362
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 2017
Surabaya, Universitas Airlangga
membantu menemukan dan mengetahui pola pengambilan aksi nantinya. Sebagai contoh bila
penyakit pada Balita. integrasi data berdasarkan jenis produk ternyata
II. TINJAUAN PUSTAKA menggabungkan produk dari kategori yang
1. Data Mining berbeda maka akan didapatkan korelasi antar
produk yang sebenarnya tidak ada.
Data Mining adalah kegiatan menemukan 3. Pemilihan data (data selection)
pola yang menarik dari data dalam jumlah besar, Data yang ada pada database sering kali tidak
data dapat disimpan dalam database, data semuanya dipakai, oleh karena itu hanya data
warehouse, atau penyimpanan informasi lainnya. yang sesuai untuk dianalisis yang akan diambil
Data mining berkaitan dengan bidang ilmu-ilmu dari database. Sebagai contoh, sebuah kasus yang
lain, seperti database system, data warehousing, meneliti faktor kecenderungan orang membeli
statistic, machine learning, information retrieval, dalam kasus market basket analysis, tidak perlu
dan komputasi tingkat tinggi. Selain itu, data mengambil nama pelanggan, cukup dengan id
mining didukung oleh ilmu lain seperti neural pelanggan saja.
network, pengenalan pola, spatial data analysis, 4. Transformasi data (data transformation)
image database, signal processing[5]. Data diubah atau digabung ke dalam format
2. Karakteristik Data Mining yang sesuai untuk diproses dalam data mining.
Karakteristik data mining sebagai berikut: Beberapa metode data mining membutuhkan
1. Data mining berhubungan dengan penemuan format data yang khusus sebelum bisa
sesuatu yang tersembunyi dan pola data diaplikasikan. Sebagai contoh beberapa metode
tertentu yang tidak diketahui sebelumnya. standar seperti analisis asosiasi dan clustering
2. Data yang akan diproses berupa daya yang hanya bisa menerima input data kategorikal.
sangat besar. data yang besar digunakan Karenanya data berupa angka numerik yang
untuk membuat hasil lebih dipercaya. berlanjut perlu dibagi-bagi menjadi beberapa
interval. Proses ini sering disebut transformasi
Tujuan data mining adalah mendapatkan data.
hubungan atau pola yang mungkin memberikan 5. Proses mining
indikasi yang bermanfaat. Merupakan suatu proses utama saat metode
3. Tahapan Data Mining diterapkan untuk menemukan pengetahuan
berharga dan tersembunyi dari data.
proses data mining secara umum yang terdiri 6. Evaluasi pola (pattern recognition)
dari beberapa tahapan[6], yaitu : Untuk mengidentifikasi pola-pola menarik
1. Pembersihan data (data cleaning) kedalam knowledge based yang ditemukan. Dalam
Pembersihan data merupakan proses tahap ini hasil dari teknik data mining berupa
menghilangkan noise dan data yang tidak pola-pola yang khas maupun model prediksi
konsisten atau data tidak relevan. Pada umumnya dievaluasi untuk menilai apakah hipotesa yang ada
data yang diperoleh, baik dari database suatu memang tercapai. Bila ternyata hasil yang
perusahaan maupun hasil eksperimen, memiliki diperoleh tidak sesuai hipotesa ada beberapa
isian-isian yang tidak sempurna seperti data yang alternatif yang dapat diambil seperti
hilang, data yang tidak valid atau juga hanya menjadikannya umpan balik untuk memperbaiki
sekedar salah ketik. Selain itu, ada juga atribut- proses data mining, mencoba metode data mining
atribut data yang tidak relevan dengan hipotesa lain yang lebih sesuai, atau menerima hasil ini
data mining yang dimiliki. Data-data yang tidak sebagai suatu hasil yang di luar dugaan yang
relevan itu juga lebih baik dibuang. Pembersihan mungkin bermanfaat.
data juga akan mempengaruhi performasi dari 7. Representasi pengetahuan (knowledge
teknik data mining karena data yang ditangani presentation)
akan berkurang jumlah dan kompleksitasnya. Merupakan visualisasi dan penyajian
2. Melakukan integrasi data (data integration) pengetahuan mengenai metode yang digunakan
Integrasi data merupakan penggabungan data untuk memperoleh pengetahuan yang diperoleh
dari berbagai database ke dalam satu database pengguna. Tahap terakhir dari proses data mining
baru. Tidak jarang data yang diperlukan untuk adalah bagaimana memformulasikan keputusan
data mining tidak hanya berasal dari satu database atau aksi dari hasil analisis yang didapat. Ada
tetapi juga berasal dari beberapa database atau file kalanya hal ini harus melibatkan orang-orang yang
teks. Integrasi data dilakukan pada atribut-aribut tidak memahami data mining. Karenanya
yang mengidentifikasikan entitas-entitas yang presentasi hasil data mining dalam bentuk
unik seperti atribut nama, jenis produk, nomor pengetahuan yang bisa dipahami semua orang
pelanggan dan lainnya. Integrasi data perlu adalah satu tahapan yang diperlukan dalam proses
dilakukan secara cermat karena kesalahan pada data mining. Dalam presentasi ini, visualisasi juga
integrasi data bisa menghasilkan hasil yang bisa membantu mengkomunikasikan hasil data
menyimpang dan bahkan menyesatkan mining.
363
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 2017
Surabaya, Universitas Airlangga
364
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 2017
Surabaya, Universitas Airlangga
365
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 2017
Surabaya, Universitas Airlangga
5. Gejala
Berdasarkan data yang diperoleh, maka
atribut gejala penyakit terdapat 9 itemset yaitu
Panas, Batuk, Pucat, Pilek, Muntah, Pusing, Diare,
Mencret, dan Mual.
3. Perancangan sistem
Perancangan sistem identifikasi pola penyakit
anak dibawah umur 5 tahun (BALITA) dibuat
berdasarkan hasil analisa yang diperoleh dari Gambar 4 Menu Hasil Rule
pengumpulan data dan informasi. Perancangan 5. Analisa hasil
sistem pada penelitian ini dibuat sesuai kebutuhan
masukan/input dan proses untuk penghitungan Analisa hasil dilakukan dengan membandingkan
hingga dihasilkan keluaran/ouput pola penyakit beberapa inputan minimum support dan minimum
anak dibawah umur 5 tahun (BALITA), yang confidence yang akan di uji coba didalam sistem.
digambarkan dengan System Flow Diagram. User Kombinasi minimum support dan minimum
untuk sistem yang dibuat merupakan pihak confidence digunakan untuk mengetahui masing-
kesehatan seperti dokter, bidan, dan perawat. masing pola gejala penyakit yang terdapat pada
4. Implementasi sistem inputan sistem. Hasil rule pada varian inputan
sistem akan dibandingkan untuk mengetahui pola
Implementasi sistem untuk membangun sistem gejala penyakit yang akan dijadikan sebagai pola
pencarian pola penyakit pada anak dibawah 5 yang kuat dalam identifikasi penyakit.
tahun (Balita) dengan MySQL sebagai basis data 6. Pengujian sistem
dan bahasa pemrograman PHP untuk aplikasi
berbasis web.Graphical User Interface (GUI) dari Pengujian dilakukan terhadap sistem dengan
sistem identifikasi pola penyakit anak dibawah 5 menggunakan metode pengujian Black Box.
tahun (Balita) dengan menggunakan algoritma Pengujian terhadap sistem yang dibuat di dalam
apriori yang diterapkan ke dalam sebuah program penelitian ini hanya dilakukan terhadap
dengan menggunakan bahasa pemrograman PHP fungsionalitas yang ada di dalam sistem.
yang memiliki 7 tampilan interface yaitu menu Tahap pertama dalam melakukan pengujian
refrensi terdapat sub menu pengelompokan, jenis sistem adalah membuat perencanaan pengujian.
kelamin, kategori, gejala, dan user, menu pasien, Perencanaan pengujian terdiri atas skenario
dan menu rule yang akan dibentuk. pengujian yang sesuai dengan tiap fungsionalitas
yang dimiliki oleh sistem. Setelah membuat
perencanaan pengujian, maka pengujian sistem
dapat dilakukan.
7. Evaluasi sistem
Evaluasi dilakukan dengan mengevaluasi
kinerja sistem untuk melihat tanggapan atau respon
pengguna terhadap fungsionalitas, fitur-fitur dan
tampilan antarmuka (interface) [10] pada aplikasi
identifikasi pola penyakit pada Balita.
Gambar 2 Menu inputan pasien Skala skoring pilihan penilaian pada kuesioner
yaitu skor 0 untuk pilihan penilaian Sangat Tidak
Setuju, skor 1 untuk pilihan penilaian Tidak
Setuju, skor 2 untuk pilihan Setuju dan skor 3
untuk pilihan penilaian Sangat Setuju.
hasil kuesioner disimpulkan bahwa sistem
identifikasi pola penyakit pada Balita bersifat
userfriendly terhadap penggunanya karena hasil
rata-rata penilaian 5 user terhadap aplikasi sistem
identifikasi pola penyakit pada Balita adalah
71,8% dimana nilai tersebut termasuk dalam
Gambar 3 Menu Inputan Periode dan interfal 50-100% dikategorikan baik.
Rule
V. KESIMPULAN DAN SARAN
1. Kesimpulan
Berdasarkan hasil analisa yang dilakukan
dengan beberapa kombinasi minimum support dan
366
Seminar Nasional Matematika dan Aplikasinya, 21 Oktober 2017
Surabaya, Universitas Airlangga
minimum confidence diperoleh berupa hasil gejala [4] Budiono, Amiq, F., & Pujiono. (2014).
penyakit yang paling kuat yaitu panas, batuk, Penerapan Metode Association Rule
pilek, dan pucat. Hasil gejala penyakit yang kuat Menggunakan Algoritma Apriori Untuk
diperoleh dengan membandingkan inputan Mengidentifikasi Pola Penyakit Radang
minimum support dan minimum confidence yang Sendi. Techno.Com, Vol. 13 No. 2, 115-
bervariasi. Hasil dari gejala penyakit yang paling 124.
kuat dapat digunakan user di tempat praktik bidan
Siti Ulfah Amd, Keb di desa Soko, Kecamatan [5] Han, J., & Kamber, M. (2006). Data Mining
Glagah, Kabupaten Lamongan sebagai sarana Concept and Techniques Second Edition.
untuk melakukan sosialisasi dan penyuluhan pola San Francisco: Morgan Kauffman.
hidup sehat kepada Balita terhadap warga serta
dapat digunakan untuk menyediakan stok obat [6] Donny, M. V., & Imam, M. (2013). Aplikasi
untuk penyakit yang sering diderita Balita. Association Rule Mining Untuk
2. Saran Menemukan Pola Pada Data Nilai
Mahasiswa Matematika ITS. Jurnal
Saran dalam penelitian ini dalam rangka Sains dan Seni Pomits Vol. 1 No. 1, 1-6.
penyempurnaan selanjutnya adalah Penelitian
selanjutnya dapat menggunakan algoritma lain, [7] Kuswardani, D., Widyanto, M. R., &
seperti FP-Growth, DLG, Eclate, MinHash. Trihandini, I. (2011). Metode Association
Rule untuk Analisis Citra CT Organ
VI. DAFTAR PUSTAKA Pasien Kanker Ovarium. Jurnal Ilmiah
[1] Veryudha, E. P., & Dian, J. A. (2015). KURSOR Vol. 6, No. 2, 111-120.
Hubungan Status Gizi dengan
Perkembangan pada Balita di Desa [8] Kusrini, & Emha, T. L. (2009). Algoritma
Balongsari Kecamatan Gedeg Kabupaten Data Mining. C.V Andi Offset.
Ponorogo. Journal Stikes.
[9] DepKes, 2010. Keputusan Menteri Kesehatan
[2] Yanto, Werdiningsih, & Purwanti. (2017). Republik Indonesia Tentang Standar
Aplikasi Sistem Pakar Diagnosa Penyakit Antropometri Penilaian Status Gizi Anak,
Pada Anak Bawah Lima Tahun Indonesia.
Menggunakan Metode Forward [10] Fakih, Raharjana, & Zaman. (2015).
Chaining. Journal of Information Systems Pemanfaatan Teknologi Fingerprint
Engineering and Business Authentication untuk Otomatisasi
Intelligence.Vol. 3 No. 1, 61-67. Presensi Perkuliahan. Journal of
Information Systems Engineering and
[3] Fayyad, U., & DKK. (1996). From Data Business Intelligence. Vol. 1 No. 2, 41-
Mining to Knowledge Discovery in 48.
Databeses. Al Magazine, volume 17 no 3.
367