DIAGNOSA PENYAKIT KULIT MENGGUNAKAN METODE NAIVE BAYES PADA SMPIT AL BINAA ISLAMIC BOARDING SCHOOL
SKRIPSI Diajukan untuk memenuhi salah satu syarat kelulusan Strata Satu (S1)
MUHAMMAD IHROM NIM: 11122703
Program Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer NUSA MANDIRI Jakarta 2016
LEMBAR PERSEMBAHAN بسم اهلل الرحمان الرحيم : أما بعد، و على آله و صحبه أجمعين،الحمد هلل و الصالة و السالم على نبينا محمد Allah „azza Wa Jalla berfirman: “Sesungguhnya Allah meninggikan (derajat) orang-orang yang beriman di antara kalian dan para penuntut ilmu beberapa derajat”. (Q.S. Al-Mujadilah:11). Sebagai seorang penuntut ilmu, maka karya yang telah dibuat oleh hamba Allah ta’ala ini seyogyanya dipersembahkan kepada: a. Allah Subhanahu wa Ta’ala yang telah melimpahkan berbagai macam nikmat dan karunianya sehingga peneliti dapat menyelesaikan penelitian ini dengan baik. b. Ibundaku, Ayahandaku, dan seluruh keluargaku yang tak kenal lelah dalam memberi semangat, masukan, dan selalu memanjatkan doa pada Allah ta’ala agar ananda ini dapat menjadi orang yang bermanfaat bagi nusa, bangsa, dan negara Indonesia kelak. c. Adikku yang rela waktunya tersita untuk mendukung abang nya dalam menyelesaikan skripsi ini dan berbaik hati untuk selalu mendoakan yang terbaik bagi abang nya ini. d. Pimpinan Pesantren AL BINAA IBS, Kepala Sekolah SMAIT AL BINAA IBS, Kepala Sekolah SMPIT AL BINAA IBS, serta Dewan Guru dan Karyawan SMP-SMAIT AL BINAA IBS yang telah memberikan kesempatan yang amat besar bagi peneliti untuk melakukan riset dan pengabdian kepada
sebuah institusi sehingga peneliti mendapatkan bahan-bahan yang dapat dipergunakan untuk melengkapi kebutuhan penelitian ini. e. Dosen Pembimbing I Ibu Nining Suryani, M.Kom dan Dosen Pembimbing II ibu Eri Mardiani, M.Kom yang telah meluangkan waktu untuk peneliti dapat berdiskusi dan membimbing peneliti dalam menyelesaikan skripsi ini. f. Teman-teman di Jurusan Syariah Semester 4 Universitas Imam Muhammad bin Suud (LIPIA) yang terus memberi dukungan bagi peneliti untuk terus berusaha dalam menuntut ilmu serta selalu memanjatkan doa untuk masa depan yang terbaik. g. Teman-teman di kelas 12.6C.32 dan 11.7AC.07 yang selalu menemani peneliti baik suka maupun duka dan tak henti-henti nya kalian mendukung peneliti baik di kala susah maupun di kala mudah. h. Teman-teman angkatan 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, dan 12 di SMP-SMAIT AL BINAA IBS yang senantiasa mendoakan peneliti dan mendukung pembuatan skripsi ini, baik secara moril maupun materil. Pada akhirnya, perkenankan peneliti untuk mengakhiri lembar persembahan ini dengan membawakan hadits Nabi Sholallahu ’alaihi Wassalam sebagai bentuk persembahan bagi kaum muslimin khususnya dan bangsa Indonesia Umumnya, yaitu: Dari Abu Hurairah (Semoga Allah ta‟ala meridhoinya) berkata: Bersabda Rasulullah Sholallahu ‟alaihi Was Salam: ”Jika anak Adam meninggal akan terputus seluruh amalannya kecuali 3 hal: shodaqoh jariyah atau ilmu yang bermanfaat atau anak yang sholeh yang mendoakannya”. (HR. Muslim no. 1631)
SURAT PERNYATAAN KEASLIAN SKIPSI
Yang bertanda tangan di bawah ini: Nama NIM Program Studi Perguruan Tinggi
: : : :
Muhammad Ihrom 11122703 Sistem Informasi STMIK Nusa Mandiri
Dengan ini menyatakan bahwa skripsi yang telah saya buat dengan judul: “Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School”, adalah asli (orisinil) atau tidak plagiat (menjiplak) dan belum pernah diterbitkan/dipublikasikan di manapun dan dalam bentuk apapun. Demikianlah surat pernyataan ini saya buat dengan sebenar-benarnya tanpa ada paksaan dari pihak manapun juga. Apabila di kemudian hari ternyata saya memberikan keterangan palsu dan atau ada pihak lain yang mengklaim bahwa skripsi yang telah saya buat adalah hasil karya milik seseorang atau badan tertentu, saya bersedia diproses baik secara pidana maupun perdata dan kelulusan saya dari Sekolah Tinggi Manajemen Informatika & Komputer Nusa Mandiri dicabut/dibatalkan.
Dibuat di : Jakarta Pada tanggal : 5 Februari 2016 Yang menyatakan,
Materai Rp 6000
Muhammad Ihrom
SURAT PERNYATAAN PERSETUJUAN PUBLIKASI KARYA ILMIAH UNTUK KEPENTINGAN AKADEMIS Yang bertanda tangan di bawah ini, saya: Nama NIM Perguruan Tinggi Program Studi
: : : :
Muhammad Ihrom 11122703 STMIK Nusa Mandiri Sistem Informasi
Dengan ini menyetujui untuk memberikan ijin kepada pihak Sekolah Tinggi Manajemen Informatika & Komputer Nusa Mandiri, Hak Bebas Royalti NonEksklusif (Non-exclusive Royalti-Free Right) atas karya ilmiah kami yang berjudul: “Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School”, beserta perangkat yang diperlukan (apabila ada). Dengan Hak Bebas Royalti Non-Eksklusif ini pihak Sekolah Tinggi Manajemen Informatika & Komputer Nusa Mandiri berhak menyimpan, mengalih-media atau format-kan, mengelolanya dalam pangkalan data (database), mendistribusikannya dan menampilkan atau mempublikasikannya di internet atau media lain untuk kepentingan akademis tanpa perlu meminta ijin dari kami selama tetap mencantumkan nama kami sebagai penulis/pencipta karya ilmiah tersebut. Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Sekolah Tinggi Manajemen Informatika & Komputer Nusa Mandiri, segala bentuk tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya ini. Demikian pernyataan ini saya buat dengan sebenarnya. Dibuat di : Jakarta Pada tanggal : 5 Februari 2016 Yang menyatakan, Materai Rp 6000
Muhammad Ihrom
PERSETUJUAN DAN PENGESAHAN SKRIPSI Skripsi ini diajukan oleh : Nama NIM Program Studi Jenjang Judul Skripsi
: : : : :
Muhammad Ihrom 11122703 Sistem Informasi Strata Satu (S1) Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School
Untuk dipertahankan pada Periode II-2015 di hadapan penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh Sarjana Ilmu Komputer (S.Kom) pada Program Strata Satu (S1) Program Studi Sistem Informasi di Sekolah Tinggi Manajemen Informatika & Komputer Nusa Mandiri.
Jakarta, 5 Februari 2016 PEMBIMBING SKRIPSI
Dosen Pembimbing I
: Nining Suryani, M.Kom
..................................
Dosen Pembimbing II
: Eri Mardiani, M.Kom
..................................
DEWAN
PENGUJI
Penguji I
:
………………………………..
.............................
Penguji II
:
………………………………..
.............................
PERSETUJUAN DAN PENGESAHAN SKRIPSI Skripsi ini diajukan oleh: Nama NIM Program Studi Jenjang Judul Skripsi
: : : : :
Muhammad Ihrom 11122703 Sistem Informasi Strata Satu (S1) Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School
Telah dipertahankan pada Periode II-2015 di hadapan penguji dan diterima sebagai bagian persyaratan yang diperlukan untuk memperoleh Sarjana Ilmu Komputer (S.Kom) pada Program Strata Satu (S1) Program Studi Sistem Informasi di Sekolah Tinggi Manajemen Informatika & Komputer Nusa Mandiri.
Jakarta, 23 Februari 2016 PEMBIMBING SKRIPSI
Dosen Pembimbing I
: Nining Suryani, M.Kom
................................
Dosen Pembimbing II
: Eri Mardiani, M.Kom
................................
DEWAN
PENGUJI
Penguji I
:
………………………………..
..............................
Penguji II
:
………………………………..
...............................
KATA PENGANTAR
: أما بعد، و على آله و صحبه أجمعين،الحمد هلل و الصالة و السالم على نبينا محمد Berkat rahmat dan karunia Allah Subhanahu wa Ta’ala peneliti dapat menyelesaikan skripsi ini dengan baik. Adapun judul penelitian skripsi yang diambil oleh peneliti adalah sebagai berikut: “DIAGNOSA PENYAKIT KULIT MENGGUNAKAN METODE NAIVE BAYES PADA SMPIT AL BINAA ISLAMIC BOARDING SCHOOL”. Tujuan penelitian skripsi ini dibuat sebagai salah satu syarat kelulusan Program Strata Satu (S1) pada STMIK Nusa Mandiri. Sebagai bahan penelitian, peneliti mengambil data berdasarkan observasi, wawancara, dan studi pustaka yang mendukung tulisan ini. Peneliti menyadari sepenuhnya bahwa penelitian skripsi ini tidak akan berjalan dengan lancar tanpa bantuan, petunjuk, bimbingan dan saran-saran dari berbagai pihak. Oleh karena itu, pada kesempatan ini peneliti ingin mengucapkan terima kasih kepada yang terhormat : 1. Ketua STMIK Nusa Mandiri. 2. Pembantu Ketua I STMIK Nusa Mandiri. 3. Ketua Program Studi Sistem Informasi STMIK Nusa Mandiri. 4. Ibu Nining Suryani, M.Kom selaku Dosen Pembimbing I skripsi. 5. Ibu Eri Mardiani, M.Kom selaku Dosen Pembimbing II skripsi. 6. Seluruh Staff, Karyawan, Dosen, dan Instruktur di lingkungan STMIK Nusa Mandiri. 7. Orang Tua dan seluruh keluarga tercinta yang telah memberikan dukungan moril, materil maupun spiritual.
8. Ustadz Aslam Muhsin Abidin, Lc. selaku Pimpinan Pesantren AL BINAA IBS. 9. Ustadz Agung Wahyu Adhy, Lc. selaku Kepala Sekolah SMAIT AL BINAA IBS. 10. Ustadz Hasyim, S.Pd. selaku Kepala Sekolah SMPIT AL BINAA IBS. 11. Bapak Ade Darsono selaku Petugas Kesehatan di Pesantren AL BINAA IBS. 12. Dewan Guru dan Karyawan SMP-SMAIT AL BINAA IBS. 13. Teman-teman kelas 12.6C.32 dan 11.7AC.07 di STMIK Nusa Mandiri. 14. Teman-teman angkatan 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, dan 12 di SMP-SMAIT AL BINAA IBS. Serta semua pihak yang tidak bisa disebutkan satu persatu karena keterbatasan waktu dan tempat penulisan skripsi ini. Peneliti menyadari bahwa dalam penyusunan skripsi ini masih jauh dari sempurna, karena keterbatasan ilmu dan kemampuan peneliti. Oleh karena itu, dengan segala kerendahan hati peneliti memohon maaf atas kekurangan dalam penyusunan skripsi ini. Selain itu, kritik dan saran yang sifatnya membangun, juga peneliti harapkan untuk dijadikan pengalaman dan pembelajaran bagi penelitian dimasa yang akan datang. Akhir kata, semoga skripsi ini dapat bermanfaat bagi peneliti khususnya dan para pembaca yang berminat pada umumnya, khususnya rekan-rekan mahasiswa STMIK Nusa Mandiri. Jakarta, 5 Februari 2016
Muhammad Ihrom
ABSTRAK Muhammad Ihrom (11122703), Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School
Pesantren merupakan tempat para santri atau siswa belajar dan bertempat tinggal sementara. Namun, kebersihan lingkungan kurang diperhatikan di beberapa pesantren. Akibat dari kurangnya perhatian terhadap kebersihan dapat menimbulkan masalah, salah satunya timbulnya penyakit kulit. Gejala yang ditimbulkan penyakit kulit berupa: kulit kemerahan, vesikel atau bintik-bintik, gatal, luka, panas, dan infeksi. Pada penelitianini, penyakit kulit akan dikategorikan menjadi 2, yaitu: penyakit kulit yang termasuk dermatitis dan penyakit kulit yang tidak termasuk dermatitis. Pengkategorian penyakit ini menggunakan metode naïve bayes dengan mengolah 228 data yang berkaitan dengan penyakit kulit yang berasaldari data arsip rekam medik SMPIT AL BINAA IBS. Sampel data yang diambil untukpenghitunganmetode naivebayes secara manual berjumlah 165 data dengan sampel pengujian sebanyak 1 data. Pengambilan sampel ditujukan untuk membuat model penghitungan metode naïve bayes secara manual. Hasil dari penghitungan metode naïve bayes menunjukkan bahwa seluruh data dapat diklasifikasi dengan tingkat akurasi 100% dan memiliki kecepatan penghitungan selama 0 detik serta tidak ada satupun data yang diklasifikasikan secara tidaktepat pada penelitian ini. Kata Kunci :Diagnosa penyakit kulit, Metode Naïve Bayes
DAFTAR ISI Halaman Lembar Judul Skripsi .............................................................................................. Lembar Persembahan .............................................................................................. Lembar Pernyataan Keaslian Skripsi ...................................................................... Lembar Pernyataan Persetujuan Publikasi Karya Ilmiah ........................................ Lembar Persetujuan dan Pengesahan Skripsi .......................................................... Lembar Panduan Penggunaan Hak Cipta ................................................................
i ii iv v vi vii
Kata Pengantar ........................................................................................................ Abstraksi ................................................................................................................. Daftar Isi.................................................................................................................. Daftar Gambar ......................................................................................................... Daftar Tabel ............................................................................................................ Daftar Lampiran ......................................................................................................
viii x xii xiv xv xvi
BAB I
PENDAHULUAN 1.1 Latar Belakang Masalah .................................................................. 1.2 Identifikasi Masalah ........................................................................ 1.3 Maksud dan Tujuan ......................................................................... 1.4 Metode Penelitian ............................................................................ A. Observasi .................................................................................... B. Wawancara................................................................................. C. Studi Pustaka............................................................................... 1.5 Ruang Lingkup ................................................................................ 1.6 Hipotesis ..........................................................................................
1 2 2 2 3 4 4 4 5
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka ............................................................................. 2.1.1 Penyakit Kulit ........................................................................ 2.1.2 Populasi dan Sampel .............................................................. 2.1.3 Data Mining ........................................................................... 2.1.4 Metode Naïve Bayes............................................................... 2.1.5 Software Rapidminer.............................................................. 2.2 Penelitian Terkait .............................................................................. 2.3 Tinjauan Organisasi atau Objek Penelitian ..................................... 2.3.1 Sejarah Organisasi.................................................................. 2.3.2 Visi dan Misi .......................................................................... 2.3.3 Struktur Organisasi ................................................................ 2.3.4 Objek Penelitian .....................................................................
6 6 9 10 18 20 21 22 22 24 24 27
BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian .......................................................................... 3.2 Instrument Penelitian ....................................................................... 3.3 Metode Pengumpulan Data, Populasi, dan Sampel Penelitian ........ 3.4 Metode Analisis Data .......................................................................
29 33 34 36
BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4.1 Implementasi Penelitian .................................................................. 4.2 Analisa Data Menggunakan Software Rapidminer ......................... 4.2.1 Distribution Model ................................................................. 4.2.2 Example Set ............................................................................ 4.2.3 Performance Vector ...............................................................
64 65 53 68 70
BAB V PENUTUP 5.1 Kesimpulan ...................................................................................... 5.2 Saran ................................................................................................
72 73
DAFTAR PUSTAKA DAFTAR RIWAYAT HIDUP LEMBAR KONSULTASI BIMBINGAN LAMPIRAN Lampiran A.1 Tabel Data Arsip Rekam Medik Lampiran A.2 Tabel Sampel 165 Data Arsip Rekam Medik Lampiran A.3 Tabel Data Arsip Rekam Medik Untuk Diproses Dengan Software Rapidminer Lampiran B.1 Penghitungan Manual Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes Lampiran C.1 Catatan Anekdot Lampiran C.2 Laporan Wawancara
ABSTRACT Muhammad Ihrom (11122703), The Diagnosis of Skin Disease using Naïve Bayes Method at AL BINAA JUNIOR HIGH ISLAMIC BOARDING SCHOOL
The boarding school is the place which the students study and live for a moment. But, if the cleanliness here is not be interested, it can make some problems, example: skin disease. The skin disease symptom is skin redness, vesicle, itchiness, wound, fever, and infection. In this research, the skin disease will be categorized to: include dermatitis and not include dermatitis. The data have taken by archive document of diseases in AL BINAA JUNIOR HIGH ISLAMIC BOARDING SCHOOL. Naïve bayes method will categorize the skin disease using 228 data from archive document. The 165 data sampling is used to make a model with manually calculating of naïve bayes method and 1 other data will used to exam this model. The result of this research is naïve bayes method has 100% of accuracy to classify skin disease with 0 second of timing this classification and this research has not a missing data. Keywords: diagnosis of skin disease, naïve bayes method.
DAFTAR SIMBOL A. Entity Relation Diagram ENTITAS Adalah Suatu Objek yang dapat di identifikasi dalam Lingkungan pemakai.
RELASI Menunjukan adanya hubungan diantara sejumlah Entitas yang berbeda.
ATRIBUT Berfungsi Mendeskripsikan karakter Entitas atribut yang berfungsi sebagai key di berigaris bawah
GARIS Sebagai Penghubung antara relasi dengan entitas, relasi dan Entitas dengan atribut.
DAFTAR SIMBOL B. Logical Relational Struktur TABEL
ENTITAS Adalah Suatu Objek yang terdapat nama
FIELD
tabel dan field-field nya.
PRIMARY KEY field kunci / utama dari suatu tabel.
FOREIGN KEY Kunci penghubung kedua tabel dan melengkapi satu relationship (hubungan) terhadap kunci utama
GARIS Sebagai Penghubung Primary Key dengan Foreign Key antar fiel-field.
DAFTAR SIMBOL C. Struktur Navigasi PAGE Adalah bagian dari halaman sebuah website.
GARIS Sebagai Penghubung antar halaman sebuah website sesuai arah tanda panah
DAFTAR GAMBAR Halaman 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33.
Gambar II.1. Bidang Ilmu Data Mining .......................................................... 12 Gambar II.2. Persamaan umum teorema bayes................................................ 19 Gambar II.3. Penerapan teorema bayes dalam klasifikasi ............................... 19 Gambar II.4. Persamaan yang dipakai dalam naïve bayes classification ........ 20 Gambar II.5. Struktur organisasi SMPIT AL BINAA IBS ............................. 25 Gambar III.1. Arsip Data Rekam Medik Asli .................................................. 37 Gambar III.2. Data Primer Arsip Data Rekam Medik Setelah Penulisan ulang .......................................................................................................................... 38 Gambar III.3. Sampel Data Pengujian Nomor Data 166 ................................. 38 Gambar III.4. Halaman Depan Software Rapidminer 5.3 ............................... 39 Gambar III.5. Gambar 25 Data Teratas Setelah Pengubahan Atribut .............. 40 Gambar III.6. Proses Impor Data Excel pada Rapidminer 5.3 ........................ 41 Gambar III.7. Proses Pemilihan Data Excel ................................................... 41 Gambar III.8. Pembacaan Data Oleh Software Rapidminer ........................... 42 Gambar III.9. Pemberian Label dan Atribut Pada Software Rapidminer ....... 43 Gambar III.10. Penempatan Data yang Telah Diimpor .................................. 44 Gambar III.11. Metode Naïve Bayes Pada Software Rapidminer .................... 45 Gambar III.12. Tools Pengukur Akurasi Dari Model Naïve Bayes ................. 45 Gambar III.13. Hasil Pemrosesan Data Impor oleh Software Rapidminer ...... 46 Gambar IV.1. Proses Penempatan Data yang Telah Diimpor ......................... 50 Gambar IV.2. Penempatan Data Transformation, Modelling, dan Evaluation pada Utility ............................................................................... 51 Gambar IV.3. Hasil Pemrosesan Data Menggunakan Software Rapidminer .. 52 Gambar IV.4. Model Distribusi Data Arsip Rekam Medik Berdasarkan Kelas yang Terbentuk ......................................................................... 53 Gambar IV.5. Hasil Distribusi Gejala-Gejala pada Kolom Y dan Kelas N ..... 55 Gambar IV.6. Hasil Distribusi Gejala Kulit Kemerahan ................................. 56 Gambar IV.7. Hasil Distribusi Gejala Vesikel atau Bintik-Bintik................... 58 Gambar IV.8. Hasil Distribusi Gejala Gatal .................................................... 60 Gambar IV.9. Hasil Distribusi Gejala Luka ..................................................... 62 Gambar IV.10. Hasil Distribusi Gejala Panas ................................................. 64 Gambar IV.11. Hasil Distribusi Gejala Infeksi ................................................ 66 Gambar IV.12. Pengelompokkan Data Berdasarkan Gejala ............................ 68 Gambar IV.13. Hasil Akurasi Pemrosesan Data Dengan Metode Naïve Bayes .......................................................................................................................... 70 Gambar IV.14. Waktu yang Dibutuhkan Untuk Mengklasifikasi Data ........... 71 Gambar Lampiran B.1.1 Sampel Data Pengujian ............................................ 111
DAFTAR GAMBAR Halaman 1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11. 12. 13. 14. 15. 16. 17. 18. 19. 20. 21. 22. 23. 24. 25. 26. 27. 28. 29. 30. 31. 32. 33.
Gambar II.1. Bidang Ilmu Data Mining .......................................................... 12 Gambar II.2. Persamaan umum teorema bayes................................................ 19 Gambar II.3. Penerapan teorema bayes dalam klasifikasi ............................... 19 Gambar II.4. Persamaan yang dipakai dalam naïve bayes classification ........ 20 Gambar II.5. Struktur organisasi SMPIT AL BINAA IBS ............................. 25 Gambar III.1. Arsip Data Rekam Medik Asli .................................................. 37 Gambar III.2. Data Primer Arsip Data Rekam Medik Setelah Penulisan ulang .......................................................................................................................... 38 Gambar III.3. Sampel Data Pengujian Nomor Data 166 ................................. 38 Gambar III.4. Halaman Depan Software Rapidminer 5.3 ............................... 39 Gambar III.5. Gambar 25 Data Teratas Setelah Pengubahan Atribut .............. 40 Gambar III.6. Proses Impor Data Excel pada Rapidminer 5.3 ........................ 41 Gambar III.7. Proses Pemilihan Data Excel ................................................... 41 Gambar III.8. Pembacaan Data Oleh Software Rapidminer ........................... 42 Gambar III.9. Pemberian Label dan Atribut Pada Software Rapidminer ....... 43 Gambar III.10. Penempatan Data yang Telah Diimpor .................................. 44 Gambar III.11. Metode Naïve Bayes Pada Software Rapidminer .................... 45 Gambar III.12. Tools Pengukur Akurasi Dari Model Naïve Bayes ................. 45 Gambar III.13. Hasil Pemrosesan Data Impor oleh Software Rapidminer ...... 46 Gambar IV.1. Proses Penempatan Data yang Telah Diimpor ......................... 50 Gambar IV.2. Penempatan Data Transformation, Modelling, dan Evaluation pada Utility ............................................................................... 51 Gambar IV.3. Hasil Pemrosesan Data Menggunakan Software Rapidminer .. 52 Gambar IV.4. Model Distribusi Data Arsip Rekam Medik Berdasarkan Kelas yang Terbentuk ......................................................................... 53 Gambar IV.5. Hasil Distribusi Gejala-Gejala pada Kolom Y dan Kelas N ..... 55 Gambar IV.6. Hasil Distribusi Gejala Kulit Kemerahan ................................. 56 Gambar IV.7. Hasil Distribusi Gejala Vesikel atau Bintik-Bintik................... 58 Gambar IV.8. Hasil Distribusi Gejala Gatal .................................................... 60 Gambar IV.9. Hasil Distribusi Gejala Luka ..................................................... 62 Gambar IV.10. Hasil Distribusi Gejala Panas ................................................. 64 Gambar IV.11. Hasil Distribusi Gejala Infeksi ................................................ 66 Gambar IV.12. Pengelompokkan Data Berdasarkan Gejala ............................ 68 Gambar IV.13. Hasil Akurasi Pemrosesan Data Dengan Metode Naïve Bayes .......................................................................................................................... 70 Gambar IV.14. Waktu yang Dibutuhkan Untuk Mengklasifikasi Data ........... 71 Gambar Lampiran B.1.1 Sampel Data Pengujian ............................................ 111
DAFTAR TABEL Halaman 1.
Tabel III.1. Tabel Relasi Gejala dan Penyakit .................................................
44
DAFTAR LAMPIRAN Halaman 1. 2. 3. 4. 5. 6.
Lampiran A.1. Tabel Data Arsip Rekam Medik .............................................. Lampiran A.2. Tabel Sampel 165 Data Arsip Rekam Medik .......................... Lampiran A.3. Tabel Data Arsip Rekam Medik Untuk Diproses Dengan Software Rapidminer ................................................................ Lampiran B.1. Penghitungan Manual Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes ......................................... Lampiran C.1. Catatan Anekdot ...................................................................... Lampiran C.2. Laporan Wawancara ................................................................
68 68 69 70 70 71
BAB I PENDAHULUAN
1.1
Latar Belakang Masalah Kulit adalah salah satu organ tubuh yang terletak di bagian luar yang
mencerminkan kesehatan dan kebersihan seseorang, sehingga bagian tubuh ini rentan terhadap risiko penyakit kulit (Azizah, 2014:147). Bahkan, data yang didapat pada tahun 2005 yang berasal dari Pondok Pesantren Kabupaten Lamongan, menunjukkan bahwa ada sekitar 64,2% santri menderita scabies (Kurniawan, 2012:30). Scabies merupakan salah satu penyakit kulit yang termasuk lima penyakit terbanyak pada penelitian di RS Karitas, Sumba Barat Daya (Azizah, 2014:147). Berdasarkan data tersebut, peneliti menduga bahwa pondok pesantren merupakan tempat yang sering terjadi kejadian penyakit kulit. Oleh karena itu, peneliti membuat suatu penelitian yang bertempat di sebuah pesantren di Jawa Barat yang bernama SMPIT AL BINAA Islamic Boarding School atau yang lebih dikenal dengan SMPIT AL BINAA IBS. Sekolah ini merupakan sebuah pesantren modern yang terletak di daerah persawahan. Saat berkunjung ke pesantren ini, peneliti mendapatkan informasi tentang banyaknya keluhan tentang penyakit kulit dari petugas medis setempat, oleh karena itu peneliti mencoba menelusuri kebenaran informasi tersebut. Setelah melakukan pencarian data, maka peneliti menemukan data yang terkait dengan permasalahan penyakit kulit mencapai 228 data. Oleh karena itu, peneliti merasa perlu untuk melakukan penelitian ini untuk
mendapatkan pengetahuan tentang gejala-gejala yang dapat menyebabkan penyakit kulit berdasarkan data yang telah didapat, kemudian membuat klasifikasi terhadap penyakit tersebut berdasarkan gejala-gejala yang dialami pasien. Berdasarkan latar belakang tersebut, maka peneliti memberikan judul pada penelitian ini dengan judul: “Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada SMPIT AL BINAA ISLAMIC BOARDING SCHOOL”.
1.2
Identifikasi Masalah Setelah melaksanakan riset di SMPIT AL BINAA IBS tersebut, peneliti
pada akhirnya menemukan ada 228 kasus yang ditemukan pada kasus penyakit kulit di pesantren ini yang dimulai dari tahun 2013-2015. Oleh karena itu, peneliti merangkum permasalahan pada penyakit kulit di pesantren ini sebagai berikut: 1. Bagaimana mengklasifikasi penyakit kulit berdasarkan gejala-gejala yang dialami pasien dengan menggunakan metode naïve bayes? 2. Bagaimana tingkat akurasi teknik klasifikasi data mining dengan menggunakan metode naïve bayes dalam mengklasifikasi penyakit kulit?
1.3
Maksud dan Tujuan Maksud dari penelitian ini adalah sebagai berikut: 1. Mengetahui klasifikasi penyakit kulit berdasarkan gejala-gejala yang dialami oleh pasien dengan menggunakan metode naïve bayes.
2. Mengetahui tingkat akurasi teknik klasifikasi data mining dengan menggunakan metode naïve bayes dalam mengklasifikasi penyakit kulit. Tujuan dari penelitian ini adalah untuk memenuhi salah satu syarat yang telah ditentukan dalam mencapai kelulusan Program Strata Satu (S-1) Program Studi Sistem Informasi pada Sekolah Tinggi Manajemen Informatika dan Komputer Nusa Mandiri (STMIK Nusa Mandiri).
1.4
Metode Penelitian Pada penelitian ini, peneliti menggunakan metode deskriptif atau
pengamatan langsung dengan menggunakan teknik pengumpulan data sebagai berikut: A. Observasi Teknik ini digunakan oleh peneliti untuk mendapatkan data di lapangan dengan cara mengamati langsung kejadian penyakit kulit yang terjadi di SMPIT AL BINAA IBS dan meneliti data-data yang telah direkam oleh pihak medis setempat terkait penyakit tersebut. Pada penelitian ini, peneliti mengidentifikasi data-data yang telah diarsipkan oleh bagian kesehatan dari pihak sekolah, melalui bantuan petugas medis setempat yang bernama Bapak Ade Darsono yang biasa dipanggil Bapak Ade. Setelah peneliti berkonsultasi dengan beliau, peneliti menemukan data-data yang berkaitan dengan penyakit kulit dan menemukan beberapa kasus yang dilakukan dengan pengamatan langsung pada pasien penderita penyakit kulit yang ditangani langsung
oleh Bapak Ade. Setelah berkonsultasi dan melakukan pengamatan, Bapak Ade memberikan kepada peneliti data-data penyakit kulit yang telah diarsipkan tersebut. B. Wawancara Teknik ini digunakan oleh peneliti untuk mendapatkan informasi tentang kejadian penyakit kulit pada sekolah tersebut. Oleh karena itu, peneliti mewawancarai pihak medis setempat yang diwakili oleh Bapak Ade selaku petugas kesehatan di sekolah tersebut. Setelah mengamati dan meneliti kejadian penyakit kulit pada pesantren tersebut, peneliti mewawancara Bapak Ade dengan beberapa pertanyaan
yang
berkaitan
dengan
penyakit
kulit.
Setelah
diwawancarai, Bapak Ade memberikan sampel kasus beserta cara penanganannya di depan peneliti. C. Studi Pustaka Teknik ini dimanfaatkan oleh peneliti untuk mendapatkan informasi yang lebih mendetail tentang kejadian penyakit kulit, gejala-gejala penyakit kulit, dan ciri-ciri dari penyakit tersebut.
1.5
Ruang Lingkup Pada penelitian ini, peneliti membatasi ruang lingkup penelitian ini
dengan mengkaji metode naïve bayes dan penggunaannya terhadap diagnosa penyakit kulit yang terjadi di SMPIT AL BINAA IBS berdasarkan gejala-gejala yang ditimbulkan dengan objek penelitian yang terdiri dari siswa, guru, dan karyawan selama kurun waktu 2013-2015. Berdasarkan gejala-gejala penyakit
kulit tersebut, penyakit kulit akan dikategorikan menjadi 2 kategori, yaitu: kategori penyakit kulit yang termasuk dermatitis dan kategori penyakit kulit yang tidak termasuk dermatitis menggunakan metode naïve bayes.
1.6
Hipotesis Hipotesis dari penelitian ini adalah sebagai berikut:
1.
H0= Teknik klasifikasi data mining dengan menggunakan metode naïve bayes tidak mempunyai akurasi yang tepat dalam memprediksi penyakit kulit.
2.
H1= Teknik klasifikasi data mining dengan menggunakan metode naïve bayes mempunyai akurasi yang tepat dalam memprediksi penyakit kulit.
BAB II LANDASAN TEORI
2.1.
Tinjauan Pustaka
2.1.1. Penyakit Kulit Penyakit kulit menurut Wijaya dkk (2015:13) “merupakan penyakit yang sering ditemukan dalam praktik sehari-hari”. Penyakit ini, menyerang salah satu organ tubuh, yaitu: kulit. Ada beberapa faktor yang dapat menyebabkan seseorang terkena penyakit kulit menurut Wijaya dkk (2015:3), yaitu: 1.
Bakteri Bakteri yang menyebabkan infeksi pada kulit manusia dapat berupa kuman positif, seperti Staphylococcus sp., maupun kuman negative, seperti Treponema pallidum (Wijaya dkk, 2015:1). Pasien yang menderita penyakit ini akan menjelaskan keluhan dan kelainan pada kulitnya (Wijaya dkk, 2015:1). Salah satu ciri kelainan kulit yang disebabkan oleh bakteri adalah munculnya abses atau bengkak (Wijaya dkk, 2015:3). Oleh karena itu, seorang dokter akan memeriksa terlebih dahulu bagianbagian tubuh yang dikeluhkan oleh pasien tersebut. Setelah prosedur pemeriksaan dilakukan oleh seorang dokter, maka seorang dokter akan memberikan diagnosa (menentukan jenis penyakit berdasarkan gejala yang timbul) kepada pasien beserta cara mengobatinya. Contoh dari penyakit kulit yang termasuk golongan ini adalah furunkel atau yang lebih dikenal dengan sebutan bisul (Wijaya dkk, 2015:22).
2.
Jamur
Menurut Wijaya dkk (2015:51) “penyakit jamur pada kulit atau dermatomikosis adalah penyakit pada kulit, kuku, rambut, dan mukosa (lendir) yang disebabkan infeksi jamur”. Beberapa jenis jamur dapat menyebabkan penyakit pada manusia, Seperti Candida sp. (Wijaya dkk, 2015:51). Infeksi jamur ini dapat menyebabkan kebotakan pada rambut dan dapat menyebabkan perubahan warna kuku (Wijaya dkk, 2015:51). 3.
Virus Penyakit kulit dapat disebabkan oleh virus yang penyebarannya dapat melalui udara, kontak langsung, ataupun dengan hubungan badan (Wijaya dkk, 2015:37). Contoh penyakit kulit yang termasuk golongan ini adalah: Herpes simpleks dan Herpes zoster (Wijaya dkk, 2015:42).
4.
Parasit Infeksi parasit pada manusia menurut Wijaya dkk (2015:63) “dapat bermanifestasi di kulit, subkutan, dan mukosa”. Infeksi parasit pada kulit manusia dapat menular kepada orang lain melalui kontak kulit langsung, maupun dengan perantara sisir, bantal, dan kasur (Wijaya dkk, 2015:63). Contoh penyakit kulit yang termasuk golongan ini adalah: skabies, penyakit ini disebabkan oleh Sarcoptes scabiei yang menyebabkan seseorang merasa gatal pada sekujur tubuhnya, kecuali bagian muka (Wijaya dkk, 2015:63).
5.
Penyakit Kulit Inflamatorik Non-Infeksi
Menurut Wijaya dkk (2015:71) “penyakit kulit inflamasi (peradangan) noninfeksi disebabkan reaktivitas sel T, reaktivitas humoral, ataupun autoimun”. Contoh dari penyakit kulit yang termasuk dalam golongan ini adalah: dermatitis. Dermatitis menurut Wijaya dkk (2015:71) adalah “peradangan kulit akut maupun kronik yang secara umum ditandai dengan efloresensi polimorfik (ruam yang beragam bentuk) dan keluhan gatal”. Maksudnya, dermatitis merupakan penyakit kulit yang memiliki gejala munculnya ruam-ruam pada bagian tubuh dalam bentuk yang beragam yang disertai dengan gatal-gatal pada bagian tersebut. 6.
Tumor Kulit. Tumor kulit menurut Wijaya dkk (2015:89) adalah “suatu pertumbuhan abnormal pada kulit yang dapat dikategorikan menjadi jinak atau ganas”. Tumor jinak memiliki progresivitas yang rendah, tidak menyebar ataupun merusak jaringan sekitarnya, seperti: kista (Wijaya dkk, 2015:89). Sedangkan, tumor ganas ditandai dengan pertumbuhan sel-sel kulit yang tidak terkendali, dapat merusak jaringan di sekitarnya, dan menyebar ke bagian tubuh yang lain, seperti: kanker kulit (Wijaya dkk, 2015:89).
2.1.2. Populasi dan Sampel Populasi menurut Sugiyono (2007:90) “adalah wilayah generalisasi yang terdiri atas: obyek/subyek yang mempunyai kualitas dan karakteristik
tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya”. Berdasarkan pengertian tersebut, maka populasi tidak hanya terbatas pada makhluk hidup, melainkan obyek atau subyek yang berupa benda-benda mati pun dapat dikategorikan sebagai sebuah populasi (Sugiyono, 2007:90). Selain itu, populasi tidak hanya dilihat dari jumlah suatu obyek atau subyek yang diamati, tapi populasi diamati juga berdasarkan karakteristik atau sifat yang dimiliki oleh subyek atau obyek tersebut (Sugiyono, 2007:90). Setelah menjelaskan teori tentang populasi, maka peneliti akan menjelaskan teori tentang sampel. Sampel menurut Sugiyono (2007:91) “adalah bagian dari jumlah dan karakteristik yang dimiliki oleh populasi tersebut”. Sampel diperlukan untuk mewakili populasi dengan jumlah yang besar dan peneliti memiliki keterbatasan dana, tenaga, dan waktu. Sampel yang dipelajari dan menghasilkan kesimpulan, maka kesimpulan tersebut akan berlaku untuk populasi dari sampel tersebut (Sugiyono, 2007:91). Pada penelitian ini, peneliti menggunakan teknik probability sampling dengan metode simple random sampling untuk mendapatkan sampel dari populasi yang ada. Probability sampling menurut Sugiyono (2007:92) “adalah teknik pengambilan sampel yang memberikan peluang yang sama bagi setiap unsur (anggota) populasi untuk dipilih menjadi anggota sampel”. Sedangkan metode simple random sampling yang merupakan bagian dari teknik probability sampling merupakan teknik pengambilan sampel secara
acak tanpa memperhatikan strata yang ada dalam populasi tersebut dan anggota populasi dianggap homogen (Sugiyono, 2007:93). Ukuran sampel yang akan diambil dari populasi didapat dengan menerapkan rumus berikut menurut Isaac dan Michael dalam Sugiyono (2007:98):
S = ---------------------------------------
Dimana S merupakan jumlah sampel, kemudian λ2 dengan dk = 1 dengan taraf kesalahan bisa 1%, 5%, 10% dan seterusnya. Kemudian P = Q = 0,5 dan d = 0,05 (Sugiyono, 2007:98). Pada penelitian ini, peneliti mendapatkan populasi data penyakit kulit sebanyak 228 data. Populasi data tersebut akan diambil sampel berdasarkan rumus tersebut dengan taraf kesalahan 1%. Berdasarkan tabel yang telah dibuat oleh Sugiyono untuk menentukan jumlah sampel dari populasi data tersebut, maka untuk mendapatkan taraf kesalahan 1%, peneliti mengambil sampel sebesar 165 data (Sugiyono, 2007:99).
2.1.3. Data Mining Data Mining mulai dikenal sejak tahun 1990 saat pekerjaan pada zaman tersebut menuntut untuk memanfaatkan data pada berbagai sektor (Prasetyo, 2014:1).
Salah satu contoh pekerjaan yang memanfaatkan data adalah penawaran kartu kredit, yang menuntut pihak bank untuk menawarkan kredit kepada nasabahnya yang berjumlah banyak (Prasetyo, 2014:1). Apabila bank menawarkan kepada 100.000 ribu nasabah dan hanya 50 orang saja yang tertarik untuk mengambil kredit tersebut, maka hal ini termasuk dalam pemborosan yang dapat merugikan bank tersebut. Oleh karena itu, data mining dibutuhkan untuk menghindari kerugian yang ditimbulkan pada masalah tersebut (Prasetyo, 2014:1-2). Menurut Kusrini dan Luthfi (2009:3) “data mining adalah suatu istilah yang digunakan untuk menguraikan penemuan pengetahuan di dalam database”. Sedangkan, menurut Larose dalam Kusrini dan Luthfi (2009:3) “data mining merupakan bidang dari beberapa bidang keilmuan yang menyatukan teknik dari pembelajaran mesin, pengenalan pola, statistik, database, dan visualisasi untuk penanganan permasalahan pengambilan informasi dari database yang besar”. Karena, data mining berkaitan dengan pengumpulan data dari database yang besar, maka data mining juga dikenal dengan nama knowledge-discovery in databases (KDD) (Widodo dkk, 2013:3). Walaupun istilah KDD dan data mining sebenarnya memiliki konsep yang berbeda, karena data mining merupakan salah satu tahapan dari keseluruhan proses KDD (Kusrini dan Luthfi, 2009:6).
Berdasarkan definisi tersebut, data mining merupakan gabungan dari beberapa bidang ilmu seperti yang digambarkan pada gambar di bawah ini:
Gambar II.1 Bidang Ilmu Data Mining (Kusrini dan Luthfi, 2009:6)
Pada gambar ini, ada 4 bidang ilmu yang menjadi akar dari data mining menurut Kusrini dan Luthfi (2009:6), yaitu: 1.
Statistik Sebenarnya, ilmu statistik merupakan akar bidang ilmu dari data mining yang paling tua, apabila statistik tidak ditemukan, maka data mining tidak akan ditemukan juga (Prasetyo, 2014:2). Hal ini disebabkan, data mining memiliki hubungan dengan pengolahan data dalam jumlah yang banyak dan dapat diperlihatkan hasil pengolahan data tersebut dalam bentuk yang mudah dipahami (Prasetyo, 2014:3).
Hal tersebut merupakan dasar dari ilmu statistik dalam mengolah data dan menganalisanya yang lebih dikenal sebagai exploratory data analysis (EDA) (Prasetyo, 2014:2). 2.
Artificial Intelligent (AI) atau Kecerdasan Buatan Teori yang dibangun untuk membuat suatu aplikasi berbasis AI, merupakan teknik pengolahan informasi berdasarkan pada model penalaran manusia (Prasetyo, 2014:3). Hal ini bertujuan agar aplikasi yang berhubungan dengan komputer dapat dibangun dengan kemampuan yang sama dengan kecerdasan manusia.
3.
Pencarian Informasi Hal ini bertujuan untuk mendapatkan data dan mengolah data tersebut untuk mendapatkan pola tertentu yang menghasilkan suatu informasi yang bermanfaat (Prasetyo, 2014:3). Akan tetapi, harus dibedakan antara pencarian informasi yang termasuk data mining dengan pencarian informasi yang tidak termasuk data mining (Prasetyo, 2014:4). Contoh pencarian informasi yang tidak termasuk data mining adalah pencarian informasi tertentu via internet, karena pencarian informasi tersebut tidak berdasarkan pengelompokkan dengan pola tertentu (Prasetyo, 2014:4). Namun, apabila mengelompokkan informasi tertentu yang memiliki kesamaan konteks pada hasil pencarian, maka pencarian informasi model ini termasuk data mining, karena adanya pengelompokkan berdasarkan pola tertentu (Prasetyo, 2014:4).
Oleh karena itu, tidak semua pencarian informasi termasuk dalam akar bidang ilmu dari data mining. 4.
Database atau Sistem Basis Data Bidang ilmu ini merupakan bagian yang menyediakan informasi berupa data yang akan digali menggunakan metode-metode tertentu (Prasetyo, 2014:3). Manfaat data mining dapat kita temukan dalam kehidupan sehari-hari.
Salah satu contoh dari manfaat data mining adalah memprediksi penyakit dari gejala-gejala yang ditimbulkan yang memudahkan petugas kesehatan dalam menentukan penyakit serta pengobatan penyakit tersebut dengan benar dan tepat (Prasetyo, 2014:4). Data mining memiliki langkah proses dalam pelaksanaannya menurut Gorunescu dalam Widodo dkk (2013:4), yaitu: 1.
Eksplorasi Data. Proses ini meliputi pembersihan data, integrasi data, seleksi data, dan transformasi data (Meilani dan Susanti, 2014:2).
2.
Membuat Model dan Pengujian Validitas Model. Pada proses ini, akan dipilih model yang sesuai dengan data yang telah dieksplorasi (Widodo dkk, 2013:4). Pada proses ini pula, akan dilakukan proses mining yang merupakan proses utama dalam menemukan informasi berharga dari informasi tersebut dan dilakukan pula evaluasi pola untuk mengidentifikasi pola yang ditemukan (Meilani dan Susanti, 2014:2).
3.
Penerapan Model Dengan Data Baru.
Pada proses ini, model yang telah dibuat akan diuji dengan data baru (Widodo dkk, 2013:4). Kemudian, model yang telah diuji akan divisualisasikan untuk memperoleh pengetahuan yang diperoleh pengguna (Meilani dan Susanti, 2014:2). Setelah melakukan langkah-langkah proses pada data mining, maka data mining dapat dibedakan menjadi 6 kelompok menurut Kusrini dan Luthfi (2009:10) berdasarkan tugas yang dapat dilakukan, yaitu: 1.
Deskripsi Kelompok ini ditujukan agar pengguna data mining mudah dalam melihat pola yang dihasilkan oleh sejumlah data yang ada (Widodo dkk, 2013:5). Deskripsi dari pola tersebut akan menghasilkan suatu informasi yang bermanfaat dan berguna bagi pengguna (Kusrini dan Luthfi, 2009:11). Contoh dari kelompok ini adalah: melakukan pengelompokan gejala-gejala dari suatu penyakit dan mengetahui pola-pola yang ditimbulkan untuk menentukan jenis penyakit berdasarkan pola-pola tersebut (Widodo dkk, 2013:10).
2.
Estimasi Kelompok ini merupakan kelompok yang hampir sama dengan klasifikasi, namun pada estimasi, variabel targetnya lebih ke arah numerik (Kusrini dan Luthfi, 2009:10). Contoh dari kelompok ini adalah: estimasi Indeks Prestasi Kumulatif (IPK) mahasiswa program pasca sarjana dengan melihat IPK mahasiswa tersebut pada saat mengikuti program sarjana (Kusrini dan Luthfi, 2009:11).
3.
Prediksi
Kelompok ini hampir sama dengan kelompok klasifikasi, namun kelompok ini lebih mengarah ke arah kategori dan dapat memprediksi nilai dari hasil yang akan ada pada masa yang akan datang (Kusrini dan Luthfi, 2009:10-11). Contoh dari kelompok ini adalah: prediksi harga beras dalam tiga bulan kedepan (Kusrini dan Luthfi, 2009:11). 4.
Klasifikasi Kelompok ini memiliki komponen-komponen utama menurut Widodo dkk (2013:5-6), yaitu: a. Kelas Merupakan variabel tidak bebas, misalnya: kelas loyalitas pelanggan (Widodo dkk, 2013:5). b. Prediktor Merupakan variabel bebas dari model yang didasarkan dari karakteristik atribut data yang dikelompokkan, misalnya: merokok atau tidak merokok (Widodo dkk, 2013:5). c. Set Data Pelatihan Menurut Prasetyo (2014:7) set data merupakan “kumpulan data-data”. Sedangkan set data pelatihan menurut Widodo dkk (2013:6) “merupakan sekumpulan data lengkap yang berisi kelas dan prediktor untuk dilatih agar model dapat mengelompokkan ke dalam kelas yang tepat”. Contoh dari komponen ini adalah: grup pasien yang diuji terhadap serangan jantung (Widodo dkk, 2013:6).
d. Set Data Uji
Komponen ini berisi data-data baru yang akan diuji oleh model, untuk mengetahui akurasi dari model yang dibuat (Widodo dkk, 2013:6). Contoh dari model atau metode yang telah dikembangkan untuk menyelesaikan kasus klasifikasi adalah: pohon keputusan, pengklasifikasi bayes atau naïve bayes, dan pengklasifikasi k-nearest neighbour (Widodo dkk, 2013:7). 5.
Pengklusteran Menurut
Kusrini
dan
Luthfi
(2009:11)
“pengklusteran
merupakan
pengelompokan record, pengamatan, atau memperhatikan dan membentuk kelas objek-objek yang memiliki kemiripan”. Pada pengklusteran tidak ada variabel target dan melakukan pembagian terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki kemiripan antar record dalam kelompok tersebut (Kusrini dan Luthfi, 2009:12). Contoh dari kelompok ini adalah: melakukan pemisahan terhadap perilaku finansial antara sikap baik dengan sikap mencurigakan pada audit akuntansi (Kusrini dan Luthfi, 2009:12). 6.
Asosiasi Menurut Kusrini dan Luthfi (2009:12) “asosiasi adalah menemukan atribut yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut analisis keranjang belanja”. Contoh dari kelompok ini adalah: menemukan barang dalam supermarket yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara bersamaan (Kusrini dan Luthfi, 2009:12).
Setelah melaksanakan seluruh proses data mining, maka model tersebut akan diuji kevalidannya dengan teknik k-fold cross-validation atau yang lebih dikenal dengan validasi silang. Sebelum menggunakan teknik ini, data akan dibagi menjadi 2 bagian, yaitu: data pelatihan dan data pengujian (Prasetyo, 2014:264). Setelah dibagi 2, data tersebut akan diuji berdasarkan model yang telah dibuat, setelah diuji, data pelatihan diubah menjadi data uji dan begitu pula data pengujian akan menjadi data pelatihan pada uji kedua (Widodo dkk, 2013:143). Pada pengujian ini, menurut Tan dalam Prasetyo (2014:264) “setiap data akan berkesempatan satu kali menjadi data uji dan satu kali menjadi data latih. Pendekatan seperti ini, lebih dikenal dengan two-fold cross-validation”.
2.1.4. Metode Naïve Bayes Metode ini diperkenalkan oleh Thomas Bayes untuk memprediksi kemungkinan yang akan terjadi di masa yang akan datang berdasarkan pengalaman di masa lalu (Meiliani dan Susanti, 2014:3). Metode
ini
menurut
Kusrini
dan
Luthfi
(2009:189)
“adalah
pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas keanggotaan suatu class”. Metode ini menggunakan pendekatan statistik untuk mengenal polapola yang ditimbulkan dari suatu data yang lebih dikenal dengan pattern recognition (Santosa, 2007:77). Bentuk umum dari naïve bayes atau yang lebih dikenal dengan teorema bayes menurut Kusrini dan Luthfi (2009:189) adalah sebagai berikut:
Gambar II.2 Persamaan umum teorema bayes (Kusrini dan Luthfi, 2009:189) Penjelasan dari teorema bayes ini menurut Kusrini dan Luthfi (2009:189) adalah sebagai berikut: 1.
X= Data dengan class yang belum diketahui
2.
H= Hipotesis data X merupakan suatu class spesifik
3.
P(H|X)= Kemungkinan hipotesis H berdasarkan kondisi X (Posterior Probability)
4.
P(H)= Kemungkinan hipotesis H (Prior Probability)
5.
P(X|H)= Kemungkinan kondisi X berdasarkan kondisi hipotesis H
6.
P(X)= Kemungkinan dari kondisi X Teorema bayes dapat diterapkan dalam klasifikasi yang lebih dikenal
dengan naïve bayes classification dengan bentuk umum menurut Santosa (2007:79) adalah:
Gambar II.3 Penerapan teorema bayes dalam klasifikasi (Santosa, 2007:79) Apabila persamaan tersebut didasarkan pada asumsi penyederhanaan bahwa nilai atribut secara kondisional saling bebas jika diberikan nilai output, maka penerapan tersebut akan menjadi sebuah persamaan baru menurut Santosa (2007:79), yaitu:
Gambar II.4 Persamaan yang dipakai dalam naïve bayes classification (Santosa, 2007:80)
Dimana
merupakan nilai output hasil klasifikasi naïve bayes
(Santosa, 2007:80).
2.1.5. Software Rapidminer Salah satu tools atau alat yang digunakan untuk mengolah data adalah software rapidminer. Menurut Dewi (2013:1) rapidminer menyediakan prosedur data mining dan machine learning. Prosedur tersebut memudahkan pengguna untuk mendapatkan pola dari suatu data dalam jumlah besar yang diproses menggunakan metode tertentu (Dewi, 2013:1). Rapidminer memiliki beberapa fungsi menu menurut Dewi (2013:1), yaitu: 1.
Process Control Fungsi ini digunakan untuk mengontrol aliran proses, seperti: looping.
2.
Utility Fungsi ini digunakan untuk mengumpulkan subprocess.
3.
Repository Access Fungsi ini digunakan untuk membaca dan menulis repository.
4.
Import Fungsi ini digunakan untuk membaca dari berbagai format eksternal.
5.
Export Fungsi ini digunakan untuk menulis data ke berbagai format eksternal.
6.
Data Transformation Fungsi ini digunakan untuk mentransformasi data.
7.
Modelling Fungsi ini digunakan untuk proses data mining, sepert: klasifikasi.
8.
Evaluation Fungsi ini digunakan untuk menghitung kualitas dari suatu model.
2.2.
Penelitian Terkait Pada penelitian ini, peneliti mengutip beberapa penelitian terdahulu
yang terkait dengan pembahasan penelitian ini, yaitu: 1. Menurut Azizah (2014:147) ”Tingginya frekuensi penyakit kulit infeksi di SBD (Sumba Barat Daya) mencerminkan rendahnya tingkat sanitasi dan pendidikan masyarakat”. Oleh sebab itu, menurut Azizah (2014:147) ”Perlu dilakukan edukasi terhadap masyarakat mengenai kebersihan dan hubungannya dengan pencegahan penyakit infeksi, khususnya infeksi kulit”. 2. Menurut Nirmawati dalam Kurniawan dan Ramadhan (2012:30) ”Penelitian yang dilakukan pada 4 pesantren di Kota Bandung didapatkan sebanyak 10,3% santri menderita scabies”. Selain itu menurut Kurniawan dan Ramadhan (2012:30) ”Didapatkan sekitar 64,2% santri di pondok pesantren Kabupaten Lamongan yang menderita scabies”. Menurut Kurniawan dan Ramadhan (2012:30) ”berdasarkan data Departemen Kesahatan RI prevalensi scabies di puskesmas seluruh Indonesia pada tahun
1986 adalah 4,6%-12,95% dan penyakit ini menduduki urutan ketiga dari 12 penyakit terbanyak”. Berdasarkan data-data tersebut, menurut Kurniawan dan Ramadhan (2012:30)”penyakit kulit masih merupakan masalah kesehatan masyarakat”. 3. Menurut Meilani dan Susanti (2014:1) ”data mining merupakan cara untuk menemukan informasi dengan mencari pola atau aturan tertentu dari data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut”. Salah satu algoritma yang digunakan untuk memproses data mining menurut Meilani dan Susanti (2014:1) ”adalah algoritma naïve bayes”. Menurut Meilani dan Susanti (2014:1) ”Proses pada aplikasi ini ada 2 macam, yaitu: proses analisa pola data yang telah ada sebelumnya berdasarkan atribut-atribut yang diujikan dan proses dari analisa pola data baru yang diujikan berdasarkan pola data yang telah ada”.
2.3.
Tinjauan Organisasi atau Objek Penelitian
2.3.1. Sejarah Organisasi SMPIT AL BINAA IBS adalah sebuah sekolah menengah pertama atau yang disingkat dengan SMP yang berbasis islam terpadu yang bernama SMPIT AL BINAA Islamic Boarding School (IBS). Sekolah ini merupakan sebuah pesantren yang terletak di Kabupaten Bekasi, Jawa Barat. SMPIT AL BINAA IBS didirikan oleh sebuah yayasan yang bernama Yayasan Binaaul Ukhuwwah yang melihat pendidikan sebagai sarana untuk membentuk masyarakat yang cerdas secara intelektual dan unggul dalam ilmu agama. Nama SMPIT AL BINAA IBS sendiri diambil dari kependekan nama
yayasan tersebut. Sekolah ini dibangun di atas tanah seluas 6 hektar yang diwakafkan oleh Almarhum Bapak Haji Muhammad Yasin. Setelah seluruh bangunan sekolah dan kelengkapannya selesai dibangun, maka pihak yayasan membuat acara peresmian SMPIT AL BINAA IBS yang dihadiri dan diresmikan secara langsung oleh Wakil Presiden Indonesia saat itu, yaitu: Bapak DR. H. Hamzah Haz pada tanggal 5 Jumadil Ula 1425 H yang bertepatan dengan 23 Juni 2004 M dengan motto: “Membina Iman, Ilmu, dan Akhlak”. SMPIT AL BINAA IBS dibuat dan dikemas dalam bentuk boarding school atau yang dikenal dengan pesantren dengan pertimbangan bahwa siswa akan mempelajari 2 kurikulum sekaligus, yaitu: kurikulum DIKNAS atau KTSP saat ini dan kurikulum Ma’had AL BINAA (inti pesantren). Hal ini akan sulit terwujud apabila sekolah tidak menerapkan sistem berasrama. Ada 3 tujuan mendasar dari didirikannya SMPIT AL BINAA IBS, yaitu: 1. Terwujudnya lembaga pendidikan islam yang bersumber pada Al Qur’an dan As Sunnah. 2. Terbinanya aktifitas dan kegiatan pendidikan yang secara terencana, sistematis, dan berkesinambungan untuk melahirkan anak yang shalih dan shalihah sebagai pewaris Nabi. 3. Membina peserta didik agar selalu menghadirkan nilai iman dalam setiap aktifitasnya, istiqomah dalam kebenaran, gemar dan disiplin dalam beribadah, ikhlas dan selalu bersyukur, memiliki daya juang dan daya kreasi yang tinggi, inovatif, kritis dan penuh inisiatif.
2.3.2. Visi dan Misi Visi SMPIT AL BINAA IBS adalah: ”Menuju Generasi Yang Shalih Dalam Bingkai Tauhidullah”. Untuk mencapai visi tersebut, dibutuhkan misi untuk menentukan langkah-langkah yang harus diambil agar visi tersebut dapat terwujud, yaitu: 1. Menjadikan SMPIT AL BINAA IBS sebagai gerbang iman dan intelektual. 2. Menjadikan SMPIT AL BINAA IBS sebagai gerbang penerus dan penerjemah nilai-nilai islam. 3. Menjadikan SMPIT AL BINAA IBS sebagai lembaga pendidikan yang memelihara nilai islam berdasarkan Al Qur’an dan As Sunnah. 4. Menjadikan SMPIT AL BINAA IBS sebagai lembaga pendidikan islam yang profesional berfokus pada pembinaan aqidah, akhlaq, dan ibadah sesuai dengan Sunnah Rasulullah.
2.3.3. Struktur Organisasi Struktur Organisasi SMPIT AL BINAA IBS adalah sebagai berikut:
Gambar II.5 Struktur Organisasi SMPIT AL BINAA IBS
Setiap jabatan dari struktur organisasi tersebut memiliki fungsi masingmasing, yaitu: 1. Pimpinan Pesantren Merupakan pimpinan yayasan yang berfungsi mengontrol sistem yang berjalan pada yayasan tersebut dan mengevaluasi kinerja sistem yayasan yang telah dijalankan. Saat ini pimpinan pesantren di SMPIT AL BINAA IBS adalah: Ustadz Aslam Muhsin Abidin, Lc. 2. Komite Sekolah Komite sekolah atau yang disebut dengan forum orang tua pada SMPIT AL BINAA
IBS
berfungsi
sebagai
pengawas
seluruh
program
yang
diselenggarakan oleh SMPIT AL BINAA IBS. Saat ini ketua komite sekolah SMPIT AL BINAA IBS adalah: Bapak Herman Kadir. 3. Kepala Sekolah Kepala sekolah merupakan jabatan yang mengatur tugas pokok SMPIT AL BINAA IBS dan menjalankan fungsi sistem yang diterapkan di SMPIT AL
BINAA IBS. Saat ini kepala sekolah SMPIT AL BINAA IBS dijabat oleh Ustadz Hasyim, S.Pd. 4. Bagian Kesehatan Bagian kesehatan adalah bagian yang mengawasi dan memberikan penyuluhan kesehatan bagi para siswa atau santri, para guru, dan para karyawan yang berada di lingkungan SMPIT AL BINAA IBS. Saat ini bagian kesehatan diketuai oleh Bapak Ade Darsono. 5. PKS Kesiswaan Pembantu kepala sekolah atau yang disingkat dengan PKS bagian kesiswaan berperan dalam mengawasi perkembangan siswa dan bertanggung jawab dalam menyelenggarakan kegiatan-kegiatan yang berhubungan dengan siswa atau santri. Saat ini PKS Kesiswaan dijabat oleh Ustadz Ishak Sopanudin, S.Ag. 6. PKS Kurikulum PKS bagian kurikulum berfungsi sebagai pengembang proses belajar mengajar dan bertanggung jawab dalam perkembangan kurikulum, baik kurikulum KTSP maupun kurikulum inti pesantren. Saat ini PKS Kurikulum dipegang oleh Ustadz Indra Gunawan, S.Pd. 7. PKS Ekstrakurikuler PKS Ekstrakurikuler berfungsi sebagai penyelenggara kegiatan penunjang kreatifitas dan berperan dalam menyalurkan bakat siswa atau santri, baik di bidang olahraga, komputer, dan ilmu agama. Saat ini PKS Ekstrakurikuler dijabat oleh Ustadz Yudi Firmansah, S.Pd.
8. Dewan Guru Dewan guru merupakan pelaksana amanat tugas untuk mengajarkan siswa atau santri di setiap pelajaran pada bidangnya. Setiap guru, mempunyai spesialisasi di bidangnya, baik ilmu agama maupun ilmu umum. Saat ini jumlah guru di SMPIT AL BINAA IBS mencapai 88 orang. 9. Siswa atau Santri Siswa atau santri merupakan objek pembelajaran dan pengembangan kreatifitas dan bakat yang dimiliki oleh setiap individu. Setiap siswa berhak mendapatkan pengajaran yang berkualitas dengan pengembangan bakat yang mumpuni. Saat ini jumlah siswa atau santri SMPIT AL BINAA IBS mencapai kurang lebih 540 siswa.
2.3.4. Objek Penelitian SMPIT AL BINAA IBS memiliki kurang lebih 180 siswa atau santri pada setiap angkatan dan memiliki 3 angkatan dari 3 jenjang kelas, yaitu: kelas 7, kelas 8, dan kelas 9. Sehingga, total santri saat ini kurang lebih ada 540 santri yang mengikuti kegiatan belajar mengajar (KBM) di SMPIT AL BINAA IBS. Seluruh siswa atau santri pada SMPIT AL BINAA IBS berjenis kelamin laki-laki. Hal ini disebabkan pesantren ini memiliki aturan bahwa hanya santri putra atau yang berjenis kelamin laki-laki yang boleh mengikuti KBM di SMPIT AL BINAA IBS. Begitu pula dengan karyawan dan guru yang bekerja di SMPIT AL BINAA IBS seluruhnya berjenis kelamin laki-laki yang berjumlah sekitar 88 orang.
Pada penelitian ini, peneliti mewawancarai Bapak Ade Darsono yang biasa dipanggil Bapak Ade selaku petugas kesehatan di SMPIT ALBINAA IBS untuk mendapatkan informasi tentang kejadian penyakit kulit yang terjadi di SMPIT AL BINAA IBS, dengan model wawancara bebas terpimpin. Pada wawancara tersebut, Bapak Ade menjelaskan bahwa kejadian penyakit kulit tidak hanya terjadi di kalangan siswa atau santri, melainkan terjadi pula pada karyawan dan guru SMPIT AL BINAA IBS. Hal ini disebabkan tempat tinggal dan tempat bekerja karyawan dan guru letaknya berdekatan dengan tempat tinggal dan tempat belajar para siswa atau santri. Berdasarkan informasi yang peneliti dapat dari dokumentasi arsip rekam medik petugas kesehatan SMPIT AL BINAA IBS, terdapat 228 data yang merupakan populasi data kejadian penyakit kulit dari jumlah keseluruhan keluarga besar SMPIT AL BINAA IBS yang berjumlah sekitar 628 orang yang dijadikan objek penelitian. Hal ini menurut Bapak Ade, disebabkan karena faktor sanitasi atau kebersihan yang kurang diperhatikan, air yang digunakan di SMPIT AL BINAA IBS memiliki kualitas yang kurang baik dikarenakan lokasi SMPIT AL BINAA IBS berada di daerah persawahan yang menurut Bapak Ade memiliki kualitas yang rendah, faktor cuaca yang menyebabkan kelembapan yang tinggi yang memudahkan penyebaran penyakit kulit terutama di saat musim penghujan, dan kebiasaan para santri, para karyawan, dan juga para guru yang kurang memperhatikan kebersihan dari lingkungan sekitar.
BAB III METODOLOGI PENELITIAN
3.1.
Tahapan Penelitian Pada penelitian ini, peneliti membuat tahapan-tahapan penelitian
sebagai berikut: 1.
Pengajuan Surat Riset Pada bulan Juli 2015, peneliti mengajukan surat riset yang dibuat oleh pihak kampus STMIK Nusa Mandiri kepada kepala sekolah SMPIT AL BINAA IBS, yaitu: Bapak Hasyim, S.Pd. Bapak Hasyim selaku kepala sekolah SMPIT AL BINAA IBS, menerima surat riset peneliti pada tanggal 2 Agustus 2015 dan mengizinkan peneliti untuk memulai penelitian di SMPIT AL BINAA IBS. Peneliti melakukan penelitian ini sampai dengan tanggal 16 Agustus 2015.
2.
Observasi Setelah mendapatkan izin untuk memulai penelitian, peneliti melakukan pengamatan langsung di lapangan terhadap kejadian penyakit kulit di SMPIT AL BINAA IBS. Peneliti melampirkan catatan anekdot yang berkaitan dengan observasi yang telah dilakukan peneliti di SMPIT AL BINAA IBS pada lampiran C.1. Observasi dilakukan oleh peneliti untuk melihat secara langsung
objek
penelitian,
yaitu:
pasien
penderita
penyakit
kulit,
mendapatkan keterangan dari pasien tersebut tentang gejala-gejala yang dirasakan saat menderita penyakit kulit, dan mengamati faktor-faktor yang menyebabkan terjadinya penyakit kulit.
3.
Wawancara Setelah melakukan observasi, peneliti melakukan wawancara bebas terpimpin dengan responden adalah Petugas Kesehatan SMPIT AL BINAA IBS, yaitu: Bapak Ade yang dilaksanakan pada 5 Agustus 2015. Wawancara ini dilakukan oleh peneliti untuk mendapatkan keterangan tentang kejadian penyakit kulit di SMPIT AL BINAA IBS, mendapatkan informasi tentang waktu terbanyak pasien dengan keluhan penyakit kulit, mendapatkan informasi tentang faktor-faktor yang dapat menyebabkan penyakit kulit, dan mendapatkan informasi tentang gejala-gejala yang berkaitan dengan penyakit kulit. Hasil wawancara dilampirkan di lampiran C.2.
4.
Pengumpulan Data Setelah melakukan wawancara, peneliti meminta kesedian Bapak Ade untuk menunjukkan arsip atau dokumen yang berkaitan dengan data rekam medis yang telah diarsipkan oleh Bapak Ade. Setelah Bapak Ade bersedia dan memberikan arsip data rekam medis dari tahun 2013 hingga tahun 2015 kepada peneliti, peneliti melakukan dokumentasi terhadap data rekam medis tersebut.
5.
Eksplorasi Data Pada tahap ini, peneliti melakukan pembersihan data rekam medis tersebut terlebih dahulu. Hal ini dilakukan untuk memisahkan data yang telah terekam dengan baik dengan data yang tidak terekam baik pada data rekam medis tersebut. Kemudian, peneliti memisahkan data yang berkaitan dengan penyakit kulit dengan data yang tidak berkaitan dengan penyakit kulit. Kemudian, peneliti melakukan pemilihan data yang berkaitan dengan
penelitian ini, yaitu: memilih jenis penyakit yang berkaitan dengan penyakit kulit. Setelah memilih data, peneliti melakukan transformasi data dengan mengubah data rekam medis tersebut yang ditulis tangan menjadi data rekam medis yang dibuat dalam bentuk tabel dengan menggunakan software Ms. Excel. Setelah tabel data rekam medis dibuat, peneliti memasukkan data-data rekam medis tersebut ke dalam masing-masing kolom. Kemudian, peneliti mengurangi atribut gejala berdasarkan data-data rekam medis tersebut dan hasil observasi dan wawancara dengan petugas kesehatan menjadi 6 atribut, yaitu: atribut kulit kemerahan, atribut vesikel atau bintik, atribut gatal, atribut luka, atribut panas, dan atribut infeksi. Kemudian, peneliti mengubah data pada atribut gejala pada rekam medis yang bertuliskan gejala-gejala dari penyakit tersebut menjadi bilangan biner yang ditempatkan pada kolomkolom yang menunjukkan gejala tersebut, seperti: kolom kulit kemerahan diberi nilai 1 bila data tersebut menunjukkan pada gejala tersebut dan diberi nilai 0 bila data tersebut tidak menunjukkan pada gejala tersebut. Setelah itu, peneliti melakukan hal yang sama terhadap data rekam medis yang lain hingga terkumpul sebanyak 228 data rekam medis yang berkaitan dengan penyakit kulit. Dari 228 data tersebut, peneliti menggunakan teknik simple random sampling untuk mengambil sebanyak 165 data yang akan dijadikan set data pelatihan untuk penghitungan metode naïve bayes secara manual. Karena seluruh data bersifat homogen, maka akan diambil 165 data teratas untuk dijadikan set data pelatihan. Kemudian, peneliti akan mengambil 1 set data, yaitu: data ke-166 untuk dijadikan data set pengujian dari penghitungan metode naïve bayes secara manual.
6.
Membuat Model Setelah mengeksplorasi data, peneliti menentukan model dari model-model yang telah dikembangkan untuk melakukan pengklasifikasian penyakit kulit berdasarkan data rekam medis yang telah didapat. Salah satu model yang telah dikembangkan oleh para peneliti untuk menyelesaikan masalah klasifikasi adalah model atau metode naïve bayes. Model naïve bayes dipilih karena model tersebut dapat digunakan untuk memprediksi kemungkinan suatu data masuk dalam kelas tertentu berdasarkan data-data sebelumnya. Oleh karena itu, peneliti menentukan model naïve bayes yang akan digunakan untuk mengklasifikasi penyakit kulit berdasarkan data rekam medis yang diarsipkan oleh petugas kesehatan SMPIT AL BINAA IBS.
7.
Pengujian Validitas Model Setelah menentukan model naïve bayes sebagai model yang akan digunakan pada penelitian ini, peneliti menguji validitas model tersebut dengan menggunakan teknik validasi silang atau cross-validation dengan bantuan software rapidminer 5.3. Tujuan dari validasi silang adalah adalah memberikan kesempatan bagi set data pelatihan menjadi set data pengujian dan memberikan kesempatan pula bagi set data pengujian menjadi set data pelatihan agar dihasilkan model yang valid berdasarkan data rekam medis tersebut.
8.
Analisis Hasil Setelah melakukan proses pembuatan model dan pengujian validitas model, maka peneliti akan menganalisa hasil yang dihasilkan pada perhitungan
manual untuk memastikan kevalidan data yang dihasilkan dari model tersebut. Kemudian, peneliti akan menganalisa hasil yang dihasilkan dari proses komputasi software rapidminer 5.3 dalam memproses model naïve bayes beserta akurasi yang dihasilkan dari model tersebut. 9.
Kesimpulan Pada tahap ini, peneliti akan menarik kesimpulan dari hasil yang dihasilkan oleh penerapan model naïve bayes secara manual maupun penerapan model naïve bayes secara komputasi dengan bantuan tools software rapidminer. Kemudian, penulis akan menentukan hipotesa yang valid dari 2 hipotesa yang telah dibuat berdasarkan hasil yang dihasilkan oleh penerapan model naïve bayes, baik secara manual maupun secara komputasi.
3.2.
Instrument Penelitian Pada penelitian ini, peneliti menggunakan instrumen penelitian yang
dijelaskan sebagai berikut: 1.
Instrumen Pedoman Observasi Pada metode ini, peneliti menggunakan instrumen pedoman observasi berupa catatan anekdot yang dilampirkan pada lampiran C.1. Instrumen ini dibuat dengan mencatat segala informasi dan kejadian yang berkaitan dengan penelitian ini. Catatan anekdot tersebut berupa daftar catatan observasi yang dilakukan oleh peneliti selama melakukan riset di SMPIT AL BINAA IBS. Daftar catatan tersebut dibuat oleh peneliti sebanyak 4 buah catatan observasi.
2.
Instrumen Pedoman Wawancara Pada metode ini, peneliti menggunakan instrumen pedoman wawancara yang dilampirkan pada lampiran C.2. Instrumen pedoman wawancara ini dibuat dalam bentuk daftar pertanyaan. Peneliti membuat 3 pertanyaan yang dijawab langsung oleh responden, yaitu: Bapak Ade pada masing-masing pertanyaan. Seluruh pertanyaan tersebut diajukan untuk mendapatkan informasi langsung dari tenaga ahli yang menangani penyakit kulit pada penelitian ini.
3.
Instrumen Arsip dan Studi Pustaka Pada metode ini, peneliti menggunakan instrumen arsip data rekam medik dari tahun 2013 sampai tahun 2015 yang diarsipkan oleh Bapak Ade selaku petugas kesehatan SMPIT AL BINAA IBS. Peneliti juga menggunakan instrumen studi pustaka terhadap buku-buku dan jurnal-jurnal yang berkaitan dengan penelitian ini.
3.3.
Metode Pengumpulan Data, Populasi, dan Sampel Penelitian Pada penelitian ini, peneliti menggunakan 3 metode pengumpulan data
untuk menunjang penelitian ini, yaitu: 1.
Observasi atau Pengamatan Langsung Metode ini dimulai oleh peneliti pada 2 Agustus 2015 setelah mendapatkan izin dari kepala sekolah SMPIT AL BINAA IBS, yaitu: Bapak Hasyim, S.Pd. Metode ini dilaksanakan oleh peneliti selama 3 hari yang dimulai pada 2 Agustus 2015 sampai 4 Agustus 2015. Pada observasi di SMPIT AL BINAA IBS, peneliti mencatat 4 catatan observasi yang berkaitan dengan penelitian ini yang dilampirkan pada lampiran C.1. Catatan tersebut berkaitan dengan
objek penelitian dan kejadian penyakit kulit yang terjadi di SMPIT AL BINAA IBS. Metode ini digunakan peneliti ketika Bapak Ade menangani langsung pasien penderita penyakit kulit dan menunjukkan gejala-gejala yang timbul pada salah satu bagian tubuh pasien penderita penyakit kulit tersebut. Gejala umum yang ditimbulkan oleh penyakit kulit, terutama dermatitis berdasarkan observasi yang dilakukan, yaitu: kulit yang berwarna kemerahan dan rasa gatal pada bagian yang terkena penyakit kulit tersebut. 2.
Wawancara Metode ini dilakukan oleh peneliti pada 5 Agustus 2015 yang bertempat di unit kesehatan siswa atau UKS SMPIT AL BINAA IBS. Wawancara ini berlangsung dengan metode tanya jawab dengan 3 pertanyaan yang diajukan untuk dijawab oleh responden. Responden pada penelitian ini adalah: Bapak Ade selaku petugas kesehatan di SMPIT AL BINAA IBS.
3.
Dokumentasi Metode ini dilakukan oleh peneliti untuk mendapatkan arsip data rekam medik yang telah disimpan oleh Bapak Ade selaku petugas kesehatan di SMPIT AL BINAA IBS. Setelah mendapatkan arsip data rekam medik tersebut, peneliti mempelajari buku-buku yang menunjang penelitian ini, baik buku penunjang tentang penyakit kulit maupun buku penunjang tentang data mining. Populasi dari penelitian ini adalah seluruh keluarga besar SMPIT AL
BINAA IBS yang berjumlah 628 orang. Kemudian, peneliti mempelajari arsip data rekam medik petugas kesehatan di SMPIT AL BINAA IBS untuk mengambil data rekam medik yang berkaitan dengan penyakit kulit. Setelah mempelajari data
rekam medik tersebut, peneliti memisahkan data yang memiliki diagnosa penyakit kulit dengan data yang memiliki diagnosa selain penyakit kulit. Pada proses pemisahan data ini, peneliti menemukan 228 data yang memiliki diagnosa penyakit kulit yang merupakan populasi data penyakit kulit. Kemudian, peneliti mengambil 165 data dari populasi data tersebut untuk dijadikan sampel set data pelatihan dan 1 set data untuk dijadikan sampel set data pengujian pada penghitungan metode naïve bayes secara manual. Untuk penghitungan metode naïve bayes menggunakan software rapidminer, maka peneliti menggunakan seluruh populasi data penyakit tersebut untuk diolah dan diproses menggunakan metode naïve bayes.
3.4.
Metode Analisis Data Pada penelitian ini, peneliti menggunakan arsip data rekam medik dari
tahun 2013 sampai dengan tahun 2015 yang diarsipkan oleh petugas kesehatan di SMPIT AL BINAA IBS, yaitu: Bapak Ade untuk dilakukan klasifikasi berdasarkan metode naïve bayes. Arsip data rekam medik tersebut dapat dilihat pada gambar berikut ini:
Gambar IIIII.1 Arsip Data Rekam Medik Asli Arsip data rekam medik tersebut masih berupa catatan tangan atau manual, sehingga peneliti menulis ulang 228 data yang berkaitan dengan penyakit kulit dari arsip data rekam medik tersebut dalam bentuk tabel dengan bantuan software Ms. Excel, setelah melakukan proses eksplorasi data. Pada penulisan ulang 228 data tersebut, peneliti mengubah tulisan gejala pada arsip data rekam medik asli menjadi kolom-kolom gejala yang telah ditentukan berdasarkan observasi, wawancara dengan petugas kesehatan, dan dokumentasi arsip data rekam medik tersebut yang merupakan gejala-gejala umum yang dapat menyebabkan penyakit kulit. Kolom-kolom gejala tersebut adalah: Kolom kulit kemerahan, kolom vesikel (bintik-bintik), kolom gatal, kolom luka, kolom panas, dan kolom infeksi. Kolom-kolom gejala tersebut merupakan atribut-atribut yang akan digunakan dalam proses data mining. Hasil dari penulisan ulang seperti yang diperlihatkan oleh gambar berikut:
Gambar IVI.2 Data Primer Arsip Data Rekam Medik Setelah Penulisan Ulang
Seluruh data primer arsip data rekam medik tersebut, dilampirkan pada lampiran A.1. Setelah melakukan penulisan ulang, peneliti mengambil sampel sebanyak 165 data dari total keseluruhan populasi data pada arsip data rekam medik tersebut yang berjumlah 228 data. Sampel yang akan diambil adalah 165 data teratas yang terdapat pada data primer hasil penulisan ulang yang dilampirkan pada lampiran A.2. Setelah melakukan pengambilan sampel data, peneliti mengambil 1 data yang akan dijadikan set data pengujian untuk menguji model yang telah terbentuk. 1 set data pengujian tersebut diambil dari data primer arsip data rekam medik tersebut dengan nomor data 166 yang diperlihatkan pada gambar berikut ini:
Gambar III.3 Sampel Data Pengujian Nomor Data 166
Sampel data pengujian dengan nomor data 166 dipilih untuk menguji kelas yang menunjukkan bahwa gejala-gejala tersebut merupakan gejala penyakit kulit yang termasuk dermatitis. Setelah melakukan pengambilan sampel, sampel data pelatihan akan dilakukan proses data mining dengan metode naïve bayes berdasarkan 1 set data pengujian secara manual dengan menggunakan persamaan naïve bayes classifier, yaitu:
Dimana
merupakan nilai output hasil klasifikasi naïve bayes yang
berasal dari perhitungan prior probability dengan suatu probabilitas yang berdasarkan pada kondisi suatu hipotesa. Setelah proses data mining secara manual telah dilaksanakan, maka peneliti menggunakan tools berupa software untuk mendapatkan perbandingan antara data yang dihasilkan oleh perhitungan data mining dengan metode naïve bayes secara manual dengan data yang dihasilkan oleh perhitungan data mining dengan metode naïve bayes secara komputerisasi atau komputasi. Tools yang akan digunakan adalah Software rapidminer 5.3 yang memiliki halaman depan sebagaimana diperlihatkan oleh gambar berikut:
Gambar III.4 Halaman Depan Software Rapidminer 5.3
Kemudian, peneliti akan mengimpor data primer arsip rekam medik yang telah ditulis ulang untuk diproses oleh software rapidminer. Sebelum melakukan proses impor data, peneliti akan mengubah atribut-atribut yang telah ditulis ulang menjadi bentuk yang dapat diproses oleh software rapidminer. Kolom nama, kolom umur, dan kolom diagnosa akan dihapus pada proses pengubahan atribut-atribut ini. Kemudian, kolom class_dermatitis akan diubah menjadi bentuk huruf, yaitu: Y dan N. Y mewakili kelas penyakit kulit yang termasuk dermatitis, sedangkan N mewakili kelas penyakit kulit yang tidak termasuk dermatitis. Hasil dari proses ini digambarkan oleh gambar berikut:
Gambar III.5 Gambar 25 Data Teratas Setelah Pengubahan Atribut
Peneliti memberikan gambar 25 data teratas yang akan diproses dengan menggunakan metode naïve bayes dengan tools software rapidminer 5.3. Kemudian seluruh data yang telah diubah atributnya dilampirkan pada lampiran A.3. Setelah melakukan perubahan atribut, peneliti mengimpor data dari software Ms. Excel pada software rapidminer 5.3, sebagaimana yang
diperlihatkan oleh gambar berikut: Gambar III.6 Proses Impor Data Excel pada Rapidminer 5.3
Peneliti memilih impor data excel sheet karena penulisan ulang arsip data rekam medik menggunakan software Ms. Excel. Kemudian, software rapidminer ini akan menunjukkan kepada anda data yang mana yang akan diimpor sebagaimana yang diperlihatkan oleh gambar berikut:
Gambar III.7 Proses Pemilihan Data Excel
Pada proses ini, peneliti memilih untuk menggunakan data sekunder, yaitu: data yang telah diubah atribut-atributnya yang berasal dari data primer yang ditulis ulang dari arsip data rekam medik tersebut. Setelah melakukan pemilihan terhadap data yang akan diproses oleh software rapidminer, maka peneliti memasuki tahap pembacaan data yang telah diimpor oleh software rapidminer sebagaimana yang diperlihatkan oleh gambar berikut:
Gambar III.8 Pembacaan Data Oleh Software Rapidminer
Pada tahap pembacaan data oleh software rapidminer, data yang berupa bilangan, akan diberi angka tambahan dibelakang bilangan tersebut secara otomatis berupa titik dan angka 0, hal ini untuk memastikan bahwa bilangan tersebut bukanlah bilangan desimal. Setelah melakukan pembacaan data, software rapidminer akan menanyakan kepada pengguna untuk menentukan data-data yang
akan dijadikan atribut dan data-data yang akan dijadikan label sebagai patokan hasil akhir seperti yang diperlihatkan oleh gambar berikut ini:
Gambar III.9 Pemberian Label dan Atribut Pada Software Rapidminer
Setelah data-data yang telah diimpor tersebut diberikan label, maka peneliti memasuki tahap penyimpanan data yang telah diimpor di tempat yang telah ditentukan oleh software rapidminer, yaitu: Local Repository seperti yang diperlihatkan oleh gambar berikut ini:
Gambar III.10 Penempatan Data yang Telah Diimpor
Setelah data impor ditempatkan di Local Repository, maka peneliti akan menerapkan data impor tersebut dengan metode naïve bayes. Sebelum penerapan data impor tersebut dengan metode naïve bayes, peneliti membuat tabel relasi gejala dan penyakit untuk menelusuri gejala-gejala yang berkaitan dengan penyakit kulit yang termasuk dermatitis dan menelusuri gejala-gejala yang berkaitan dengan penyakit kulit yang tidak termasuk dermatitis. Peneliti memberi angka 1 apabila gejala tersebut merupakan gejala dari penyakit tersebut dan memberi angka 0 apabila gejala tersebut bukan merupakan gejala dari penyakit tersebut. Tabel tersebut digambarkan sebagai berikut:
Gejala
Tabel III.1 Tabel Relasi Gejala dan Penyakit Dermatitis Non-Dermatitis
Kulit Kemerahan
1
0
Vesikel (Bintik-Bintik)
0
1
Gatal
1
1
Luka
0
1
Panas
0
1
Infeksi
0
1
Tabel ini dibuat berdasarkan observasi di SMPIT AL BINAA IBS, wawancara dengan petugas kesehatan di SMPIT AL BINAA IBS, dan dokumentasi dari arsip data rekam medik petugas kesehatan di SMPIT AL BINAA IBS. Setelah tabel relasi gejala dan penyakit dibuat, maka peneliti akan memproses data yang telah diimpor oleh software rapidminer dengan menggunakan metode naïve bayes. Tools metode naïve bayes pada software rapidminer digambarkan sebagai berikut:
Gambar III.11 Metode Naïve Bayes Pada Software Rapidminer
Setelah tools metode naïve bayes dibuat, maka data yang telah diimpor tersebut
disambungkan
dengan
metode
naïve
bayes
tersebut.
Setelah
disambungkan, peneliti akan menyambungkan juga data yang telah disambung dengan metode naïve bayes tersebut dengan tools pengukur tingkat akurasi dari model naïve bayes yang diberi nama oleh software rapidminer sebagai: apply model and performance yang digambarkan oleh gambar berikut:
Gambar III.12 Tools Pengukur Akurasi Dari Model Naïve Bayes
Setelah menyambungkan data yang telah diimpor dengan tools metode naïve bayes beserta tools pengukur akurasinya, maka software rapidminer akan
dijalankan dan menghasilkan nilai akurasi dari model atau metode naïve bayes tersebut yang akan dianalisa oleh peneliti untuk menarik kesimpulan dari hasil analisa tersebut dan menentukan hipotesa yang valid dari 2 hipotesa yang telah disebutkan pada subbab hipotesa di bab 1 pendahuluan. Hasil dari input data impor tersebut yang telah dijalankan oleh software rapidminer adalah sebagai berikut:
Gambar III.13 Hasil Pemrosesan Data Impor oleh Software Rapidminer
Pada gambar tersebut, tabel distribution model akan menjelaskan jumlah kelas “Y” yang merupakan kelas penyakit kulit yang termasuk dermatitis sebanyak berapa persen dari 100% data berdasarkan model yang telah dibuat. Begitu juga dengan jumlah kelas “N” yang merupakan kelas penyakit kulit yang tidak termasuk dermatitis sebanyak berapa persen dari 100% data akan dijelaskan pada tabel ini. Software Rapidminer akan memberikan hasil dalam bentuk bilangan desimal, karena nilai maksimal dari hasil tersebut adalah 1, sedangkan nilai terendah dari hasil tersebut adalah 0.
Tabel example set merupakan tabel yang bertujuan untuk menguji validitas data dengan menggunakan teknik cross-validation. Sehingga, data yang awalnya digunakan sebagai data pelatihan akan diubah menjadi data pengujian. Begitu juga data pengujian akan diubah menjadi data pelatihan. Hal ini dimaksudkan agar data yang tidak valid, dapat ditemukan dan dipisahkan dari data yang valid. Tabel performance vector merupakan tabel yang akan menjelaskan akurasi dari metode naïve bayes dalam memproses data yang telah diimpor tersebut. Tingkat akurasi metode naïve bayes tersebut menunjukkan kemampuan metode naïve bayes dalam mengklasifikasi data impor tersebut secara tepat dan sesuai dengan kelas yang sesungguhnya.
BAB IV HASIL PENELITIAN DAN PEMBAHASAN
4.1.
Implementasi Penelitian Pada tanggal 2 Agustus 2015, peneliti memulai melakukan riset di
SMPIT AL BINAA IBS. Peneliti melakukan pengamatan langsung terhadap kejadian penyakit kulit di SMPIT AL BINAA IBS yang dimulai pada tanggal 2 Agustus 2015 hingga 4 Agustus 2015 untuk mendapatkan informasi langsung dari objek penelitian tersebut. Setelah melakukan observasi dan mendapatkan informasi tentang kejadian penyakit kulit, maka peneliti melanjutkan riset di SMPIT AL BINAA IBS dengan mewawancarai petugas kesehatan SMPIT AL BINAA IBS, yaitu: Bapak Ade. Setelah melakukan wawancara, peneliti meminta kesediaan Bapak Ade untuk menunjukkan arsip data rekam medik pada SMPIT AL BINAA IBS yang berisi catatan medis yang telah ditangani oleh petugas kesehatan yang dimulai pada 4 November 2013 sampai 4 Agustus 2015. Kemudian, peneliti menulis ulang arsip rekam medik tersebut yang menggunakan tulisan tangan dengan menggunakan software Ms.Excel. Peneliti membuat 6 kolom gejala yang masing-masing kolom diberi nilai berupa angka 1 apabila gejala tersebut dikeluhkan oleh pasien pada data arsip rekam medis tersebut dan diberi nilai 0 apabila gejala tersebut tidak dikeluhkan oleh pasien pada data arsip rekam medik tersebut. Data arsip data rekam medik yang telah ditulis ulang dengan bantuan software Ms.Excel dilampirkan pada lampiran A.1.
Setelah melakukan penulisan ulang, peneliti akan mengimpor data arsip rekam medik tersebut ke dalam software rapidminer. Sebelum diimpor, data arsip rekam medik tersebut dieksplorasi menjadi bentuk yang dapat diproses oleh software rapidminer dengan menghilangkan kolom nama, kolom umur, dan kolom diagnosa yang diperlihatkan pada lampiran A.3. Setelah dilakukan eksplorasi data, peneliti mengambil 165 data arsip rekam medik tersebut untuk dijadikan sampel data pelatihan yang akan digunakan untuk penghitungan metode klasifikasi naïve bayes secara manual beserta 1 sampel data pengujian untuk menguji metode klasifikasi naïve bayes tersebut. Sampel data arsip rekam medik tersebut yang telah dieksplorasi tersebut diperlihatkan pada lampiran A.2. Kemudian, penghitungan sampel data pengujian dengan metode naïve bayes secara manual dijelaskan pada lampiran B.1. Sampel data pengujian yang akan digunakan untuk melakukan penghitungan metode klasifikasi naïve bayes secara manual adalah data ke-166 pada data arsip rekam medik yang dilampirkan pada lampiran B.1. Hasil dari penghitungan metode klasifikasi naïve bayes secara manual adalah sebagai berikut: 1. P(X|class_dermatitis=”Yes”)P(class_dermatitis=”Yes”) = 0,532 X 0,618 = 0,329 2. P(X|class_dermatitis=”No”)P(class_dermatitis=”No”) = 0,009 X 0,382 = 0,003 Karena
nilai
hasil
P(X|class_dermatitis=”Yes”)P(class_dermatitis=”Yes”)
penghitungan lebih
besar
dari
P(X|class_dermatitis=”No”)P(class_dermatitis=”No”), maka sampel data ke-166
pada data arsip rekam medik merupakan sampel yang termasuk ke dalam kelas penyakit kulit yang termasuk dermatitis. Setelah menghitung sampel data pelatihan dan sampel data pengujian secara manual, maka peneliti mengimpor data arsip rekam medik tersebut dalam bentuk yang sudah dieksplorasi ke dalam software rapidminer untuk dilakukan penghitungan metode klasifikasi naïve bayes secara komputerisasi dan ditempatkan pada bagian repository access. Data yang telah diimpor tersebut akan ditempatkan di bagian main process yang merupakan fungsi process control pada software rapidminer untuk diproses sebagaimana yang diperlihatkan oleh gambar berikut:
Gambar IV.1 Proses Penempatan Data yang Telah Diimpor
Kemudian, data yang telah diimpor tersebut akan disambungkan dengan utility yang digambarkan dengan kotak validation pada gambar di atas. Di dalam utility tersebut, terdapat 2 kolom. Kolom pertama dinamakan dengan kolom training. Kolom kedua dinamakan kolom testing. Kedua kolom tersebut diperlihatkan pada gambar berikut:
Gambar IV.2 Penempatan Data Transformation, Modelling, dan Evaluation Pada Utility
Pada utility tersebut, model atau metode naïve bayes akan ditempatkan pada bagian training, karena model naïve bayes akan mengolah data dengan metode yang telah ditetapkan oleh teorema bayes. Kemudian, fungsi data transformation yang diwakilkan oleh kotak apply model dan fungsi evaluation yang diwakilkan oleh kotak performance ditempatkan pada bagian testing. Data transformation bertujuan agar data yang telah dimodelkan dengan model naïve bayes dapat diproses oleh software rapidminer dan menghasilkan informasi berupa penempatan kelas berdasarkan data arsip rekam medik yang telah diimpor sebelumnya. Informasi tersebut juga mengandung perhitungan-perhitungan yang
telah diproses berdasarkan metode naïve bayes. Kemudian, informasi tersebut akan diuji dengan cross-validation dengan menggunakan fungsi evaluation yang digambarkan dengan kotak performance. Fungsi ini bertujuan untuk mendapatkan nilai akurasi dari model naïve bayes dalam memproses data yang telah diimpor sebelumnya. Setelah fungsi utility telah dipersiapkan dan data yang telah diimpor sebelumnya telah disambungkan dengan fungsi utility, maka proses penghitungan data dapat dijalankan dan menghasilkan informasi seperti yang ditunjukkan oleh gambar berikut:
Gambar IV.3 Hasil Pemrosesan Data Menggunakan Software Rapidminer
Pada gambar tersebut ada 3 informasi yang dihasilkan, yaitu: distribution model, example set, dan performance vector.
4.2.
Analisa Data Menggunakan Software Rapidminer Berdasarkan hasil implementasi penelitian pada subbab sebelumnya,
maka peneliti mendapatkan 3 informasi yang berkaitan dengan proses penghitungan data arsip rekam medik dengan metode naïve bayes yang telah dihasilkan oleh software rapidminer setelah dijalankan.
4.2.1 Distribution Model Distribution model menjelaskan distribusi data-data yang telah diimpor pada proses penempatan kelas menggunakan metode naïve bayes sebagaimana yang diperlihatkan oleh gambar berikut ini:
Gambar IV.4 Model Distribusi Data Arsip Rekam Medik Berdasarkan Kelas yang Terbentuk
Pada gambar tersebut, terdapat 2 kelas yang terbentuk berdasarkan hasil pemrosesan data dengan metode naïve bayes, yaitu: kelas Y dan kelas N. Kelas Y merupakan kelas penyakit kulit yang berdasarkan gejala-gejala yang ditimbulkan termasuk dermatitis, sedangkan kelas N merupakan kelas
penyakit kulit yang berdasarkan gejala-gejala yang ditimbulkan tidak termasuk dermatitis. Setiap kelas, mempunyai 6 distribusi yang merupakan gejala-gejala yang telah diinput berdasarkan data arsip rekam medik yang telah diimpor sebelumnya. Angka yang ditunjukkan oleh setiap kelas, merupakan hasil dari penghitungan teorema bayes, yaitu: prior probability dari setiap kelas. Prior probability pada kelas penyakit kulit yang termasuk dermatitis didapat dengan membagi jumlah data penyakit kulit yang termasuk dermatitis, yaitu: 157 data dengan jumlah keseluruhan data yang ada, yaitu: 228 data. Begitu juga dengan prior probability dari kelas penyakit kulit yang tidak termasuk dermatitis didapat dengan membagi jumlah data penyakit kulit yang tidak termasuk dermatitis, yaitu: 71 data dengan jumlah keseluruhan yang ada, yaitu: 228 data. Penghitungan masing-masing kelas tersebut adalah: P(class_dermatitis = ”Y”) = 157/228 = 0,689. P(class_dermatitis = ”N”) = 71/228 = 0,311. Hasil tersebut akan digunakan untuk menarik kesimpulan apakah suatu sampel tertentu yang merupakan gejala-gejala penyakit kulit yang ditimbulkan, termasuk penyakit kulit yang termasuk dermatitis atau termasuk penyakit kulit yang tidak termasuk dermatitis.
Setelah mendapatkan informasi tentang distribusi gejala-gejala yang dimasukkan dalam kelas tertentu, maka distribution model menjelaskan bagaimana kedua kelas tersebut dapat terbentuk berdasarkan gejala-gejala yang telah diinput pada data arsip rekam medik sebagaimana yang diperlihatkan oleh gambar berikut:
Gambar IV.5 Hasil Distribusi Gejala-Gejala pada Kelas Y dan Kelas N
Pada tabel distribusi gejala-gejala tersebut, terdapat angka-angka yang merupakan hasil dari penghitungan berdasarkan metode naïve bayes. Angkaangka tersebut akan dijadikan suatu diagram batang yang mewakili setiap distribusi untuk mempermudah analisa data seperti yang diperlihatkan pada gambar berikut ini:
Gambar IV.6 Hasil Distribusi Gejala Kulit Kemerahan
Pada
diagram
atau
grafik
tersebut,
batang
berwarna
merah
menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y. Angka 1 menunjukkan keluhan terhadap gejala kulit kemerahan, sedangkan angka 0 menunjukkan tidak ada keluhan terhadap gejala kulit kemerahan. Diagram tersebut didapat dengan menghitung seluruh kemungkinan, baik adanya gejala kulit kemerahan atau tidak adanya gejala kulit kemerahan yang dapat menyebabkan penyakit kulit, baik termasuk dermatitis atau tidak termasuk dermatitis. Gejala kulit kemerahan yang termasuk kelas Y sebanyak 157 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala kulit kemerahan yang termasuk kelas N sebanyak 16 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Setelah mengetahui jumlah data gejala kulit kemerahan, maka peneliti menghitung jumlah data gejala bukan kulit kemerahan. Gejala bukan kulit kemerahan yang termasuk kelas Y sebanyak 0 data yang dibagi dengan jumlah
data pada kelas Y, yaitu: 157 data. Sedangkan, gejala bukan kulit kemerahan yang termasuk kelas N sebanyak 55 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Kemudian, Penghitungan dari masing-masing batang pada diagram batang tersebut adalah sebagai berikut: P(kulit_kemerahan = ”1” | class_dermatitis = ”Y”) = 157/157 = 1. P(kulit_kemerahan = ”1” | class_dermatitis = ”N”) = 16/71 = 0,225. P(kulit_kemerahan = ”0” | class_dermatitis = ”Y”) = 0/157 = 0. P(kulit_kemerahan = ”0” | class_dermatitis = ”N”) = 55/71 = 0,775. Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa penyakit kulit yang termasuk dermatitis memiliki gejala kulit kemerahan. Hal ini ditunjukkan dari penghitungan tersebut bahwa tidak ada kelas Y yang tidak memiliki gejala kulit kemerahan. Apabila gejala kulit kemerahan tidak dikeluhkan oleh pasien, maka berdasarkan penghitungan ini, gejala tersebut tidak termasuk gejala penyakit kulit yang termasuk dermatitis. Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak terdapat kelas yang tidak diketahui penempatannya, maka gejala kulit kemerahan dapat diklasifikasi oleh metode naïve bayes secara tepat. Setelah menganalisa data gejala kulit kemerahan, maka peneliti menganalisa gejala vesikel atau bintik-bintik yang diperlihatkan oleh gambar berikut:
Gambar IV.7 Hasil Distribusi Gejala Vesikel atau Bintik-Bintik
Pada
diagram
atau
grafik
tersebut,
batang
berwarna
merah
menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y. Angka 1 menunjukkan keluhan terhadap gejala vesikel, sedangkan angka 0 menunjukkan tidak ada keluhan terhadap gejala vesikel. Diagram tersebut didapat dengan menghitung seluruh kemungkinan, baik adanya gejala vesikel atau tidak adanya gejala vesikel yang dapat menyebabkan penyakit kulit, baik termasuk dermatitis atau tidak termasuk dermatitis. Gejala vesikel yang termasuk kelas Y sebanyak 0 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala vesikel yang termasuk kelas N sebanyak 16 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Setelah mengetahui jumlah data gejala vesikel, maka peneliti menghitung jumlah data gejala bukan vesikel. Gejala bukan vesikel yang termasuk kelas Y sebanyak 157 data yang dibagi dengan jumlah data pada kelas
Y, yaitu: 157 data. Sedangkan, gejala bukan vesikel yang termasuk kelas N sebanyak 55 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Kemudian, Penghitungan dari masing-masing batang pada diagram batang tersebut adalah sebagai berikut: P(vesikel = ”1” | class_dermatitis = ”Y”) = 0/157 = 0. P(vesikel = ”1” | class_dermatitis = ”N”) = 16/71 = 0,225. P(vesikel = ”0” | class_dermatitis = ”Y”) = 157/157 = 1. P(vesikel = ”0” | class_dermatitis = ”N”) = 55/71 = 0,775. Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa penyakit kulit yang termasuk dermatitis tidak memiliki gejala vesikel atau bintikbintik. Hal ini ditunjukkan pada perhitungan tersebut bahwa tidak ada kelas Y yang memiliki gejala vesikel atau bintik-bintik. Apabila gejala vesikel tidak dikeluhkan oleh pasien, maka berdasarkan penghitungan ini, gejala tersebut ada kemungkinan termasuk gejala penyakit kulit yang termasuk dermatitis tergantung kepada gejala lain yang menyertai gejala tersebut. Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak terdapat kelas yang tidak diketahui penempatannya, maka gejala vesikel dapat diklasifikasi oleh metode naïve bayes secara tepat. Setelah menganalisa data gejala vesikel, maka peneliti menganalisa gejala gatal yang diperlihatkan oleh gambar berikut:
Gambar IV.8 Hasil Distribusi Gejala Gatal
Pada
diagram
atau
grafik
tersebut,
batang
berwarna
merah
menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y. Angka 1 menunjukkan keluhan terhadap gejala gatal, sedangkan angka 0 menunjukkan tidak ada keluhan terhadap gejala gatal. Diagram tersebut didapat dengan menghitung seluruh kemungkinan, baik adanya gejala gatal atau tidak adanya gejala gatal yang dapat menyebabkan penyakit kulit, baik termasuk dermatitis atau tidak termasuk dermatitis. Gejala gatal yang termasuk kelas Y sebanyak 157 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala gatal yang termasuk kelas N sebanyak 18 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Setelah mengetahui jumlah data gejala gatal, maka peneliti menghitung jumlah data gejala bukan gatal. Gejala bukan gatal yang termasuk kelas Y sebanyak 0 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala bukan gatal yang termasuk kelas N sebanyak 53 data yang
dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Kemudian, Penghitungan dari masing-masing batang pada diagram batang tersebut adalah sebagai berikut: P(gatal = ”1” | class_dermatitis = ”Y”) = 157/157 = 1. P(gatal = ”1” | class_dermatitis = ”N”) = 18/71 = 0,254. P(gatal = ”0” | class_dermatitis = ”Y”) = 0/157 = 0. P(gatal = ”0” | class_dermatitis = ”N”) = 53/71 = 0,746. Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa penyakit kulit yang termasuk dermatitis memiliki gejala gatal. Hal ini ditunjukkan dari penghitungan tersebut bahwa tidak ada kelas Y yang tidak memiliki gejala gatal. Apabila gejala gatal tidak dikeluhkan oleh pasien, maka berdasarkan penghitungan ini, gejala tersebut tidak termasuk gejala penyakit kulit yang termasuk dermatitis. Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak terdapat kelas yang tidak diketahui penempatannya, maka gejala gatal dapat diklasifikasi oleh metode naïve bayes secara tepat. Setelah menganalisa data gejala gatal, maka peneliti menganalisa gejala luka yang diperlihatkan oleh gambar berikut:
Gambar IV.9 Hasil Distribusi Gejala Luka
Pada
diagram
atau
grafik
tersebut,
batang
berwarna
merah
menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y. Angka 1 menunjukkan keluhan terhadap gejala luka, sedangkan angka 0 menunjukkan tidak ada keluhan terhadap gejala luka. Diagram tersebut didapat dengan menghitung seluruh kemungkinan, baik adanya gejala luka atau tidak adanya gejala luka yang dapat menyebabkan penyakit kulit, baik termasuk dermatitis atau tidak termasuk dermatitis. Gejala luka yang termasuk kelas Y sebanyak 26 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala luka yang termasuk kelas N sebanyak 45 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Setelah mengetahui jumlah data gejala luka, maka peneliti menghitung jumlah data gejala bukan luka. Gejala bukan luka yang termasuk kelas Y sebanyak 131 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala bukan luka yang termasuk kelas N sebanyak 26 data yang
dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Kemudian, Penghitungan dari masing-masing batang pada diagram batang tersebut adalah sebagai berikut: P(luka = ”1” | class_dermatitis = ”Y”) = 26/157 = 0,166. P(luka = ”1” | class_dermatitis = ”N”) = 45/71 = 0,634. P(luka = ”0” | class_dermatitis = ”Y”) = 131/157 = 0,834. P(luka = ”0” | class_dermatitis = ”N”) = 26/71 = 0,366. Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa penyakit kulit yang termasuk dermatitis dapat memiliki gejala luka. Apabila gejala luka tidak dikeluhkan oleh pasien, maka berdasarkan penghitungan ini, gejala tersebut ada kemungkinan termasuk gejala penyakit kulit yang termasuk dermatitis tergantung pada gejala lain yang menyertainya. Hal ini, disebabkan oleh penderita dermatitis yang merasakan gatal dan menggaruk anggota badan yang gatal tersebut, sehingga menyebabkan luka. Peneliti mendapatkan pernyataan ini setelah melakukan observasi langsung. Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak terdapat kelas yang tidak diketahui penempatannya, maka gejala luka dapat diklasifikasi oleh metode naïve bayes secara tepat. Setelah menganalisa data gejala luka, maka peneliti menganalisa gejala panas yang diperlihatkan oleh gambar berikut:
Gambar IV.10 Hasil Distribusi Gejala Panas
Pada
diagram
atau
grafik
tersebut,
batang
berwarna
merah
menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y. Angka 1 menunjukkan keluhan terhadap gejala panas, sedangkan angka 0 menunjukkan tidak ada keluhan terhadap gejala panas. Diagram tersebut didapat dengan menghitung seluruh kemungkinan, baik adanya gejala panas atau tidak adanya gejala panas yang dapat menyebabkan penyakit kulit, baik termasuk dermatitis atau tidak termasuk dermatitis. Gejala panas yang termasuk kelas Y sebanyak 0 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala panas yang termasuk kelas N sebanyak 4 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Setelah mengetahui jumlah data gejala panas, maka peneliti menghitung jumlah data gejala bukan panas. Gejala bukan panas yang termasuk kelas Y sebanyak 157 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala bukan panas yang termasuk kelas N sebanyak 67 data yang
dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Kemudian, Penghitungan dari masing-masing batang pada diagram batang tersebut adalah sebagai berikut: P(panas = ”1” | class_dermatitis = ”Y”) = 0/157 = 0. P(panas = ”1” | class_dermatitis = ”N”) = 4/71 = 0,056. P(panas = ”0” | class_dermatitis = ”Y”) = 157/157 = 1. P(panas = ”0” | class_dermatitis = ”N”) = 67/71 = 0,944. Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa penyakit kulit yang termasuk dermatitis tidak memiliki gejala panas. Hal ini ditunjukkan dari penghitungan tersebut bahwa tidak ada kelas Y yang memiliki gejala panas. Apabila gejala panas tidak dikeluhkan oleh pasien, maka berdasarkan penghitungan ini, gejala tersebut ada kemungkinan termasuk gejala penyakit kulit yang termasuk dermatitis tergantung kepada gejala lain yang menyertai gejala tersebut. Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak terdapat kelas yang tidak diketahui penempatannya, maka gejala panas dapat diklasifikasi oleh metode naïve bayes secara tepat. Setelah menganalisa data gejala panas, maka peneliti menganalisa gejala gatal yang diperlihatkan oleh gambar berikut:
Gambar IV.11 Hasil Distribusi Gejala Infeksi
Pada
diagram
atau
grafik
tersebut,
batang
berwarna
merah
menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y. Angka 1 menunjukkan keluhan terhadap gejala infeksi, sedangkan angka 0 menunjukkan tidak ada keluhan terhadap gejala infeksi. Diagram tersebut didapat dengan menghitung seluruh kemungkinan, baik adanya gejala infeksi atau tidak adanya gejala infeksi yang dapat menyebabkan penyakit kulit, baik termasuk dermatitis atau tidak termasuk dermatitis. Gejala infeksi yang termasuk kelas Y sebanyak 38 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala infeksi yang termasuk kelas N sebanyak 29 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Setelah mengetahui jumlah data gejala infeksi, maka peneliti menghitung jumlah data gejala bukan infeksi. Gejala bukan infeksi yang termasuk kelas Y sebanyak 119 data yang dibagi dengan jumlah data pada kelas Y, yaitu:
157 data. Sedangkan, gejala bukan infeksi yang termasuk kelas N sebanyak 42 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Kemudian, Penghitungan dari masing-masing batang pada diagram batang tersebut adalah sebagai berikut: P(Infeksi = ”1” | class_dermatitis = ”Y”) = 38/157 = 0,242. P(Infeksi = ”1” | class_dermatitis = ”N”) = 29/71 = 0,408. P(Infeksi = ”0” | class_dermatitis = ”Y”) = 119/157 = 0,758. P(Infeksi = ”0” | class_dermatitis = ”N”) = 42/71 = 0,592. Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa penyakit kulit yang termasuk dermatitis dapat memiliki gejala infeksi. Apabila gejala infeksi tidak dikeluhkan oleh pasien, maka berdasarkan penghitungan ini, gejala tersebut ada kemungkinan termasuk gejala penyakit kulit yang termasuk dermatitis tergantung pada gejala lain yang menyertainya. Hal ini, disebabkan oleh penderita dermatitis yang merasakan gatal dan menggaruk anggota badan yang gatal tersebut, sehingga menyebabkan luka. Kemudian, luka tersebut tidak cepat diobati sehingga kuman atau bakteri akan menyebabkan luka tersebut infeksi. Peneliti mendapatkan pernyataan ini setelah melakukan observasi langsung. Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak terdapat kelas yang tidak diketahui penempatannya, maka gejala infeksi dapat diklasifikasi oleh metode naïve bayes secara tepat.
4.2.2 Example Set Pada bagian ini, data akan dikelompokkan berdasarkan gejala yang terjadi pada data arsip data rekam medik tersebut secara keseluruhan sebagaimana yang diperlihatkan oleh gambar berikut:
Gambar IV.12 Pengelompokkan Data Berdasarkan Gejala
Pada tabel di gambar berikut ini, ada 228 data yang kita gunakan untuk membuat penghitungan menggunakan metode naïve bayes. Dari 228 data tersebut, data-data akan dikelompokkan berdasarkan atribut-atribut yang telah disediakan secara keseluruhan. Ada 6 atribut yang merupakan gejala-gejala dari penyakit kulit dan 1 label untuk menyatakan kelas dari penyakit kulit yang termasuk dermatitis dan menyatakan kelas dari penyakit kulit yang tidak termasuk dermatitis. Pada label hasil, terdapat 2 kelas, yaitu: kelas Y dan kelas N yang. Kelas Y yang berjumlah 157 data merupakan kelas yang beranggotakan penyakit kulit yang termasuk dermatitis. Sedangkan, kelas N yang berjumlah 71 data
merupakan kelas yang beranggotakan penyakit kulit yang tidak termasuk dermatitis. Pada atribut gejala kulit kemerahan, terdapat 173 data yang menunjukkan bahwa pasien tersebut menderita gejala kulit kemerahan. Sedangkan, 55 data yang lain menunjukkan bahwa pasien tersebut tidak menderita gejala kulit kemerahan. Pada atribut gejala vesikel atau bintik-bintik, terdapat 212 data yang tidak menunjukkan bahwa pasien tersebut menderita gejala vesikel. Sedangkan, 16 data yang lain menunjukkan bahwa pasien tersebut menderita gejala vesikel. Pada atribut gejala gatal, terdapat 175 data yang menunjukkan bahwa pasien tersebut menderita gejala gatal. Sedangkan, 53 data yang lain menunjukkan bahwa pasien tersebut tidak menderita gejala gatal. Pada atribut gejala luka, terdapat 157 data yang menunjukkan bahwa pasien tersebut tidak menderita gejala luka. Sedangkan, 71 data yang lain menunjukkan bahwa pasien tersebut menderita gejala luka. Pada atribut gejala panas, terdapat 224 data yang menunjukkan bahwa pasien tersebut tidak menderita gejala panas. Sedangkan, 4 data yang lain menunjukkan bahwa pasien tersebut menderita gejala panas. Pada atribut gejala infeksi, terdapat 161 data yang menunjukkan bahwa pasien tersebut tidak menderita gejala infeksi. Sedangkan, 67 data yang lain menunjukkan bahwa pasien tersebut menderita gejala infeksi.
4.2.3 Performance Vector Pada bagian ini, data akan diukur kecepatan pembacaan data dan akurasi ketepatan klasifikasi dengan menggunakan metode naïve bayes. Bagian ini merupakan bagian pengujian model. Setelah data diproses, maka hasil pengujian dari data arsip rekam medik digambarkan sebagai berikut:
Gambar IV.13 Hasil Akurasi Pemrosesan Data Dengan Metode Naïve Bayes
Pada gambar ini, akurasi yang dihasilkan adalah 100%. Hal ini disebabkan tidak adanya kelas yang salah atau tidak sesuai berdasarkan gejalagejala yang telah diinput pada data arsip rekam medik. Artinya, seluruh gejala telah dikelompokkan oleh metode klasifikasi naïve bayes secara tepat. Selain itu, metode naïve bayes memiliki kecepatan yang tinggi dalam mengklasifikasi data-data yang telah diimpor tersebut. Hal ini diperlihatkan oleh gambar berikut:
Gambar IV.14 Waktu Yang Dibutuhkan Untuk Mengklasifikasi Data
Pada gambar tersebut, waktu yang dibutuhkan oleh metode naïve bayes dalam mengklasifikasi data adalah 0 detik. Hal ini menunjukkan bahwa metode naïve bayes memiliki kecepatan yang tinggi dalam mengklasifikasi data.
BAB V PENUTUP
5.1.
Kesimpulan Pada penelitian ini, peneliti mengakhiri penghitungan klasifikasi
penyakit kulit yang termasuk dermatitis dengan penyakit kulit yang tidak termasuk dermatitis menggunakan metode naïve bayes dengan kesimpulan sebagai berikut: 1. Metode naïve bayes memiliki kecepatan yang tinggi dalam mengklasifikasikan penyakit kulit berdasarkan gejala-gejala yang ditimbulkan. Hal ini dibuktikan dengan waktu tempuh untuk mengklasifikasi penyakit kulit pada penelitian ini selama 0 detik. Selama diproses, metode naïve bayes menghasilkan diagram batang pengklasifikasian berdasarkan data rekam medik penyakit kulit yang memberikan informasi tentang gejala-gejala yang merupakan gejala penyakit kulit, baik yang termasuk dermatitis maupun yang tidak termasuk dermatitis. 2. Metode naïve bayes memiliki akurasi yang tinggi dalam mengklasifikasi penyakit kulit berdasarkan gejala-gejala yang ditimbulkan pada penelitian ini. Hal ini dibuktikan dengan tingkat akurasi yang mencapai 100% saat data arsip rekam medik penyakit kulit diproses menggunakan software rapidminer.
5.2.
Saran Setelah melaksanakan penelitian ini, maka peneliti memberi saran bagi
penelitian selanjutnya agar penelitian ini dapat dikembangkan di kemudian hari. Saran tersebut adalah: 1. Peneliti menyarankan untuk meriset objek penelitian yang meliputi jenis kelamin laki-laki dan perempuan. Hal ini dimaksudkan untuk mendapatkan perbandingan antara gejala-gejala penyakit kulit yang ditimbulkan pada lakilaki dengan gejala penyakit kulit yang ditimbulkan oleh perempuan. 2. Peneliti membuat penelitian ini dengan menggunakan metode klasifikasi naïve bayes untuk mendiagnosa penyakit kulit yang termasuk dermatitis dan mendiagnosa penyakit kulit yang tidak termasuk dermatitis. Kemudian, peneliti menyarankan untuk menggunakan metode algoritma C4.5 untuk menemukan informasi yang berkaitan dengan kriteria-kriteria yang dapat menyebabkan terjadinya suatu penyakit kulit dan digambarkan dalam bentuk pohon keputusan. 3. Kejadian penyakit kulit yang terjadi di SMPIT AL BINAA IBS disebabkan oleh faktor cuaca terutama saat musim hujan, kualitas air yang rendah, dan kebersihan lingkungan yang kurang terjaga. Pada penelitian selanjutnya, riset dapat dilakukan di pesantren-pesantren tradisional yang merupakan tempattempat para siswa atau santri belajar ilmu agama, terutama pesantren-pesantren yang berada di daerah yang kebersihan lingkungan pesantren tersebut kurang terawat. Hal ini dimaksudkan untuk mendapatkan perbandingan antara
pesantren modern yang telah diteliti pada penelitian ini dengan pesantren tradisional pada penelitian selanjutnya. 4.
SMPIT AL BINAA IBS merupakan pesantren modern yang seyogyanya menjadi contoh pesantren yang mengajarkan kebersihan lingkungan dengan mendidik para siswa atau santri, para guru, dan juga para karyawan untuk menjaga kebersihan lingkungan pada SMPIT AL BINAA IBS untuk mencegah penularan penyakit kulit pada sekolah tersebut.
DAFTAR PUSTAKA
Azizah, Fitri. 2014. Frekuensi Penyakit Kulit di RS Karitas, Sumba Barat Daya September 2014. Jakarta: eJKI Vol.2, No. 3 Desember 2014:147-150.
Dewi, Yusnita. 2013. Eksplorasi Data Mining Software (Rapid Miner). Diambil dari:http://yusnitadewi.ilearning.me20131001eksplorasi-data-miningsoftware-rapid-miner. (8 Januari 2016).
Kurniawan, Rio dan Akbar Ramadhan. 2012. Perancangan Sistem Pakar Dengan Menggunakan Certainty Factor dan Implementasi Metode Jaringan Syaraf Tiruan Backpropagation Untuk Membantu Diagnosis Penyakit Kulit. Bandung: Jurnal LPKIA Vol.1, No. 2 Desember 2012:30-35.
Kusrini dan Emha Taufiq Luthfi. 2009. Algoritma Data Mining. Yogyakarta: Andi Offset.
Meilani, Budanis Dwi dan Nofi Susanti. 2014. Aplikasi Data Mining Untuk Menghasilkan Pola Kelulusan Siswa Dengan Metode Naïve Bayes. ISSN: 1858-4667. Surabaya: Jurnal LINK Vol.21, No. 2 September 2014:1-6.
Prasetyo, Eko. 2014. Data Mining-Mengolah Data Menjadi Informasi Menggunakan Matlab. Yogyakarta: Andi offset.
Riduwan. 2012. Skala Pengukuran Variabel-variabel Penelitian. Bandung: Penerbit ALFABETA.
Santosa, Budi. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan Bisnis. Yogyakarta: Graha Ilmu.
Sugiyono. 2007. Metode Penelitian Administrasi Dilengkapi dengan Metode R&D. Bandung: Penerbit ALFABETA.
Widodo, Prabowo Pudjo, Rahmadya Trias Handayanto, dan Herlawati. 2013. Penerapan Data Mining Dengan Matlab. Bandung: Penerbit Rekayasa Sains.
Wijaya, Lorettha, Ricky Fernando, dan Stefanus Lembar. 2015. Pemeriksaan Penunjang dan Laboratorium pada Penyakit Kulit dan Kelamin. Jakarta: Penerbit Universitas Katolik Indonesia Atma Jaya.
DAFTAR RIWAYAT HIDUP I.
Biodata Mahasiswa NIM Nama Lengkap Tempat & Tanggal Lahir Alamat lengkap
II.
: : : :
11122703 Muhammad Ihrom Jakarta, 26 Mei 1993 Jl. Kucica I Blok JG 4 no.2 Bintaro Sektor IX Tangerang Selatan Banten
Pendidikan a.
Formal
1. 2. 3. 4. 5.
TK Islam An-Nur di Bekasi Jawa Barat, lulus tahun 1999 SD Islam Asy-Syafi’iyah 02 di Jakarta Timur, lulus tahun 2005 SMPIT AL BINAA IBS di Jawa Barat, lulus tahun 2008 SMAIT AL BINAA IBS di Jawa Barat, lulus tahun 2011 Persiapan Bahasa Arab LIPIA di Jakarta Selatan, lulus tahun 2013
6. Pemantapan Bahasa Arab LIPIA di Jakarta Selatan, lulus tahun 2014 b.
Non Formal
1. Kursus Bahasa Inggris (Pronounciation and Speaking) di Pare Jawa Timur, lulus tahun 2012. 2. Kursus Pengembangan Pembelajaran Bahasa Arab di Bekasi Jawa Barat, lulus tahun 2013. III.
Riwayat Pengalaman Berorganisasi atau Pekerjaan 1. Sekretaris Organisasi Siswa Intra Sekolah (OSIS) SMAIT AL BINAA IBS , Jawa Barat Tahun 2010. 2. Sekretaris Organisasi Islam Nidaul Haq, Jakarta Selatan Tahun 2012
Jakarta, 5 Februari 2016 3X4
Muhammad Ihrom
LEMBAR KONSULTASI BIMBINGAN SKRIPSI SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER
NUSA MANDIRI
No. 1 2
NIM Nama Lengkap Dosen Pembimbing I Judul Skripsi
Tanggal Bimbingan 30 Oktober 2015
: 11122703 : Muhammad Ihrom : Nining Suryani, M.Kom : Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School. Paraf Dosen Pembimbing I
Pokok Bahasan Bimbingan Perdana
27 November 2015 Pengajuan Bab I
3
4 Desember 2015
Koreksi Bab I
4
8 Januari 2016
Acc Bab I dan Pengajuan Bab IV
5
15 Januari 2016
Koreksi Bab IV
6
22 Januari 2016
Acc Bab IV dan Pengajuan Bab V
7
29 Januari 2016
Koreksi Bab V
8
5 Februari 2016
Review Bab I, Bab IV, dan Bab V
Catatan untuk Dosen Pembimbing I Bimbingan Skripsi Dimulai pada tanggal Diakhiri pada tanggal Jumlah pertemuan bimbingan
: 30 Oktober 2015 : 5 Februari 2016 : 8 (Delapan) Pertemuan Disetujui oleh, Dosen Pembimbing I
(Nining Suryani, M.Kom)
LEMBAR KONSULTASI BIMBINGAN SKRIPSI SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER
NUSA MANDIRI
NIM : 11122703 Nama Lengkap : Muhammad Ihrom Dosen Pembimbing II : Eri Mardiani, M.Kom Judul Skripsi : Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School.
No . 1
Tanggal Bimbingan 23 November 2015
Konsultasi Bab II
2
30 November 2015
Revisi Bab II
3
8 Januari 2016
Acc Bab II
4
15 Januari 2016
Konsultasi Bab III
5
20 Januari 2016
Revisi Bab III
6
31 Januari 2016
Acc Bab III
7
5 Februari 2016
Review Bab II dan Bab III
Paraf Dosen Pembimbing II
Pokok Bahasan
Catatan untuk Dosen Pembimbing II Bimbingan Skripsi Dimulai pada tanggal Diakhiri pada tanggal Jumlah pertemuan bimbingan
: 23 November 2015 : 5 Februari 2016 : 7 (Tujuh) Pertemuan Disetujui oleh, Dosen Pembimbing II
(Eri Mardiani, M.Kom)
LAMPIRAN Lampiran A.1.
Tabel Data Arsip Rekam Medik No 1 2
Nama Andra Fikrul
Umur
Gejala
Diagnosa
Kulit Kemerahan
Vesikel (bintik)
Gatal
Luka
Panas
Infeksi
Class_dermatitis
12
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
0
0
0
1
Dermatitis
0
1
0
0
1
0
tineapedise
3
Ruli
14
0
4
Aman
14
1
1
1
0
1
0
0
Varicela
5
wildan
12
1
0
1
1
0
1
1
Dermatitis
6
Dede
10
1
0
1
0
0
1
1
Dermatitis
7
Santri
12
1
1
1
0
1
0
0
Varicela
8
Fauzi
15
1
0
1
1
0
1
1
Dermatitis
12
1
1
1
0
1
0
0
Varicela
16
1
1
1
0
0
0
0
Alergi
0
0
1
0
1
0
Abses(bengkak)
9 10
Sulthan Abdul Hadi
11
Uga
7
1
12
Gusti
10
1
0
1
0
0
0
1
Dermatitis
13
Nabil
10
1
0
1
1
0
1
1
Dermatitis
14
Sopian
13
1
0
1
0
0
1
1
Dermatitis
15
Nabil
10
1
0
1
1
0
0
1
Dermatitis
16
Miswanto
13
0
0
0
1
0
1
0
Abses(bengkak)
12
1
0
0
1
0
1
0
Implamantori (radang)
10
1
0
1
0
0
1
1
Dermatitis
0
1
0
0
1
1
Dermatitis
17 18
Syafiq Billy
19
Diki
8
1
20
Akbar
10
0
0
0
1
0
1
0
Abses(bengkak)
21
Gusti
12
1
0
1
0
0
1
1
Dermatitis
22
Asgar
10
1
0
1
1
0
0
1
Dermatitis
23 24 25 26
Dani Supian Salman Fatan
9
1
0
1
1
0
0
1
Dermatitis
13
1
0
1
0
0
0
1
Dermatitis
12
1
0
1
0
0
1
1
Dermatitis
10
1
0
1
0
0
1
1
Dermatitis
0
1
0
0
0
1
Dermatitis
27
Asgar
10
1
28
Khaerul
11
1
0
1
0
0
0
1
Dermatitis
29
Andi
30
1
0
1
0
0
0
1
Dermatitis
30
Robbi
11
1
0
1
0
0
0
1
Dermatitis
31
Fikrul
13
1
0
1
1
0
0
1
Dermatitis
12
1
0
1
1
0
0
1
Dermatitis
13
1
0
1
1
0
0
1
Dermatitis
13
0
0
0
1
0
1
0
Abses(bengkak)
1
0
0
0
0
0
Kutil
32 33 34
Ahnap Ahmad Najib Abbas
35
Genta
11
0
36
Sandri
15
1
0
1
0
0
0
1
Dermatitis
37
Fatah
10
1
0
1
1
0
0
1
Dermatitis
38
Asgar
9
1
0
1
1
0
0
1
Dermatitis
39
Genta
11
0
0
0
1
0
1
0
Abses(bengkak)
9
1
0
1
0
0
0
1
Dermatitis
9
1
0
1
0
0
0
1
Dermatitis
11
0
0
0
1
0
1
0
Infeksi
0
0
1
0
1
0
Infeksi
40 41 42
Akbar Asgar Gusti
43
Hasan
11
0
44
Fikrul
13
0
0
0
1
0
1
0
Infeksi
45
Noval
14
0
0
0
1
0
1
0
Abses(bengkak)
46
Dimas
14
0
0
1
0
0
0
0
Alergi
47
Uga
7
1
1
1
0
1
0
0
Varicela
48 49 50 51
Luthfi Noval Rivaldi Nacep
10
0
0
0
1
0
1
0
Infeksi
14
0
0
0
1
0
0
0
Luka
16
0
0
0
1
0
1
0
Infeksi
30
0
0
0
1
0
1
0
Infeksi
0
1
1
0
1
1
Dermatitis
52
Akbar
9
1
53
Asgar
9
1
0
1
1
0
1
1
Dermatitis
54
Zaky
12
1
0
1
1
0
1
1
Dermatitis
55
Akbar
9
1
0
1
0
0
1
1
Dermatitis
56
Sulthan
12
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
1
0
0
1
Dermatitis
12
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
0
0
1
1
Dermatitis
0
1
0
0
0
1
Dermatitis
57 58 59
Nabil Levy Faza
60
Rifky
16
1
61
Kholid
13
0
0
1
0
0
0
0
Avlesratum(luka)
62
Ismail
7
1
0
0
1
0
0
0
Luka
63
Aziz
16
1
0
1
0
0
0
1
Dermatitis
64
Fauzi
15
1
0
1
0
0
0
1
Dermatitis
15
1
0
1
0
0
0
1
Dermatitis
14
1
0
1
0
0
0
1
Dermatitis
16
1
0
1
1
0
0
1
Dermatitis
0
0
1
0
0
0
luka
65 66 67
Qohar Iqbal Andi
68
Dwi
14
0
69
Iman
14
0
0
0
1
0
0
0
luka
70
Dwi
14
0
0
0
1
0
0
0
Avlesratum
71
Haris
17
0
0
0
1
0
0
0
Avlesratum
72
Nanda
12
0
0
0
1
0
0
0
luka
73 74 75 76
Aldi Rifky Abul Syahid
13
1
0
1
0
0
1
1
Dermatitis
16
1
0
1
0
0
0
1
Dermatitis
12
1
1
1
1
0
0
0
Herpes
12
1
1
1
0
0
0
0
Alergi
0
0
0
0
1
0
Infeksi
77
Fatun
13
1
78
Iqbal
14
0
0
0
1
0
0
0
Luka
79
Rifky
17
1
0
1
0
0
0
1
Dermatitis
80
Anggih
9
0
0
0
1
0
1
0
Infeksi
81
Faza
12
0
0
1
0
0
0
0
Alergi
14
0
0
0
1
0
0
0
Luka
13
1
0
1
0
0
0
1
Dermatitis
12
0
0
0
1
0
0
0
Avlesratum
0
1
0
0
0
1
Dermatitis
82 83 84
Iqbal Raka Panji
85
Firdaus
15
1
86
Ardan
12
1
0
1
0
0
0
1
Dermatitis
87
Rizky
17
1
0
1
0
0
0
1
Dermatitis
88
Hudzaifah
17
0
0
1
1
0
1
0
Alergi
89
Rohmat
11
1
0
1
0
0
0
1
Dermatitis
11
1
0
1
0
0
0
1
Dermatitis
9
0
0
0
1
0
0
0
Avlesratum
11
1
0
1
0
0
1
1
Dermatitis
0
0
1
0
0
0
Luka
90 91 92
Luthfi Rifky Rivaldo
93
Firas
16
0
94
Billi
11
1
0
1
1
0
1
1
Dermatitis
95
Yan
12
1
0
1
1
0
1
1
Dermatitis
96
Catur
17
1
0
1
1
0
1
1
Dermatitis
97
Fahmi
12
1
0
1
0
0
0
1
Dermatitis
98 99 100 101
Yoyo Farhan Asgar Akbar
40
1
0
1
0
0
0
1
Dermatitis
11
1
0
1
0
0
0
1
Dermatitis
9
0
0
0
1
0
0
0
Luka
9
0
0
0
1
0
0
0
Luka
0
0
1
0
0
0
Luka
102
Ikhsan
9
0
103
Luthfi
12
1
0
1
0
0
0
1
Dermatitis
104
Zainal
14
0
0
1
1
0
1
0
Alergi
105
Rizal
12
0
0
0
0
0
1
0
Alergi
106
Asep
13
1
0
1
0
0
0
1
Dermatitis
14
0
1
0
0
0
0
0
Kutilan
13
1
0
1
0
0
0
1
Dermatitis
11
1
0
1
0
0
0
1
Dermatitis
0
1
0
0
0
1
Dermatitis
107 108 109
Faza Wildan Dede
110
Xasump
13
1
111
Rifky
13
0
0
0
1
0
1
0
Infeksi
112
Rofik
14
0
0
0
0
0
1
0
Abses(bengkak)
113
Irfan
30
1
0
1
0
0
0
1
Dermatitis
114
Rosyid
30
0
0
1
0
0
0
0
Alergi
14
0
0
0
1
0
0
0
Avlesratum
16
1
0
1
0
0
0
1
Dermatitis
14
1
0
1
1
0
1
1
Dermatitis
0
0
1
0
0
0
Luka
115 116 117
Arif Suhendi Abdurrohman
118
Supriadi
14
0
119
Saka
12
1
0
1
1
0
0
1
Dermatitis
120
Lukman
14
1
0
0
0
0
0
0
Alergi
121
Tarmidzi
30
1
0
1
0
0
0
1
Dermatitis
122
Kholid
14
1
0
1
0
0
0
1
Dermatitis
123 124 125 126
Agus Fahri najmuddin Hamzah
17
1
0
1
0
0
0
1
Dermatitis
17
1
0
1
0
0
0
1
Dermatitis
13
0
0
0
1
0
0
0
Luka
13
1
0
0
0
0
0
0
Alergi
0
1
0
0
0
1
Dermatitis
127
Isya
30
1
128
Aldo
12
0
0
0
1
0
0
0
Avlesratum
129
Azam
13
1
0
1
1
0
1
1
Dermatitis
130
Yusuf
13
1
0
1
0
0
1
1
Dermatitis
131
Tama
11
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
0
0
1
1
Dermatitis
13
1
0
1
1
0
1
1
Dermatitis
13
1
0
1
0
0
0
1
Dermatitis
0
1
0
0
1
1
Dermatitis
132 133 134
Jufri Ghiyyats Dzikri
135
Agam
13
1
136
Ical
14
1
0
1
0
0
0
1
Dermatitis
137
wimpi
13
1
0
1
0
0
0
1
Dermatitis
138
Irfan
12
1
0
1
0
0
0
1
Dermatitis
139
Thoriq
14
1
0
1
0
0
0
1
Dermatitis
40
1
0
1
0
0
0
1
Dermatitis
10
1
0
1
0
0
0
1
Dermatitis
11
1
0
1
0
0
0
1
Dermatitis
0
1
0
0
0
1
Dermatitis
140 141 142
Tono Zubair Aldi
143
Dede Ali
11
1
144
Shomad
30
0
0
0
1
0
1
0
Infeksi
145
Tono
30
1
0
1
0
0
0
1
Dermatitis
146
Dzaky
13
0
0
0
1
0
0
0
Luka
147
Bayu
10
1
0
1
0
0
1
1
Dermatitis
148 149 150 151
Isya Figo Dede Fauzi
30
1
0
1
0
0
0
1
Dermatitis
13
0
0
0
1
0
0
0
Avlesratum
11
1
0
1
0
0
1
1
Dermatitis
14
1
0
1
1
0
0
1
Dermatitis
0
1
0
0
0
1
Dermatitis
152
Ahmad
30
1
153
Samsir
30
0
0
0
1
0
1
0
Infeksi
154
Hasyim
40
1
0
1
0
0
0
1
Dermatitis
155
Gani
13
0
0
1
0
0
0
0
Alergi
156
Ando
15
0
0
0
1
0
0
0
Luka
19
1
0
1
0
0
0
1
Dermatitis
12
1
0
1
0
0
1
1
Dermatitis
17
0
1
0
0
0
0
0
Kutilan
0
1
0
0
1
1
Dermatitis
157 158 159
Sultan Rofik Andi
160
Heri
30
1
161
Diaz
13
1
0
1
0
0
0
1
Dermatitis
162
Kaab
13
1
0
1
0
0
1
1
Dermatitis
163
Yusuf
13
1
0
1
0
0
0
1
Dermatitis
164
Guntur
40
1
0
1
0
0
0
1
Dermatitis
14
0
1
1
0
0
0
0
Alergi
12
1
0
1
0
0
0
1
Dermatitis
15
1
0
1
0
0
0
1
Dermatitis
1
0
0
0
1
0
Infeksi
165 166 167
Raka Rizky Hanif
168
Irfan
14
0
169
Raka
14
1
0
1
0
0
0
1
Dermatitis
170
Bayu
10
1
0
1
0
0
0
1
Dermatitis
171
Hafizh
13
1
0
1
0
0
0
1
Dermatitis
172
Miftah
15
1
0
1
0
0
0
1
Dermatitis
173 174 175 176
Azmi Karim Fawwaz Ibnu
12
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
0
0
0
1
Dermatitis
12
1
1
1
1
0
0
0
Herpes
13
1
0
0
0
0
1
0
Infeksi
0
1
0
0
0
1
Dermatitis
177
Mudiram
12
1
178
Adit
15
1
1
1
0
0
0
0
Alergi
179
Salman
13
1
0
1
0
0
0
1
Dermatitis
180
Farhan
14
1
0
1
0
0
0
1
Dermatitis
181
Osama
13
1
0
1
0
0
0
1
Dermatitis
15
1
0
1
0
0
0
1
Dermatitis
12
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
0
0
0
1
Dermatitis
0
1
0
0
0
1
Dermatitis
182 183 184
Hanif Hisyam Aqwam
185
Alif
12
1
186
Rifky
13
1
0
1
0
0
0
1
Dermatitis
187
Afif
13
1
0
1
0
0
0
1
Dermatitis
188
Haidar
13
1
0
1
0
0
0
1
Dermatitis
189
Haidar
13
1
0
1
0
0
1
1
Dermatitis
13
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
0
0
0
1
Dermatitis
13
0
1
0
0
0
1
0
Infeksi
0
1
0
0
0
1
Dermatitis
190 191 192
King Azman Jafar
193
Hari
30
1
194
Jafar
13
1
0
1
1
0
0
1
Dermatitis
195
Akmal
13
0
1
0
0
0
1
0
Infeksi
196
Kiki
12
1
0
1
0
0
1
1
Dermatitis
197
Hamzah
13
1
0
1
0
0
0
1
Dermatitis
198 199 200 201
Mikail Bayu Akbar Qurdis
30
1
0
1
0
0
1
1
Dermatitis
10
1
0
1
0
0
0
1
Dermatitis
17
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
0
0
0
1
Dermatitis
0
0
1
0
1
0
Infeksi
202
Rizan
12
0
203
Figo
13
1
0
1
0
0
1
1
Dermatitis
204
Acil
13
0
0
0
1
0
1
0
Abses(bengkak)
205
Ahmad
30
1
0
1
1
0
0
1
Dermatitis
206
Uga
8
1
0
1
0
0
1
1
Dermatitis
11
1
0
1
0
0
0
1
Dermatitis
12
1
0
1
0
0
0
1
Dermatitis
12
1
0
1
0
0
0
1
Dermatitis
0
1
0
0
0
1
Dermatitis
207 208 209
Gilang Nafis Zainal
210
Ihrom
13
1
211
Robi
12
1
0
1
0
0
0
1
Dermatitis
212
Bayu
10
1
0
1
0
0
0
1
Dermatitis
213
Isya
30
1
0
1
0
0
0
1
Dermatitis
214
Rafa
13
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
0
0
1
1
Dermatitis
13
1
0
1
0
0
0
1
Dermatitis
0
1
0
0
0
1
Dermatitis
215 216 217
Zaky Azhar Arfani
218
Alif
13
1
219
Zulfan
13
1
0
1
0
0
1
1
Dermatitis
220
Tono
30
1
0
1
0
0
0
1
Dermatitis
221
Budi
30
1
0
1
0
0
0
1
Dermatitis
222
Bokrum
30
1
0
1
0
0
0
1
Dermatitis
223 224 225 226
Syarif Kholidi Firdaus Miarso
30
1
0
1
0
0
0
1
Dermatitis
30
1
0
1
0
0
0
1
Dermatitis
17
1
0
1
0
0
0
1
Dermatitis
50
1
0
1
0
0
0
1
Dermatitis
0
1
0
0
0
1
Dermatitis
0
1
0
0
0
1
Dermatitis
227
Kiki
12
1
228
Yusuf
14
1
Keterangan: 0 = Gejala tidak dikeluhkan oleh pasien 1 = Gejala dikeluhkan oleh pasien
Lampiran A.2.
Tabel Sampel 165 Data Arsip Rekam Medik No 1
Nama Andra
Umur
Gejala
Diagnosa
Kulit Kemerahan
Vesikel(bintik)
Gatal
Luka
Panas
Infeksi
Class_dermatitis
12
1
0
1
0
0
0
1
Dermatitis
0
1
0
0
0
1
Dermatitis
2
Fikrul
13
1
3
Ruli
14
0
0
1
0
0
1
0
tineapedise
4
Aman
14
1
1
1
0
1
0
0
Varicela
5
wildan
12
1
0
1
1
0
1
1
Dermatitis
6
Dede
10
1
0
1
0
0
1
1
Dermatitis
7
Santri
12
1
1
1
0
1
0
0
Varicela
15
1
0
1
1
0
1
1
Dermatitis
12
1
1
1
0
1
0
0
Varicela
1
1
0
0
0
0
Alergi
8 9
Fauzi Sulthan
10
Abdul Hadi
16
1
11
Uga
7
1
0
0
1
0
1
0
Abses(bengkak)
12
Gusti
10
1
0
1
0
0
0
1
Dermatitis
13
Nabil
10
1
0
1
1
0
1
1
Dermatitis
14
Sopian
13
1
0
1
0
0
1
1
Dermatitis
15
Nabil
10
1
0
1
1
0
0
1
Dermatitis
13
0
0
0
1
0
1
0
Abses(bengkak)
12
1
0
0
1
0
1
0
Implamantori (radang)
0
1
0
0
1
1
Dermatitis
16 17
Miswanto Syafiq
18
Billy
10
1
19
Diki
8
1
0
1
0
0
1
1
Dermatitis
20
Akbar
10
0
0
0
1
0
1
0
Abses(bengkak)
21
Gusti
12
1
0
1
0
0
1
1
Dermatitis
22
Asgar
10
1
0
1
1
0
0
1
Dermatitis
23 24 25
Dani Supian Salman
9
1
0
1
1
0
0
1
Dermatitis
13
1
0
1
0
0
0
1
Dermatitis
12
1
0
1
0
0
1
1
Dermatitis
0
1
0
0
1
1
Dermatitis
26
Fatan
10
1
27
Asgar
10
1
0
1
0
0
0
1
Dermatitis
28
Khaerul
11
1
0
1
0
0
0
1
Dermatitis
29
Andi
30
1
0
1
0
0
0
1
Dermatitis
30
Robbi
11
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
1
0
0
1
Dermatitis
12
1
0
1
1
0
0
1
Dermatitis
13
1
0
1
1
0
0
1
Dermatitis
0
0
1
0
1
0
Abses(bengkak)
31 32 33
Fikrul Ahnap Ahmad Najib
34
Abbas
13
0
35
Genta
11
0
1
0
0
0
0
0
Kutil
36
Sandri
15
1
0
1
0
0
0
1
Dermatitis
37
Fatah
10
1
0
1
1
0
0
1
Dermatitis
38
Asgar
9
1
0
1
1
0
0
1
Dermatitis
11
0
0
0
1
0
1
0
Abses(bengkak)
9
1
0
1
0
0
0
1
Dermatitis
9
1
0
1
0
0
0
1
Dermatitis
0
0
1
0
1
0
Infeksi
39 40 41
Genta Akbar Asgar
42
Gusti
11
0
43
Hasan
11
0
0
0
1
0
1
0
Infeksi
44
Fikrul
13
0
0
0
1
0
1
0
Infeksi
45
Noval
14
0
0
0
1
0
1
0
Abses(bengkak)
46
Dimas
14
0
0
1
0
0
0
0
Alergi
7
1
1
1
0
1
0
0
Varicela
47
Uga
48 49 50
Luthfi Noval Rivaldi
10
0
0
0
1
0
1
0
Infeksi
14
0
0
0
1
0
0
0
Luka
16
0
0
0
1
0
1
0
Infeksi
0
0
1
0
1
0
Infeksi
51
Nacep
30
0
52
Akbar
9
1
0
1
1
0
1
1
Dermatitis
53
Asgar
9
1
0
1
1
0
1
1
Dermatitis
54
Zaky
12
1
0
1
1
0
1
1
Dermatitis
55
Akbar
9
1
0
1
0
0
1
1
Dermatitis
12
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
1
0
0
1
Dermatitis
12
1
0
1
0
0
0
1
Dermatitis
0
1
0
0
1
1
Dermatitis
56 57 58
Sulthan Nabil Levy
59
Faza
13
1
60
Rifky
16
1
0
1
0
0
0
1
Dermatitis
61
Kholid
13
0
0
1
0
0
0
0
Avlesratum(luka)
62
Ismail
7
1
0
0
1
0
0
0
Luka
63
Aziz
16
1
0
1
0
0
0
1
Dermatitis
15
1
0
1
0
0
0
1
Dermatitis
15
1
0
1
0
0
0
1
Dermatitis
14
1
0
1
0
0
0
1
Dermatitis
0
1
1
0
0
1
Dermatitis
64 65 66
Fauzi Qohar Iqbal
67
Andi
16
1
68
Dwi
14
0
0
0
1
0
0
0
luka
69
Iman
14
0
0
0
1
0
0
0
luka
70
Dwi
14
0
0
0
1
0
0
0
Avlesratum
71
Haris
17
0
0
0
1
0
0
0
Avlesratum
12
0
0
0
1
0
0
0
luka
72
Nanda
73 74 75
Aldi Rifky Abul
13
1
0
1
0
0
1
1
Dermatitis
16
1
0
1
0
0
0
1
Dermatitis
12
1
1
1
1
0
0
0
Herpes
1
1
0
0
0
0
Alergi
76
Syahid
12
1
77
Fatun
13
1
0
0
0
0
1
0
Infeksi
78
Iqbal
14
0
0
0
1
0
0
0
Luka
79
Rifky
17
1
0
1
0
0
0
1
Dermatitis
80
Anggih
9
0
0
0
1
0
1
0
Infeksi
12
0
0
1
0
0
0
0
Alergi
14
0
0
0
1
0
0
0
Luka
13
1
0
1
0
0
0
1
Dermatitis
0
0
1
0
0
0
Avlesratum
81 82 83
Faza Iqbal Raka
84
Panji
12
0
85
Firdaus
15
1
0
1
0
0
0
1
Dermatitis
86
Ardan
12
1
0
1
0
0
0
1
Dermatitis
87
Rizky
17
1
0
1
0
0
0
1
Dermatitis
88
Hudzaifah
17
0
0
1
1
0
1
0
Alergi
11
1
0
1
0
0
0
1
Dermatitis
11
1
0
1
0
0
0
1
Dermatitis
9
0
0
0
1
0
0
0
Avlesratum
0
1
0
0
1
1
Dermatitis
89 90 91
Rohmat Luthfi Rifky
92
Rivaldo
11
1
93
Firas
16
0
0
0
1
0
0
0
Luka
94
Billi
11
1
0
1
1
0
1
1
Dermatitis
95
Yan
12
1
0
1
1
0
1
1
Dermatitis
96
Catur
17
1
0
1
1
0
1
1
Dermatitis
12
1
0
1
0
0
0
1
Dermatitis
97
Fahmi
98 99 100
Yoyo Farhan Asgar
40
1
0
1
0
0
0
1
Dermatitis
11
1
0
1
0
0
0
1
Dermatitis
9
0
0
0
1
0
0
0
Luka
0
0
1
0
0
0
Luka
101
Akbar
9
0
102
Ikhsan
9
0
0
0
1
0
0
0
Luka
103
Luthfi
12
1
0
1
0
0
0
1
Dermatitis
104
Zainal
14
0
0
1
1
0
1
0
Alergi
105
Rizal
12
0
0
0
0
0
1
0
Alergi
13
1
0
1
0
0
0
1
Dermatitis
14
0
1
0
0
0
0
0
Kutilan
13
1
0
1
0
0
0
1
Dermatitis
0
1
0
0
0
1
Dermatitis
106 107 108
Asep Faza Wildan
109
Dede
11
1
110
Xasump
13
1
0
1
0
0
0
1
Dermatitis
111
Rifky
13
0
0
0
1
0
1
0
Infeksi
112
Rofik
14
0
0
0
0
0
1
0
Abses(bengkak)
113
Irfan
30
1
0
1
0
0
0
1
Dermatitis
30
0
0
1
0
0
0
0
Alergi
14
0
0
0
1
0
0
0
Avlesratum
16
1
0
1
0
0
0
1
Dermatitis
0
1
1
0
1
1
Dermatitis
114 115 116
Rosyid Arif Suhendi
117
Abdurrohman
14
1
118
Supriadi
14
0
0
0
1
0
0
0
Luka
119
Saka
12
1
0
1
1
0
0
1
Dermatitis
120
Lukman
14
1
0
0
0
0
0
0
Alergi
121
Tarmidzi
30
1
0
1
0
0
0
1
Dermatitis
14
1
0
1
0
0
0
1
Dermatitis
122
Kholid
123 124 125
Agus Fahri najmuddin
17
1
0
1
0
0
0
1
Dermatitis
17
1
0
1
0
0
0
1
Dermatitis
13
0
0
0
1
0
0
0
Luka
0
0
0
0
0
0
Alergi
126
Hamzah
13
1
127
Isya
30
1
0
1
0
0
0
1
Dermatitis
128
Aldo
12
0
0
0
1
0
0
0
Avlesratum
129
Azam
13
1
0
1
1
0
1
1
Dermatitis
130
Yusuf
13
1
0
1
0
0
1
1
Dermatitis
11
1
0
1
0
0
0
1
Dermatitis
13
1
0
1
0
0
1
1
Dermatitis
13
1
0
1
1
0
1
1
Dermatitis
0
1
0
0
0
1
Dermatitis
131 132 133
Tama Jufri Ghiyyats
134
Dzikri
13
1
135
Agam
13
1
0
1
0
0
1
1
Dermatitis
136
Ical
14
1
0
1
0
0
0
1
Dermatitis
137
wimpi
13
1
0
1
0
0
0
1
Dermatitis
138
Irfan
12
1
0
1
0
0
0
1
Dermatitis
14
1
0
1
0
0
0
1
Dermatitis
40
1
0
1
0
0
0
1
Dermatitis
10
1
0
1
0
0
0
1
Dermatitis
0
1
0
0
0
1
Dermatitis
139 140 141
Thoriq Tono Zubair
142
Aldi
11
1
143
Dede Ali
11
1
0
1
0
0
0
1
Dermatitis
144
Shomad
30
0
0
0
1
0
1
0
Infeksi
145
Tono
30
1
0
1
0
0
0
1
Dermatitis
146
Dzaky
13
0
0
0
1
0
0
0
Luka
10
1
0
1
0
0
1
1
Dermatitis
147
Bayu
148 149 150
Isya Figo Dede
30
1
0
1
0
0
0
1
Dermatitis
13
0
0
0
1
0
0
0
Avlesratum
11
1
0
1
0
0
1
1
Dermatitis
0
1
1
0
0
1
Dermatitis
151
Fauzi
14
1
152
Ahmad
30
1
0
1
0
0
0
1
Dermatitis
153
Samsir
30
0
0
0
1
0
1
0
Infeksi
154
Hasyim
40
1
0
1
0
0
0
1
Dermatitis
155
Gani
13
0
0
1
0
0
0
0
Alergi
15
0
0
0
1
0
0
0
Luka
19
1
0
1
0
0
0
1
Dermatitis
12
1
0
1
0
0
1
1
Dermatitis
1
0
0
0
0
0
Kutilan
156 157 158
Ando Sultan Rofik
159
Andi
17
0
160
Heri
30
1
0
1
0
0
1
1
Dermatitis
161
Diaz
13
1
0
1
0
0
0
1
Dermatitis
162
Kaab
13
1
0
1
0
0
1
1
Dermatitis
163
Yusuf
13
1
0
1
0
0
0
1
Dermatitis
40
1
0
1
0
0
0
1
Dermatitis
14
0
1
1
0
0
0
0
Alergi
164 165
Guntur Raka
Keterangan: 0 = Gejala tidak dikeluhkan oleh pasien 1 = Gejala dikeluhkan oleh pasien
Lampiran A.3.
Tabel Data Arsip Rekam Medik Untuk Diproses Dengan Software Rapidminer No
Kemerahan
Vesikel
gatal
luka
panas
infeksi
class_dermatitis
1
1
0
1
0
0
0
Y
2
1
0
1
0
0
0
Y
3
0
0
1
0
0
1
N
4
1
1
1
0
1
0
N
5
1
0
1
1
0
1
Y
6
1
0
1
0
0
1
Y
7
1
1
1
0
1
0
N
8
1
0
1
1
0
1
Y
9
1
1
1
0
1
0
N
10
1
1
1
0
0
0
N
11
1
0
0
1
0
1
N
12
1
0
1
0
0
0
Y
13
1
0
1
1
0
1
Y
14
1
0
1
0
0
1
Y
15
1
0
1
1
0
0
Y
16
0
0
0
1
0
1
N
17
1
0
0
1
0
1
N
18
1
0
1
0
0
1
Y
19
1
0
1
0
0
1
Y
20
0
0
0
1
0
1
N
21
1
0
1
0
0
1
Y
22
1
0
1
1
0
0
Y
23
1
0
1
1
0
0
Y
24
1
0
1
0
0
0
Y
25
1
0
1
0
0
1
Y
26
1
0
1
0
0
1
Y
27
1
0
1
0
0
0
Y
28
1
0
1
0
0
0
Y
29
1
0
1
0
0
0
Y
30
1
0
1
0
0
0
Y
31
1
0
1
1
0
0
Y
32
1
0
1
1
0
0
Y
33
1
0
1
1
0
0
Y
34
0
0
0
1
0
1
N
35
0
1
0
0
0
0
N
36
1
0
1
0
0
0
Y
37
1
0
1
1
0
0
Y
38
1
0
1
1
0
0
Y
39
0
0
0
1
0
1
N
40
1
0
1
0
0
0
Y
41
1
0
1
0
0
0
Y
42
0
0
0
1
0
1
N
43
0
0
0
1
0
1
N
44
0
0
0
1
0
1
N
45
0
0
0
1
0
1
N
46
0
0
1
0
0
0
N
47
1
1
1
0
1
0
N
48
0
0
0
1
0
1
N
49
0
0
0
1
0
0
N
50
0
0
0
1
0
1
N
51
0
0
0
1
0
1
N
52
1
0
1
1
0
1
Y
53
1
0
1
1
0
1
Y
54
1
0
1
1
0
1
Y
55
1
0
1
0
0
1
Y
56
1
0
1
0
0
0
Y
57
1
0
1
1
0
0
Y
58
1
0
1
0
0
0
Y
59
1
0
1
0
0
1
Y
60
1
0
1
0
0
0
Y
61
0
0
1
0
0
0
N
62
1
0
0
1
0
0
N
63
1
0
1
0
0
0
Y
64
1
0
1
0
0
0
Y
65
1
0
1
0
0
0
Y
66
1
0
1
0
0
0
Y
67
1
0
1
1
0
0
Y
68
0
0
0
1
0
0
N
69
0
0
0
1
0
0
N
70
0
0
0
1
0
0
N
71
0
0
0
1
0
0
N
72
0
0
0
1
0
0
N
73
1
0
1
0
0
1
Y
74
1
0
1
0
0
0
Y
75
1
1
1
1
0
0
N
76
1
1
1
0
0
0
N
77
1
0
0
0
0
1
N
78
0
0
0
1
0
0
N
79
1
0
1
0
0
0
Y
80
0
0
0
1
0
1
N
81
0
0
1
0
0
0
N
82
0
0
0
1
0
0
N
83
1
0
1
0
0
0
Y
84
0
0
0
1
0
0
N
85
1
0
1
0
0
0
Y
86
1
0
1
0
0
0
Y
87
1
0
1
0
0
0
Y
88
0
0
1
1
0
1
N
89
1
0
1
0
0
0
Y
90
1
0
1
0
0
0
Y
91
0
0
0
1
0
0
N
92
1
0
1
0
0
1
Y
93
0
0
0
1
0
0
N
94
1
0
1
1
0
1
Y
95
1
0
1
1
0
1
Y
96
1
0
1
1
0
1
Y
97
1
0
1
0
0
0
Y
98
1
0
1
0
0
0
Y
99
1
0
1
0
0
0
Y
100
0
0
0
1
0
0
N
101
0
0
0
1
0
0
N
102
0
0
0
1
0
0
N
103
1
0
1
0
0
0
Y
104
0
0
1
1
0
1
N
105
0
0
0
0
0
1
N
106
1
0
1
0
0
0
Y
107
0
1
0
0
0
0
N
108
1
0
1
0
0
0
Y
109
1
0
1
0
0
0
Y
110
1
0
1
0
0
0
Y
111
0
0
0
1
0
1
N
112
0
0
0
0
0
1
N
113
1
0
1
0
0
0
Y
114
0
0
1
0
0
0
N
115
0
0
0
1
0
0
N
116
1
0
1
0
0
0
Y
117
1
0
1
1
0
1
Y
118
0
0
0
1
0
0
N
119
1
0
1
1
0
0
Y
120
1
0
0
0
0
0
N
121
1
0
1
0
0
0
Y
122
1
0
1
0
0
0
Y
123
1
0
1
0
0
0
Y
124
1
0
1
0
0
0
Y
125
0
0
0
1
0
0
N
126
1
0
0
0
0
0
N
127
1
0
1
0
0
0
Y
128
0
0
0
1
0
0
N
129
1
0
1
1
0
1
Y
130
1
0
1
0
0
1
Y
131
1
0
1
0
0
0
Y
132
1
0
1
0
0
1
Y
133
1
0
1
1
0
1
Y
134
1
0
1
0
0
0
Y
135
1
0
1
0
0
1
Y
136
1
0
1
0
0
0
Y
137
1
0
1
0
0
0
Y
138
1
0
1
0
0
0
Y
139
1
0
1
0
0
0
Y
140
1
0
1
0
0
0
Y
141
1
0
1
0
0
0
Y
142
1
0
1
0
0
0
Y
143
1
0
1
0
0
0
Y
144
0
0
0
1
0
1
N
145
1
0
1
0
0
0
Y
146
0
0
0
1
0
0
N
147
1
0
1
0
0
1
Y
148
1
0
1
0
0
0
Y
149
0
0
0
1
0
0
N
150
1
0
1
0
0
1
Y
151
1
0
1
1
0
0
Y
152
1
0
1
0
0
0
Y
153
0
0
0
1
0
1
N
154
1
0
1
0
0
0
Y
155
0
0
1
0
0
0
N
156
0
0
0
1
0
0
N
157
1
0
1
0
0
0
Y
158
1
0
1
0
0
1
Y
159
0
1
0
0
0
0
N
160
1
0
1
0
0
1
Y
161
1
0
1
0
0
0
Y
162
1
0
1
0
0
1
Y
163
1
0
1
0
0
0
Y
164
1
0
1
0
0
0
Y
165
0
1
1
0
0
0
N
166
1
0
1
0
0
0
Y
167
1
0
1
0
0
0
Y
168
0
1
0
0
0
1
N
169
1
0
1
0
0
0
Y
170
1
0
1
0
0
0
Y
171
1
0
1
0
0
0
Y
172
1
0
1
0
0
0
Y
173
1
0
1
0
0
0
Y
174
1
0
1
0
0
0
Y
175
1
1
1
1
0
0
N
176
1
0
0
0
0
1
N
177
1
0
1
0
0
0
Y
178
1
1
1
0
0
0
N
179
1
0
1
0
0
0
Y
180
1
0
1
0
0
0
Y
181
1
0
1
0
0
0
Y
182
1
0
1
0
0
0
Y
183
1
0
1
0
0
0
Y
184
1
0
1
0
0
0
Y
185
1
0
1
0
0
0
Y
186
1
0
1
0
0
0
Y
187
1
0
1
0
0
0
Y
188
1
0
1
0
0
0
Y
189
1
0
1
0
0
1
Y
190
1
0
1
0
0
0
Y
191
1
0
1
0
0
0
Y
192
0
1
0
0
0
1
N
193
1
0
1
0
0
0
Y
194
1
0
1
1
0
0
Y
195
0
1
0
0
0
1
N
196
1
0
1
0
0
1
Y
197
1
0
1
0
0
0
Y
198
1
0
1
0
0
1
Y
199
1
0
1
0
0
0
Y
200
1
0
1
0
0
0
Y
201
1
0
1
0
0
0
Y
202
0
0
0
1
0
1
N
203
1
0
1
0
0
1
Y
204
0
0
0
1
0
1
N
205
1
0
1
1
0
0
Y
206
1
0
1
0
0
1
Y
207
1
0
1
0
0
0
Y
208
1
0
1
0
0
0
Y
209
1
0
1
0
0
0
Y
210
1
0
1
0
0
0
Y
211
1
0
1
0
0
0
Y
212
1
0
1
0
0
0
Y
213
1
0
1
0
0
0
Y
214
1
0
1
0
0
0
Y
215
1
0
1
0
0
0
Y
216
1
0
1
0
0
1
Y
217
1
0
1
0
0
0
Y
218
1
0
1
0
0
0
Y
219
1
0
1
0
0
1
Y
220
1
0
1
0
0
0
Y
221
1
0
1
0
0
0
Y
222
1
0
1
0
0
0
Y
223
1
0
1
0
0
0
Y
224
1
0
1
0
0
0
Y
225
1
0
1
0
0
0
Y
226
1
0
1
0
0
0
Y
227
1
0
1
0
0
0
Y
228
1
0
1
0
0
0
Y
Keterangan: Y = Penyakit Kulit Yang Termasuk Dermatitis N = Penyakit Kulit Yang Tidak Termasuk Dermatitis
Lampiran B.1.
Penghitungan Manual Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes Pada penghitungan manual, peneliti membutuhkan satu sampel set data pengujian untuk mendapatkan penghitungan metode klasifikasi naïve bayes. Sampel tersebut merupakan sampel yang diambil dari populasi data yang berjumlah 228 data. Sampel tersebut adalah sampel data ke-166 yang diperlihatkan oleh gambar berikut:
Gambar Lampiran B.1.1 Sampel Data Pengujian
Sampel tersebut, mempunyai karakteristik gejala kulit kemerahan dan gatal, oleh karena itu, peneliti membuat penghitungan dari 165 sampel yang telah peneliti lampirkan di lampiran A.2 berdasarkan gejala-gejala tersebut. 1. Mencari
nilai
prior
probability
untuk
class_dermatitis=”Yes”
dan
class_dermatitis=”No”, yaitu: a. P(class_dermatitis=”Yes”) = 102/165 = 0,618 b. P(class_dermatitis=”No”) = 63/165 = 0,382 2. Setelah prior probability ditemukan, maka peneliti akan menghitung nilai dari masing-masing atribut gejala berdasarkan gejala-gejala yang dialami oleh sampel tersebut pada kelas-kelas dermatitis. a. P(kulit_kemerahan = 1 | class_dermatitis=”Yes”) = 102/102 = 1 b. P(kulit_kemerahan = 1 | class_dermatitis=”No”) = 13/63 = 0,206 c. P(vesikel = 0 | class_dermatitis=”Yes”) = 102/102 = 1 d. P(vesikel = 0 | class_dermatitis=”No”) = 52/63 = 0,825
e. P(gatal = 1 | class_dermatitis=”Yes”) = 102/102 = 1 f. P(gatal = 1 | class_dermatitis=”No”) = 16/63 = 0,254 g. P(luka = 0 | class_dermatitis=”Yes”) = 78/102 = 0,765 h. P(luka = 0 | class_dermatitis=”No”) = 21/63 = 0,333 i. P(panas = 0 | class_dermatitis=”Yes”) = 102/102 = 1 j. P(panas = 0 | class_dermatitis=”No”) = 59/63 = 0,937 k. P(infeksi = 0 | class_dermatitis=”Yes”) = 71/102 = 0,696 l. P(infeksi = 0 | class_dermatitis=”No”) = 40/63 = 0,635 3. Setelah mendapatkan nilai dari seluruh atribut pada masing-masing kelas, maka peneliti membuat penghitungan nilai keseluruhan atribut dari masing-masing kelas: a. P(X| class_dermatitis=”Yes”) = 1 X 1 X 1X 0,765 X 1 X 0,696 = 0,532 b. P(X| class_dermatitis=”No”) = 0,206 X 0,825 X 0,254 X 0,333 X 0,937 X 0,635 = 0,009 4. Setelah menemukan hasil penghitungan nilai keseluruhan atribut dari masingmasing kelas, maka peneliti membuat penghitungan nilai dari setiap kelas yang dihasilkan berdasarkan nilai keseluruhan atribut dari masing-masing kelas dengan nilai prior probability yang telah dihitung sebelumnya: a. P(X| class_dermatitis=”Yes”)P(class_dermatitis=”Yes”) = 0,532 X 0,618 = 0,329 b. P(X| class_dermatitis=”No”)P(class_dermatitis=”No”) = 0,009 X 0,382 = 0,003 5. Maka, berdasarkan hasil penghitungan pada poin keempat didapatkan hasil: P(X|
class_dermatitis=”Yes”)P(class_dermatitis=”Yes”)
>
P(X|
class_dermatitis=”No”)P(class_dermatitis=”No”).
Artinya,
gejala-gejala
yang ditimbulkan dari sampel data ke-166 merupakan gejala-gejala penyakit kulit yang termasuk dermatitis.
Lampiran C.1. Catatan Anekdot Nama Sekolah
: SMPIT AL BINAA IBS
Tanggal Pengamatan
: 2-4 Agustus 2015
Objek penelitian
: Siswa, Guru, dan Karyawan
Catatan:
Terdapat 2 orang siswa yang saat itu menderita penyakit kulit yang termasuk 1 dermatitis, dengan ciri-ciri: kulit kemerahan dan gatal Kualitas air di SMPIT AL BINAA IBS kurang baik, karena sekolah tersebut 2
terletak di daerah persawahan yang pada umumnya kualitas air di tempat tersebut rendah. Ada siswa yang jarang mengganti pakaiannya dalam satu hari, sehingga
3
keringat pada pakaian tersebut akan menempel pada pakaian tersebut dan menyebabkan kemunculan bakteri. Lingkungan SMPIT AL BINAA IBS yang mengharuskan seluruh siswa untuk
4 berasrama memudahkan penularan penyakit kulit secara cepat.
Lampiran C.2. Laporan Wawancara Nama Pewawancara/NIM :Muhammad Ihrom/11122703 Program Studi
:Sistem Informasi
Keperluan
:Untuk penelitian dalam skripsi
Judul Skripsi
:Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School
Nama Responden
: Bapak Ade Darsono (Bapak Ade)
Jabatan
: Petugas Kesehatan SMPIT AL BINAA IBS
Tanggal No 1
: 5 Agustus 2015 Pertanyaan
Jawaban
Apa penyebab-penyebab kejadian Ada beberapa penyebab yang menyebabkan kejadian penyakit kulit yang terjadi di penyakit kulit terjadi di SMPIT AL BINAA IBS, SMPIT AL BINAA IBS?
yaitu: 1. Beberapa siswa kurang memperhatikan kesehatan pakaian
mereka,
sehingga
mereka
jarang
mengganti pakaian mereka. Idealnya, siswa mengganti pakaian mereka setelah mereka mandi atau 2 kali sehari. 2. Beberapa siswa memiliki kulit yang sensitif yang menyebabkan
kulit
mereka
mudah
terkena
penyakit kulit. Hal ini disebabkan tempat asal mereka memiliki
kualitas air
yang bagus,
sedangkan di SMPIT AL BINAA IBS memiliki kualitas air yang rendah. Oleh karena itu, kulit mereka akan beradaptasi dengan air di lingkungan sekolah ini, walaupun berakibat seringnya terkena penyakit kulit yang masih dapat diantisipasi. 3. Kamar asrama yang kotor, akan menyebabkan penumpukan debu. Debu merupakan tempat yang nyaman untuk bakteri tinggal dan dapat masuk ke dalam pori-pori manusia yang menyebabkan terjadinya berbagai macam penyakit kulit.
4. Musim hujan merupakan musim yang keluhan terhadap penyakit kulit lebih tinggi dari musimmusim yang lain. Hal ini disebabkan tingginya kelembapan pada musim tersebut. Cuaca yang lembap akan memudahkan pertumbuhan bakteri, jamur, dan virus yang dapat menyebabkan penyakit kulit. Oleh karena itu, sebisa mungkin pakaian harus terjaga kebersihannya dan tidak lembap untuk mencegah penyebaran penyakit kulit. 2
Bagaimana Bapak Ade berusaha Ada beberapa hal yang telah dilakukan untuk untuk
mencegah
penyakit ini?
penularan mencegah penyakit kulit ini menyebar sehingga terjadi epidemi, yaitu: 1. Memberikan
penyuluhan
tentang
pendidikan
kesehatan yang harus diketahui oleh seluruh keluarga
besar
SMPIT
AL
BINAA
IBS.
Sehingga, seluruh keluarga besar SMPIT AL BINAA IBS mengetahui hal-hal yang harus dilakukan dan hal-hal yang harus dihindari untuk mencegah penyakit kulit ini menyebar. 2. Menggunakan sabun anti bakteri atau lebih dikenal dengan sabun yang mengandung TCC (Triclosan).
Sabun
ini
diharapkan
dapat
meminimalisir angka kejadian penyakit kulit
karena sifatnya yang membunuh bakteri. 3. Penyuluhan untuk sering mengganti pakaian yang telah dipakai selama satu hari. Hal ini disebabkan sifat pakaian yang menyerap keringat yang menyebabkan
pakaian
tersebut
lembap.
Kelembapan pada pakaian dapat menyebabkan bakteri
tumbuh
subur.
Oleh
karena
itu,
penggantian pakaian yang lebih sering akan meminimalkan kejadian penyakit kulit pada siswa atau guru atau karyawan tersebut. 3
Apa saja gejala penyakit kulit Hal ini bergantung pada penyakit kulit yang diderita pada umumnya?
oleh pasien tersebut. Saya berikan contoh:
1. Dermatitis Pada penyakit ini, akan ditemui kulit yang berwarna kemerahan dan rasa gatal pada daerah tersebut. Hal ini disebabkan peradangan pada bagian kulit tersebut yang berasal dari bagian dalam tubuh kita. 2. Varicela Pada penyakit ini, pasien akan mengalami demam dan muncul bintik-bintik yang berisi air serta bintik-bintik tersebut semakin membesar hingga fase penyembuhan. Penyakit ini disebabkan oleh
virus varicela yang dapat menular melalui udara, sehingga penderita penyakit ini harus dikarantina. 3. Panu atau Kutu Air Penyakit ini ditandai dengan adanya sisik atau bagian tubuh yang berwarna putih yang disertai rasa gatal. Penyebab penyakit ini disebabkan oleh salah satu species jamur yang dapat tumbuh di tubuh manusia. Akibat dari pertumbuhan jamur tersebut
di
tubuh
manusia,
menyebabkan
kerusakan jaringan pada bagian tubuh manusia tersebut yang ditandai dengan warna keputihan dan rasa gatal pada bagian tersebut.
4. Infeksi Penyakit ini muncul sebagai akibat dari luka yang terkontaminasi dengan bakteri yang menyebabkan sel darah putih melawan bakteri tersebut. Akibat dari perlawanan sel darah putih tersebut, maka sel darah putih yang mati akan membentuk sebuah cairan berwarna kuning yang disebut nanah. Apabila nanah tersebut menumpuk pada salah satu anggota tubuh, akan menyebabkan bakteri tumbuh dan menimbulkan abses (bengkak). Oleh karena itu, perawatan pertama saat terjadi luka
dibutuhkan untuk menghindari infeksi tersebut, yaitu: dengan memberikan cairan rivanol atau cairan
povidone
iodine
(betadine)
untuk
membunuh kuman-kuman yang akan masuk ke dalam luka yang terbuka.
PANDUAN PENGGUNAAN HAK CIPTA
Skripsi sarjana yang berjudul “Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School” adalah hasil karya tulis asli MUHAMMAD IHROM dan bukan hasil terbitan sehingga peredaran karya tulis hanya berlaku dilingkungan akademik saja, serta memiliki hak cipta. Oleh karena itu, dilarang keras untuk menggandakan baik sebagian maupun seluruhnya karya tulis ini, tanpa seizin penulis. Referensi kepustakaan diperkenankan untuk dicatat tetapi pengutipan atau peringkasan isi tulisan hanya dapat dilakukan dengan seizin penulis dan
disertai ketentuan pengutipan secara ilmiah dengan menyebutkan
sumbernya. Untuk keperluan perizinan pada pemilik dapat menghubungi informasi yang tertera di bawah ini:
Nama IHROM Alamat no.2, Bintaro Sektor IX, Tangerang
: MUHAMMAD : JL. Kucica I, Blok JG.4
Selatan, Banten, 15229 No. Telp dengan SMS atau WhatsApp dengan
: 0852186861815 (Konfirmasi
menyebutkan nama dan kampus) E-mail
[email protected]
:
Media Sosial : Facebook.com/muhihrom, twitter: @muhammad_ihrom_
