.
Simpul induk atau node 0 menampilkan bahwa data yang digunakan dalam
penelitian ini sebanyak 110 pasien ibu hamil dengan rincian 50% yang mengalami
preeklampsia dan 50% tidak mengalami preeklampsia. Pada node 1 variabel
riwayat penyakit dengan kategori ada menjelaskan bahwa sebanyak 64,8% ibu
hamil dengan adanya riwayat penyakit mengalami preeklamsia, dan sebanyak
35,2% ibu hamil dengan adanya riwayat penyakit tidak terkena preeklamsia. Pada
node 2 variabel riwayat penyakit dengan kategori tidak ada menjelaskan bahwa
sebanyak 35,7% ibu hamil yang tidak memiliki riwayat penyakit mengalami
preeklamsia dan 64,3% ibu hamil yang tidak memiliki riwayat penyakit tidak
terkena preeklamsia. Selanjutnya dilakukan kembali pengujian chi-Square untuk
melihat apakah terdapat variabel prediktor yang akan menjadi cabang dari masing-
masing node riwayat penyakit dan setelah dilakukan pengujian diperoleh bahwa
terdapat variabel prediktor yang signifikan maka node 1 dan node 2.
Untuk melihat variabel prediktor man yang akan menjadi cabang dari masing-
masing node maka dapat dilihat dari variabel prediktor yang memiliki hubungan
yang kuat dengan preeklampsia maka riwayat penyakit tidak lagi diikut sertakan
dalam perhitungan, sehingga proses ini dinamakan dengan tahapan pemisahan
(splitting). Hasil pengujian chi-Square pada masing-masing variabel dapat dilihat
pada Tabel 4.11 berikut:
47
Tabel 4.11 Uji Chi-Square ke 2
2 2
Pasangan Variabel kategori χ hitung χ tabel p−value Keterangan
Preeklamsia * Riwayat Ada 0,167 3,841 0,683 Tidak sig

Penyakit* Umur Tidak ada 0,747 3,841 0,388 Tidak sig
Preeklamsia * Ada 0,659 3,841 0,417 Tidak sig
Riwayat Penyakit*
Paritas Tidak ada 4,851 3,841 0,028 sig
Penyakit* Status
Pekerjaan Tidak ada 3,376 3,841 0,066 Tidak sig
Penyakit* Riwayat
Konseling Tidak ada 0,361 3,841 0,548 Tidak sig

Penyakit* Pendidikan Tidak ada 0,574 3,841 0,449 Tidak sig
Preeklamsia * Ada 16,241 3,841 0,000 sig
Riwayat Penyakit*
Anemia Tidak ada 0,415 3,841 0,520 Tidak sig

Penyakit* Obesitas Tidak ada 0,000 3,841 1,000 Tidak sig
Preeklamsia * Riwayat Ada 4,060 3,841 0,044 sig
Penyakit* Jarak
Kehamilan Tidak ada 0,198 3,841 0,656 Tidak sig
48
Berdasarkan Tabel 4.11 dapat diketahui bahwa dengan menggunakan tingkat
signifikansi (α ) sebesar 5%, diperoleh variabel anemia yang akan menjadi cabang
dari node 1 (kategori ada) dengan nilai p−value yang paling kecil yaitu 0,000 dan
2
χ hitung yang paling besar yaitu 16,241 dibandingkan variabel lain. Karena itu dapat
dikatakan bahwa variabel anemia memiliki pengaruh terhadap variabel
preeklamsia dan riwayat penyakit. Untuk node 2 (kategor tidak ada) yang menjadi
variabel prediktor yaitu paritas, dengan nilai p−value sebesar 0,028 dan nilai χ 2hitung
yang paling besar yaitu 4,851 dibandingkan variabel yang lain. Sehingga pohon
yang terbentuk dengan adanya penambahan variabelm anemia dan paritas menjadi
seperti Gambar 5.2 berikut:
Gambar 4.2 Pohon Klasifikasi CHAID

Berdasarkan Gambar 4.2 dapat dilihat bahwa node 1 bercabang menjadi node
3 dan node 4, dimana node 3 merupakan variabel anemia dengan kategori ya dan
dan node 4 dengan kategori tidak. Kemudian node 2 bercabang menjadi node 5
49
dan node 6, dimana node 5 merupakan variabel paritas dengan kategori tidak
berisiko (paritas 2-3) dan node 6 dengan kategri beresiko (paritas 1 atau >3).
Pada Gambar 4.2 dapat dilihat bahwa berdasarkan node 3 ibu hamil yang
mengalami preeklampsia lebih banyak terjadi pada ibu yang mengalami anemia,
sedangkan ibu yang tidak mengalami anemia lebih cenderung tidak terkena
preeklamsia. Kemudian pada node 5 dapat dilihat bahwa ibu yang berada pada
paritas 1 atau >3 lebih banyak mengalami preelamsia dibandingkan dengan ibu
yang berada paritas 2-3 di node 6. Untuk melihat apakah masih terdapat cabang
pada variabel anemia maka dapat dilakukan kembali pengujian chi-Square pada
masing-masing kategori seperti Tabel 4.12 berikut:
Tabel 4.12 Perhitungan Chi-Square Ke 3

2 2
Pasangan Variabel Kategori χ hitung χ tabel p−value Keterangan
Preeklamsia * Tidak 0,168 3,841 0,682 Tidak sig

Anemia* Umur ya 0,114 3,841 0,736 Tidak sig
Anemia* Status
Pekerjaan ya 2,467 3,841 0,116 Tidak sig
Anemia* Riwayat
Konseling ya 0,028 3,841 0,868 Tidak sig

Anemia * Pendidikan ya 3,816 3,841 0,051 Tidak sig

Anemia* Obesitas ya 0,176 3,841 0,675 Tidak sig
Anemia* Jarak
Kehamilan ya 0,817 3,841 0,366 Tidak sig
50
Berdasarkan Tabel 4.12 dapat dilihat bahwa pada iterasi ke 3 tidak ada lagi
pasangan variabel yang signifikan, sehingga tidak ada variabel prediktor untuk
menjadi cabang dari variabel anemia. Sehingga dapat disimpulkan bahwa proses
pembentukan pohon dihentikan (stopping). Untuk melihat apakah masih terdapat
cabang pada variabel paritas maka dapat dilakukan kembali pengujian chi-Square
pada masing-masing kategori seperti Tabel 4.13 berikut:
Tabel 4.13 Perhitungan Chi-Square Ke 4

2 2
Pasangan Variabel Kategori χ hitung χ tabel p−value Keterangan
Beresiko(1 atau
0,630 3,841 0,427 Tidak sig
Preeklamsia * >3)
Paritas* Umur Tidak beresiko
0,057 3,841 0,811 Tidak sig
(paritas 2-3)
Beresiko(1 atau
Preeklamsia * 0,663 3,841 0,416 Tidak sig
>3)
Paritas* Status
Tidak beresiko
Pekerjaan 2,336 3,841 0,126 Tidak sig
(paritas 2-3)
Beresiko(1 atau
>3)
Paritas* Riwayat
Tidak beresiko
Konseling 0,266 3,841 0,606 Tidak sig
(paritas 2-3)
Beresiko(1 atau
>3)
Paritas*
Tidak beresiko
Pendidikan 0,029 3,841 0,864 Tidak sig
(paritas 2-3)
Beresiko(1 atau
0,160 3,841 0,689 Tidak sig
Preeklamsia * >3)
Paritas* Obesitas Tidak beresiko
0,006 3,841 0,938 Tidak sig
(paritas 2-3)
Beresiko(1 atau
>3)
Paritas* Jarak
Tidak beresiko
Kehamilan 1,773 3,841 0,183 Tidak sig
(paritas 2-3)
Berdasarkan Tabel 4.13 dapat dilihat bahwa pada iterasi ke 4 tidak ada lagi
pasangan variabel yang signifikan, sehingga tidak ada variabel prediktor untuk
51
menjadi cabang dari variabel paritas. Sehingga dapat disimpulkan bahwa proses
pembentukan pohon juga dihentikan (stopping). Sehingga pohon klasifikasi yang
terbentuk untuk metode CHAID dapat dilihat pada Gambar 4.2.
Dengan memperhatikan pohon keputusan yang terbentuk pada Gambar 4.2
maka segmentasi ibu hamil dapat diklasifikasikan seperti Tabel 4.14 berikut:
Tabel 4.14 Segmen Ibu Hamil Dengan CHAID

Segmen Keterangan
Segmen ke-1 Ibu hamil ada riwayat penyakit
Segmen ke-2 Ibu hamil tidak ada riwayat penyakit
Segmen ke-3 Ibu hamil yang ada riwayat penyakit dan anemia
Segmen ke-4 Ibu hamil yang ada riwayat penyakit dan tidak anemia
Ibu hamil yang tidak ada riwayat penyakit dan beresiko (paritas
Segmen ke-5
1 atau >3)
Ibu hamil yang tidak ada riwayat penyakit dan tidak beresiko
Segmen ke-6
(paritas 2-3)
Adapun persentase dari masing-masing segmen tersebut dapat dilihat pada
Tabel 4.15 berikut:
Tabel 4.15 Persentase Segmen Klasifikasi dengan CHAID

Tidak preeklamsia Preeklamsia
Segmen Jumlah ibu Jumlah ibu
Percent Percent
hamil hamil
1 19 35.2% 35 64.8%
2 36 64.3% 20 35.7%
3 6 16.7% 30 83.3%
4 13 72.2% 5 27.8%
5 18 52.9% 16 47.1%
6 18 81.8% 4 18.2%
Berdasarkan Tabel 4.15 dapat diketahui bahwa ibu hamil yang tidak
memiliki risiko mengalami preeklampsia adalah ibu hamil pada segmen 4 dan 6,
52
sedangkan ibu hamil yang mengalami preeklampsia adalah ibu hamil pada segmen
1 dan 3.
Ibu hamil yang memiliki risiko mengalami preeklampsia tertinggi adalah pada
segmen ke-3, yaitu ibu hamil yang memiliki riwayat anemia, dengan persentase
sebesar 83,3%. Hal ini sejalan dengan penelitian Ali et al (2011) wanita dengan
anemia berat memiliki 3-6 kali lebih tinggi risiko preeklampsia dibandingkan
wanita tanpa anemia. Kemudian ibu yang beresiko mengalami preeklamsia adalah
pada segmen ke-1 yaitu ibu hamil yang memiliki riwayat penyakit dengan
persentase sebesar 64,8%. Hal ini sejalan dengan penelitian yang dilakukan oleh
Varney (2007) mengatakan bahwa ibu hamil yang memiliki riwayat penyakit
cenderung lebih berisiko mengalami preeklasmia dikarenakan keadaan fisik yang
tidak stabil akibat adanya penyakit seperti hipertensi,ginjal dan diabetes.
Berdasarkan Tabel 4.15 dapat dilihat bahwa ibu yang tidak mengalami
preeklamsia tertinggi adalah pada segmen ke-6, yaitu ibu hamil yang tidak
memiliki riwayat penyakit dan memiliki paritas 2-3. Hal ini sejalan dengan dengan
penelitian yang dilakukan oleh Djannah dan Arianti (2010) yang mengtakan bahwa
paritas 2-3 merupakan paritas paling aman pada seorang wanita karena tingkat
pengetahuan ibu hamil sudah memiliki pengalaman dalam melahirkan.
Selanjutnya, untuk melihat keakuratan pohon keputusan dalam mengklasifikasikan
kejadian preeklampsia pada ibu hamil dengan menggunakan CHAID maka dapat
dilakukan dengan menggunakan matriks konfusi seperti Tabel 4.16 berikut:
Tabel 4.16 Keakuratan Klasifikasi CHAID
53
Hasil Prediksi
Observasi Tidak
Preeklamsia
preeklamsia
Tidak
49 6
preeklamsia
Preeklamsia 25 30
Uji ketetapan pohon klasifikasi dan tingkat kesalahan prediksi dihitung
sebagai berikut:
49+30
akurasi= =0,718
49+6+ 25+30
25+6
tingkat kesalahan= =0,282
49+6+25+ 30
Berdasarkan perhitungan diatas maka dapat disimpulkan bahwa nilai
akurasi dalam klasifikasi preeklamasia dengan menggunakan metode CHAID
adalah sebesar 0,718 atau 71,8% dengan tingkat kesalahan sebesar 0,282 atau
28,2%.
4.3 Analisis CART
Langkah pertama analisis CART adalah menyusun calon cabang (candidate
split). Penyusunan ini dilakukan terhadap seluruh variabel prediktor secara
lengkap. Pada penelitian ini, yang menjadi variabel prediktor adalah umur ibu,
paritas, riwayat penyakit, status pekerjaan, riwayat konseling, pendidikan, anemia,
obesitas dan jarak kehamilan. Mengingat ciri khas CART yang setiap noktah
keputusannya bercabang biner, maka calon cabang akan diberi nama calon cabang
kiri dan calon cabang kanan seperti tabel 4.17 berikut:
Tabel 4.17 Calon Cabang

No Cabang Kiri Cabang Kanan
54
1 Umur : 20-35 Tahun Umur : 35 Tahun
2 Paritas : Paritas 1 Atau >3 Paritas : Paritas 2-3
3 Riwayat Penyakit : Tidak Ada Riwayat Penyakit : Ada
4 Status Pekerjaan : Tidak Bekerja Status Pekerjaan : Bekerja
5 Riwayat Konseling : Tidak Rutin Riwayat Konseling : Rutin
6 Pendidikan : Tinggi Pendidikan : Rendah
7 Anemia : Ya Anemia : Tidak
8 Obesitas : Tidak Obesitas : Ya
9 Jarak Kehamilan : Tidak Beresiko Jarak Kehamilan : Beresiko
Langkah selanjutnya adalah memilih menghitung nilai peluang pada masing-
masing cabang dengan persamaan (2.15) dan (2.16), sehingga didapatkan hasil
peluang untuk cabang kiri dan cabang kanan seperti pada Tabel 4.18 berikut:
Tabel 4.18 Tabel Perhitungan P Ldan P R

No PL PR
1 0,64 0,36
2 0,61 0,39
3 0,51 0,49
4 0,51 0,49
5 0,51 0,49
6 0,54 0,46
7 0,71 0,29
8 0,25 0,75
9 0,63 0,37
Kemudian mencari nilai proporsi dari masing-masing sampul dengan
persamaan (2.18) dan mencari nilai gini indeks dengan persamaan (2.19) sehingga
didapatkan hasil seperti tabel 4.19 berikut:
Tabel 4.19 Tabel Perhitungan P ( j∨t L ), P ( j∨t R ) dan i(t)
No Kelas P ( j∨t L ) P ( j∨t R ) i(t)

Tidak Preklamsia 0,53 0,45
1 0,46
Preklamsia 0,47 0,55
2 0,48
3 Tidak Preklamsia 0,64 0,35 0,50
55
4 0,50
5 0,50
6 0,50
7 0,41
8 0,37
9 0,47
Langkah selanjutnya adalah pemilihan pemilah atau penyekat yang akan
memecah simpul induk menjadi beberapa node. Proses pemecahan ini dilihat
berdasarkan pada goodness of split atau kebaikan penyekat dengan persamaan
(2.20). Kebaikan penyekat pada simpul dilihat berdasarkan penurunan nilai
impuritas (improvement) yang paling tinggi dari semua kemungkinan pemilahan
yang dilakukan, dapat dilihat pada tabel 4.20 berikut:
Tabel 4.20 Nilai Impuritas Iterasi (1)

Variabel ∅ (s∨t)
Umur -0,034
Paritas -0,019
Riwayat Penyakit 0,042
Status Pekerjaan 0,017
Riwayat Konseling -0,500
Pendidikan 0,005
Anemia -0,048
Obesitas -0,129
Jarak Kehamilan -0,024
Berdasarkan Tabel 4.20 dapat kita lihat bahwa cabang pemilah pertama yaitu
variabel riwayat penyakit karena memiliki nilai impuritas yang paling besar
56
dibandingkan variabel yang lain yakni sebesar 0,42. Berikut adalah gambar pohon
utama CART yang terbentuk.
Gambar 4.3 pohon utama CART

Berdasarkan Gambar 4.3, sama halnya dengan pemisah atau penyekat awal
pada analisis CHAID bahwa variabel riwayat penyakit menjadi pemisah terbaik
karena memiliki penurunan nilai impuritas (improvement) paling besar
dibandingkan dengan variabel lain. Riwayat penyakit memiliki dua percabangan
pada bagian kiri dan kanan, sesuai dengan kategori variabelnya yang terdiri dari
dua kategori. Pada cabang kiri, diisi oleh kategori ada riwayat penyakit dan pada
cabang kanan diisi oleh kategori tidak ada riwayat penyakit. Kemudian akan
dilakukan kembali perhitungan pada masing-masing variabel prediktor untuk
menentukan cabang dari masing-masing node. Jika pada analisis CHAID,
penentuan cabang didasarkan pada nilai chi-Square terbesar, maka pada CART
didasarkan pada penurunan nilai impuritas terbesar seperti hasil perhitungan pada
Tabel 4.21 berikut:
Variabel ∅ (s∨t)
Umur 0,007
Paritas 0,020
57
Riwayat Konseling 0,014
Pendidikan 0,009
Anemia 0,067
Obesitas 0,002
Jarak Kehamilan 0,013
Berikut adalah hasil iterasi ke 3 pada analisis CART dimana dapat dilihat
penurunan nilai impuritas.
Variabel ∅ ( s∨t)
Umur 0,001
Paritas 0,020
Riwayat Konseling 0,05
Pendidikan 0,009
Obesitas 0,002
Variabel ∅ ( s∨t)
Umur 0,001
Pendidikan 0,009
Obesitas 0,002
58
Variabel ∅ (s∨t )
Umur -0,001
Pendidikan 0,009
Obesitas 0,001
Sehingga, pohon keputusan yang terbentuk pada klasifikasi Preeklampsia
menggunakan CART menjadi seperti Gambar 4.4 berkut:
Gambar 4.4 Pohon Klasifikasi CART
Riwayat penyakit menjadi variabel pemisah atau pemilah pertama karena
memiliki nilai impuritas (improvement) paling besar dibandingkan variabel yang
lain, yaitu sebesar 0,042. Riwayat penyakit kemudian bercabang menjadi dua
dengan kategori ada riwayat penyakit pada sebelah kiri (node 1) dan tidak ada
59
riwayat penyakit sebelah kanan (node 2). Pada node 1 dapat dilihat bahwa
sebanyak 64,8% kejadian preeklampsia terjadi pada ibu yang memiliki riwayat
penyakit. Node 2 menjelaskan bahwa sebanyak 35,7% kejadian preeklamsia terjadi
pada ibu yang tidak memiliki riwayat penyakit.
Node 1 (ada riwayat penyakit) kemudian bercabang yang diisi oleh variabel
anemia dan memiliki nilai impuritas sebesar 0,067 dengan cabang kirinya adalah
ya (node 3) dan cabang kanannya adalah tidak anemia (node 4). Dari kedua cabang
tersebut dapat dilihat bahwa preeklampsia lebih banyak terjadi pada ibu hamil yang
mengalami anemia yaitu sebesar 83,3%.
Node 2 (tidak ada riwayat penyakit) kemudian bercabang yang disi oleh
variabel paritas dikarenakan memiliki nilai impuritas sebesar 0,020 dengan cabang
kirinya adalah paritas 1 atau >3 (node 5) dan cabang kanannya adalah paritas 2-3
(node 6). Dari kedua cabang tersebut dapat dilihat bahwa preeklampsia lebih
banyak terjadi pada ibu hamil pada paritas 1 atau >3 yaitu sebesar 47,1%.
Setelah dilakukan iterasi kembali node 3 (ya anemia) kemudian bercabang
yang disi oleh variabel pendidikan dikarenakan memiliki nilai impuritas sebesar
0,010 dengan cabang kirinya adalah rendah (node 7) dan cabang kanannya adalah
tinggi (node 8). Dari kedua cabang tersebut dapat dilihat bahwa preeklampsia lebih
banyak terjadi pada ibu hamil dengan pendidikn rendah yaitu sebesar 94,7%.
Kemudian node 4 juga bercabang yang diisi oleh variabel jarak kehamilan
memiliki nilai impuritas sebesar 0,013 dengan cabang kirinya adalah beresiko
(node 9) dan cabang kanannya adalah tidak beresiko (node 10). Dari kedua cabang
tersebut dapat dilihat bahwa preeklampsia lebih banyak terjadi pada ibu hamil
dengan jarak kehamilan kehamilan ¿ 2 tahun dan ¿ 5 yaitu sebesar 60,0%.
60
Node 5 dan node 6 (paritas 1 atau >3) dan (paritas 2-3) sama-sama bercabang
dan disi oleh variabel pendidikan dikarenakan memiliki nilai impuritas sebesar
0,009 dan 0,002. Pada node 5 dapat dilihat bahwa preeklamsia pada ibu hamil
terjadi karena pendidikan rendah yaitu sebesar 58,8%. Pada node 6 ibu yang
mengalami preeklamsia karena pendidikan rendah sebayak 10%. Pohon klasifikasi
yang terbentuk memiliki 14 simpul dan telah mencapai kedalaman maksimal yaitu
4 tingkatan. Sehingga pada proses ini dilakukan tahapan penghentian (stopping)
sehingga tidak ada lagi percabangan yang terbentuk.
Dengan memeprhatikan pohon keputusan pada Gambar 4.4 maka didapatkan
klasifikasi ibu hamil yang mengalami preeklamsia dengan metode CART seperti
Tabel 4.22 berikut:
Tabel 4.25 Segmen Ibu Hamil Dengan CART
Segmen Keterangan
Segmen-1 Ibu hamil yang ada riwayat penyakit
Segmen-2 Ibu hamil yang tidak ada riwayat penyakit
Segmen-3 Ibu hamil yang ada riwayat penyakit dan anemia
Segmen-4 Ibu hamil yang ada riwayat penyakit dan tidak anemia
Segmen-5 Ibu hamil yang tidak ada riwayat penyakit dan paritas 1 atau >3
Segmen-6 Ibu hamil yang tidak ada riwayat penyakit dan paritas 2-3
Segmen 7 Ibu hamil yang ada riwayat penyakit, anemia, pendidikan rendah
Segmen-8 Ibu hamil yang ada riwayat penyakit, anemia, pendidikan tinggi
Ibu hamil yang ada riwayat penyakit, tidak anemia, jarak

Segmen-9
kehamilan beresiko
61
Ibu hamil yang ada riwayat penyakit, tidak anemia, jarak
Segmen-10
kehamilan tidak beresiko
Ibu hamil yang tidak ada riwayat penyakit, paritas 1 atau >3,
Segmen-11
pendidikan rendah
Ibu hamil yang tidak ada riwayat penyakit, paritas 1 atau >3,
Segmen-12
pendidikan tinggi
Ibu hamil yang tidak ada riwayat penyakit, paritas 2-3,
Segmen-13
pendidikan rendah
Ibu hamil yang tidak ada riwayat penyakit, paritas 2-3,
Segmen 14
pendidikan tinggi
Adapun persentase dari masing-masing segmen tersebut dapat dilihat pada
Tabel 4.23 berikut:
Tabel 4.26 Persentase Segmen Klasifikasi dengan CART
Tidak preeklamsia Preeklamsia

Segmen
N Percent N Percent
0 55 50,0% 55 50,0%
1 19 35,2% 35 64,8%
2 36 64,3% 20 35,7%
3 6 16,7% 30 83,3%
4 13 72,2% 5 27,8%
5 18 52,9% 16 47,1%
6 18 81,8% 4 18,2%
7 1 5,3% 18 94,7%
8 5 29,4% 12 70,6%
9 2 40,0% 3 60,0%
10 11 84,6% 2 15,4%
11 7 41,2% 10 58,8%
12 11 64,7% 6 35,3%
13 9 90,0% 1 10,0%
14 9 75,0% 3 25,0%
62
Berdasarkan Tabel 4.23, Ibu hamil yang tidak memiliki risiko preeklampsia
tertinggi adalah pada segmen ke-13, yaitu ibu hamil yang tidak ada riwayat
penyakit, paritas 2-3, pendidikan rendah, yaitu dengan persentase sebesar 90,0%.
Hal ini sejalan dengan hasil analisis menggunakan CHAID yang telah dijelaskan
sebelumnya, yaitu bahwa penyakit menjadi faktor penyumbang terbesar penyebab
terjadinya preeklampsia pada Ibu hamil. Sedangkan Ibu hamil yang memiliki risiko
mengalami preeklampsia tertinggi dengan analisis CART adalah pada segmen ke-
7, yaitu Ibu hamil yang ada riwayat penyakit, anemia, pendidikan rendah dengan
persentase sebesar 94,7%.
Selanjutnya, untuk melihat keakuratan pohon keputusan dalam
mengklasifikasikan kejadian preeklampsia pada Ibu hamil dengan menggunakan
CART maka dapat dilakukan dengan menggunakan matriks konfusi seperti Tabel
4.24 berikut:
Tabel 4.27 Keakuratan Klasifikasi CART

Prediksi
Observasi Tidak
Preeklamsia
preeklamsia
Tidak preeklamsia 40 15
Preeklamsia 12 43
Berdasarkan tabel 4.24 didapatkan hasil akurasi dari perhitungan berikut:
40+ 43
Akurasi= =0,755
40+15+12+ 43
12+15
Tingkat kesalahan= =0,245
40+15+ 12+ 43
63
Berdasarkan perhitungan diatas maka dapat disimpulkan bahwa nilai akurasi
dalam klasifikasi preeklmasia dengan menggunakan metode CART adalah sebesar
0,755 atau 75,5% dwengan tingkat kesalahan sebesar 0,245 atau 24,3%.
4.4 Perbandingan CHAID dan CART
Berdasarkan analisis menggunakan CHAID dan CART pada klasifikasi
preeklampsia ibu hamil, maka perbandingan hasil dari masing-masing metode
dapat dilihat pada Tabel 4.25 berikut:
Tabel 4.28 Perbandingam CHAID dan CART
Metode CHAID Metode CART

Nilai akurasi klasifikasi 71,8% Nilai akurasi klasifikasi 75,5%
Menghasilkan 6 segmen klasifikasi Menghasilkan 14 segmen klasifikasi

Resiko ibu terkena preeklamsia Resiko ibu terkena preeklamsia
tertinggi pada segmen ke 3 yaitu ibu tertinggi pada segmen ke 7 yaitu ibu
hamil yang memiliki riwayat penyakit, hamil yang Ibu hamil yang ada riwayat
anemia. penyakit, anemia, pendidikan rendah.
Faktor-faktor yang mempengaruhi
Fakto-faktor yang mempengaruhi
preeklamsia dengan menggunakan
preeklamsia menggunakan metode
metode CART adalah riwayat
CHAID adalah riwayat penyakit,
penyakit, anemia, paritas, pendidikan
anemia dan paritas
dan jarak kehamilan
64
BAB V
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Dari berbagai penjelasan di atas, maka dapat diambil beberapa kesimpulan
sebagai berikut:
1. Dari 110 Ibu hamil yang menjadi sampel dalam penelitian, kasus
preeklampsia sebagian besar terjadi pada ibu hamil yang berada pada
paritas pertama atau lebih dari 3, memiliki riwayat penyakit, anemia,
tingkat pendidikan dan jara kehamilan.
2. Faktor-faktor yang mempengaruhi terjadinya Preeklampsia pada Ibu hamil
di wilayah kerja puskesmas Ratu Agung berdasarkan hasil analisis CHAID
adalah riwayat penyakit, anemia, dan paritas. Sedangkan dengan
menggunakan metode CART diperoleh faktor-faktor yang mempengaruhi
65
terjadinya preeklampsia adalah riwayat penyakit, anemia, paritas, tingkat
pendidikan dan jarak kehamilan.
3. Hasil analisis menggunakan CHAID menghasilkan 6 segmen klasifikasi
dengan keakuratan 71,8%, sedangkan dengan CART menghasilkan 14
segmen klasifikasi dengan keakuratan 75,5%.
4. Untuk klasifikasi CHAID segmen yang paling tinggi mempengaruhi
preeklamsia adalah segmen ke-3 yaitu variabel riwayat penyakit, anemia
dan paritas 1 atau >3. Untuk klasifikasi CART segmen yang paling tinggi
adalah segmen ke-6 yaitu riwayat penyakit,anemia dan tingkat pendidikan
rendah
5.2 Saran
Adapun saran yang diberikan sehubungan dengan penelitian ini adalah sebagai
berikut:
1. Pada penelitian selanjutnya diharapkan untuk menggunakan metode
pengklasifikasian yang lain seperti metode QUEST dan Exhaustive
CHAID, agar menjadi bahan perbandingan untuk kedua metode ini.
2. Untuk penelitian selanjutnya sebaiknya menambahkan variabel-variabel
prediktor lain yang diduga mempengaruhi terjadi preeklamsia agar hasil
yang diperoleh semakin akurat dan menggunakan metode pengklasifikasian
yang lain agar diperoleh hasil yang lebih maksimal.
66
67
DAFTAR PUSTAKA
Ali. A. A., Duria. A. R., Tajeldi. M. A., Mustrafa. I. E., Ishag. A. 2011. Severe
Anaemia is Associated with a Higher Risk for Preeclampsia and Poor
Perinatal Outcomes in Kassala Hospital.http://www.biomedcentral.com/1756-
0500/4311. Diunduh tanggal 6 Juli 2016 di
Bagozzi, R.P. 1994. Advanced Methods of Marketing Research. Blackwell

Publishers Ltd, Oxford.
Bawazier, L.A., 2006, Proteinuria dalam: Buku Ajar Ilmu Penyakit Dalam FKUI,
edisi ke-4 jilid 1: 519, Jakarta: Pusat Penerbitan Departemen Ilmu Penyakit
Dalam
BKKBN. 2007. Keluarga Berencana dan Kontrasepsi. Cetakan ke-5. Pustaka sinar
harapan, Jakarta.
Breiman, L., Friedman, J., Olshen, R. and Stone, C., 1984. Classification and
Regression Trees. Chapman Hall, New York – London.
Dini, H. 2015. Epidemiologi Preeklampsi. Prosiding Simposium What’s New in

Preeclampsia. Sumedang.
Dinkes Bengkulu. 2019. Laporan Kinerja Organisasi Perangkat Daerah (OPD).

Dinas Kesehatan Provinsi Bengkulu. Bengkulu.
Djannah, Nur, S. dan Sukma, I. A. 2010. Gambaran Epidemiologi Kejadian

Preeklampsia/Eklampsia di RSU PKU Muhammadiyah Yogyakarta Tahun
2001-2009. Jurnal. Buletin Penelitian Sistem Kesehatan. Volume 13. Nomor
4.
Eger, R. 2001. Hypertensive Disorders during Pregnancy. Dalam: Ling F, Duff P,

editor. Obstetrics & Gynecology Principles for Practice. McGraw-Hill. New
York.
Gallagher, C.A. 2000. An Iterative Approach to Classification Analysis.

https://www.casact.org/pubs/dpp/dpp90/90dpp237.pdf. Diakses pada februari
2021.
Hamakonda, T. P. 2006. Pengantar Klasifikasi Persepuluhan Dewey. Gunung

Mulia, Jakarta.
Hamidah, I. 2013. Aplikasi Data Mining untuk Memprediksi Masa Studi

Mahasiswa Menggunakan Algoritma C4.5. Skripsi. Jurusan Teknik
Komputer. UNIKOM. Bandung.
xvii
Kemenkes RI. 2015. Profil Kesehatan Indonesia 2014. Kementerian Kesehatan
Republik Indonesia. Jakarta.
Khalfia, H. 2019. Penerapan Metode Chi-Squared Automatic Interaction Detection

(CHAID) Dan Classification And Regression Trees (CART) Pada Klasifikasi
Status Kerja Di Kabupaten Brebes. Transformasi Sains Alam Pembelajaran
Untuk Menyiapkan SDM Pengelola Sumber Daya Hayati Berkelanjutan Di
Era Revolusi Industri 4.0 Bervisi Enterpreneurship. Semarang.
Klebanoff, M., Shiono, P. dan Rhoads, G. 1990. Outcomes of Pregnancy in

National Sample of Resident Physicians. New England Journal of Medicine.
No 15. Vol 323. Hal 1040-1046.
Kumala, F. 2015. Hubungan antara kejadian Preeklampsia dan resiko depresi

Antenatal. Skripsi. Fakultas Kedokteran. Universitas Sebelas Maret.
Surakarta
Kunto, Y.S. dan Hasana, S.N. 2006. Analisis CHAID Sebagai Alat Bantu Statistika
untuk Segmentasi Pasar. Jurnal Manajemen Pemasaran. No.2. Vol.1. hal 88-
98.
Kusrini, 2006, Sistem Pakar Teori dan Aplikasi, Penerbit Andi Offset, Yogyakarta.
Larose, D. T. 2005. Discovering Knowledge in Data: An Introduction to Data

mining. John Willey and Sons, Inc. New Britain
Lewis, R. J. 2000. An Introduction to Classification and Regression Tree (CART).

Department of Emergency Medicine Harbor – UCLA Medical Center,
Torrance. California
Norma, N. dan Dwi S, M. 2013. Asuhan Kebidanan: Patologi Teori dan Tinjauan
Kasus. Nuha Medika. Yogyakarta.
Paratu, L. 2012. Churn Analisis pada Pelanggan Telekomunikasi Menggunakan

Algoritma C4.5. Skripsi. Program Sarjana Statistika. Universitas Gadjah
Mada. Yogyakarta.
Prasetyo, E. 2012. Data Mining : Konsep dan Aplikasi menggunakan Matlab. Andi
Offset. Yogyakarta.
Prawirohardjo ,S. 2009. Ilmu Kebidanan: Bina Pustaka Sarwono Prawirohardjo.

Jakarta.
xviii
Rahayu, R. S. 2015. Identifikasi Faktor-Faktor Yang Mempengaruhi Terjadinya
Preeklampsia Dengan Metode CHAID. Skripsi. Jurusan Statistika Fakultas
Sains Dan Matematika. Universitas Diponegoro. Semarang.
Reny, R. N. 2018. Penerapan Metode CHAID (Chi-Squared Automatic Interaction

Detection) Dan CART (Classification And Regression Trees) Pada
Klasifikasi Preeklampsia. Skripsi. Program Studi Statistika Fakultas
Matematika Dan Ilmu Pengetahuan Alam. Universitas Islam Yogyakarta.
Yogyakarta.
Ridwan, M., Suyono, H., dan M. Sarosa. 2013. Penerapan Data Mining Untuk
Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive
Bayes Classifier. Jurnal EECCIS. Vol.7. No. 1. Hal. 59.
Saifuddin. 2010. Ilmu Kebidanan. Jakarta: Bina Pustaka Sarwono Prawirohardjo
Sharp, A. J. Romaniuk dan S. Cierpicki. 2002. The Performance Of Segmentation

Variables: A Comparative Study. http://130.195.95.71:8081/
www/ANZMAC1998/Cd_rom/Sharp222.pdf. Diakses pada 09 februari 2021.
Siswosudarmo, R. 2008. Obstetri Fisiologi. Pustaka Cendekia. Yogyakarta.
Sokolova, M. dan Lapalme, G. 2009 A systematic analysis of performance

measures for classification tasks. Inf. Process. Manag. vol. 45. no. 4. Hal
427–437.
Sugiyono. 2007. Metodologi Penelitian Bisnis. PT. Gramedia. Jakarta.
Sumartini, S. H. 2015. Penggunaan Metode Classification and Regression Trees

(CART) Untuk Klasifikasi Rekurensi Pasien Kanker Serviks di RSUD Dr.
Soetomo Surabaya. Sains dan Seni ITS. No 2. Vol-4. Halaman 49-59.
Supriandono, A. 2001. Faktor Risiko Terjadinya Preeklampsia Berat di RSUP Dr.

Sardjito Yogyakarta. Skripsi. Fakultas matematika dan ilmu pengetahuan
alam. Universitas Gajah Mada. Yogyakarta.
Varney, H. 2007. Buku ajar Asuhan Kebidanan. Edisi 4. EGC. Jakarta.
Wafiyatunisa, Z., dan Rodiani. 2016. Hubungan Obesitas dengan Terjadinya

Preeklampsia. Majority. Volume 5, No 5. Hal 184-
Wheeler, L. 2003. Buku Saku Perawatan Pranatal dan Pascapartum. EGC.

Jakarta.
WHO. 2015. Trends In Maternal Mortality: 1990 to 2015. World Health

Organization. Genewa.
xix
Wiknjosastro, H. 2006. Ilmu Kebidanan. Yayasan Bina Pustaka Sarwono. Jakarta.
Yogi, Y. 2007. Perbandingan Performansi Algoritma Decision Tree C5.0, CART,

dan CHAID : Kasus Prediksi Status Resiko Kredit di Bank X. Seminar
Nasional Aplikasi Teknologi Informasi. Bandung
xx
LAMPIRAN
Lampiran 1 Data Ibu Hamil

Preeklamsi Parita Pendidika Jarakkehamila
Namaibu a Umur s Riwayatpenyakit Statuspekerjaan Riwayatkonseling n Anemia Obesitas n
Ismar Yuni 1 1 0 1 1 0 0 0 1 1
Wina 1 0 1 1 1 0 1 0 1 1
Elva 1 0 1 1 1 0 1 0 0 0
Badri 1 1 1 0 0 0 1 0 1 1
Eka 1 1 1 1 1 0 0 0 1 1
Dewi 1 0 0 0 0 1 0 0 0 1
Ester 1 0 0 0 1 1 1 1 1 1
Sri Wahyuni 0 1 1 1 1 1 1 1 1 0
Putri 1 1 0 0 0 1 0 0 0 0
Era 1 1 0 1 1 1 0 0 1 1
Meilia 0 1 0 0 1 0 0 0 0 1
Yunia 1 1 1 1 1 1 1 0 0 1
Yuwis 1 1 0 0 0 0 1 0 1 1
Selvi 0 0 0 0 0 1 1 0 1 1
Fiki 1 0 0 1 1 1 0 0 0 1
Nisa 1 0 0 1 0 1 1 0 1 0
Rara 0 0 0 1 1 1 1 0 1 0
Ani 0 1 0 0 0 0 0 0 1 0
Ayu 0 0 0 0 1 0 1 0 0 0
Dariyani 0 0 1 1 1 0 1 0 0 0
Risa 0 0 1 0 1 1 0 1 0 1
Tensi 0 0 0 0 1 1 1 0 0 1
Yosi 1 0 1 1 0 1 0 0 1 1
Wiwik 1 1 1 1 0 0 1 0 1 0
Putri 1 0 1 1 0 0 0 0 1 0
xxi
Noli 0 0 0 1 1 1 1 1 1 0
Ayu 0 0 0 0 0 1 1 1 1 0
vita Nuryani 0 1 0 1 1 1 1 1 1 0
Susi Hartati 0 0 1 0 0 0 0 1 0 0
Winda 0 0 0 1 1 1 0 1 0 0
Heti 0 0 0 0 0 0 0 1 1 1
Leni 1 0 1 1 1 1 0 0 1 0
Nada 1 0 0 1 0 0 0 0 0 0
Novi 1 0 0 1 1 1 1 1 1 0
Hera 1 0 1 1 1 1 0 1 1 1
Reni 1 1 0 0 1 1 1 1 1 1
Desmi 1 1 0 1 1 1 0 0 1 0
Sri Yuswarti 1 1 0 0 0 0 0 0 1 0
Erki 1 1 1 1 0 1 0 0 1 0
Kiki 1 0 0 1 1 1 0 0 1 0
Liana 1 1 0 0 0 1 0 0 1 0
Puput 1 1 0 1 1 0 1 0 1 0
Neni Fitriani 0 1 0 1 1 0 1 0 0 0
Amelia 0 0 0 0 0 1 1 0 0 0
Meilia 1 1 0 1 1 1 0 0 0 0
Rilea 0 0 0 1 0 1 0 1 0 0
Harumiah 0 1 0 0 1 0 1 0 0 0
Demi Yuliati 0 0 1 0 1 0 1 0 1 0
Permaini 0 1 1 0 1 0 1 0 1 0
Apriani 1 0 0 1 0 0 1 0 1 0
Engga 1 1 0 0 0 0 0 0 1 0
Deli 1 0 0 0 0 0 0 0 1 1
Leni Marlini 0 1 1 1 1 0 1 0 0 1
Sri Sudarsi 1 0 1 0 1 1 1 0 1 0
Risana 1 0 1 1 0 1 0 0 1 1
Agianti 0 1 1 0 1 1 1 1 1 1
xxii
Erli 1 1 0 1 0 1 0 0 1 0
Leoni 0 0 0 0 0 1 0 0 1 0
Fuji 0 0 1 0 1 1 1 0 1 1
Ovi 0 1 0 0 1 1 1 0 1 0
Adelia 0 1 0 1 0 1 1 0 1 0
Oci 0 0 0 0 0 1 0 0 1 0
Sari 0 0 1 0 1 1 1 0 1 0
Demi 1 0 0 1 0 1 0 0 1 0
Siti 1 0 0 0 0 1 1 0 0 0
Risma 1 0 0 1 0 1 0 0 0 0
Siska 1 0 1 1 1 1 1 0 0 0
Desi 0 0 0 0 1 1 0 0 0 1
Yulistri 1 0 0 0 0 1 1 0 0 1
Rahmawati 0 1 1 0 0 0 0 0 1 1
Nita 1 0 0 1 1 1 1 0 1 1
Pika 1 1 0 0 1 0 0 0 1 1
Sulastri 1 0 0 1 0 0 1 0 1 1
Lena 1 0 0 0 1 1 0 0 1 0
Herlina 1 0 0 1 0 1 0 1 1 0
Dona Astria 0 1 0 1 1 0 0 1 1 0
Linda Novia 0 0 0 0 0 0 1 1 1 0
Wulan 0 0 0 0 1 1 0 0 1 0
Ratih 1 0 0 0 0 0 0 0 1 0
Rata Wilis 1 1 0 1 1 0 1 0 1 0
Novi Saputi 0 0 1 0 0 0 0 0 1 0
Monica 0 1 1 0 0 1 0 0 1 0
Indah 0 0 1 0 0 1 1 0 1 0
Agustina 0 0 1 1 1 0 0 1 1 0
Alawiyah 0 0 1 1 1 0 0 1 1 0
Dewi Pertiwi 0 0 0 1 1 1 0 1 1 0
Tri Putri 1 0 1 0 0 1 1 1 1 0
xxiii
Mustika 1 0 0 0 0 0 0 0 1 0
Ira 0 1 1 0 1 1 0 0 1 0
Leni 0 0 1 0 1 1 0 0 1 1
Tuti Alfiah 1 0 1 0 1 0 0 0 1 1
Maswarni 0 0 0 1 1 0 0 0 1 0
Nani Saputri 1 0 0 1 0 0 0 0 1 0
Fitriyunanda 0 0 0 1 0 0 0 1 1 0
Elmawati 0 0 0 1 0 0 0 1 1 1
Kaswarni 0 0 1 0 0 1 1 0 1 0
Kasma 0 1 0 0 0 1 1 0 1 1
Sinta Putri 1 0 0 1 1 1 0 1 0 1
Dezita 0 0 1 0 1 0 0 0 1 1
Lita Nur 0 0 1 1 1 0 0 1 1 1
Yuli Safitri 0 1 1 0 1 0 1 1 1 1
Ira Permata 0 0 1 0 1 1 1 1 1 0
Wahyuning 0 0 0 1 0 0 1 1 1 0
Minas 0 0 0 0 0 0 1 0 1 0
Rena 0 1 0 0 1 0 1 1 0 1
Ingka Bulan 1 1 0 0 0 0 1 1 0 0
Larasti 1 0 1 1 0 1 1 0 1 1
Asni 0 0 1 0 1 1 0 1 1 0
Nida Nurfitri 1 1 1 1 1 0 0 1 1 1
Nimar 1 1 1 1 0 1 0 0 1 1
xxiv
Lampiran 2 Hasil analsisi CHAID
Case Processing Summary
Cases
Valid Missing Total
N Percent N Percent N Percent
preeklamsia * umur 110 100.0% 0 .0% 110 100.0%

preeklamsia * paritas 110 100.0% 0 .0% 110 100.0%
preeklamsia * 110 100.0% 0 .0% 110 100.0%
riwayatpenyakit
preeklamsia * 110 100.0% 0 .0% 110 100.0%
statuspekerjaan
preeklamsia * 110 100.0% 0 .0% 110 100.0%
riwayatkonseling
preeklamsia * pendidikan 110 100.0% 0 .0% 110 100.0%
preeklamsia * anemia 110 100.0% 0 .0% 110 100.0%
preeklamsia * obesitas 110 100.0% 0 .0% 110 100.0%
preeklamsia * 110 100.0% 0 .0% 110 100.0%
jarakkehamilan
preeklamsia * umur
Crosstab
Count
umur
Tidak Berisiko Berisiko (umur

(umur 20-35 <20 atau > 35
tahun) tahun) Total
preeklamsia Tidak preeklamsia 37 18 55
Preeklamsia 33 22 55
Total 70 40 110
ix
Chi-Square Tests
Asymp. Sig. Exact Sig. (2- Exact Sig. (1-

Value df (2-sided) sided) sided)
Pearson Chi-Square .629a 1 .428

Continuity Correctionb .354 1 .552
Likelihood Ratio .629 1 .428
Fisher's Exact Test .552 .276
Linear-by-Linear .623 1 .430
Association
N of Valid Cases 110
a. 0 cells (.0%) have expected count less than 5. The minimum expected count is 20.00.
b. Computed only for a 2x2 table
preeklamsia * paritas
Crosstab
Count
paritas
Berisiko (1 atau tidak berisiko

>3) (paritas 2-3) Total
Total 67 43 110
Chi-Square Tests

Pearson Chi-Square .955a

1 .329
Continuity Correction b
.611 1 .434
Association
preeklamsia * riwayatpenyakit
x
Crosstab
Count
riwayatpenyakit
tidak ada ada Total
Total 56 54 110
Chi-Square Tests

Pearson Chi-Square 9.312a 1 .002

8.185 1 .004
Likelihood Ratio 9.448 1 .002
Linear-by-Linear 9.228 1 .002
Association
preeklamsia * statuspekerjaan
Crosstab
Count
statuspekerjaan
Tidak Bekerja Bekerja Total
Total 51 59 110
xi
Chi-Square Tests


Continuity Correctionb 2.340 1 .126
Association
preeklamsia * riwayatkonseling
Crosstab
Count
riwayatkonseling
tidak rutin rutin Total
Total 49 61 110
Chi-Square Tests


.147 1 .701
Association
preeklamsia * pendidikan
xii
Crosstab
Count
pendidikan
rendah tinggi Total
Total 59 51 110
Chi-Square Tests


1.316 1 .251
Association
preeklamsia * anemia
Crosstab
Count
anemia
ya tidak Total
Preeklamsia 46 9 55
Total 78 32 110
xiii
Chi-Square Tests


Continuity Correctionb 7.448 1 .006
Association
preeklamsia * obesitas
Crosstab
Count
obesitas
tidak ya Total
Total 27 83 110
Chi-Square Tests


.000 1 1.000
Fisher's Exact Test 1.000 .500
Association
preeklamsia * jarakkehamilan
xiv
Crosstab
Count
jarakkehamilan
tidak beresiko beresiko Total
Total 69 41 110
Chi-Square Tests


1.400 1 .237
Association
Model Summary
Specifications Growing Method CHAID
Dependent Variable preeklamsia
Independent Variables anemia, pendidikan, umur, paritas,

statuspekerjaan, riwayatkonseling, obesitas,
jarakkehamilan, riwayatpenyakit
Validation None
Maximum Tree Depth 3
Minimum Cases in Parent 10

Node
Minimum Cases in Child 5

Node
Results Independent Variables riwayatpenyakit, anemia, paritas
Included
Number of Nodes 7
xv
Number of Terminal Nodes 4
Depth 2
xvi
Risk
Estimate Std. Error
.282 .043
Growing Method: CHAID

Dependent Variable:
preeklamsia
Classification
Predicted
Observed Tidak preeklamsia Preeklamsia Percent Correct
Tidak preeklamsia 49 6 89.1%

Preeklamsia 25 30 54.5%
Overall Percentage 67.3% 32.7% 71.8%
Growing Method: CHAID

Dependent Variable: preeklamsia
Lampiran 3 Hasil Analisi CART
Model Summary
Specifications Growing Method CRT
Dependent Variable preeklamsia
Independent Variables anemia, pendidikan, umur, paritas,

statuspekerjaan, riwayatkonseling, obesitas,
jarakkehamilan, riwayatpenyakit
Validation None
Maximum Tree Depth 3
Minimum Cases in Parent 10

Node
Minimum Cases in Child 5

Node
Results Independent Variables riwayatpenyakit, statuspekerjaan, pendidikan,
Included anemia, jarakkehamilan, riwayatkonseling,
obesitas, paritas
Number of Nodes 15
Number of Terminal Nodes 8
Depth 3
xvii
xviii
Risk
Estimate Std. Error
.245 .041
Growing Method: CRT

Dependent Variable:
preeklamsia
Classification
Predicted
Tidak
Observed preeklamsia Preeklamsia Percent Correct
Tidak preeklamsia 40 15 72.7%

Preeklamsia 12 43 78.2%
Overall Percentage 47.3% 52.7% 75.5%
Growing Method: CRT

Dependent Variable: preeklamsia
xix
Lampiran 4 Surat Izin Pengambilan Data
xx
xxi

SKRIPSI NOVRI ANDRE (F1F016016) Revisi Setelah Sidang

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

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

SKRIPSI NOVRI ANDRE (F1F016016) Revisi Setelah Sidang

Diunggah oleh

Hak Cipta:

Format Tersedia

SKRIPSI

KLASIFIKASI KEJADIAN PREEKLAMPSIA DENGAN

MENGGUNAKAN METODE CHI-SQUARED AUTOMATIC INTERACTION

DETECTION (CHAID) DAN CLASSIFICATION AND REGRESSION TREES (CART)

(Studi Kasus: Ibu Hamil Puskesmas Ratu Agung Kota Bengkulu)

PROGRAM STUDI S1 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

KLASIFIKASI KEJADIAN PREEKLAMPSIA DENGAN

MENGGUNAKAN METODE CHI-SQUARED AUTOMATIC INTERACTION

DETECTION (CHAID) DAN CLASSIFICATION AND REGRESSION TREES (CART)

(Studi Kasus: Ibu Hamil Puskesmas Ratu Agung Kota Bengkulu)

Diajukan untuk memenuhi persyaratan penulisan skripsi

PROGRAM STUDI S1 STATISTIKA

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

 “Allah tidak membebani seseorang melainkan sesuai dengan

Syukur Alhamdulillah, penulis telah dapat menyelesaikan Skripsi yang berjudul

5. Teman-teman seperjuangan Statistika 2016, HIMASTA, serta adik-adik

Yang bertanda tangan di bawah ini:

Nama : Novri Andre

Program Studi : Statistika

Bengkulu, Agustus 2021

KLASIFIKASI KEJADIAN PREEKLAMPSIA DENGAN

MENGGUNAKAN METODE CHI-SQUARED AUTOMATIC INTERACTION

DETECTION (CHAID) DAN CLASSIFICATION AND REGRESSION TREES (CART)

(Studi Kasus: Ibu Hamil Puskesmas Ratu Agung Kota Bengkulu)

Preeklampsia merupakan kelainan multisistemik spesifik pada kehamilan

Kata kunci: CART, CHAID, Klasifikasi, Pohon Keputusan, Preeklamsia.

CLASSIFICATION PREECLAMSIA WITH

USING CHI-SQUARE AUTOMATIC INTERACTION DETECTION

(CHAID) AND CLASSIFICATION AND REGRESSION TREES (CART) METHODS

Preeclampsia is a pregnancy-specific multisystemic disorder characterized by

Keywords: CART, CHAID, Classification, Decision Tree, Preeclampsia.

menyelesaikan skripsi yang berjudul “Klasifikasi Kejadian Preeklampsia Dengan

Menggunakan Metode Chi-Squared Automatic Interaction Detection (Chaid) Dan

Classification And Regression Trees (Cart)”. Penulisan skripsi ini diharapkan

memberikan manfaat dan pengetahuan untuk pembaca dan pemerintah dalam

mengatasi kasus pengangguran kedepannya.

Selama penyusunan skripsi ini, penulis telah banyak menerima bantuan,

kesempatan ini penulis ingin mengucapkan terima kasih kepada:

telah banyak meluangkan waktu dalam membimbing dan berbagi ilmu

sehingga penulis mampu menyelesaikan skripsi ini dengan baik.

Pendamping yang telah banyak meluangkan waktu dalam membimbing dan

berbagi ilmu sehingga penulis mampu menyelesaikan skripsi ini dengan

mengoreksi, memberikan arahan, petunjuk, dan bimbingan sehingga penulis

mampu menyelesaikan skripsi ini dengan baik.

mengoreksi, memberikan arahan, petunjuk, dan bimbingan sehingga penulis

mampu menyelesaikan skripsi ini dengan baik.

telah membimbing, memberikan arahan, motivasi dan saran selama penulis

mengikuti pendidikan di Prodi Statistika Fakultas Matematika dan Ilmu

Pengetahuan Alam Universitas Bengkulu selama semester 1-8.

6. Seluruh Bapak dan Ibu Dosen Jurusan Matematika Fakultas Matematika

dan Ilmu Pengetahuan Alam Universitas Bengkulu yang telah memberikan

ilmu selama jenjang perkuliahan di Universitas Bengkulu.

7. Staff-staff administrasi di Fakultas Matematika dan Ilmu Pengetahuan Alam

Penulis menyadari sepenuhnya bahwa skripsi ini masih banyak kekurangan

bermanfaat bagi kita semua.

Bengkulu, Agustus 2021

Tabel 2. 1. Confussion Matrix...................................................................................9

Tabel 3.1 Variabel Independen 36

Tabel 4.1 Karakteristik Umur Ibu Hamil 39

Tabel 4.2 Karakteristik Paritas Ibu Hamil...............................................................40

Gambar 2.1 Bentuk Pohon Keputusan....................................................................12