PENERAPAN METODE K-NEAREST NEIGHBOR DAN

NEURAL NETWORK DALAM PENENTUAN REKOMENDASI

LAYANAN BARU

LAPORAN TUGAS AKHIR

Laporan ini dibuat untuk memenuhi persyaratan kelulusan

gelar Sarjana Terapan Komputer

TIPE : TOPIK BARU

SKEMA : UNIT KEGIATAN MASYRAKAT

Dibuat Oleh,

1.18.4.057 Ilham Dwi Prasetyo Nugroho

PROGRAM SARJANA TERAPAN TEKNIK INFORMATIKA

UNIVERSITAS LOGISTIK BISNIS INTERNASIONAL

BANDUNG

2022
KATA PENGANTAR

ii
 DAFTAR ISI

KATA PENGANTAR ....................................................................................................... ii

DAFTAR ISI..................................................................................................................... iii
DAFTAR GAMBAR ......................................................................................................... v
DAFTAR TABEL .............................................................................................................vi
BAB I ................................................................................................................................ I-1
1.1 Latar Belakang ................................................................................................ I-1
1.2 Rumusan Masalah .......................................................................................... I-2
1.3 Tujuan .............................................................................................................. I-2
1.4 Ruang Lingkup................................................................................................ I-3
1.5 Sistematis Penulisan........................................................................................ I-3
BAB II ............................................................................................................................. II-1
2.1 State Of The Art .............................................................................................. II-1
2.2 Tinjauan Pustaka ........................................................................................... II-2
2.3 Layanan Kesehatan ....................................................................................... II-6
2.4 Puskesmas ....................................................................................................... II-6
2.5 Neural Network ............................................................................................... II-6
2.6 K-Nearest Neighbor ........................................................................................ II-6
BAB III........................................................................................................................... III-1
3.1 Alur Metodologi Penelitian .......................................................................... III-1
3.2 Flowchart Metode K-Nearest Neighbor........................................................ III-1
3.3 Deskripsi Alur Metodologi Penelitian ......................................................... III-1
3.2.1 Studi Literatur........................................................................................... III-1
3.2.2 Pengumpulan Data................................................................................ III-1
3.2.3 Pengolahan Data ................................................................................... III-2
3.2.4 Pemodelan Algoritman K-NN dan Nueral Network .......................... III-2
3.2.5 Pengujian Metode Menggunakan Jupyter Notebook ........................ III-2
3.2.6 Hasil Pengujian ..................................................................................... III-2
3.4 Indikator Pencapaian ................................................................................... III-2
BAB IV ........................................................................................................................... IV-1
4.1 Analisis ........................................................................................................... IV-1
4.1.1 Analisis Sistem Yang Akan Dibangun................................................. IV-1

iii
 4.1.2 Usecase Diagram ................................................................................... IV-3
4.1.3 Sequence Diagram................................................................................. IV-7
4.1.4 Activity Diagram..................................................................................... IV-9
4.2 Hasil Penelitian............................................................................................ IV-11
4.2.1 Data Penyakit ...................................................................................... IV-11
4.2.2 Metode .................................................................................................. IV-16
4.3 Hasil Pengujian Jupyter Notebook ......................................................... IV-30
4.4 Perancangan User Interface ................................................................... IV-31
BAB V ............................................................................................................................. V-1
5.1 Kesimpulan ..................................................................................................... V-1
5.2 Saran ............................................................................................................... V-1
DAFTAR PUSTAKA ........................................................................................................ 2

iv
 DAFTAR GAMBAR
Gambar 3.1 Alur Metodologi Penelitian ............................................................. III-1
Gambar 3.2 flowchart Metode K-NN ................................................................. III-1
Gambar 4.1 BPMN yang akan dibangun ............................................................ IV-1
Gambar 4.2 Sub Proses Login............................................................................. IV-2
Gambar 4. 3 BPMN proses Import Data ............................................................. IV-2
Gambar 4. 4Sub Proses Perhitungan KNN ......................................................... IV-3
Gambar 4.5 Usecase Diagram ............................................................................. IV-3
Gambar 4. 6 Sequence Diagram Login ............................................................... IV-7
Gambar 4. 7 Sequence Diagram Import Data ..................................................... IV-8
Gambar 4. 8 Sequence Diagram Prediksi ........................................................... IV-8
Gambar 4. 9 Activity Diagram Login ................................................................. IV-9
Gambar 4. 10 Activity Diagram Import Data ................................................... IV-10
Gambar 4. 11 Activity Diagram Prediksi .......................................................... IV-11
Gambar 4. 12 Visualisasi Error Rate................................................................. IV-24
Gambar 4. 13 Grafik Euclidean ........................................................................ IV-27
Gambar 4. 14 Akurasi Metode K-Nearest Neighbor ........................................ IV-30
Gambar 4. 15 Akurasi Metode Nueral Network ............................................... IV-30
Gambar 4. 16 User Interface login .................................................................... IV-31
Gambar 4. 17 User Interface Halaman Dashboard ........................................... IV-31
Gambar 4. 18 User Interface Menu K-Nearest Neighbor ................................. IV-32

v
 DAFTAR TABEL
Tabel 2.1 State Of The Art .................................................................................. II-2
Tabel 3.1 Indikator Pencapaian .......................................................................... III-2
Tabel 4. 1 Definisi Aktor ................................................................................... IV-3
Tabel 4. 2 Definisi Usecase ................................................................................ IV-4
Tabel 4. 3 Skenario Login .................................................................................. IV-4
Tabel 4. 4 Skenario Import Data ........................................................................ IV-5
Tabel 4. 5 Prediksi KNN .................................................................................... IV-6
Tabel 4. 6Tabel Data Penyakit ......................................................................... IV-11
Tabel 4. 7 Attribute Data .................................................................................. IV-16
Tabel 4. 8 Normalisasi Data ............................................................................. IV-17
Tabel 4. 9Hasil dari perhitungan Euclidean Distance ...................................... IV-20
Tabel 4. 10 Prediksi Menggunakan K1 ............................................................ IV-24
Tabel 4. 11 Data Neural Network .................................................................... IV-28
Tabel 4. 12 Normalisasi Data ........................................................................... IV-28
Tabel 4. 13 hasil Prediksi Neural Network ...................................................... IV-29

vi
vii
 I BAB I
PENDAHULUAN
1.1 Latar Belakang
Undang-Undang Dasar Negara Republik Indonesai Tahun 1945 mengalami
perubahan terutama pada pasal 28 Bagian H ayat (1) yang menegaskan
bahwasannya setiap orang memiliki hak dalam memperoleh pelayanan Kesehatan.
Selanjutnya dalam pasa 34 Ayat (3) menyatakan bahwasannya negara bertanggung
jawab atas penyedianaan fasilitas Kesehatan maupun pelayanan umum yang layak.
Bukan hanya UUD 45 saja, pada Undang-Undang Nomer 36 Tahun 2009 pasal 19
perihal Kesehatan pun menekankan bahwa Pemerintah bertanggung jawab atas
tersedianya segala bentuk kesehatan yang bermutu, aman, efisian dan terjangkau
(Oktamianti & Pebrina, 2019). Pembangunan bidang Kesehatan adalah hal yang
penting dan integral dari pembangunan nasioan, yang bertujuan untuk
meningkatkan kesadara, kemauan dan kemampuan hidup sehat bagi setiap orang
agar terwujudnya masyarakat yang sehat dengan optimal. Keberhasilan dalam
membangun kesehatan berperan penting dalam meningkatakan mutu serta daya
saing terhadap sumber daya manusia Indonesia. (Ensha, 2018).
Kualitas dari pelayanan kesehatan sudah menjadi suatu kebutuhan
masyarakat sehingga sebagai penentu keberhasilan suatu bangsa. Pelayanan
kesehatan sangat penting keberadaannya dalam pembanguan negara demi
mewujudkannya masyarakat yang sehat(Setiawan et al., 2022). Kualitas mutu dan
pelayanan yang prima harus ditingkatkan, karena menjadi tantangan utama dalam
globalisasi kesehatan yang dihadapi rumah sakit ternyata membawa konsekuensi
yang dampaknya bagi dunia kesehatan dan pelayanan kesehatan di
Indonesia.pelayanan kesehatan terkecil ialah puskesmas yang disetiap daerah ada.
Puskesmas menurut Pedoman Kerja Puskesmas DEPKES-RI ialah kesatuan
organisasi kesehatan fungsional yang merupakan pusat pengembangan kesehatan
dari masyrakat yang membina peran serta masyarakat disamping memberikan
pelayanan secara menyeluruh dan terpadu kepada masyarakat di wilayah kerjanya
dalam bentuk kegiatan pokok(Mustofa et al., 2019).

I-1
 Kebutuhan pasien merupakan hal terpenting yang mempengaruhi kepuasan
pasien. Kepuasan pasien merupakan asset berharga, dengan kepuasan pasien akan
memberikan informasi kepada kerabat dekatnya seperti sodara, keluarga maupun
tetangga yang merekomendasikan rumah sakit dengan pelayanan seperti : dokter,
apotek dan lain lainnya untuk membina, kerjasama yang baik dan saling
menguntungkan dengan mengutamakan kepuasan pelanggan (Ibrahim & Rachmat,
2021).
Dalam pengoptimal kepuasan pelanggan layanan kesehatan, dibutuhkan
sebuah sistem yang mendukung prediksi terhadap penyakit yang terjadi disuatu
rumah sakit. Prediksi tersebut dapat menggunakan metode dari machine learning
dengan model Neural Network dan K-Nearest Neighbor.
Dengan menggunakan metode Neural Network dan K-Nearest Neighbor(k-
NN), maka metode tersebut dapat memprediksi penyakit yang ditangani disuatu
rumah sakit, agar diprediksi dibutuhkannya layanan baru yang terfokus pada
penyakit tersebut atau tidak, maka akan meningkatkan pelayanan dari layanan
kesehatan dan meningkatkan kepuasan pasien.
Oleh karena itu penelitian ini, akan membuat sebuah Implementasi Neural
Network (NN) dan K-Nearest Neighbor(k-NN) untuk membuka layanan baru
berdasarkan penyakit yang terjadi di layanan kesehatan, Target luaran yang ingin
di capai pada penelitian ini ialah buku laporan serta jurnal nasional terindex SINTA
4.

1.2 Rumusan Masalah

Adapun rumusan masalah pada penelitian kali ini adalah :

1. Bagaimana cara memprediksi layanan baru berdasarkan penyakit yang

ditangani suatu layanan kesehatan?
2. Metode apakah yang cocok untuk memprediksi layanan baru berdasarkan
penyakit yang ditangani suatu layanan keseahatan?

1.3 Tujuan
Adapun tujuan pada penelitian kali ini adalah :

I-2
 1. Menemukan cara untuk memprediksi pembukaan layanan baru berdasarkan
penyakit yang ditangani suatu layanan kesehatan.
2. Menerapkan Metode K-Nearest Neighbor dan Neural Network dalam
memprediksi layanan baru berdasarkan penyakit yang ditangani suatu
layanan kesehatan

Adapun manfaat pada penelitian ini adalah :

1. Merekomendasikan metode K-Nearest Neighbor dan Neural Network

dalam memprediksi layanan baru berdasarkan penyakit yang layani layanan
kesehatan
2. Dengan prediksi layanan baru berdasarkan penyakit yang sering ditangani
layanan kesehatan, mampu meningkatkan kepuasan pasien terhadap
pelayanan yang diberikan

1.4 Ruang Lingkup

Adapun ruang lingkup dari penelitian ini adalah :

1. Penerapan metode K-Nearest Neighbor dan Neural Network untuk melihat

akurasi data.
2. Menerapkan Metode K-Nearest Neighbor atau Neural Netwrok dalam
sebuah sistem dengan melihat tingkat akurasi data tertinggi.
3. Memprediksi layanan baru sesuai dengan penyakit yang ditangani oleh
layanan kesehatan.

1.5 Sistematis Penulisan

Berdasarkan latar belakang dan perumusan masalah diatas, maka penyusunan
laporan ini dibuat dalam suatu sistematika yang terdiri dalam empat BAB, yaitu:

BAB I PENDAHULUAN

Bab ini berisi penjelasan serta pemaparan teori umum dengan topik yang dibahas
secara global dan mengaitkan dengan referensi yang ada. Identifikasi masalah

I-3
menjelaskan mengenai masalah dalam penerapan Metode K-Nearest Neighbor dan
Neural Network dalam menentukan dominasi suatu penyakit pada suatu rumah sakit
serta memberikan solusi atas masalah tersebut. Tujuan menjelaskan tentang solusi
dari masalah yang ada. Ruang lingkup menjelaskan mengenai batasan dalam
pemodelan dan aplikasi tersebut. Serta sistematika penulisan menjelaskan tentang
isi dari aplikasi tersebut.

BAB II LANDASAN TEORI

Bab ini berisi penjelasan mengenai konsep dasar dan pendukung dari sistem yang
akan dibangun dengan menggunakan metode tertentu, antara lain State of The Art
(SOTA), diagram alur metodologi penelitian, dan penelitian sebelumnya yang
berhubungan dengan tema penerapan metode k-nearest neighbor

BAB III METODOLOGI PENELITIAN

Bab ini berisi penjelasan diagram alur metodologi penelitian beserta tahapan –
tahapan diagram alur penelitian untuk menyelesaikan penelitian yang sedang
dilakukan sehingga bisa mencapai tujuan yang diharapkan.

BAB IV IMPLEMENTASI

Bab Ini berisi penjelasan hasil dari penelitian sesuai dengan alur diagram yang
berada pada BAB IV

BAB V KESIMPULAN DAN SARAN

Pada bab ini berisi kesimpulan yang didapat dari hasil penelitian ini dan saran untuk
kemajuan penelitian ini.

I-4
 II BAB II
LANDASAN TEORI

2.1 State Of The Art

Dunia kesehatan, diagnosis penyakit meupakan hal yang sangat sulit dilakukan.
Dengan catatan rekam medis telah menyimpan gejala-gejala penyakit dari pasien
dan data diagnose penyakitnya. Hal ini tentu sangat bagus dan berguna bagi para
ahli kesehatan. Mereka dapat menggunakan catatan rekam medis yang sudah ada
sebagai bantuan untuk megambil keputusan tentang diagnosis penyakit
pasien(Sulastri et al., 2020).

Data mining merupakan sebuah proses yang dilakukan otomatis dalam

pencarian informasi yang berguna untuk tempat penyimpanan data berukuran besar.
Data mining juga merupakan analisis terhadap data yang digunakan untuk
menemukan hubungan jelas serta menyimpulkan informasi yang belum diketahui
sebelumnya. Data Mining juga merupakan suatu kegiatan untuk mengektraksi data
disebuah kumpulan data yang besar kemudian diproses dengan menggunakan
metode-metode tertentu yang dioleng menggunakan sebuah aplikasi sehingga dapat
atau menciptakan sebuah pengetahuan baru. Algoritma k-nearest neighbor dan
neural network merupakan salah satu metode yang digunakan dalam pemecahan
masalah pada bidang Data Mining(Atmaja et al., 2021; Ibrahim & Rachmat, 2021;
Krisna & Salamah, 2022; Malik et al., 2021; Sulastri et al., 2020).
2.2 Tinjauan Pustaka
Tabel 2.1 State Of The Art

No. Area Penelitian Tahun Karakteristik Data Metode Model Hasil Penelitian
1. Analisis 2019 Data variable berupa Machine Learning K-Nearest Perbandingan antara model k-nearest
Perbandingan umur, jenis kelamin, Neighbor, Naïve neighbour, Naïve Bayes dan Neural Network
Klasifikasi steroid, antivirals, Bayes, Neural yaitu dengan nilai akurasi KNN sebesar
Perbandingan fatigue, malaise, liver Network 93%, Naive Bayes sebesar 76.92% dan
Algoritma K-NN, big, liver firm, Neural Network sebesar 82.97%
Naïve Bayes, Neural spiders, ascites.
Network Prediksi
Penyakit Hepatitis
(Sulastri et al., 2020)
2 Perbandingan antara 2022 Data berupa tweet dari Machine Learning Naïve Bayes, K- Perbandingan algoritma K-Nearest Neighbor
Algoritman Naïve media sosial twitter Nearest dengan Naïve Bayes. Perbandingan yang
Bayes dan K-Nearest Neighbor dilakukan ialah melihat nilai akurasi dari
Neighbor untuk kedua metode tersebut. Metode k-nearest
klasifikasi Berita meighbor mendapat nilai akurasi 68%
Hoax kesehatan di

II-2
 Twitter(Krisna & sedangkan untuk Naïve Bayes mendapat
Salamah, 2022) nilai 66%.
3 Prediksi 2021 Data berupa Nama Machine Learning K-Nearest Model yang diterapkan dengan
Pengelompokan Kabupaten, Total Neighbor menggunakan algoritma K-NN ini memiliki
Tingkat Resiko Kasus Suspect, Total nilai Accuracy sebesar 85% dengan angka
Penyebaran Covid- Kasus Meninggal Standar Deviasi +/- 19,95%, kemudian nilai
19 Jawa Barat Precision sebesar 60%, dan nilai Recall
dengan Algoritma sebesar 60%
K-Nearest
Neighbor(Atmaja et
al., 2021)
4 Analisis 2021 Data Sekunder berupa Machine Learning K-Nearest Memprediksi menggunakan algoritma k-
Perbandingan fasilitas medis dan Neighbor dan nearest neighbor dan Neural Network serta
Metode Neural Obat, Daya tanggap, Neural Network membandingkan nilai akurasi dari kedua
Network Dan K - Kehandalan dan metode tersebut. Adapun hasil dari akurasi
Nearest Neighbor akurasi, Jaminan, yang didapat metode KNN ialah 15% dan
Dalam pemanfaatan Kepedulian untuk NN sebesar 12,50%
Kembali Jasa Rawat
Inap Pada Rumah

II-3
 Sakit
Umum(Ibrahim &
Rachmat, 2021)

5 Diagnosa 2021 Data berupa batuk, Machine Learning K-Nearest Metode k-nearest neighbor mampu
Pharyngitis pilek, dahak, demam, Neighbor mendiagnosis penyakit pharyngitis dengan
menggunakan nyeri telan, pusing, menggunakan 95 data training dan 15 data
Metode K-Nearest suhu tubuh, Diagnosa uji sehingga menghasilkan nilai akurasi
Neighbor(Malik et optimal sebesar 86.67%.
al., 2021)

II-4
II-5
2.3 Layanan Kesehatan
Menurut Notoadmodjo(2005:4) upaya kesehatan ialah setiap kegiatan untuk memelihara
dan meningkatkan kesehatan yang dilakukan oleh pemerintah atau masyarakat. Sejalan dengan
hal tersebut, berdasarkan UU RI No. 36 Tahun 2009 pasal 1 ayat 11 pengertian upaya kesehatan
ialah setiap kegiatan dan sekarangkaian kegiatan yang dilkaukan secara terpadu,terintegrasi
dan berkesinambungan untuk memelihara dan meningkatkan derajat kesehatan, pengobatan
penyakit, dan pemulihan kesehatan oleh pemerintan dan masyarakat.

2.4 Puskesmas
Layanan Puskesmas ialah salah satu bentuk dari layana public yang harus disediakan oleh
pemerintah sendiri atau disediakan secara Bersama antara pemerintah dan masyarakat.
Puskesmas menjadi sangat penting, paling tidak bahwa untuk meningkatkan kesenjangan
layanan yang diselenggarakan oleh puskesmas dengan pelayanan yang menjadi harapan
masyarakat sebagai penerima layanan(Nopiani, 2019).

2.5 Neural Network

Neural Network (NN) merupakan sebuah metode learning yang digunakan untuk
permasalahan diskrit, real maupun vector(Pristanti & Windana, 2015). Neural Network juga
suatu permodelan sistem syaraf manusia dalam melaksanakan tugas tertentu, proses belajar
terdapat kejadian-kejadian sebagai berikut :

1. NN dirangsang oleh lingkungan

2. NN Mengubah dirinya sebagai hasil rangsangan
3. NN memberikan respon dengan cara yang baru kepada lingkungan, yang disebabkan
perubahan terjadi dalam struktur internalnya sendiri.

Proses pembelajaran dari neural network terdiri dari belajar dengan pengawasan (supervised
Learning) dan belajar tanpa pengawasan (Unsupervised Learning). Supervised Learning
merupakan proses dari pembelajaran yang membutuhkan pengetahuan lingkungan yang
dipresentasikan sebagai sekumpulan sample input-output. Model NN yang tergolong
supervised learning ialah NN dengan arsitektur Multi Layer Percepton (MLP) yang banyak
digunakan untuk Pendidikan.

2.6 K-Nearest Neighbor

K-Nearest Neighbor (KNN) merupakan salah satu metode yang digunakan untuk
klasifikasi terhadap objek berdasarkan data pembelajaran yang jaraknya paling dekat dengan

II-6
objek tersebut. Data pembelajaran yang di proyeksikan ke ruang berdimensi banyak, dimana
masing-masing dimensi mereprensentasikan fitur dari data. Ruang ini terbagi menjadi bagian-
bagian berdasarkan hasil dari klasifikasi data pembelajaran. Satu titik pada ruang ini ditandai
dengan kelas c jika kelas c merupakan klasifikasi yang paling banyak ditemui pada k buah
tetangga terdekat titik tersebut(Yustanti, 2012).

Algoritma k-nn menggunakan klasifikasi ketetanggaan sebagai nilai prediksi dari seampel
uji yang baru. Dekat atau jauhnya tetangga biasanya dihitung berdasarkan jarak eucledian.
Langkah-langkah untuk menghitung algoritma K-Nearest Neighbor:

1. Menentukan parameter K (jumlah tetangga paling dekat)

2. Menghitung kuadrat jarak Euclid(queri instance) masing-masing objek terhadap data
sampel yang diberikan.
3. Mengurutkan objek-objek tersebut ke dalam kelompok yang jarak EuclidI terkecil.
4. Mengumpulkan kategori Y (klasifikasi Nearest Neighbor).

Adapun rumus dari k-Nearest Neighbor itu sendiri ialah sebagai berikut :
𝑛

𝑘 = √∑(x₁ₖ − 𝑥₂ₖ)² + (𝑦₁ₖ − 𝑦₂ₖ)² + ⋯

𝑘=0

Keterangan

K : Jarak Euclid

N : Dimensi Data

x₁ₖ : Sampe Data Uji

x₂ₖ : Data Uji

II-7
 III BAB III
METODOLOGI PENELITIAN
3.1 Alur Metodologi Penelitian

Gambar 3.1 Alur Metodologi Penelitian

3.2 Flowchart Metode K-Nearest Neighbor

Gambar 3.2 flowchart Metode K-NN

3.3 Deskripsi Alur Metodologi Penelitian

3.2.1 Studi Literatur
Penelitian ini, langkah awal yang dilakukan ialah dengan studi literatur yang berdasarkan jurnal
serta buku serta membentuk min map berupa indikasi masalah, tujuan manfaat serta ruang
lingkup dari penelitian ini.

3.2.2 Pengumpulan Data

Data yang digunakan dalam penelitian ini didapat dari Puskesmas Kecamatan Koja milik
Pemerintah Provinsi DKI Jakarta yang berada di Kota Jakarta Utara. Data yang berupa data
rekam medis yang nantinya akan dijadikan sebagai dataset yang isinya meliputi nomer surat,
dan diagnose dari penyakit yang terdapat pada surat rekam medis tersebut. Adapun rentan
waktu dari data tersebut ialah 5 tahun terakhir. Untuk mendapatkan dataset yang akan

III-1
digunakan dalam penelitian ini, akan dilakukannya proses pre-processing data dengan cara
penyederhanaan dan pengkategorian penyakit berdasarkan diagnose serta melakukan beberapa
tahapan yang ada dalam pra-pemrosesan data.

3.2.3 Pengolahan Data

Data Selection merupakan proses pemilihan data dari sekumpulan data operasional yang ada
sebelum masuk ke tahap mining data maupun informasi.

3.2.4 Pemodelan Algoritman K-NN dan Nueral Network

Pemodelan pada penelitian ini dilakukan dengan data mining dan algoritma K-Nearest
Neighbor (KNN) untuk melakukan klasifikasi terhadap objek berdasarkan data pembelajaran
yang jaraknya paling dekat dengan objek tersebut. Untuk pemilihan atribut terdiri dari n
Neighbors (biasa disebut k). Parameter k pada testing ditentukan berdasarkan nilai k optimum
pada saat training. Nilai k optimum diperoleh dengan mencoba-coba. Menghitung kuadrat jarak
euclid (Euclidean Distance) masing-masing obyek terhadap data sampel yang diberikan.
𝑛

𝑘 = √∑(x₁ₖ − 𝑥₂ₖ)² + (𝑦₁ₖ − 𝑦₂ₖ)² + ⋯

𝑘=0

3.2.5 Pengujian Metode Menggunakan Jupyter Notebook

Pengujian model dilakukan dengan maksud mengetahui hasil perhitungan yang dianalisa dan
mengukur metode serta algoritma yang digunakan apakah berfungsi dengan baik atau tidak.

3.2.6 Hasil Pengujian

Hasil dari pengujian ini akan berupa persentase penyakit yang sering muncul di Puskesmas
Kecamatan Koja. Dari persentase tersebut kemudian bisa direkomendasikan layanan khusus
penyakit tersebut sehingga kepuasan pasien akan meningkat terhadap pelayanan puskesmas.

3.4 Indikator Pencapaian

Berdasarkan diagram alur metodologi penelitian di atas, terdapat indikator capaian sebagai
berikut.

Tabel 3.1 Indikator Pencapaian

No. Tahapan Indikator capaian

III-2
1. Studi Literatur → 1. Mendapatkan pemahaman
serta teori penunjang dalam
penelitian.
2. Pengumpula Data → 2. Data Mentah dari catatan
rekam medis ( No.Rekam
medis, Nama, Diagnosis)
3. Pengolahan Data → 3. Data mentah yang diolah
untuk bisa digunakan sebagai
pemodelan dengan pemilihan
data, pembersihan data dan
transformasi data
3. Pemodelan → 4. Model K-Nearest Neighbor
digunakan untuk klasifikasi
presentase penyakit yang
sering terjadi.
5. Pengujian Data → 5. Performasi dari Model K-
Nearest Neighbor
menggunakan Jupyter
Notebook
6. Hasil Pengujian → 6. Artikel yang diterbitkan
dalam jurnal nasional
terakreditasi SINTA 4, HAKI
dan Buku

III-3
 IV BAB IV
HASIL IMPLEMNTASI
4.1 Analisis
Pada tahap ini akan dilakukan analisis sistem yang akan di bangun. Analisis sistem merupkana
proses mempelajari suatu sistem dengan cara menguraikan kerja dari sistem tersebut kedalam
elemen yang membentuknya. Selanjutnya mengidentifikasi dan mengevaluasi permasalahan-
permasalahan yang terjadi serta kebutuhan yang diperlukan, sehingga dapat diusulkan
pembutannya.

4.1.1 Analisis Sistem Yang Akan Dibangun

4.1.1.1 BPMN Sistem Yang Akan Dibangun
----------------------------------------Proses yang akan dibangun sebagai berikut:

Gambar 4.1 BPMN yang akan dibangun

Keterangan :

1. User membuka halaman web prediksi KNN

2. Sistem akan menampilkan halaman web prediksi KNN
3. User akan melakukan sub-proses dari login
4. Apabila sudah melakukan login, maka sistem akan menampilkan halaman dashboard
5. User masuk menu KNN
6. Sistem akan menampilkan menu KNN
7. User melakukan import data dengan format .xlsx(data penyakit)
8. Sistem akan menampilkan data yang diimpor oleh user
9. User masuk menu prediksi yang berada di menu KNN
10. User akan diminta data uji baru dan diisi sesuai data yang dibutuhkan dan jika ingin
melakukan prediksi maka tekan tombol prediksi
11. Sistem akan melakukan proses perhitungan KNN
12. Sistem akan menampilkan hasil prediksi
13. User mendapatkan hasil prediksi layanan baru

IV-1
4.1.1.2 Sub Proses Login

Gambar 4.2 Sub Proses Login

Keterangan :

1. User melakukan input username dan password

2. User menekan tombol login
3. Sistem akan melakukan validasi username dan password yang diinputkan
4. Sistem akan menampilkan halaman dashboard jika sudah sesuai dan jika tidak, maka
akan meminta user melakukan input ulang

4.1.1.3 Sub Proses Import Data

Proses yang akan dibangun pada halaman import data

Gambar 4. 3 BPMN proses Import Data

Keterangan :

1. User memasukan atau mengimpor data dengan format .xlsx

2. Sistem akan mendeteksi bahwa data sesuai dengan format atau tidak
3. Sistem akan menampilkan file data

IV-2
4.1.1.4 Sub Proses Perhitungan KNN

Gambar 4. 4Sub Proses Perhitungan KNN

Keterangan :

1. Sistem akan melakukan Normalisasi Data yang sudah dimasukan

2. Sistem akan melakukan perhitungan Euclidean Distance
3. Sistem akan mengurutkan jarak Euclidean dari kecil ke besar
4. Sistem akan melakukan voting dengan data yang dimasukan
5. Sistem akan menampilkan hasil klasifikasi

4.1.2 Usecase Diagram

Usecase merupakan gambaran tentang aktifitas yang terjadi didalam sistem dari sudut
pengamatan luar(Reni Maharani & Mustar Aman, 2017)

Gambar 4.5 Usecase Diagram

4.1.2.1 Definisi Aktor

Tabel 4. 1 Definisi Aktor

NO Aktor Keterangan

IV-3
 1 User Dapat melakukan import data penyakit, melihat hasil
prediksi

4.1.2.2 Definisi Usecase

Gambar 4.5 diatas merupakan penjelasan tentang use case diagram yaitu kelompok aktor
dengan hubungan yang terjadi sesuai kebutuhannya.

Tabel 4. 2 Definisi Usecase

Definisi Usecase Keteranngan

Login Aktivitas yang dilakukan user untuk mengakses halaman
dashboard
Import Data Aktivitas yang dilakukan user untuk memulai prediksi
menggunakna k-nearest neighbor
Prediksi Aktivitas yang dilakukan user untuk memasukan data, melakukan
menggunakan k- prediksi dan melihat hasil prediksi
nearest neighbor
Logout Aktivitas yang dilakukan user ketika sudah selesai menggunakan
sistem
4.1.2.3 Skenario Usecase
Tabel 4. 3 Skenario Login

Identifikasi
Nama Login
Tujuan Mendapatkan akses unutuk setiap fungsi
Mendapatkan akses pengguna terhadap sistem dengan malakukan
validasi
Deskripsi erhadap username dan password yang dimasukan oleh pengguna
Aktor User
Skenario
Kondisi Awal Form login sudah tersedia
Aksi Aktor Reaksi Sistem

IV-4
 Memasukkan Form login akan menampilkan textbox username beserta
username dan password. Pada kolom password ditampilakn dengan bentuk kode
password pada layar untuk jaminan keamanan
User melakukan
konfirmasi
pesetujuan
Aplikasi akan melakukan validasi terhadap username dan
terhadap username
password yang telah dimasukan oleh pengguna dengan melakukan
dan password yang
pengecekan pada basis data
sudah dimasukan
dengan menekan
tombol login
Jika username dan password yang dimasukan pengguna valid,
maka akan
Kondisi Akhir
langsung menampilkan halaman dashboard dan bisa menggunakan
sistem sesuai aksesnya.

Tabel 4. 4 Skenario Import Data

Identifikasi
Nama import file/data penyakit
Tujuan melakukan proses import file atau data pada aplikasi
Deskripsi proses ini mengimpor data dalam bentuk file dengan format .xlsx
Aktor User
Skenario
pengguna melakukan login dahulu, jika valid maka masuk ke
menu,
Kondisi Awal
jika tidak valid, maka akan muncul pesan error bahwa username
dan password yang dimasukan salah
Aksi Aktor Reaksi Sistem
Memulai Aplikasi Menampilkan dashboard
1. User memilih
halaman yang akan Sistem akan menampilkan halaman Knn
dilihat

IV-5
 2. User memilih
aksi yang akan Sistem akan merespon sesuai perintah pengguna
dilakukan
3. User melakukan
konfirmasi Sistem akan menampilkan file yang akan digunakan
pemilihan file
Kondisi Akhir Menampilkan data yang digunakan

Tabel 4. 5 Prediksi KNN

Identifikasi
Nama Prediksi menggunakan KNN
Tujuan Melakukan perhitungan menggunakan metode K-Nearest Neighbor
Hasil dari prediksi dengan implementasi metode k-nearest
neighbor akan menampilkan dibutuhkan atau tidaknya layanan
Deskripsi baru
Aktor User
Skenario
pengguna melakukan login dahulu, jika valid maka masuk ke
menu,
Kondisi Awal
jika tidak valid, maka akan muncul pesan error bahwa username
dan password yang dimasukan salah
Aksi Aktor Reaksi Sistem
Memulai Aplikasi Menampilkan dashboard
1. User memilih
halaman yang akan Sistem akan menampilkan menu k-nearest neighbor
dilihat
2. User
memasukan data
Sistem akan merespon data yang dimasukan oleh pengguna
yang dibutuhkan
oleh sistem

IV-6
 3. User akan
mengkonfirmasi
kembali bahwa
data yang diminta Sistem akan melakukan respon sesuai perintah pengguna
sudah terisi dan
menekan tombol
prediksi
Kondisi Akhir Menampilkan hasil prediksi dengan metode K-Nearest Neighbor

4.1.3 Sequence Diagram

Sequence Diagram merupakan penindentifikasi interaksi jalannya pesan yang
dilakukan oleh banyaknya usecase.

4.1.3.1 Sequence Diagram Login

Gambar 4. 6 Sequence Diagram Login

IV-7
4.1.3.2 Sequence Diagram Import Data

Gambar 4. 7 Sequence Diagram Import Data

4.1.3.3 Sequence Diagram Prediksi

Gambar 4. 8 Sequence Diagram Prediksi

IV-8
4.1.4 Activity Diagram
4.1.4.1 Activity Diagram Login

Gambar 4. 9 Activity Diagram Login

IV-9
4.1.4.2 Activity Diagram Import Data

Gambar 4. 10 Activity Diagram Import Data

IV-10
4.1.4.3 Activity Diagram Prediksi

Gambar 4. 11 Activity Diagram Prediksi

4.2 Hasil Penelitian

4.2.1 Data Penyakit
Data penyakit yang didapatkan dari Puskesmas Kecamatan Koja, Provinsi Jakarta Raya
sebanyak 4408 record data, namun yang dimasukan kedalam laporan ini, sekitar 100 record
data. dikarenakan keterbatasan yang ada. Data Penyakit yang digunakan adalah data dari
periode 2019-2022.

Tabel 4. 6Tabel Data Penyakit

Pasien
DIAGNOSIS PENYAKIT L P Total perhari Status

IV-11
1 (J06.9) Acute upper respiratory infection,
unspecified 40.998 44.205 85.203 97 1
2 (J00) Acute nasopharyngitis [common cold] 25.847 28.951 54.798 62 1
3 (K30) Dyspepsia 17.652 33.032 50.684 58 1
4 (Z00.0) General medical examination 24.391 20.412 44.803 51 1
5 (R50.9) Fever, unspecified 21.463 19.799 41.262 47 1
6 (I11.9) Hypertensive heart disease without
(congestive) heart failure 11.504 19.697 31.201 35 1
7 (Z36.9) Antenatal screening, unspecified 331 27.359 27.690 31 0
8 (A09) Diarrhoea and gastroenteritis of presumed
infectious origin 11.078 11.463 22.541 26 0
9 (M79.1) Myalgia 7.370 14.139 21.509 24 0
10 (I15.9) Secondary hypertension, unspecified 6.203 11.649 17.852 20 0
11 (R51) Headache 5.143 10.691 15.834 18 0
12 (L30.9) Dermatitis, unspecified 5.935 7.901 13.836 16 0
13 (I10) WARNING!!!! DIAGNOSIS INI
MASUK PROLANIS!!! Essential 4.643 8.933 13.576 15 0
14 (E11.8) Non-insulin-dependent diabetes
mellitus with unspecified complications 4.253 7.763 12.016 14 0
15 (Z39.2) Routine postpartum follow-up 2.463 8.728 11.191 13 0
16 (R11) Nausea and vomiting 4.766 5.432 10.198 12 0
17 (B23.0) Acute HIV infection syndrome 5.637 3.070 8.707 10 0
18 (K04.1) Necrosis of pulp 2.886 5.698 8.584 10 0
19 (J02.9) Acute pharyngitis, unspecified 3.821 4.434 8.255 9 0
20 Z00.8) Other general examinations 2.982 4.192 7.174 8 0
21 (L02.9) Cutaneous abscess, furuncle and
carbuncle, unspecified 3.125 2.939 6.064 7 0
22 Z23.5) Need for immunization against tetanus
alone 96 5.134 5.230 6 0
23 Z27.1) Need for immunization against
diphtheria-tetanus-pertussis, combined 2.343 2.295 4.638 5 0
24 O00.0) Abdominal pregnancy 63 4.263 4.326 5 0

IV-12
25 (W19) Unspecified fall causing accidental
injury 2.642 1.633 4.275 5 0
26 (A15.3) Tuberculosis of lung, confirmed by
unspecified means 2.210 1.956 4.166 5 0
27 (K02.1) Caries of dentine 1.260 2.466 3.726 4 0
28 (Z27.3) Need for immunization against
diphtheria-tetanus-pertussis with 1.696 1.608 3.304 4 0
29 (R10.4) Other and unspecified abdominal pain 1.113 2.124 3.237 4 0
30 (E11.9) WARNING!!!! DIAGNOSIS INI
MASUK PROLANIS!!! Non-insulin- 1.066 2.035 3.101 4 0
31 (Z30.9) Contraceptive management,
unspecified 24 3.012 3.036 3 0
32 (Z23.2) Need for immunization against
tuberculosis [BCG] 1.569 1.453 3.022 3 0
33 (J03.9) Acute tonsillitis, unspecified 1.275 1.632 2.907 3 0
34 (K04.4) Acute apical periodontitis of pulpal
origin 875 1.703 2.578 3 0
35 (J45.9) Asthma, unspecified 1.088 1.334 2.422 3 0
36 (A18.8) Tuberculosis of other specified organs 1.314 1.095 2.409 3 0
37(I15.8) Other secondary hypertension 825 1.550 2.375 3 0
38(H81.1) Benign paroxysmal vertigo 602 1.712 2.314 3 0
39(K00.6) Disturbances in tooth eruption 1.012 1.269 2.281 3 0
40(K04.0) Pulpitis 774 1.470 2.244 3 0
41(Z48.9) Surgical follow-up care, unspecified 1.258 964 2.222 3 0
42(M54.5) Low back pain 731 1.489 2.220 3 0
43(B01.9) Varicella without complication 1.169 1.020 2.189 2 0
44(K12.1) Other forms of stomatitis 1.015 1.168 2.183 2 0
45(N39.0) Urinary tract infection, site not
specified 693 1.412 2.105 2 0
46(B86) Scabies 1.195 823 2.018 2 0
47 (L08.9) Local infection of skin and
subcutaneous tissue, unspecified 982 944 1.926 2 0
48 (H10.3) Acute conjunctivitis, unspecified 886 985 1.871 2 0

IV-13
49 (Z24.4) Need for immunization against
measles alone 895 927 1.822 2 0
50 (H10.9) Conjunctivitis, unspecified 871 936 1.807 2 0
51 (K04.7) Periapical abscess without sinus 775 1.014 1.789 2 0
52 (R05) Cough 800 969 1.769 2 0
53 (L50.0) Allergic urticaria 688 980 1.668 2 0
54(B34.2) Coronavirus infection, unspecified 669 924 1.593 2 0
55 (L50.9) Urticaria, unspecified 676 886 1.562 2 0
56(E78.5) Hyperlipidaemia, unspecified 372 1.173 1.545 2 0
57 (D64.9) Anaemia, unspecified 365 1.143 1.508 2 0
58(K02.9) Dental caries, unspecified 665 829 1.494 2 0
59(H61.2) Impacted cerumen 738 756 1.494 2 0
60(M19.9) Arthrosis, unspecified 394 1.100 1.494 2 0
61(P59.9) Neonatal jaundice, unspecified 818 658 1.476 2 0
62(K05.0) Acute gingivitis 641 823 1.464 2 0
63(R07.4) Chest pain, unspecified 644 771 1.415 2 0
64(A90) Dengue fever [classical dengue] 713 699 1.412 2 0
65(H66.9) Otitis media, unspecified 659 715 1.374 2 0
66(I11.0) Hypertensive heart disease with
(congestive) heart failure 544 818 1.362 2 0
67(M79.17) Myalgia, ankle and foot 388 952 1.340 2 0
68(I50.0) Congestive heart failure 613 701 1.314 1 0
69(N39.9) Disorder of urinary system, unspecified 514 800 1.314 1 0
70(A15.0) Tuberculosis of lung, confirmed by
sputum microscopy with or without 823 478 1.301 1 0
71(E13.8) Other specified diabetes mellitus with
unspecified complications 475 808 1.283 1 0
72(O13) Gestational [pregnancy-induced]
hypertension without significant 20 1.202 1.222 1 0
73(E78.0) Pure hypercholesterolaemia 329 881 1.210 1 0
74(B35.4) Tinea corporis 504 678 1.182 1 0
75(Z04.9) Examination and observation for
unspecified reason 514 637 1.151 1 0

IV-14
76(H00.0) Hordeolum and other deep
inflammation of eyelid 471 643 1.114 1 0
77(I25.0) Atherosclerotic cardiovascular disease,
so described 573 529 1.102 1 0
78(I25.9) Chronic ischaemic heart disease,
unspecified 571 518 1.089 1 0
79(H54.2) Low vision, both eyes 443 636 1.079 1 0
80(M51.9) Intervertebral disc disorder,
unspecified 264 803 1.067 1 0
81(L02.8) Cutaneous abscess, furuncle and
carbuncle of other sites 499 563 1.062 1 0
82(Z04.8) Examination and observation for other
specified reasons 445 608 1.053 1 0
83(K59.0) Constipation 492 552 1.044 1 0
84(K52.9) Noninfective gastroenteritis and colitis,
unspecified 505 527 1.032 1 0
85(F20.9) Schizophrenia, unspecified 528 478 1.006 1 0
86(I64) Stroke, not specified as haemorrhage or
infarction 578 426 1.004 1 0
87(H25.9) Senile cataract, unspecified 458 545 1.003 1 0
88(Z30.4) Surveillance of contraceptive drugs 12 983 995 1 0
89(A01.0) Typhoid fever 449 498 947 1 0
90(M17.9) Gonarthrosis, unspecified 204 740 944 1 0
91(I99) Other and unspecified disorders of
circulatory system 238 702 940 1 0
92 (B35.6) Tinea cruris 372 568 940 1 0
93 (L08.0) Pyoderma 504 430 934 1 0
94 (K05.3) Chronic periodontitis 438 439 877 1 0
95 (E11.7) Non-insulin-dependent diabetes
mellitus with multiple complications 310 555 865 1 0
96(E14.9) Unspecified diabetes mellitus without
complications 314 551 865 1 0
97(L30.3) Infective dermatitis 442 408 850 1 0

IV-15
 98(Z36.8) Other antenatal screening 8 839 847 1 0
99(L29.9) Pruritus, unspecified 299 530 829 1 0
100 (K29.7) Gastritis, unspecified 267 556 823 1 0
Kemudian pada tabel dibawah menjelaskan attribute data-data tersebut :

Tabel 4. 7 Attribute Data

Attribute Keterangan Tipe Data

Diagnosis_penyakit Nama Penyakit yang ditangani Varchar
L Jenis Kelamin Laki-Laki Numerik
P Jenis Kelamin Perempuan Numerik
Total_pasien Jumlah Total pasien yang Numerik
berkunjung
Pasien_perhari Jumlah pasien perhari selama Numerik
periode 2019-2022
Status Melebihi batas kerja dokter atau Numerik
tidak
4.2.2 Metode
Pada subbab akan melakukan perhitungan manual menggunakan excel dengan record data yang
ada.

4.2.2.1 Metode Algoritma K-Nearest Neighbor

Penerapan k-nearest neighbor pada data penyakit sebagai berikut:

1. Normalisasi Data
Langkah dari normalisasi ialah untuk menskalakan suatu atribut dari record data dengan
tujuan untuk berada dalam rentang yang lebih kecil antara 0 hingga 1(Trivusi, 2022).
Adapun rumus dari noemalisasi data sendiri ialah sebagai berikut:

𝑋𝑖 − 𝑋𝑚𝑖𝑛
𝑋𝑛𝑜𝑟𝑚
𝑋𝑚𝑎𝑥 − 𝑋𝑚𝑖𝑛
Setelah Mengetahui rumus untuk melakukan normalisasi data, maka untuk hasil dari
normalisasi data penyakit adalah sebagai berikut:

IV-16
Tabel 4. 8 Normalisasi Data

L P Total Pasien Perhari

1 1 1 1
0,6304 0,6517 0,6397 0,6397
0,4304 0,7449 0,5909 0,5909
0,5949 0,4567 0,5212 0,5212
0,5234 0,4427 0,4792 0,4792
0,2805 0,4404 0,3600 0,3600
0,0079 0,6154 0,3184 0,3184
0,2701 0,2524 0,2574 0,2574
0,1796 0,3135 0,2452 0,2452
0,1511 0,2567 0,2018 0,2018
0,1253 0,2348 0,1779 0,1779
0,1446 0,1711 0,1542 0,1542
0,1131 0,1946 0,1511 0,1511
0,1036 0,1679 0,1326 0,1326
0,0599 0,1900 0,1229 0,1229
0,1161 0,1147 0,1111 0,1111
0,1373 0,0608 0,0934 0,0934
0,0702 0,1208 0,0920 0,0920
0,0930 0,0919 0,0881 0,0881
0,0726 0,0864 0,0753 0,0753
0,0760 0,0578 0,0621 0,0621
0,0021 0,1079 0,0522 0,0522
0,0570 0,0431 0,0452 0,0452
0,0013 0,0880 0,0415 0,0415
0,0643 0,0280 0,0409 0,0409
0,0537 0,0353 0,0396 0,0396
0,0305 0,0470 0,0344 0,0344
0,0412 0,0274 0,0294 0,0294
0,0270 0,0392 0,0286 0,0286
0,0258 0,0371 0,0270 0,0270
0,0004 0,0595 0,0262 0,0262
0,0381 0,0239 0,0261 0,0261
0,0309 0,0279 0,0247 0,0247

IV-17
0,0212 0,0296 0,0208 0,0208
0,0263 0,0211 0,0189 0,0189
0,0319 0,0157 0,0188 0,0188
0,0199 0,0261 0,0184 0,0184
0,0145 0,0298 0,0177 0,0177
0,0245 0,0197 0,0173 0,0173
0,0187 0,0242 0,0168 0,0168
0,0305 0,0127 0,0166 0,0166
0,0176 0,0247 0,0166 0,0166
0,0283 0,0140 0,0162 0,0162
0,0246 0,0174 0,0161 0,0161
0,0167 0,0229 0,0152 0,0152
0,0290 0,0095 0,0142 0,0142
0,0238 0,0122 0,0131 0,0131
0,0214 0,0132 0,0124 0,0124
0,0216 0,0119 0,0118 0,0118
0,0211 0,0121 0,0117 0,0117
0,0187 0,0138 0,0114 0,0114
0,0193 0,0128 0,0112 0,0112
0,0166 0,0131 0,0100 0,0100
0,0161 0,0118 0,0091 0,0091
0,0163 0,0109 0,0088 0,0088
0,0089 0,0175 0,0086 0,0086
0,0087 0,0168 0,0081 0,0081
0,0160 0,0096 0,0080 0,0080
0,0178 0,0079 0,0080 0,0080
0,0094 0,0158 0,0080 0,0080
0,0198 0,0057 0,0077 0,0077
0,0154 0,0095 0,0076 0,0076
0,0155 0,0083 0,0070 0,0070
0,0172 0,0066 0,0070 0,0070
0,0159 0,0070 0,0065 0,0065
0,0131 0,0094 0,0064 0,0064
0,0093 0,0124 0,0061 0,0061
0,0148 0,0067 0,0058 0,0058

IV-18
 0,0123 0,0090 0,0058 0,0058
0,0199 0,0016 0,0057 0,0057
0,0114 0,0091 0,0055 0,0055
0,0003 0,0181 0,0047 0,0047
0,0078 0,0108 0,0046 0,0046
0,0121 0,0062 0,0043 0,0043
0,0123 0,0052 0,0039 0,0039
0,0113 0,0054 0,0034 0,0034
0,0138 0,0028 0,0033 0,0033
0,0137 0,0025 0,0032 0,0032
0,0106 0,0052 0,0030 0,0030
0,0062 0,0090 0,0029 0,0029
0,0120 0,0035 0,0028 0,0028
0,0107 0,0046 0,0027 0,0027
0,0118 0,0033 0,0026 0,0026
0,0121 0,0027 0,0025 0,0025
0,0127 0,0016 0,0022 0,0022
0,0139 0,0004 0,0021 0,0021
0,0110 0,0031 0,0021 0,0021
0,0001 0,0131 0,0020 0,0020
0,0108 0,0021 0,0015 0,0015
0,0048 0,0076 0,0014 0,0014
0,0056 0,0067 0,0014 0,0014
0,0089 0,0037 0,0014 0,0014
0,0121 0,0005 0,0013 0,0013
0,0105 0,0007 0,0006 0,0006
0,0074 0,0034 0,0005 0,0005
0,0075 0,0033 0,0005 0,0005
0,0106 0,0000 0,0003 0,0003
0,0000 0,0098 0,0003 0,0003
0,0071 0,0028 0,0001 0,0001
0,0063 0,0034 0,0000 0,0000

2. Pencarian Eucledian Distance

IV-19
Setelah melakukan normalisasi pada data penyakit, selanjutnya kita kan mencari
eucledian distance. Eucledien Distance merupakan sebuah perhitungan untuk
mengukur dua titk jaral dalam sebuah Euclidean space sehingga mempelajari hubungan
antara sudut dan jarak. Dalam k-nearest neighbor, Euclidean berfungsi sebagai
pengukur antara jarak data training dan data testing sehingga menghasilkan
perhitungan Pythagoras. Untuk rumus dari Euclidean distance sendiri sebagai berikut:

𝑑 = √(𝑥1 − 𝑦1 )2 + (𝑥₁ − 𝑦₁)² + ⋯

Tabel 4. 9Hasil dari perhitungan Euclidean Distance

Ecluedien Distance
1,995158054
1,275979369
1,195020538
1,046536398
0,95906045
0,72482852
0,759794949
0,513880821
0,496398962
0,408142918
0,361933037
0,307916969
0,306049323
0,267817997
0,260539278
0,221653177
0,19472513
0,186509663
0,175707625
0,150364621
0,12465036
0,128058488
0,090718808
0,103129546

IV-20
 0,085493523
0,080049789
0,069684888
0,059341083
0,05783285
0,054571072
0,067493938
0,052789441
0,049277568
0,042083918
0,037880439
0,03886471
0,037108094
0,037254872
0,034532445
0,03399571
0,034943791
0,03361778
0,033475695
0,032369962
0,030849164
0,030835873
0,026916457
0,02514968
0,024224395
0,023756926
0,02291445
0,022569589
0,019994521
0,018257278
0,017599407
0,01874711
0,017808837
0,016112248
0,016714056

IV-21
 0,017039714
0,017489925
0,015356817
0,014392188
0,015049926
0,013781071
0,01276951
0,012866542
0,012244686
0,01162189
0,015853788
0,010876322
0,017279731
0,009971117
0,008797295
0,008363714
0,007245796
0,008830362
0,008696652
0,0063389
0,006966685
0,00693581
0,005926783
0,006622571
0,00681333
0,00728853
0,00869361
0,005556688
0,011919086
0,005078131
0,004911719
0,003931718
0,003237607
0,006720708
0,005035778

IV-22
 0,001263529
0,001350289
0,005463622
0,00904651
0,000985895
0

3. Pencarian Nilai K

K yang digunakan pada penelitian ini adalah K=1. K1 merupakan nilai K yang memiliki
nilai error rata yang terkecil disbanding nilai K lainnya. Hasil dari nilai error terkecil dapat di
lihat dengan menggunakan tools yaitu jupyter notebook. Untuk syntax yang digunakan dalam
mencari error rate terkecil atau tingkat akurasi yang tinggi sebagai berikut :

error = []
for i in range (1,40):
knn = KNeighborsClassifier(n_neighbors=i)
knn.fit(x_data_train, y_data_train)
pred_i = knn.predict(x_data_test)
error.append(np.mean(pred_i !=y_data_test))

setelah memasukkan source code diatas, maka eksekusi codingan tesebut dengan mengklik
tombol run di jupyter note book.
Selanjutnya adalah mevisualisasikan error rate yang sudah disiapkan. Untuk sytax yang
digunakan dalam memvisualisasikan error rate sebagai berikut:

plt.figure(figsize=(10,6))
plt.plot(range(1,40),error,color='blue', linestyle='dashed', marker='o'
,markerfacecolor='red', markersize=10)
plt.title('Error Rate nilai K')
plt.xlabel('Nilai K')
plt.ylabel('Error Rate')

setelah memasukkan codingan tersebut, maka akan muncul visualisasi error rate sebagai
berikut :

IV-23
 Gambar 4. 12 Visualisasi Error Rate

Setelah mengetahui K yang memiliki error rate terkecil yang berarti memiliki akurasi paling
tinggi, maka untuk mencari jarak nya adalah dengan menggunakan logika IF di excel. Rumus
mencari K di excel sebagai berikut:

=IF(DataEuclidean<=SMALL(DataEuclidean1:100;nilai k);Variabel status;"")

Setelah memasukan rumus di excel, maka akan tampil sebagai berikut:

Tabel 4. 10 Prediksi Menggunakan K1

L P total Pasien Perhari Ecluedien Distance K1

1 1 1 1 1,995158054
0,6304 0,6517 0,6397 0,6397 1,275979369
0,4304 0,7449 0,5909 0,5909 1,195020538
0,5949 0,4567 0,5212 0,5212 1,046536398
0,5234 0,4427 0,4792 0,4792 0,95906045
0,2805 0,4404 0,3600 0,3600 0,72482852
0,0079 0,6154 0,3184 0,3184 0,759794949
0,2701 0,2524 0,2574 0,2574 0,513880821
0,1796 0,3135 0,2452 0,2452 0,496398962
0,1511 0,2567 0,2018 0,2018 0,408142918
0,1253 0,2348 0,1779 0,1779 0,361933037
0,1446 0,1711 0,1542 0,1542 0,307916969
0,1131 0,1946 0,1511 0,1511 0,306049323

IV-24
0,1036 0,1679 0,1326 0,1326 0,267817997
0,0599 0,1900 0,1229 0,1229 0,260539278
0,1161 0,1147 0,1111 0,1111 0,221653177
0,1373 0,0608 0,0934 0,0934 0,19472513
0,0702 0,1208 0,0920 0,0920 0,186509663
0,0930 0,0919 0,0881 0,0881 0,175707625
0,0726 0,0864 0,0753 0,0753 0,150364621
0,0760 0,0578 0,0621 0,0621 0,12465036
0,0021 0,1079 0,0522 0,0522 0,128058488
0,0570 0,0431 0,0452 0,0452 0,090718808
0,0013 0,0880 0,0415 0,0415 0,103129546
0,0643 0,0280 0,0409 0,0409 0,085493523
0,0537 0,0353 0,0396 0,0396 0,080049789
0,0305 0,0470 0,0344 0,0344 0,069684888
0,0412 0,0274 0,0294 0,0294 0,059341083
0,0270 0,0392 0,0286 0,0286 0,05783285
0,0258 0,0371 0,0270 0,0270 0,054571072
0,0004 0,0595 0,0262 0,0262 0,067493938
0,0381 0,0239 0,0261 0,0261 0,052789441
0,0309 0,0279 0,0247 0,0247 0,049277568
0,0212 0,0296 0,0208 0,0208 0,042083918
0,0263 0,0211 0,0189 0,0189 0,037880439
0,0319 0,0157 0,0188 0,0188 0,03886471
0,0199 0,0261 0,0184 0,0184 0,037108094
0,0145 0,0298 0,0177 0,0177 0,037254872
0,0245 0,0197 0,0173 0,0173 0,034532445
0,0187 0,0242 0,0168 0,0168 0,03399571
0,0305 0,0127 0,0166 0,0166 0,034943791
0,0176 0,0247 0,0166 0,0166 0,03361778
0,0283 0,0140 0,0162 0,0162 0,033475695
0,0246 0,0174 0,0161 0,0161 0,032369962
0,0167 0,0229 0,0152 0,0152 0,030849164
0,0290 0,0095 0,0142 0,0142 0,030835873
0,0238 0,0122 0,0131 0,0131 0,026916457
0,0214 0,0132 0,0124 0,0124 0,02514968

IV-25
0,0216 0,0119 0,0118 0,0118 0,024224395
0,0211 0,0121 0,0117 0,0117 0,023756926
0,0187 0,0138 0,0114 0,0114 0,02291445
0,0193 0,0128 0,0112 0,0112 0,022569589
0,0166 0,0131 0,0100 0,0100 0,019994521
0,0161 0,0118 0,0091 0,0091 0,018257278
0,0163 0,0109 0,0088 0,0088 0,017599407
0,0089 0,0175 0,0086 0,0086 0,01874711
0,0087 0,0168 0,0081 0,0081 0,017808837
0,0160 0,0096 0,0080 0,0080 0,016112248
0,0178 0,0079 0,0080 0,0080 0,016714056
0,0094 0,0158 0,0080 0,0080 0,017039714
0,0198 0,0057 0,0077 0,0077 0,017489925
0,0154 0,0095 0,0076 0,0076 0,015356817
0,0155 0,0083 0,0070 0,0070 0,014392188
0,0172 0,0066 0,0070 0,0070 0,015049926
0,0159 0,0070 0,0065 0,0065 0,013781071
0,0131 0,0094 0,0064 0,0064 0,01276951
0,0093 0,0124 0,0061 0,0061 0,012866542
0,0148 0,0067 0,0058 0,0058 0,012244686
0,0123 0,0090 0,0058 0,0058 0,01162189
0,0199 0,0016 0,0057 0,0057 0,015853788
0,0114 0,0091 0,0055 0,0055 0,010876322
0,0003 0,0181 0,0047 0,0047 0,017279731
0,0078 0,0108 0,0046 0,0046 0,009971117
0,0121 0,0062 0,0043 0,0043 0,008797295
0,0123 0,0052 0,0039 0,0039 0,008363714
0,0113 0,0054 0,0034 0,0034 0,007245796
0,0138 0,0028 0,0033 0,0033 0,008830362
0,0137 0,0025 0,0032 0,0032 0,008696652
0,0106 0,0052 0,0030 0,0030 0,0063389
0,0062 0,0090 0,0029 0,0029 0,006966685
0,0120 0,0035 0,0028 0,0028 0,00693581
0,0107 0,0046 0,0027 0,0027 0,005926783
0,0118 0,0033 0,0026 0,0026 0,006622571

IV-26
 0,0121 0,0027 0,0025 0,0025 0,00681333
0,0127 0,0016 0,0022 0,0022 0,00728853
0,0139 0,0004 0,0021 0,0021 0,00869361
0,0110 0,0031 0,0021 0,0021 0,005556688
0,0001 0,0131 0,0020 0,0020 0,011919086
0,0108 0,0021 0,0015 0,0015 0,005078131
0,0048 0,0076 0,0014 0,0014 0,004911719
0,0056 0,0067 0,0014 0,0014 0,003931718
0,0089 0,0037 0,0014 0,0014 0,003237607
0,0121 0,0005 0,0013 0,0013 0,006720708
0,0105 0,0007 0,0006 0,0006 0,005035778
0,0074 0,0034 0,0005 0,0005 0,001263529
0,0075 0,0033 0,0005 0,0005 0,001350289
0,0106 0,0000 0,0003 0,0003 0,005463622
0,0000 0,0098 0,0003 0,0003 0,00904651
0,0071 0,0028 0,0001 0,0001 0,000985895
0,0063 0,0034 0,0000 0,0000 0 0
K1 dari data diatas menunjukkan pada data paling akhir serta menunjukan nilai 0, maka data yang keluar
nilai 0 nya maka jenis penyakit tersebut tidak dibutuhkan layanan baru. Grafik yang akan dimunculkan
menggunakan data dari Euclidean distance dan akan muncul sebagai berikut:

Ecluedien Distance
2,5

1,5

0,5

0
29

77
1
5
9
13
17
21
25

33
37
41
45
49
53
57
61
65
69
73

81
85
89
93
97

Gambar 4. 13 Grafik Euclidean

IV-27
 4.2.2.2 Metode Algoritma Neural Network
Pada metode neural network, peneliti hanya melakukan perhitungan dengan 5 record data untuk
perhitungan manual di excel. Untuk datanya sebagai berikut :

Tabel 4. 11 Data Neural Network

Pasien
DIAGNOSIS PENYAKIT L P Total perhari Status

1 (J06.9) Acute upper respiratory infection, unspecified 40.998 44.205 85.203 96,822 1

2 (J00) Acute nasopharyngitis [common cold] 25.847 28.951 54.798 62,270 1

3 (K30) Dyspepsia 17.652 33.032 50.684 57,595 1

4 (Z00.0) General medical examination 24.391 20.412 44.803 50,913 1

5 (R50.9) Fever, unspecified 21.463 19.799 41.262 46,889 1

6 (K29.7) Gastritis, unspecified 6000 4000 10.000 11,364 ?

Data diatas, kita akan memprediksi apakah data nomer 6 membutuhkan layanan baru atau tidak
dengan menggunakan metode algoritan neural network.

Penerapan Metode algoritma Neural Network sebagai berikut :

1. Normalisasi data
Tahap pertama dalam melakukan prediksi di setiap metode ialah normalisasi. Namun rumus
dalam normalisasi pada lagoritma Neural Network sedikit berbeda dengan normalisasi
metode k-nearest neighbor. Berikut merupakan rumus normalisasi dari metode neural
network :
0,8(𝑥−𝑀𝐼𝑁)
+0.1
𝑀𝐴𝑋−𝑀𝐼𝑁
Setelah mengetahui rumus dari normalisasi data untuk neural network, maka akan di dapat
hasil sebagai berikut :

Tabel 4. 12 Normalisasi Data

X1 X2 X3 X4
0,9 0,9 0,9000 0,9
0,380819 0,399992 0,3464 0,34644
0,1 0,533762 0,2715 0,271539
0,330926 0,120093 0,1645 0,164468

IV-28
 0,230592 0,1 0,1000 0,1
0,1 0,1 0,1000 0,1

2. Penentuan bobot uji dan learning rate

Penentuan bobot nilai baru dilakukan dengan cara random. Kita boleh menentukan range nilai yang
akan kita uji. Untuk contoh sebagai berikut :

w1 0,9
w2 0,5
w3 0,4
w4 0,6
learning
rate 0,9
threshold 0
Keterangan :
W1 = sebagai bobot variabel ke 1
W2 = sebagai bobot variabel ke 2
W3 = sebagai bobot variabel ke 3
W4 = sebagai bobot variabel ke 4
Learning rate = mengontrol seberapa besar langkah dari satu titik
Threshold = ambang batas
3. Hasil Prediksi
Hasil dari prediksi yang dilakukan perhitungan manual di excel adalah sebagai berikut

Tabel 4. 13 hasil Prediksi Neural Network

luaran w1 w2 w3 w4 delta delta delta delta

x1 x2 x3 x4 v y' y Error baru baru baru baru w1 w2 w3 w4
0,90 0,90 0,90 0,90 2,16 1 1 0 0,90 0,50 0,40 0,6 0,00 0,00 0,00 0
0,38 0,40 0,35 0,35 0,89 1 1 0 0,9 0,50 0,40 0,6 0,00 0,00 0,00 0
0,10 0,53 0,27 0,27 0,63 1 1 0 0,9 0,50 0,40 0,6 0,00 0,00 0,00 0
0,33 0,12 0,16 0,16 0,52 1 1 0 0,9 0,50 0,40 0,6 0,00 0,00 0,00 0
0,23 0,1 0,10 0,1 0,36 1 1 0 0,9 0,50 0,40 0,6 0,00 0,00 0,00 0
Prediksi 0,1 0,10 0,1 0,10 0,24 1

Untuk rumus mencari w1 baru dengan rumus:

IV-29
 𝑊𝑏𝑎𝑟𝑢 = 𝑊𝑙𝑎𝑚𝑎 + 𝐿𝑒𝑎𝑟𝑛𝑖𝑛𝑔 𝑟𝑎𝑡𝑒 ∗ 𝑒𝑟𝑟𝑜𝑟 ∗ 𝑋1

4.3 Hasil Pengujian Jupyter Notebook

Pengujian yang dilakukan menggunakan tools jupyter notebook sebagai pengukur akurasi
yang didapat pada data penyakit yang digunakan sebagai prediksi. Hasil yang didapatkan oleh
algoritma k-nearest neighbor sebesar 99,94% sedangkan untuk pengujian algoritma neural
network sebesar 99,83%. Berikut gambar hasil akurasi dari kedua metode yang digunakan.

Gambar 4. 14 Akurasi Metode K-Nearest Neighbor

Gambar 4. 15 Akurasi Metode Nueral Network

IV-30
4.4 Perancangan User Interface
4.4.1 User Interface Login

Gambar 4. 16 User Interface login

4.4.2 User Interface Halaman Dasboard

Gambar 4. 17 User Interface Halaman Dashboard

IV-31
4.4.3 User Interface Menu K-Nearest Neighbor

Gambar 4. 18 User Interface Menu K-Nearest Neighbor

IV-32
 V BAB V
PENUTUP

5.1 Kesimpulan
Setelah menyelesaikan tahap analisis dan pengujian metode yang digunakan untuk
memprediksi layanan baru berdasarkan penyakit yang sering terjadi di suatu layanan kesehatan
, maka dapat diambil kesimpulan sebagai berikut:

1. Hasil Perbandingan menunjukan bahwa metode K-Nearest Neighbor memiliki tingkat

akurasi sebesar 99.94% dan untuk metode Neural Network memiliki tingkat akuasi
sebesar 99.83%. Jadi, untuk metode K-Nearest Neighbor lebih unggul dari pada
Neural Network.
2. Aplikasi yang dibangun menggunakan metode K-Nearest Neighbor dikarenakan
memiliki akurasi yang lebih baik di banding dengan metode Neural Network.

5.2 Saran
Adapun kekurangan yang dimiliki dalam penelitian ini, sehingga membutuhkan
penyempurnaan peneliti secara berkelanjutan sesua dengan kebutuhan. Adapun saran yang
ingin disampaikan dalam penelitian ini sebagai berikut :

1. Dapat melakukan perbandingan dengan metode lain sehingga dapat mengetahui

tingkat selisih terhadap akurang dari metode lain.

V-1
 5 DAFTAR PUSTAKA
Atmaja, D. M. umi, Hakim, A. R., Haryadi, D., & Suwaryo, N. (2021). Penerapan Algoritma K-
Nearest Neighbor Untuk Prediksi Pengelompokan Tingkat Risiko Penyebaran COVID-19 Jawa
Barat. Sntem, 1(November), 1218–1226.

Ensha, I. S. (2018). Pengaruh Implementasi Kebijakan Akreditasi Puskesmas terhadap Manajemen

Pelayanan Kesehatan Masyarakat dalam Mewujudkan Produktivitas Kerja. Jurnal Publik :
Jurnal Ilmiah Bidang Ilmu Administrasi Negara, 12(01), 12–23.
https://journal.uniga.ac.id/index.php/JPB/article/view/283

Ibrahim, A., & Rachmat. (2021). Analisis Perbandingan Metode Neural Network Dan K -Nearest
Neighbor Dalam Pemanfaatan Kembali Jasa Rawat Inap Pada Rumah Sakit Umum. E-Jurnal
JUSITI (Jurnal Sistem Informasi Dan Teknologi Informasi), 10(1), 85–93.
https://doi.org/10.36774/jusiti.v10i1.823

Krisna, D. A. N., & Salamah, U. (2022). Perbandingan Algoritma Naïve Bayes Dan K-Nearest
Neighbor Untuk Klasifikasi Berita Hoax Kesehatan Di Media Sosial Twitter. Jurnal Teknik
Informatika Kaputama (JTIK), 6(2), 836–845.

Malik, K., Nisa, K., & Pratama, Y. (2021). DIAGNOSA Pharyngitis Menggunakan Metode K-NN 2
Konseptualisasi. TRILOGI Ilmu Teknologi, Kesehatan, Dan Humaniora, 2(3), 199–206.

Mustofa, A., Roekminiati, S., & Lestari, D. S. (2019). Inovasi Layanan Pasien Program Jaminan
Kesehatan Nasional Pada Puskesmas di Surabaya. Jurnal Ilmiah Manajemen Publik Dan
Kebijakan Sosial, 3(1), 278. https://doi.org/10.25139/jmnegara.v3i1.1521

Nopiani, C. S. (2019). Pelayanan Kesehatan Masyarakat Di Puskesmas Simpang Tiga Kecamatan

Banyuke Hulu Kabupaten Landak. Jurnal Ilmu Manajemen Dan Akuntansi, 7(1), 1–7.

Oktamianti, P., & Pebrina, A. (2019). Kajian Kebutuhan Pengembangan Rumah Sakit Pemerintah
Daerah Kelas B di Provinsi Sulawesi Utara. Jurnal Administrasi Rumah Sakit Indonesia, 5(2),
59–71. https://doi.org/10.7454/arsi.v5i2.3198

Pristanti, Y. D., & Windana, F. (2015). Pengembangan Metode Neural Networks untuk Menentukan
Karakter Seseorang. Jurnal STT STIKMA Internasional, 6(1), 9–27.

Reni Maharani & Mustar Aman. (2017). untuk mendukung kegiatan operasional sehari-hari pada
sekolah tersebut. Dengan adanya aplikasi berbasis. 5(2).

Setiawan, M. D., Fauziah, F., Edriani, M., Gurning, F. P., Administrasi, D., & Kesehatan, F. (2022).
Analisis Mutu Pelayanan Kesehatan Program Jaminan Kesehatan Nasional ( A : Systematic
Review ). Jurnal Pendidikan Tambusai, 6, 12869–12873.

2
Sulastri, S., Hadiono, K., & Anwar, M. T. (2020). Analisis Perbandingan Klasifikasi Prediksi
Penyakit Hepatitis Dengan Menggunakan Algoritma K-Nearest Neighbor, Naïve Bayes Dan
Neural Network. Dinamik, 24(2), 82–91. https://doi.org/10.35315/dinamik.v24i2.7867

Trivusi. (2022). Normalisasi Data: Pengertian, Tujuan, dan Metodenya. Trivusi.Web.Id.

https://www.trivusi.web.id/2022/09/normalisasi-data.html

Yustanti, W. (2012). Algoritma K-Nearest Neighbour untuk Memprediksi Harga Jual Tanah. Jurnal
Matematika Statistika Dan Komputasi, 9(1), 57–68.