Esa Septian - 3061746047
Esa Septian - 3061746047
model
pendukung keputusan yang dapat digunakan untuk klasifikasi nilai tiap
atribut
pembelajaran klasifikasi
keputusan yang dirancang pada penelitian merupakan Gambar 1. Gambaran Umum Sistem
nonknowledge-based sytem dengan algoritma machine learning
yang digunakan yaitu Naive Bayes. Berdasarkan pengujian
performansi, pada saat kondisi normal performansi sistem Logout
baik dan tidak terpengaruh jumlah user yang melakukan Pengelolaan klasifikasi
<<include>
<<include>
>
akses. Selain itu tidak terdapat perbedaan performa yang > Login
signifikan <<include>
saat kondisi normal dan pada saat kondisi terdapat > <<include>>
Pengelolaan data uji
lonjakan
Pengelolaan data klasifikasi pasien
trafik. <<include>>
<<include>>
K
ESEHATAN merupakan hal yang penting untuk Gambar 2. Use Case Dokter
diharapkan dapat menurunkan resiko kematian. Terlebih lagi Pengelolaan data pengguna
<<include>
>
dari sisi biaya, pembiayaan perawatan penyakit yang tidak Profil pengguna
<<include>>
dari kecepatan pengangan penyakit menjadikan upaya untuk Pengelolaan data pembelajaran
Admin
diagnosa pasien secara dini menjadi langkah yang paling Pengelolaan nilai atribut
tepat. Pada beberapa kasus, diagnosa penyakit tidak dapat Pengelolaan atribut
dilakukan dengan mudah karena beberapa tanda dan gejala Gambar 3. Use Case Admin
mungkin saling beririsan dengan penyakit lain. Oleh karena
itu perlu adanya pendekatan lain untuk membantu [2], hepatitis [3], serta jantung koroner [4]. Namun,
mendiagnosa penyakit secara tepat. umumnya sistem pendukung keputusan yang dirancang
Sistem pendukung keputusan telah digunakan selama hanya dapat digunakan untuk membantu diagnosa suatu
beberapa dekade dan berpotensi secara signifikan penyakit yang spesifik. Selain itu tidak terdapat mekanisme
meningkatkan perawatan dan kesalamatan pasien [1]. Dalam yang mengatur akses ke dalam sistem pendukung keputusan
rangka meningkatkan perawatan dan kesalamatan pasien dan integrasi dengan data pasien. Pada penelitian ini,
tersebut, sistem pendukung keputusan telah dibuat untuk dirancang sistem pendukung keputusan berbasis web yang
berbagai kebutuhan klinis, salah satunya digunakan untuk tidak hanya dapat digunakan untuk membantu diagnosa
membantu dokter dalam pengambilan keputusan diagnosa. penyakit secara spesifik. Sistem pendukung keputusan yang
Pada beberapa penelitian terkait, sistem pendukung dirancang nantinya dapat digunakan untuk membantu
keputusan yang dirancang dapat digunakan untuk membantu diagnosa berbagai penyakit, bergantung pada kebutuhan
diagnosa berbagai macam penyakit kronis seperti batu ginjal pengguna atau instansi di rumah sakit [5], [6]. Sistem
JURNAL TEKNIK ITS Vol. 9, No. 1, (2020) ISSN: 2337-3539 (2301-9271 A1
Logout
<<include>>
<<include>>
Profil pengguna
Petugas
administrasi
Gambar 4. Use Case Petugas Administrasi
Gambar 7. Antarmuka menu profil pengguna
tb_pen ggun a
VARCHA R
FK id_atrib ut (25) tb_data_umu m_pasien
VARCHA R
nama_l eng ka p (3
0)
VARCHA R
(2 VARCHA R PK id_pasien (25)
5) no (25)
jenis_kel amin ENUM
mor
VARCHA R VARCHA R
email
(25) nama_leng (25)
ni
VARCHA R
(25) DA TE
kap
VARCHA R
VARCHA R nilai (2
5)
PK id_atrib ut
(2
5)
VARCHA
nama_atrib ut tb_klasifikasi_pasien
R
tb_hasil_klasifikasi
VARCHA R
FK id_pasien
jenis_atrib ut VARCHA R
ENUM FK id_pasien (25)
(2
5)
VARCHA
FK id_atrib ut
VARCH
hasil_klasifikasi A
R
(2 (2
5) 5)
R
VARCHA R
(2
5)
nilai kep utu san_do VARCHA
R
FK id_atrib ut (2
5)
(2
5)
VARCHA R
VARCHA R
nilai
Gambar 10. Antarmuka menu data atribut pengelolaan data umum pasien yaitu melihat, menambah,
mengubah, atau menghapus data.
Tabel 7.
Pengujian use case pengelolaan data
uji
Butir Uji Respon Kesimpula
n
Input data (skenario Pesan bahwa data berhasl Sesuai
utama) disimpan ditampilkan
Input data (skenario Pesan error ditampilkan Sesuai
alternatif)
Ubah data (skenario Pesan bahwa data berhasil Sesuai
utama) diubah ditampilkan
Ubah data (skenario Pesan error ditampilkan Sesuai Gambar 16. Hasil rekomendasi keputusan oleh sistem
alternatif)
Lihat data Data yang diinginkan Sesuai
ditampilkan
Impor data Data berhasil diimpor ke Sesuai
database
Hapus data Data terhapus dari database Sesuai
Tabel 8.
Pengujian use case generalisasi pengelolaan klasifikasi
Butir Uji Respon
Setting atribut target Pesan bahwa data berhasl
(skenario utama) Setting disimpan ditampilkan
atribut target (skenario Pesan error ditampilkan
alternatif) Buat model
klasifikasi Data model klasifkasi
berhasil disimpan
Uji klasifikasi Hasil perhitungan akurasi,
presisi, recall, dan error
rate ditampilkan
Spesiikasi Keterangan
Processor Intel(R) Xeon(R) CPU E3-1241 v3 @
3.50GHz (8 core), maximum 1 core Gambar 18. Pengujian trafik normal, jumlah maksimal virtual user
= 50
Physical Memory 1GB
PHP version 7.2.24
MySQl version 10.1.43-MariaDB-cll-lve
Architecture X86_x64
Operating System Linux