Upload
others
View
3
Download
0
Embed Size (px)
Citation preview
SISTEM PAKAR UNTUK DIAGNOSA AWAL
PENYAKIT PREEKLAMPSIA PADA IBU HAMIL
MENGGUNAKAN METODE NAÏVE BAYES
SKRIPSI
Oleh:
MELAN HANDAYANI
311410389
TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
SISTEM PAKAR UNTUK DIAGNOSA AWAL
PENYAKIT PREEKLAMPSIA PADA IBU HAMIL
MENGGUNAKAN METODE NAÏVE BAYES
SKRIPSI
Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan
Program Strata Satu (S1) pada Program Studi Teknik Informatika
Oleh:
MELAN HANDAYANI
311410389
TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
2018
i
ii
iii
PERNYATAAN KEASLIAN PENELITIAN
Saya yang bertandatangan dibawah ini menyatakan bahwa, skripsi ini merupakan
karya saya sendiri (ASLI), dan isi dalam skripsi ini tidak terdapat karya yang pernah
diajukan oleh orang lain untuk memperoleh gelar akademis di suatu institusi
pendidikan tinggi manapun, dan sepanjang pengetahuan saya juga tidak terdapat
karya atau pendapat yang pernah ditulis dan/atau diterbitkan oleh orang lain,
kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam daftar
pustaka.
Segala sesuatu yang terkait dengan naskah dan karya yang telah dibuat adalah
menjadi tanggungjawab saya pribadi.
Bekasi, 30 Oktober 2018
Materai 6.000
Melan Handayani
NIM: 311410389
iv
KATA PENGANTAR
Puji syukur penulis panjatkan ke hadiran Allah SWT. yang telah melimpahkan
segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang berjudul
“SISTEM PAKAR UNTUK DIAGNOSA AWAL PENYAKIT PREEKLAMPSIA
PADA IBU HAMIL MENGGUNAKAN METODE NAIVE BAYES”
Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam
rangka menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer (S.Kom.)
pada Program Studi Teknik Informatika di Sekolah Tinggi Teknologi Pelita Bangsa.
Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan
terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah
selayaknya, dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan
terima kasih yang sebesar-besarnya kepada:
a. Bapak Dr. Ir. Suprianto, M.P selaku Ketua STT Pelita Bangsa
b. Bapak Aswan S. Sunge, S.Kom, M.Kom selaku Ketua Program Studi Teknik
Informatika STT Pelita Bangsa.
c. Bapak Abdul Halim Anshor, S.Kom, M.Kom selaku Pembimbing Utama yang
telah banyak memberikan arahan dan bimbingan kepada penulis dalam
penyusunan Skripsi ini.
d. Bapak Ahmad Aguswin, S.T, M.M selaku Pembimbing Kedua yang telah
banyak memberikan arahan dan bimbingan kepada penulis dalam penyusunan
Skripsi ini.
e. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan
wawasan dan ilmu di bidang teknik informatika.
f. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya
kepada penulis selama perjalanan studi jenjang Strata 1.
g. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang
telah banyak memberikan inspirasi dan semangat kepada penulis untuk dapat
menyelesaikan studi jenjang Strata 1.
v
h. Suami tercinta yang senantiasa mendukung dan membantu selama proses
bimbingan skripsi, serta putra tercinta Al Zaidan Faeyza penyemangat dalam
penulisan skripsi ini
i. Ibu dan Alm. Ayah tercinta yang senantiasa mendo’akan dan memberikan
semangat dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis.
Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang terdapat
dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan manfaat bagi
khasanah pengetahuan Teknologi Informasi di lingkungan STT Pelita Bangsa
khususnya dan Indonesia pada umumnya.
Bekasi, Oktober 2018
Penulis
vi
DAFTAR ISI
PERSETUJUAN......................................................................................................i
PENGESAHAN......................................................................................................ii
PERNYATAAN KEASLIAN PENELITIAN.....................................................iii
KATA PENGANTAR...........................................................................................iv
DAFTAR ISI ....................................................................................................... ..vi
DAFTAR TABEL ................................................................................................. x
DAFTAR GAMBAR ............................................................................................ xi
ABSTRACT ......................................................................................................... xii
ABSTRAK .......................................................................................................... xiii
BAB I PENDAHULUAN ...................................................................................... 1
1.1 Latar Belakang….........................................................................................1
1.2 Identifikasi Masalah.....................................................................................3
1.3 Rumusan Masalah........................................................................................3
1.4 Batasan Masalah..........................................................................................3
1.5 Tujuan dan Manfaat Penelitian....................................................................4
1.5.1 Tujuan Penelitian.............................................................................4
1.5.2 Manfaat Penelitian...........................................................................4
vii
1.6 Metode Pengumpulan Data...........................................................................5
1.6.1 Metode Observasi...................................................................................6
1.6.2 Metode Pustaka.......................................................................................6
1.6.3 Wawancara.............................................................................................6
1.7 Sistematika Penulisan...................................................................................7
BAB II TINJAUAN PUSTAKA ........................................................................... 8
2.1 Penelitian Terdahulu.....................................................................................8
2.2 Dasar Teori.................................................................................................10
2.2.1 Kehamilan Preeklampsia......................................................................10
2.2.2 Derajat Tingkat Preeklampsia..............................................................15
2.3 Kecerdasan Buatan.....................................................................................17
2.4 Sistem Pakar...............................................................................................20
2.4.1 Struktur Sistem Pakar..........................................................................20
2.5 Algoritma Naïve Bayes..............................................................................23
2.6 Teori Bahasa Pemograman.........................................................................27
2.6.1 Sejarah PHP.........................................................................................27
2.6.2 Bahasa Pemograman PHP....................................................................28
2.6.3 Xampp..................................................................................................29
2.6.4 Notepad++............................................................................................30
2.5.5 Database yang digunakan MySQL.......................................................31
BAB III METODE PENELITIAN .................................................................... 32
viii
3.1 Tempat dan Waktu Penelitian.....................................................................32
3.2 Objek Penelitian..........................................................................................32
3.3 Perangkat Keras dan Perangkat Lunak Pendukung.....................................32
3.4 Tahapan Penelitian......................................................................................33
3.4.1 Studi Pustaka........................................................................................34
3.4.2 Pengumpulan Data...............................................................................34
3.4.3 Praproses Data.....................................................................................35
3.4.4 Perancangan Basis Data......................................................................38
3.4.5 Perancangan Diagram Alir Program...................................................40
3.4.6 Perancangan Desain Antarmuka..........................................................42
3.4.7 Analisa Hasil Perhitungan....................................................................42
BAB IV HASIL DAN PEMBAHASAN ............................................................ 47
4.1 Hasil Pengumpulan Data............................................................................47
4.2 Hasil Praproses Data..................................................................................48
4.3 Hasil Perancangan Basis Data...................................................................49
4.4 Hasil Perancangan Desain Antarmuka......................................................51
4.5 Analisa Hasil Perhitungan Naïve Bayes...................................................55
4.5.1 Menghitung Probabilitas Kelas.....................................................55
4.5.2 Menghitung Probabilitas Masing-masing Atribut.........................56
4.5.3 Menghitung Probabilitas Akhir untuk setiap Kelas...................... 59
ix
4.5.4 Kasus Perhitungan Naive Bayes................................................... 59
4.6 Uji Akurasi Sistem Pakar.......................................................................... 61
BAB V KESIMPULAN ...................................................................................... 64
5.1 Kesimpulan................................................................................................64
5.2 Saran..........................................................................................................64
DAFTAR PUSTAKA .......................................................................................... 66
LAMPIRAN
x
DAFTAR TABEL
Tabel 3.1 Atribut Penyakit Preeklampsia.............................................................. 35
Tabel 3.2 Nilai Atribut .......................................................................................... 36
Tabel 3.3 Perancangan Basis Data ........................................................................ 39
Tabel 4.1 Nilai Atribut .......................................................................................... 43
Tabel 4.2 Probabilitas Kelas ................................................................................. 56
Tabel 4.3 Atribut Usia Ibu .................................................................................... 56
Tabel 4.4 Atribut Usia Kehamilan ........................................................................ 56
Tabel 4.5 Atribut Tekanan Darah Sistolik ............................................................ 57
Tabel 4.6 Atribut Tekanan Darah Diastolik .......................................................... 57
Tabel 4.7 Atribut Kenaikan Berat Badan .............................................................. 58
Tabel 4.8 Atribut Protenuria ................................................................................. 58
Tabel 4.9 Atribut Edema ....................................................................................... 58
Tabel 4.10 Data Testing ........................................................................................ 57
Tabel 4.11 Hasil Uji Akurasi Pakar ...................................................................... 61
xi
DAFTAR GAMBAR
Gambar 3.1 Diagram Alir Tahapan Penelitian ...................................................... 32
Gambar 3.2 Diagram Alir Program ....................................................................... 41
Gambar 3.3 Tampilan Website ............................................................................. 42
Gambar 3.4 Tampilan Form Login ....................................................................... 42
Gambar 4.1 Dokumen Antenatal care .................................................................. 48
Gambar 4.2 Hasil Tampilan Tabel Gejala............................................................. 50
Gambar 4.3 Hasil Tampilan Tabel Admin ............................................................ 50
Gambar 4.4 Hasil Tampilan Tabel Basis Aturan .................................................. 51
Gambar 4.5 Hasil Tampilan Tabel Nama Penyakit .............................................. 51
Gambar 4.6 Hasil Tampilan Tabel Solusi ............................................................. 51
Gambar 4.7 Tampilan Halaman Home ................................................................. 52
Gambar 4.8 Tampilan Halaman Tentang Preeklampsia ....................................... 52
Gambar 4.9 Tampilan Halaman Layanan ............................................................. 53
Gambar 4.10 Tampilan Halaman Tes Preeklampsia ............................................. 53
Gambar 4.11 Form Login ...................................................................................... 54
Gambar 4.12 Tampilan Halaman Team ................................................................ 54
Gambar 4.13 Tampilan Halaman Metode ............................................................. 55
xii
ABSTRACT
Eclampsia ranks second cause of maternal death. Preeclampsia diagnosis, which
is a prelude to eclampsia, needs to be implemented to reduce maternal and child
mortality. The purpose of this study was to create an expert system for early
diagnosis of preeclampsia in pregnant women using the naïve Bayes method. Stages
of research methodology include literature study, data collection, data processing,
database design, program flow diagram design, interface design design,
calculation analysis. The variables used are 7, namely systolic blood pressure,
diastolic blood pressure, weight gain, gestational age, maternal age, edema,
proteinin. The system output is a diagnosis of mild preeclampsia, or severe
preeclampsia. This expert system implementation uses a web base with the
language of the PHP program. To find out the accuracy of the system, the system
evaluation is done by comparing the expert results with the system results on 10
testing data, and getting the result 1 shows the wrong results and 9 results are
correct. Thus the system accuracy percentage is 90%.
Keyworad: Expert System, Diagnosis, Preeclampsia, Naive Bayes, Web.
xiii
ABSTRAK
Eklampsia menempati urutan kedua penyebab kematian ibu. Diagnosa
Preeklampsia yang merupakan pendahuluan dari eklampsia perlu dilaksanakan
untuk menurunkan angka kematian ibu dan anak. Tujuan penelitian ini adalah
membuat sistem pakar untuk dignosa awal penyakit preeklampsia pada ibu hamil
menggunakan metode naïve bayes.Tahapan metodologi penelitian meliputi studi
pustaka, pengumpulan data, praproses data, perancangan basis data, perancangan
diagram alir program, perancangan desain antarmuka, analisis hasl perhitungan.
Variabel yang digunakan ada 7 yaitu tekanan darah sistolik, tekanan darah diastolik,
kenaikan berat badan, Usia Kehamilan, Usia Ibu, Edema, Proteinuria. Output sistem
berupa diagnosa preeklampsia ringan, atau preeklampsia berat. Implementasi
sistem pakar ini menggunakan basis web dengan bahasa program PHP. Untuk
mengetahui akurasi sistem dilakukan evaluasi sistem dengan cara membandingkan
hasil pakar dengan hasil sistem terhadap 10 data testing, dan mendapatkan hasil 1
menunjukkan hasil salah dan 9 hasil benar. Dengan demikian prosentase akurasi
sistem sebesar 90%.
Kata kunci: Sistem Pakar, Diagnosa, Preeklampsia, Naive Bayes, Web
14
BAB I
PENDAHULUAN
1.1 Latar Belakang
Angka Kematian Ibu (AKI) di Indonesia masih sangat tinggi dan tertinggi di
antara negara-negara ASEAN. Pada tahun 1990, AKI berada pada tingkat 390 per
100.000 kelahiran hidup, dan survei pada tahun 2002-2003 menghasilkan perkiraan
sebesar 307 per 100.000 kelahiran. Namun, hasil analisa menyimpulkan bahwa
keadaannya sangat mencemaskan bagi perempuan indonesia. Walaupun
perbandingan kedua angka tersebut sepertinya menunjukan penurunan, namun
karena hasil survei sangat peka terhadap sampling eror maka sukar menyimpulkan
dengan pasti bahwa memang terjadi penurunan dalam angka kematian ibu selama
10 hingga 15 tahun yang lalu di Indonesia. (AIPI, 2012). Salah satu target
pencapaian dari Milenium Development Goals (MDGs) pada tahun 2015 adalah
meningkatkan kesehatan ibu dengan mengurangi rasio kematian ibu sebesar 102
per 100.000 kelahiran hidup. Walaupun pelayanan antenatal (pemeriksaan sebelum
kelahiran) dan pertolongan persalinan oleh tenaga kesehatan terlatih cukup tinggi,
beberapa faktor seperti risiko tinggi pada saat kehamilan dan aborsi perlu mendapat
perhatian. Ke depan, upaya peningkatan kesehatan ibu diprioritaskan pada
perluasan pelayanan kesehatan berkualitas.
Pelayanan obstetrik yang komperehensif, peningkatan pelayanan keluarga
berencana dan penyebarluasan komunikasi, informasi dan edukasi kepada
15
masyarakat. (Bappenas, 2013). Penyebab kematian ibu yang paling umum di
Indonesia disebabkan oleh obstetri langsung, diantaranya perdarahan sebanyak
28%, eklampsia sebanyak 24%, dan infeksi sebanyak 11%, sedangkan penyebab
obstetri tidak langsung adalah trauma obstetri 5% dan lain-lain 11%. (BKKBN,
2010). Berdasarkan prosentase penyebab kematian ibu menunjukkan bahwa
eklampsia menempati urutan kedua penyebab kematian ibu pada masa kehamilan.
Eklampsia merupakan pendahulu dari preeklampsia. Preeklampsia merupakan
penyakit dengan tanda-tanda hipertensi, edema, dan proteinuria yang timbul karena
kehamilan (Wiknjosastro, et al., 2005). Kematian ini umumnya dapat dicegah
apabila dapat di deteksi sejak dini, kemudian mendapatkan penanganan yang tepat
pada saat yang paling kritis yaitu pada masa sekitar persalinan (Faiqoh, et al., 2014).
Sistem Pakar adalah paket perangkat lunak pengambilan keputusan yang dapat
mencapai tingkat performa yang setara atau bahkan lebih dengan pakar manusia di
beberapa bidang khusus. Ide dasar dibalik sistem pakar adalah sederhana, keahlian
ditransfer dari pakar ke suatu komputer. Pengetahuan ini kemudian disimpan di
dalam komputer, dan pengguna menjalankan komputer untuk nasihat spesifik yang
diperlukan. Sistem pakar menanyakan fakta-fakta dan dapat membuat inferensi dan
sampai pada suatu kesimpulan khusus. Kemudian, seperti konsultan manusia, ia
menasihati nonexpert dan menjelaskan, jika perlu, logika di balik nasihat yang
diberikan. (Turban, et al., 2005).
Penelitian ini akan membuat “Sistem Pakar Untuk Diagnosa Awal Penyakit
Preeklampsia Pada Ibu Hamil Menggunakan Metode Naïve Bayes” yang dapat
16
digunakan untuk mendiagnosa ibu hamil mengalami preeklampsia ringan, atau
preeklampsia berat.
1.2 Identifikasi Masalah
Berdasarkan latar belakang masalah di atas maka dapat disimpulkan bahwa :
1. Tingginya angka kematian akibat penyakit preeklampsia pada ibu hamil.
2. Peningkatan pelayanan keluarga berencana dan penyebarluasan
komunikasi, informasi dan edukasi kepada ibu hamil.
3. Aplikasi perangkat lunak dibutuhkan untuk menggantikan keahlian seorang
pakar ke sistem komputer.
1.3 Rumusan Masalah
Berdasarkan identifikasi masalah, maka rumusan masalah dalam penelitian ini
adalah bagaimana membuat sistem pakar diagnosa awal penyakit preeklampsia
pada ibu hamil menggunakan metode Naïve bayes ?
1.4 Batasan Masalah
Batasan masalah dalam membuat sistem pakar diagnosa awal penyakit
preeklampsia pada ibu hamil menggunakan metode Naïve bayes,
1. Input sistem meliputi tekanan darah sistolik, tekanan dasar diastolik,
kenaikan berat badan, usia kehamilan, usia ibu, edema (pembengkakan) dan
proteinuria.
2. Output sistem berupa deteksi dini tingkat risiko ibu hamil mengalami
preeklampsia atau tidak.
17
3. Untuk output yang diberikan pada sistem ini merujuk pada buku Ilmu
Kebidanan selaku buku panduan Obstetri dan Ginekologi.
4. Metode yang digunakan untuk testing adalah metode Naïve Bayes
Classifier.
5. Implementasi sistem dioperasikan di smartphone ataupun PC yang berbasis
Web.
1.5 Tujuan dan Manfaat Penelitian
1.5.1 Tujuan Penelitian
Tujuan yang dirancang untuk penelitian ini adalah :
1. Membuat sebuah program sistem pakar yang mampu membantu proses
diagnosis potensi preeklampsia menggunakan naive bayes.
2. Mengetahui tingkat akurasi hasil keluaran yang diberikan oleh program
sistem pakar dalam mengklasifikasi potensi preeklampsia.
1.5.2 Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah :
1. Bagi Penulis
a. Membuat wawasan keilmuan bagi penulis tentang pengetahuan dalam
bidang teknik informatika khususnya perancangnya sistem pakar diagnosa
penyakit preeklampsia.
18
b. Mendapat wawasan dalam pengetahuan tentang sistem pakar,ilmu pakar
dan ilmu kesehatan.
c. Memperdalam pengetahuan tentang penulisan karya ilmiah.
2. Bagi pelita bangsa
a. Mendorong terwujudnya budaya penelitian kajian keilmuan.
b. Meningkatkan konsep, seni dan teknologi baru dalam menunjukkan
peningkatan kualitas pendidikan nasional.
c. Memberikan referensi untuk penelitian lebih lanjut dalam perancangan
sistem informatika.
3. Bagi masyarakat
a. Aplikasi ini diharapkan dapat membantu masyarakat luas dalam
mendiagnosa gejala penyakit preeklampsia.
b. Aplikasi ini juga diharapkan dapat mengatasi keterbatasan tenaga ahli
kesehatan, tetapi tidak menggantikan secara menyeluruh.
c. Dan diharapkan mampu mendekati kemampuan dan kecerdasan pakar
dalam memberikan informasi untuk mendiagnosa penyakit.
1.6 Metode Pengumpulan Data
Untuk mendapatkan data yang diperlukan dalam penulisan laporan tugas akhir,
penulis menggunakan beberapa metode, adapun metode yang digunakan adalah
sebagai berikut :
19
1.6.1 Metode Observasi
Adalah metode yang dilakukan penulis untuk mengumpulkan data dan
mendapatkan hal-hal yang diperlukan untuk proses penulisan dengan cara
mendatangi objek penulisan secara langsung di RS Asri Medika Cikarang Jalan
Citanduy Raya Blok L 11 No.1 Cikarang Utara, Bekasi, Jawa Barat 17530.
1.6.2 Metode Pustaka
Bahan-bahan yang digunakan di dalam landasan teori dalam laporan penulisan
ini diperoleh dan didapatkan dari berbagai sumber tertulis, yaitu buku-buku
panduan, internet, jurnal yang terkait dan memuat informasi-informasi yang
diperlukan untuk digunakan dalam penyusunan laporan penulisan.
1.6.3 Wawancara
Bahan-bahan yang dipergunakan didalam landasan teori dalam laporan
penulisan ini diperoleh dan didapatkan dengan bertanya langsung kepada
narasumber terkait yaitu Bidan Lulu Azhaari Amd.Keb selaku bidan praktek di Rs
Asri Medika Cikarang, dan tujuan dari tanya jawab ini untuk mengetahui lebih
lanjut mengenai kriteria seputar gejala preeklampsia, proses pelayanan pemeriksaan
pada ibu hamil, tindakan dalam penanganan preeklampsia, serta pencegahan agar
tidak terjadi preeklampsia yang diharapkan dapat mebantu wanita hamil di
Indonesia.
20
1.7 Sistematika penulisan
Untuk mengetahui secara ringkas permasalahan dalam penulisan penelitian ini,
maka digunakan sistematika penulisan yang bertujuan untuk mempermudah
pembaca menelusuri dan memahami isi penelitian sebagai berikut :
BAB 1 : PENDAHULUAN
Bab ini berisi tentang latar belakang masalah, rumusan masalah,
batasan masalah, tujuan penelitian, manfaat penelitian, dan
sistematika penulisan penelitian.
BAB II : TINJAUAN PUSTAKA
Pada bab ini dijelaskan tentang landasan teori yang merupakan
teori dasar dan teori yang akan mendukung dalam proses
perancangan, perencanaan sistem pakar diagnosa penyakit
preeklampsia.
BAB III : METODE PENELITIAN
Pada bab ini merupakan penjabaran tentang metode penelitian
meliputi tempat dan waktu penelitian, objek penelitian, tahapan
penelitian, studi pustaka, metode pengumpulan data, praproses
data, perancangan basis data yang secara garis besar telah
disinggung dalam pendahuluan. Dalam bab ini membahas metode
21
pengumpulan data dan metode analisis serta kerangka berfikir
penulis dalam melakukan penelitian.
BAB IV : HASIL DAN PEMBAHASAN
Pada bab ini menyorot objektif terhadap hasil penelitian, tolak
ukurnya dapat dilihat pada persiapan, asumsi, hipotesis, metode
penelitian, dan komponen-komponen yang lain.
BAB V : PENUTUP
Pada bab ini berisi kesimpulan dari uraian yang sudah diterangkan
pada bab-bab sebelumnya dan juga berisi saran untuk
pengembangan lebih lanjut.
22
BAB II
TINJAUAN PUSTAKA
2.1 Penelitian Terdahulu
Penelitian terdahulu ini menjadi salah satu acuan penulis dalam melakukan
penelitian sehingga penulis dapat memperkaya teori yang digunakan dalam
mengkaji penelitian yang dilakukan. Dari penelitian terdahulu penulis tidak
menemukan penelitian dengan judul yang sama seperti judul penulis. Namun
penulis mengangkat beberapa penelitian sebagai referensi dalam memperkaya
bahan kajian pada penelitian penulis. Berikut merupakan penelitian terdahulu
berupa beberapa jurnal terkait dengan penelitian yang dilakukan.
1. Sistem Pakar untuk Diagnosa Awal Penyakit pada Ibu Hamil Menggunakan
Pendekatan Metode Naive Bayes. (2014) disusun oleh Yule Bastono
Kusumawardana , Etika Kartikadarma, Jurnal Teknologi Informasi dan
Komunikasi yang membuat sistem pakar untuk menentukan penyakit
berdasarkan gejala umum yang diderita oleh ibu hamil.
2. Sistem Pakar untuk Deteksi Dini Tingkat Risiko pada Ibu Hamil terhadap
Preeklampsia dengan Logika Fuzzy. (2016) disusun oleh Adinda Mustika
Nugraheni , Jurnal Teknologi Informasi dan Komunikasi yang membuat sarana
informasi berupa sistem pakar deteksi dini preeklampsia menggunkan
pendekataan logika fuzzy dengan berbagai variabel seperti edema kenaikan
berat badan, protenuria, tekan darah sistolik dan diastolik.
23
3. Sistem Pakar Klasifikasi Stroke dengan Metode Naive Bayes Classifier dan
certainly factor sebagai alat bantu diagnosis. (2016) disusun oleh Olivia
Aulia Nastiti , Jurnal Teknologi Informasi dan Komunikasi yang membuat
sistem pakar untuk membantu proses diagnosis awal seorang dokter
spesialis syaraf dalam mendiagnosis potensi seorang pasien terkena stroke.
2.2 Dasar Teori
Pada bagian ini akan dijelaskan definisi kehamilan preeklampsia, kriteria
deteksi kehamilan preeklampsia, dan derajat kehamilan preeklampsia.
2.2.1 Kehamilan Preeklampsia
Menurut (Wiknjosastro, et al., 2005) Preeklampsia ialah penyakit dengan tanda-
tanda hipertensi, edema, dan proteinuria yang timbul karena kehamilan. Penyakit
ini umumnya terjadi dalam triwulan ke-3 kehamilan, tetapi dapat terjadi
sebelumnya. Hipertensi biasanya timbul lebih dahulu daripada tanda-tanda lain.
Untuk menegakkan diagnosis preeklampsia, kenaikan tekanan sistolik harus 30 mm
Hg atau lebih di atas tekanan yang biasanya ditemukan, atau mencapai 140 mm Hg
atau lebih. Kenaikan tekanan diastolik sebenarnya lebih dapat dipercaya. Apabila
tekanan diastolik naik dengan 15 mm Hg atau lebih, atau menjadi 90 mmHg atau
lebih, maka diagnosis hipertensi dapat dibuat.
Edema ialah penimbunan cairan secara umum dan berlebihan dalam jaringan
tubuh, dan biasanya dapat diketahui dari kenaikan berat badan serta pembengkakan
kaki, jari tangan, dan muka.
24
Proteinuria berarti konsentrasi protein dalam air kencing yang melebihi
0,3g/liter dalam air kencing 24 jam atau pemeriksaan kualitatif menunjukkan 1 atau
2+ atau 1g/liter atau lebih dalam air kencing yang dikeluarkan dengan kateter atau
proteinuria timbul lebih lambat daripada hipertensi dan kenaikan berat badan.
Preeklampsia dan eklampsia merupakan kesatuan penyakit, yang langsung
disebabkan oleh kehamilan, walaupun belum jelas bagaimana hal itu terjadi. Istilah
kesatuan penyakit harus diartikan bahwa preeklampsia dan eklampsia memiliki
gejala dasar yang sama namun eklampsia memiliki peningkatan yang lebih berat
dan berbahaya dari preeklampsia karena tambahan gejala-gejala tertentu. Oleh
karena eklampsia menjadi sebab kematian ibu maka deteksi dini untuk
preeklampsia sebagai tingkat pendahulunya perlu segera dilaksanakan.
Perlu ditekankan bahwa sindrom preeklampsia ringan dan hipertensi, edema
dan proteinuria sering tidak diketahui atau tidak diperhatikan oleh wanita hamil
yang bersangkutan, sehingga tanpa disadari dalam waktu singkat dapat timbul
preeklampsia berat, bahkan eklampsia. Dengan pengetahuan ini menjadi jelas
bahwa pemeriksaan Antenatal Care (AC). Antenatal Care merupakan suatu
pemeriksaan kehamilan yang memiliki beberapa tujuan, yaitu: Memantau
kemajuan kehamilan, memastikan kesejahteraan ibu dan tumbuh kembang janin.
Meningkatkan dan mempertahankan kesehatan fisik, mental, serta sosial ibu dan
bayi. Menemukan secara dini adanya masalah atau gangguan dan kemungkinan
komplikasi yang terjadi selama masa kehamilan. Mempersiapkan kehamilan dan
persalinan dengan selamat baik ibu maupun bayi dengan trauma seminimal
mungkin. Mempersiapkan ibu dan keluarga dapat berperan dengan baik dalam
25
memelihara bayi agar dapat tumbuh dan berkembang secara normal (Faiqoh, et al.,
2014). Berikut adalah penjabaran mulai dari frekuensi, gambaran klinik, diagnosis,
pencegahan dan penanganan ibu yang mengalami preeklampsia :
1. Frekuensi
Frekuensi preeklampsia untuk tiap negara berbeda-beda karena banyak faktor
yang mempengaruhinya: jumlah primigravida (kelahiran pertama), keadaan sosial-
ekonomi, perbedaan kriteria dalam penentuan diagnosis, dan lain-lain.
2. Gambaran Klinik
Biasanya tanda-tanda preeklampsia timbul dalam urutan; pertambahan berat
badan yang berlebihan, diikuti edema, hipertensi, dan akhirnya proteinuria. Pada
preeklampsia ringan tidak ditemukan gejala-gejala subyektif. Pada preeklampsia
berat didapatkan sakit kepala di daerah frontal, skotoma, diplopia, penglihatan
kabur, nyeri di daerah epigastrum, mual atau muntah-muntah. Gejala-gejala ini
sering ditemukan pada preeklampsia yang meningkat dan merupakan petunjuk
bahwa eklampsia akan timbul. Tekanan darah pun meningkat lebih tinggi, edema
menjadi lebih umum, dan proteinuria bertambah banyak.
3. Diagnosis
Diagnosis dini harus diutamakan bila diinginkan angka morbiditas dan
mortalitas rendah bagi ibu dan anaknya. Walaupun terjadinya preeklampsia sukar
dicegah, namun preeklampsia berat dan eklampsia biasanya dapat dihindarkan
dengan mengenal secara dini penyakit itu dan dengan penanganan secara sempurna.
26
Pada umumnya diagnosis preeklampsia didasarkan atas adanya 2 dari trias tanda
utama: hipertensi, edema, dan proteinuria. Hal ini memang berguna untuk
kepentingan statistik, tetapi dapat merugikan penderita karena tiap tanda dapat
merupakan bahaya kendatipun ditemukan tersendiri. Adanya satu tanda harus
menimbulkan kewaspadaan, apa lagi oleh karena cepat tidaknya penyakit
meningkat tidak dapat diramalkan; dan bila eklampsia terjadi, maka prognosis bagi
ibu maupun janin menjadi jauh lebih buruk. Tiap kasus preeklampsia oleh sebab itu
harus ditangani dengan sungguh sungguh.
4. Pencegahan
Pemeriksaan antenatal (sebelum kelahiran) yang teratur dan teliti dapat
menemukan tanda-tanda dini preeklampsia, dan dalam hal itu harus dilakukan
penanganan semestinya. Walaupun timbulnya preeklampsia tidak dapat dicegah
sepenuhnya, namun frekuensinya dapat dikurangi dengan pemberian penerangan
secukupnya dan pelaksanaan pengawasan yang baik pada wanita hamil. Istirahat
tidak selalu berarti berbaring di tempat tidur, namun pekerjaan sehari-hari perlu
dikurangi, dan dianjurkan lebih banyak duduk dan berbaring. Diet tinggi protein
dan rendah lemak, karbohidrat, garam dan penambahan berat badan yang tidak
berlebihan perlu dianjurkan.
5. Penanganan
Pengobatan hanya dapat dilakukan secara simtomatis karena etiologi
preeklampsia dan faktor-faktor apa dalam kehamilan yang menyebabkannya, belum
diketahui. Tujuan utama penanganan ialah :
27
(1) mencegah terjadinya preeklampsia berat dan eklampsia.
(2) melahirkan janin hidup.
(3) melahirkan Janin dengan trauma sekecil-kecilnya.
Pada dasarnya penanganan preeklampsia terdiri atas pengobatan medik dan
penanganan obstretik. Penanganan obstretik ditujukan untuk melahirkan bayi pada
saat yang optimal, yaitu sebelum janin mati dalam kandungan, akan tetapi sudah
cukup matur untuk hidup di luar uterus. Setelah persalinan berakhir, jarang terjadi
eklampsia, dan janin yang sudah cukup matur lebih baik hidup di luar kandungan
daripada dalam uterus. Waktu optimal tersebut tidak selalu dapat dicapai pada
penanganan preeklampsia, terutama bila janin masih sangat prematur. Dalam hal
ini diusahakan dengan tindakan medis untuk dapat menunggu selama mungkin,
agar janin lebih matur.
Pada umumnya indikasi untuk merawat penderita preeklampsia di rumah sakit
ialah;
(1) tekanan darah sistolik 140 mmHg atau lebih dan/atau tekanan darah diastolik 90
mmHg atau lebih.
(2) proteinuria 1+ atau lebih.
(3) kenaikan berat badan 1,5 kg atau lebih dalam seminggu yang berulang.
(4) penambahan edema berlebihan secara tiba-tiba. Perlu diperhatikan bahwa
apabila hanya 1 tanda ditemukan, perawatan belum seberapa mendesak, akan tetapi
28
pengawasan ditingkatkan, dan kepada yang bersangkutan dianjurkan untuk segera
datang jika ada keluhan. Sementara itu, dinasehatkan pula untuk banyak beristirahat
dan mengurangi pemakaian garam dalam makanan.
2.2.2 Derajat Tingkat Preeklampsia
Prinsip dasar kehamilan normal didefinisikan sebagai masa kehamilan yang
dimulai dari konsepsi sampai lahirnya janin. Lamanya hamil normal adalah 280
hari (40 minggu atau 9 bulan 7 hari) dihitung dari hari pertama haid terakhir.
Kehamilan dibagi menjadi 3 trimester yaitu trimester pertama di mulai dari
konsepsi sampai 3 bulan, trimester kedua dari bulan keempat sampai 6 bulan.
Trimester ketiga dari bulan ketujuh sampai 9 bulan (Saifuddin, et al., 2002).
Diagnosis kehamilan normal digambarkan
a. Ibu sehat, tidak ada riwayat obstetri buruk.
b. Pemeriksaan fisik dan laboratorium normal.
c. Tekanan darah dibawah 140/90 mmHg.
d. Kenaikan berat badan ½ kg setiap minggu masih dianggap normal.
Menurut (Manuaba, 1998) Preeklampsia Digolongkan kedalam preeklampsia
ringan dan preeklampsia berat dengan gejala dan tanda
1) Preeklampsia Ringan
a. Tekanan darah sistolik 140 atau kenaikan 30 mmHg dengan interval pemeriksaan
6 jam.
29
b. Tekanan darah diastolik 90 atau kenaikan 15 mmHg dengan interval pemeriksaan
6 jam.
c. Kenaikan berat badan 1 kg atau lebih dalam seminggu.
d. Proteinuria 0,3 gr atau lebih dengan tingkat kualitatif plus 1 sampai 2 pada urin
kateter atas urin aliran pertengahan.
2) Preeklampsia Berat
Bila salah satu diantara gejala atau tanda diketemukan pada ibu hamil sudah
dapat digolongkan preeklampsia berat:
a. Tekanan darah 160/110 mmHg
b. Proteinuria lebih dari 3 gr/liter
c. Keluhan subyektif:
i. Nyeri epigastrum
ii. Gangguan penglihatan
iii. Nyeri Kepala
iv. Edema paru dan sionosis
v. Gangguan kesadaran
d. Pemeriksaan:
i. Kadar enzim hati meningkat disertai ikterus
30
ii. Perdarahan pada retina
iii. Trombosit kurang dari 100.000/mm
Peningkatan gejala dan tanda preeklampsia berat memberikan petunjuk akan
terjadi eklampsia, yang mempunyai prognosa buruk dengan angka kematian
maternal dan janin tinggi.
2.3 Kecerdasan Buatan
Kecerdasan Buatan atau Artificial Intelligence merupakan sebuah proses
dimana peralatan mekanik dapat melaksanakan kejadian-kejadian dengan
menggunakan pemikiran atau kecerdasan seperti manusia (Rich and Knight, 1991
dalam Siswanto 2010). Dengan adanya kecerdasan buatan ini manusia dapat
membuat sebuah sistem komputer yang mampu berpikir secara rasional dan
bertingkah laku layaknya manusia yaitu melakukan representasi pengetahuan dan
memanipulasinya (Siswanto, 2010). Dalam ilmu komputer, kecerdasan buatan
adalah suatu teknik perangkat lunak yang didalam pemrogramannya terdapat cara
menyatakan data, pemrosesan data dan penyelesaian masalah (Luger, 1993 dalam
Siswanto, 2010). Tujuan dari sistem kecerdasan buatan dapat dibagi dalam empat
kategori (Budiharto dan Suhartono, 2014):
1) Sistem yang dapat berpikir seperti manusia (Bellman, 1978)
2) Sistem yang dapat berpikir secara rasional (Winston, 1992)
3) Sistem yang dapat beraksi seperti manusia (Rich and Knight, 1991)
31
4) Sistem yang dapat beraksi secara rasional (Nilsson, 1998) Pekerjaan kecerdasan
buatan menurut Rich and Knight (1991) dapat
dibagi menjadi 3 kelompok tugas :
a) Tugas biasa / keduniaan (Mundane Tasks).
Tugas biasa / keduniaan (Mundane Tasks) yaitu tugas biasa berupa kebiasaan kita
sehari-hari. Contohnya: persepsi dan kontrol robotik.
b) Tugas Formil (Formal Tasks).
Tugas Formil (Formal Tasks) yaitu tugas yang harus mengikuti aturan-aturan
formal. Contohnya seperti permainan catur, dan perhitungan matematis berupa
logika, geometri, dan lain-lain.
c) Tugas Ahli (Expert Tasks).
Tugas Ahli (Expert Tasks) yaitu tugas yang hanya bisa diselesaikan oleh seorang
pakar atau ahli suatu bidang. Contohnya desain, diagnosis, perencanaan, dan lain-
lain.
Program kecerdasan buatan berbeda dari program konvensional dalam sebuah
sistem perangkat lunak dalam hal representasi dan manipulasi data atau informasi
yang diterima. Dalam pengolahan datanya, program kecerdasan buatan mampu
mengerti berbagai macam informasi masukan berupa simbol, karakter, digit dan
sebagainya lalu membuat hubungan antar informasi untuk selanjutnya
32
direpresentasikan sebagai apa yang disebut manusia sebagai sebuah pengetahuan
(Siswanto, 2010).
Bidang ilmu kecerdasan buatan meliputi (Budiharto dan Suhartono, 2014):
1) Sistem Pakar (Expert System).
Sistem Pakar (Expert System) yaitu mempelajari dan membangun sistem yang
memiliki keahlian dalam memecahkan masalah.
2) Komputer Visual (Computer Vision).
Komputer Visual (Computer Vision) yaitu mempelajari dan mengenali pola suatu
gambar atau objek sebagai kegiatan sistem visual.
3) Pengolahan Bahasa Alami (Natural Language Processing).
Pengolahan Bahasa Alami (Natural Language Processing), yaitu mempelajari
bahasa alami manusia sehingga membuat manusia dapat berkomunikasi dengan
komputer.
4) Robotika dan Navigasi (Robotics and Navigation).
Robotika dan Navigasi (Robotics and Navigation), yaitu mempelajari dan
memproduksi formulasi alat-alat mekanik dalam melakukan gerak dalam orientasi
arah.
33
5) Permainan (Game Playing).
Permainan (Game Playing), yaitu membuat program-program permainan yang
biasanya memiliki karakter yang dikontrol oleh user dan karakter yang dikontrol
oleh permainan itu sendiri.
6) Pembuktian teorema (Theorem Proving).
Pembuktian teorema (Theorem Proving), yaitu mempelajari dan membuktikan
secara otomatis masalah-masalah dalam matematika dan logika.
2.4 Sistem Pakar
Menurut (Turban, et al., 2005) , sistem pakar adalah perangkat lunak
pengambilan keputusan atau pemecahan masalah yang dapat mencapai tingkat
performa yang setara –atau bahkan lebih– dengan pakar manusia di beberapa
bidang khusus dan biasanya mempersempit area masalah. Keahlian ditransfer dari
pakar ke suatu komputer. Pengetahuan ini kemudian disimpan di dalam komputer,
dan pengguna menjalankan komputer untuk nasihat spesifik yang diperlukan.
Sistem pakar menanyakan fakta-fakta dan dapat membuat inferensi dan sampai
Pada suatu kesimpulan khusus.
2.4.1 Struktur Sistem Pakar
Sistem pakar terdiri dari 2 bagian pokok, yaitu: lingkungan pengembangan
(development environtment) dan lingkungan konsultasi (consultation
environtment). Lingkungan pengembangan digunakan sebagai pembangun sistem
pakar dari segi pembangunan komponen maupun basis pengetahuan. Lingkungan
34
konsultasi digunakan oleh seorang yang bukan ahli untuk berkonsultasi
(Turban,1995).
Gambar 2.1 Struktur sistem pakar
Sumber : http://universitaspendidikan.com//contoh-makalah-sistem-pakar-
pengertian-prinsip-dasar-dan-s-ciri-cirinya/
Komponen-komponen yang terdapat dalam sebuah sistem pakar terdiri dari,
1. Antarmuka pengguna (user interface)
Pada komponen ini terjadi dialog antara program dan user, dimana sistem menerima
input berupa informasi dan instruksi dari user, dan sistem memberikan output
berupa informasi kepada user.
2. Basis pengetahuan (knowledge base)
Basis pengetahuan dapat dikatakan sebagai kumpulan informasi dan pengalaman
seorang ahli pada suatu bidang tertentu.
3. Akuisisi pengetahuan (knowledge acquisition)
35
Akuisisi pengetahuan merupakan transformasi keahlian menyelesaikan masalah
dari sumber pengetahuan kedalam program komputer.
4. Mesin inferensi
Mesin inferensi merupakan otak dari sistem pakar yang mengandung mekanisme
fungsi berpikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar.
Mesin inferensi bertindak sebagai penarik kesimpulan dan mengontrol mekanisme
dari sistem pakar.
5. Daerah Kerja (Workplace)
Untuk merekam hasil sementara yang akan dijadikan sebagai keputusan dan untuk
menjelaskan sebuah masalah yang terjadi, sistem pakar membutuhkan workplace,
yaitu area pada memori yang berfungsi sebagai basis data.
6. Subsistem penjelasan (explanation subsystem)
Komponen ini adalah komponen tambahan yang akan meningkatkan kemampuan
sistem pakar. Menggambarkan penalaran sistem kepada pemakai dengan cara
menjawab banyak pertanyaan-pertanyaan.
7. Perbaikan pengetahuan
Pakar memiliki kemampuan untuk menganalisa dan meningkatkan kinerjanya serta
kemampuan untuk belajar dari kinerjanya.
36
2.5 Algoritma Naïve Bayes
Algoritma Naïve Bayes merupakan salah satu algoritma yang terdapat pada
teknik klasifikasi. Naïve Bayes merupakan pengklasifikasian dengan metode
probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes,
yaitu memprediksi peluang di masa depan berdasarkan pengalaman dimasa
sebelumnya sehingga dikenal sebagai Teorema Bayes. Teorema tersebut
dikombinasikan dengan Naïve dimana diasumsikan kondisi antar atribut saling
bebas. Klasifikasi Naïve Bayes diasumsikan bahwa ada atau tidak ciri tertentu dari
sebuah kelas tidak ada hubungannya dengan ciri dari kelas lainnya
Persamaan dari teorema Bayes adalah :
𝑃(𝐻|𝑋) = 𝑃 𝑋 𝐻 .𝑃(𝐻) 𝑃(𝑋) ......................................................... (1)
Keterangan :
X : Data dengan class yang belum diketahui
H : Hipotesis data X merupakan suatu class spesifik
P(H|X) :Probabilitas hipotesis H berdasar kondisi X (posteriori probability)
P(H) : Probabilitas hipotesis H (prior probability)
P(X|H) : Probabilitas X berdasarkan kondisi pada hipotesis H
P(X) : Probabilitas X
37
Untuk menjelaskan teorema Naïve Bayes, perlu diketahui bahwa proses klasifikasi
memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi
sampel yang dianalisis tersebut. Karena itu, teorema bayes di atas disesuaikan
sebagai berikut :
Dimana Variabel C merepresentasikan kelas, sementara variabel F 1... Fn
merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan
klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel
karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya kelas C
(sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan
peluang kemunculan karakteristik – karakteristik sampel pada kelas C (disebut juga
likelihood), dibagi dengan peluang kemunculan karakteristik – karakteristik sampel
secara global ( disebut juga evidence). Karena itu, rumus diatas dapat pula ditulis
secara sederhana sebagai berikut :
Posterior = 𝑃𝑟𝑖𝑜𝑟 𝑥 𝑙𝑖𝑘𝑒𝑙𝑖 ℎ𝑜𝑜𝑑 𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑒
Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari posterior
tersebut nantinya akan dibandingkan dengan nilai – nilai posterior kelas lainnya
untuk menentukan ke kelas apa suatu sampel akan diklasifikasikan. Penjabaran
lebih lanjut rumus Bayes tersebut dilakukan dengan menjabarkan (C|F1, ... , Fn)
menggunakan aturan perkalian sebagai berikut :
38
Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin banyak
dan semakin kompleksnya faktor – faktor syarat yang mempengaruhi nilai
probabilitas, yang hampir mustahil untuk dianalisa satu persatu. Akibatnya,
perhitungan tersebut menjadi sulit untuk dilakukan. Disinilah digunakan asumsi
independensi yang sangat tinggi (naif), bahwa masing – masing petunjuk (F1, F2 ...
Fn) saling bebas (independen) satu sama lain. Dengan asumsi maka berlaku suatu
kesamaan sebagai berikut :
Dari persamaan diatas dapat disimpulkan bahwa asumsi independensi naif tersebut
membuat syarat peluang menjadi
sederhana, sehingga perhitungan menjadi mungkin untuk dilakukan. Selanjutnya,
penjabaran P(C|F1, ... , Fn) dapat disederhanakan menjadi :
39
Persamaan diatas merupakan model dari teorema Naïve Bayes yang selanjutnya
akan digunakan dalam proses klasifikasi. Untuk klasifikasi dengan data kontinyu
digunakan rumus Densitas Gauss:
Keterangan :
P : Peluang
X : Atribut ke i
xi : Nilai atribut ke i
Y : Sub kelas Y yang dicari
yi : Sub kelas Y yang dicari
μ : Mean, menyatakan rata-rata dari seluruh atribut
σ : Deviasi standar, menyatakan varian dari seluruh atribut
Adapun alur dari metode Naïve Bayes adalah sebagai berikut :
1. Baca data training
2. Hitung Jumlah dan probabilitas, namun apabila data numerik maka:
a. Cari nilai mean dan standar deviasi dari masing – masing parameter yang
merupakan data numerik.
40
b. Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari
kategori yang sama dibagi dengan jumlah data pada kategori tersebut.
3. Mendapatkan nilai dalam tabel mean, standart deviasi dan probabilitas.
2.6 Teori Bahasa pemograman
Teori program adalah teori yang menjelaskan bahasa pemograman yang di
aplikasikan penulis dalam pembuatan Laporan Akhir.
2.6.1. Sejarah PHP
PHP pertama kali dibuat oleh Rasmus Ledorf pada tahun 1995 yang diberi nama
FI (Form Interpreted) dan digunakan untuk mengelola form dan web. Pada
perkembanganya, kode tersebut dirilis ke umum sehingga mulai banyak
dikembangkan oleh programmer diseluruh dunia.
Pada tahun 1995 PHP 2.0 dirilis. Pada versi ini sudah terintegrasi dengan bahasa
pemrograman C dan dilengkapi dengan modulnya sehingga kualitas kerja PHP
meningkat secara signifikan. Pada tahun ini juga sebuah prusahaan yang bernama
Zend merilis ulang PHP dengan lebih bersih, baik, dan cepat.
Pada tahun 1998 PHP 3.0 diluncurkan dan pada tahun 1999 PHP versi 4.0
dirilis. PHP versi ini paling banyak digunakan pada awal abad 21 karena sudah
mampu membangun web komlplek dengan stabilitas kecepatan yang tinggi.
Pada tahun 2004 Zend merilis PHP versi 5.0. Dalam versi ini, inti dari
interpreter PHP mengalami perubahan besar. Versi ini juga memasukkan model
41
pemrograman berorientasi objek ke dalam PHP untuk menjawab perkembangan
bahasa pemrograman ke arah paradigma berorientasi objek. Pada versi 6 PHP sudah
support untuk Unicode. Juga banyak fitur penting lainya yang telah ditambahkan
ke dalam PHP 6, antara lain :
1. Support Unicode, dukungan terhadap penggunaan Unicode telah ditambahkan,
sehingga lebih mudah untuk membangun dan memelihara aplikasi.
2. Perbaikan keamanan.
3. Fitur dan konstruksi baru, sejumlah fitur sintaks baru ditambahkan, seperti 64-
bit integer type, membangun perulangan untuk array multidimensi, serta dukungan
untuk labeled breaks.
2.6.2 Bahasa Pemograman PHP
PHP (Hypertext Preprocessor) adalah bahasa computer yang dibuat untuk
pengembangan web dinamis. Pada umumnya PHP digunakan di server namun juga
dapat berdiri sendiri sebagai aplikasi graphical.
Penggunaan PHP dan MySQL dipilih karena PHP dan MySQL memiliki
beberapa kelebihan seperti dinyatakan oleh Nugroho, B (2008) kelebihannya
sebagai berikut:
1. Bahasa pemograman PHP adalah sebuah bahasa script yang tidak
melakukan sebuah kompilasi dalam penggunaannya.
42
2. Web Server yang mendukung PHP dapat ditemukan dimana-mana dari
mulai IIS sampai dengan Apache dengan konfigurasi yang relatif mudah.
3. Dalam sisi pengembangan lebih mudah, karena banyaknya milis-milis dan
developer yang siap membantu dalam pengembangan.
4. Dalam sisi pemahaman, PHP adalah bahasa scripting yang paling mudah
karena referensi yang banyak.
5. PHP adalah bahasa opensource yang dapat digunakan di berbagai mesin
(Linux, Unix, Windows) dan dapat dijalankan secara runtime melalui
console serta juga dapat menjalankan perintah-perintah sistem.
2.6.3 XAMPP
XAMPP merupakan sebuah tool yang menyediakan beberapa paket perangkat
lunak ke dalam satu buah paket. Dengan menginstall XAMPP tidak perlu lagi
melakukan instalasi dan konfigurasi web server Apache, PHP dan MySQL secara
manual. XAMPP akan menginstalasi dan mengkonfigurasikannya secara otomatis.
XAMPP merupakan pengembangan dari LAMP (Linux Apache, MySQL, PHP
and PERL), XAMPP ini merupakan project non-profit yang di kembangkan oleh
Apache Friends yang didirikan Kai 'Oswalad' Seidler dan Kay Vogelgesang pada
tahun 2002, project mereka ini bertujuan mempromosikan pengunaan Apache web
server.
Dalam paket XAMPP sudah terdapat Apache (web server), MySQL (database),
PHP (server side scripting), Perl, FTP server, Php MyAdmin dan berbagai pustaka
bantu lainnya. Dengan menginstall XAMPP maka tidak perlu lagi melakukan
43
instalasi dan konfigurasi web server Apache, PHP dan MySQL secara manual.
XAMPP akan menginstalasi dan mengkonfigurasi-kannya secara otomatis.
XAMPP adalah sebuah web server. Asal kata dari XAMPP sendiri adalah:
1. (X): Program ini dapat dijalankan dibanyak sistem operasi.
2. (A): Apache merupakan suatu aplikasi web server.
3. (M): MySQL digunakan untuk aplikasi database server.
4. (P): PHP bahasa pemrograman yang dipakai.
5. (P): Perl bahasa pemrograman yang dipakai.
Cara mengaktifkan XAMPP :
1. Instal XAMPP, lalu aktifkan web server Apache dan MySQL dari control
panel XAMPP.
2. Jalankan browser (IE, Mozilla Firefox atau Opera) lalu ketikkan alamat web
berikut : //http:phpmyadmin pada address bar lalu tekan Enter.
3. Apabila telah nampak interface (tampilan antar muka) phpMyAdmin bisa
memulainya dengan mengetikkan nama database, nama tabel dan
seterusnya.
2.5.4 Notepad++
Notepad++ adalah program aplikasi pengembang yang berguna untuk mengedit
teks dan skrip kode pemrograman. Software Notepad++ dibuat dan dikembangkan
oleh Tim Notepad++. Perangkat lunak komputer ini memiliki kelebihan pada
peningkatan kemampuan sebuah program text editor, lebih dari sekedar program
Notepad bawaan Windows. Notepad++ bisa mengenal tag dan kode dalam berbagai
44
bahasa pemrograman. Fitur pencarian tingkat lanjut dan pengeditan teks yang
tersedia juga cukup ampuh, sangat membantu tugas seorang programmer atau
developer dalam menyelesaikan skrip kode programnya. Program Notepad++
banyak diaplikasikan dan digunakan oleh kalangan pengguna komputer di bidang
pemrograman aplikasi desktop dan web. Notepad++ merupakan software gratis
(opensource). Notepad++ dapat dijalankan di sistem operasi Win2K, Windows XP,
Vista, dan Windows 7.
2.6.5 Database yang digunakan MySQL
Menurut Betha Sidik (2012 : 333 – 334) MySQL merupakan database yang
termasuk paling populer dilingkungan Linux, Kepopuleran ini karena ditunjang
performansi query dari databasenya yang saat ini bisa dikatakan paling cepat dan
jarang bermasalah. Database MySQL kini telah dimiliki Oracle. Pengembang
MySQL kemudian mengembangkan database yang murni opensource dan
freeware dengan nama MariaDB.
45
BAB III
METODE PENELITIAN
3.1 Tempat dan Waktu Penelitian
Penelitian dilakukan di Rumah Sakit Asri Medika Cikarang dengan narasumber
Bidan Lulu Azhaari, selaku bidan praktek di Rumah Sakit Asri Medika waktu yang
dibutuhkan selama proses wawancara yaitu 2 hari.
3.2 Objek Penelitian
Objek dalam penelitian ini adalah data Antenatal Care pasien Rumah Sakit Asri
Medika Cikarang sebuah form data yang diisi oleh bidan atau dokter spesialis
obstetri dan ginekologi untuk mencatat riwayat kesehatan ibu selama masa
kehamilan. Field yang diambil di form Antenatal Care secara umum adalah :
Identitas ibu (meliputi data usia ibu), Tekanan Darah (meliputi tekanan darah
sistolik dan diastolik), Kenaikan Berat Badan, Edema, Usia Kehamilan, Proteinuria.
Data Antenatal Care yang didapatkan adalah hasil dari pemeriksaan ibu hamil.
3.3 Perangkat Keras dan Perangkat Lunak Pendukung
Peralatan pendukung yang digunakan selama pengerjaan program adalah :
1. Laptop Asus X450C intel dual-core
2. Data Antenatal Care ibu hamil
3. Windows 8.1
46
4. Xampp V3.2.2
5. Notepade++
3.4 Tahapan Penelitian
Gambar 3.1 Diagram Alir Tahapan Penelitian
Sumber : Hasil data primer
Studi Pustaka
Pengumpulan Data
Praproses Data
Perancangan Basis Data
Perancangan Diagram alir program
Perancangan Desain Antarmuka
Analisis Hasil Perhitungan
47
3.4.1 Studi Pustaka
Peneliti melakukan studi pustaka sebagai langkah awal untuk melakukan
tahapan penelitian selanjutnya. Pustaka yang dirujuk berasal dari sumber primer
seperti jurnal dan buku referensi dan juga dari sumber sekunder seperti dari internet
dan diskusi dengan pakar.
3.4.2 Pengumpulan Data
Adapun metode yang dilakukan dalam penelitian ini dibedakan mejadi 2
metode pengumpulan data, yaitu :
1. Wawancara
Wawancara dilakukan kepada Bidan Lulu Azhaari, Amd.Keb. Wawancara
diharapkan akan menghasilkan pengetahuan mengenai bagaimana seorang pakar
menentukan diagnosis terhadap penyakit preeklampsia berdasarkan gejala yang
tampak.
2. Dokumen
Analisis dokumen dilakukan dengan pengambilan data melalui dokumen
tertulis dari lembaga/institusi berupa data Antenatal Care ibu hamil yang digunakan
untuk mendukung rancangan program sistem pakar yaitu sebagai data latih dan data
uji serta diperlukan sebagai penunjang evaluasi.
48
3.4.3 Praproses Data
Tahapan praproses adalah sebuah proses awal dalam melakukan pengolahan
data yaitu dengan menyiapkan data yang diperoleh dari hasil wawancara dan
pembacaan dokumen Antenatal Care ibu hamil. Data yang telah diperoleh tersebut
akan diseleksi menjadi beberapa informasi penting yang akan digunakan pakar
dalam melakukan diagnosis yaitu dari kriteria diagnosis dan faktor resiko terkait
Preeklampsia antara lain seperti Tekanan Darah (meliputi tekanan darah sistolik
dan diastolik), Kenaikan Berat Badan, Edema, Usia Kehamilan, Proteinuria.
Kriteria diagnosis tersebut selanjutnya digunakan sebagai data input untuk program
sistem pakar. Penjelasan data input perangkat lunak diberikan sebagai berikut :
1. Atribut penyakit Preeklampsia
2. Nilai Atribut
Tabel 3.1 Atribut Penyakit Preeklampsia
Kode Nama Atribut Status Atribut
A1 Usia Ibu Diketahui
A2 Usia Kehamilan Diketahui
A3 Tekanan Darah Sistolik Diketahui
A4 Tekanan Darah Diastolik Diketahui
A5 Protenuria Diketahui
49
A6 Edema Diketahui
A7 Kenaikan Berat Badan Diketahui
A8 Preeklampsia Dicari
Sumber : Atribut pada buku KIA
Tabel 3.2 Nilai Atribut
No Nama Atribut Nilai Atribut
1 Usia Ibu Muda ( < 25 tahun)
2 Usia Ibu Paruh Baya (25 – 40th)
3 Usia Kehamilan Trimester 1
4 Usia Kehamilan Trimester 3
5 Tekanan Darah Sistolik Normal
6 Tekanan Darah Sistolik Tinggi
7 Tekanan Darah Sistolik Sangat Tinggi
8 Tekanan Darah Diastolik Normal
9 Tekanan Darah Diastolik Tinggi
10 Tekanan Darah Diastolik Sangat Tinggi
50
11 Kenaikan Berat Badan Normal
12 Kenaikan Berat Badan Tidak Normal
13 Protenuria Positif (+1)
14 Protenuria Negatif (0)
15 Edema Ada
16 Edema Tidak Ada
Sumber : Atribut pada buku KIA
Ai = Representasi input anamnesis dan gejala klinis :
A1 = Usia Ibu hamil muda > 25th
A2 =Usia Ibu hamil paruh baya 25 – 40th
A3 = Usia Kehamilan TM1
A4 = Usia Kehamilan TM3
A5 = Tekanan Darah Sistolik 90 – 130 mmHg {Normal}
A6 = Tekanan Darah diastolik 80 mmHg {Normal}
A7 = Kenaikan Berat Badan ≥ 2kg dalam satu bulan {Normal}
A8 = Protenuria Negatif {Negatif}
A9 = Tidak adanya Edema {Tidak}
51
Gejala khas preeklampsia ringan berupa :
A10 = Tekanan Darah Sistolik 140 - 150 mmHg {Tinggi}
A11 = Tekanan Darah Diastolik 90 - 100 mmHg {Tinggi}
A12 = Kenaikan Berat Badan 3 kg atau lebih dalam seminggu {abnormal}
A13 = Proteinuria positif +1 {positif}
Sedangkan gejala khas preeklampsia berat berupa :
A14 = Tekanan darah sistolik ≥160 mmHg {Sangat Tinggi}
A15 = Tekanan darah diastolik ≥ 110 mmHg {Sangat Tinggi}
A16 = Adanya Edema
Selanjutnya data-data tersebut akan tersimpan pada basis data akan diklasifikasikan
oleh program sistem pakar ke dalam kelas diagnosis yang
direpresentasikan sebagai berikut :
Bi = Kemungkinan kelas diagnosis, yaitu:
B1= Waspada Preeklampsia ringan
B2= Bahaya Preeklampsia berat
3.4.4 Perancangan Basis Data
Basis data yang dibuat berupa tabel berisi baris jumlah data dan kolom kriteria
diagnosis serta hasil diagnosis dari hasil praproses yang akan digunakan sebagai
52
data latih. Tabel ini berfungsi untuk menyimpan informasi berupa kriteria diagnosis
preeklampsia. Data latih tersebut akan diolah pada program sistem pakar untuk
diklasifikasikan dengan metode Naïve Bayes Classifier sehingga dihasilkan
keluaran berupa keputusan atau diagnosis adanya dugaan preeklampsia yang
diderita oleh ibu hamil, basis data akan dibagi menjadi data latih dan data uji.
Tabel perancangan basis data yang digunakan ditunjukkan pada tabel 3.3 Dalam
basis data ini menggunakan tipe data varchar untuk id gejala sedangkan pada kolom
gejala, usia ibu hamil, usia kehamilan, tekanan darah (meliputi tekanan darah
sistolik dan diastolik), kenaikan berat badan, edema, proteinuria menggunakan tipe
data varchar dengan lookup wizard tool sehingga dapat mengisikan pilihan ya atau
tidak sebagai konfirmasi atas kejadian tersebut.
Tabel 3.3 Perancangan Basis Data
id_gejala Gejala tipe data
g1 usia ibu hamil muda varchar
g2 usia ibu hamil paruh baya varchar
g3 usia kehamilan trimester 1 varchar
g4 usia kehamilan trimester 3 varchar
g5 Tekanan Darah Sistolik 90 – 130 mmHg varchar
g6 Tekanan Darah diastolik 80 mmHg varchar
53
g7 Kenaikan Berat Badan ≥ 2kg dalam satu bulan varchar
g8 Protenuria Negatif varchar
g9 Tidak adanya Edema varchar
g10 Tekanan Darah Sistolik 140 - 150 mmHg varchar
g11 Tekanan Darah Diastolik 90 - 100 mmHg varchar
g12 Kenaikan Berat Badan 3 kg atau lebih dalam seminggu varchar
g13 Proteinuria positif +1 varchar
g14 Tekanan darah sistolik ≥160 mmHg varchar
g15 Tekanan darah diastolik ≥ 110 mmHg varchar
g16 Adanya Edema varchar
Sumber : Berdasarkan hasil pengolahan data pada buku KIA
3.4.5 Perancangan Diagram Alir Program
Diagram alir dari program sistem pakar diagnosa awal penyakit preeklampsia
pada ibu hamil menggunakan metode Naïve Bayes Classifier ditunjukkan pada
gambar 3.2 berikut :
54
Star
Read
Gejala
Klasifikasi gejala
menggunakan metode
naive bayes
hasil
Update
data
Simpan ke basis data
end
Gambar 3.2 diagram alir program
Sumber : Hasil data primer
Saat program dijalankan maka sistem pakar akan meminta masukan dari
pengguna berupa konfirmasi atas gejala-gejala awal preeklampsia berdasarkan
riwayat kesehatan dari ibu hamil. Selanjutnya data masukan tersebut diolah
menggunakan algoritma Naïve Bayes Classifier untuk mengklasifikasikan
diagnosis ibu hamil ke dalam dua kelompok yaitu waspada preeklampsia ringan
dan bahaya preeklampsia berat.
N Y
55
3.4.6 Perancangan Desain Antarmuka
Perancangan desain antarmuka dilakukan sebagai gambaran awal terhadap
Graphic User Interface (GUI) yang akan digunakan oleh pengguna. Perancangan
pada program sistem pakar sebagai bantu diagnosis ini menggunakan bahasa
pemrograman PHP
Gambar 3.3 Tampilan Website
Sumber : Hasil data primer
Gambar 3.4 Tampilan Form Login
Sumber : Hasil data primer
3.4.7 Analisis Hasil Perhitungan
Perhitungan menggunakan metode Naïve Bayes Classifier bertujuan untuk
mengklasifikasikan data uji melalui satu set data latih yang telah ada sebelumnya
sehingga dapat mengetahui hubungan antara fitur data dengan variabel kelas yang
Home Tes Preeklampsia Tentang Preeklampsia Layanan Team Metode
Seputar Preeklampsia Image
Use User
Pas Pass
56
dibentuk melalui probabilitas bagi setiap klasifikasinya dengan menggunakan
asumsi independensi. Berikut ini merupakan tahap perhitungan menggunakan
Naïve Bayes Classifier :
1. Mendefinisikan variabel dan kelas hasil klasifikasi
P(Bi|A) adalah variabel yang mewakili hasil klasifikasi untuk mengetahui hasil
diagnosis penyakit yang diderita orang tersebut. Maka diperlukan perhitungan
untuk mengetahui peluang terjadinya kelas diagnosis Bi jika diketahui gejala Ai.
Nilai Bi adalah hasil kelas diagnosis dan Ai adalah gejala yang akan diperoleh
probabilitasnya untuk mendiagnosis waspada preeklampsia ringan dan bahaya
preeklampsia berat.
2. Perhitungan Probabilitas Prior
Perhitungan Probabilitas prior dengan cara menghitung peluang munculnya
suatu kelas Bi. Probabilitas prior diperoleh dengan cara perhitungan munculnya
suatu kelas dari data latih dibandingkan dengan jumlah total data latih. Perhitungan
probabilitas prior untuk kemungkinan kelas Bi berdasarkan persamaan 3.1 berikut
𝑃(𝐵𝑖) = 𝐵𝑖
𝐵
P(Bi) : Probabilitas prior kemungkinan kelas Bi terjadi.
Bi : Kelas diagnosis yaitu waspada preeklamsia ringan dan bahaya preeklampsia
berat.
(3.1)
57
B: Merupakan total jumlah data pada basis data latih.
3. Perhitungan probabilitas posterior
Perhitungan probabilitas posterior merupakan peluang kemunculan suatu
hipotesis benar untuk sampel data A yang diamati menggunakan persamaan dasar
Naïve Bayes yang ditunjukkan pada persamaan 3.2 dan 3.3 :
𝑃(𝐵|) = P(A|B)P(B)𝑃(𝐴)
Atau dapat juga ditulis sebagai
Perhitungan P(A|B) yang merupakan probabilitas kemunculan masing- masing fitur
gejala input yang mempengaruhi munculnya kejadian B1 atau diagnosis
preeklampsia ringan menggunakan persamaan 3.4 berikut :
Perhitungan P(A|B) yang merupakan probabilitas kemunculan masing- masing fitur
gejala input yang mempengaruhi munculnya kejadian B2 atau diagnosis
preeklampsia berat menggunakan persamaan 3.5 berikut :
(3.2)
58
4. Perhitungan kejadian kelas diagnosis
Perhitungan menggunakan persamaan lanjutan Naïve Bayes Classifier.
Menggunakan asumsi independensi yang sangat tinggi seperti yang diperlihatkan
pada persamaan 3.6 di bawah :
Sehingga penjabaran untuk setiap kemungkinan perhitungan P(A|Bi) sebagai
berikut:
1) Mencari P(A|Bi) sebagai hasil kemungkinan kelas diagnosis preeklampsia ringan
P(B1|A1,A2,A3,A4,A5,A6,A7,A8,A9,A10,A11,A12,A13,A14) =
P(A1)xP(A2)xP(A3)xP(A4)xP(A5)xP(A6)xP(A7)xP(A8)xP(A9)xP(A10)xP(A11)
x P(A12)xP(A13)x P(A14)x(PA15)xP(A16)xP(B1)
2) Mencari P(A|Bi) sebagai hasil kemungkinan kelas diagnosis preeklampsia berat
P(B2|A1,A2,A3,A4,A5,A6,A7,A8,A9,A10,A11,A12,A13,A14) =
P(A1)xP(A2)xP(A3)xP(A4)xP(A5)xP(A6)xP(A7)xP(A8)xP(A9)xP(A10)xP(A11)
x P(A12)xP(A13)x P(A14)xP(A15)xP(A16)xP(B2)
Perhitungan probabilitas masing-masing kriteria dilakukan dalam masing-
masing kelas diagnosis yaitu nilai P(A|Bi) dihasilkan dari P(Bi|A) pada setiap
kemungkinan akan dikalikan dengan hasil perhitungan P(Bi) pada setiap
59
kemungkinan. Selanjutnya mengikuti kaidah HMAP (Hypothesis Maximum
Aposteriori Probability) untuk menginferensi hasil akhir keputusan kelas diagnosis.
Oleh karena itu perhitungan P(A|Bi).P(Bi) yang digunakan sebagai hasil keputusan
diagnosis adalah perhitungan nilai yang paling maksimum.
60
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Pengumpulan Data
Tahapan awal penelitian ini adalah pengumpulan data Antenatal Care ibu hamil
sebagai objek penelitian. Data Antenatal Care yang digunakan adalah hasil dari
pemeriksaan rutin ibu hamil yang diisi oleh pihak RS. Teknik pengumpulan data
yang digunakan dalam penelitian ini adalah wawancara dan dokumen. Wawancara
dilakukan dengan bidan sebagai seorang pakar yang mampu mendiagnosis
preeklampsia ringan atau preeklampsia berat terhadap ibu hamil. Dalam wawancara
yang dilakukan di RS Asri Medika diperoleh informasi berupa gejala apa saja yang
menjadi dasar seorang pakar mendiagnosis preeklampsia terhadap ibu hamil.
kriteria diagnosis dan faktor resiko terkait Preeklampsia antara lain seperti
Tekanan Darah (meliputi tekanan darah sistolik dan diastolik), Kenaikan Berat
Badan, Edema, Usia Kehamilan, Proteinuria. Selanjutnya dilakukan pengumpulan
data Antenatal Care ibu hamil preeklampsia ringan dan preeklampsia berat untuk
memenuhi data kriteria diagnosis preeklampsia yang dibutuhkan berdasarkan hasil
wawancara dengan pakar. Bentuk fisik dari dokumen Antenatal Care ditunjukkan
pada gambar 4.1 Jumlah data Antenatal Care yang diperoleh adalah sebanyak 100
buah data dengan hasil diagnosis pakar 70 hamil normal dan 30 mengalami
preeklampsia.
61
Gambar 4.1 Dokumen Antenatal Care
Sumber : Berdasarkan hasil pengolahan data pada buku KIA
4.2 Hasil Praproses Data
Dalam mendiagnosa ibu hamil mengalami preeklampsia ringan atau
preeklampsia berat ada beberapa kriteria yang digunakan oleh tim medis di RS Asri
Medika, kriteria yang digunakan adalah sebagai berikut:
Tabel 4.1 Nilai Atribut
No Nama Atribut Nilai Atribut
1 Usia Ibu Muda ( < 25 tahun)
2 Usia Ibu Paruh Baya (25 – 40th)
62
3 Usia Kehamilan Trimester 1
4 Usia Kehamilan Trimester 3
5 Tekanan Darah Sistolik Normal
6 Tekanan Darah Sistolik Tinggi
7 Tekanan Darah Sistolik Sangat Tinggi
8 Tekanan Darah Diastolik Normal
9 Tekanan Darah Diastolik Tinggi
10 Tekanan Darah Diastolik Sangat Tinggi
11 Kenaikan Berat Badan Normal
12 Kenaikan Berat Badan Tidak Normal
13 Protenuria Positif (+1)
14 Protenuria Negatif (0)
15 Edema Ada
16 Edema Tidak Ada
Sumber : Hasil pemecahan nilai atribut pada buku KIA
4.3 Hasil Perancangan Basis Data
Perancangan basis data dilakukan pada phpMyAdmin dengan menggunakan
tipe data varchar. Tipe data penggunaannya pada input program ditunjukkan pada
tabel 3.3 Basis data tersebut menjadi tempat penyimpanan data masukan pengguna
63
yang akan dikoneksikan pada program sistem pakar pengolahan data. Basis data ini
menyimpan data latih sebanyak 80% dari total data yaitu 30 buah data. Tampilan
hasil rancangan basis data ditunjukkan pada gambar berikut.
Gambar 4.2 Hasil Tampilan Tabel Gejala
Sumber : Hasil data primer
Gambar 4.3 Hasil Tampilan Tabel Admin
Sumber : Hasil data primer
64
Gambar 4.4 Hasil Tampilan Tabel Basis Aturan
Sumber : Hasil data primer
Gambar 4.5 Hasil Tampilan Tabel Nama Penyakit
Sumber : Hasil data primer
Gambar 4.6 Hasil Tampilan Tabel Solusi
Sumber : Hasil data primer
4.4 Hasil Perancangan Desain Antarmuka
65
Antarmuka pengguna (user interface) pada sistem pakar ini dibuat
menggunakan bahasa program PHP. Terdapat 6 buah halaman yaitu home, tentang
preeklampsia, layanan kami, tes preeklampsia, team dan metode serta form login.
Gambar 4.7 Tampilan Halaman Home
Sumber : Berdasarkan tampilan website pada localhost
Gambar 4.8 Tampilan Halaman Tentang Preeklampsia
Sumber : Berdasarkan tampilan website pada localhost
66
Gambar 4.9 Tampilan Halaman Layanan
Sumber : Berdasarkan tampilan website pada localhost
Gambar 4.10 Tampilan Halaman Tes Preeklampsia
Sumber : Berdasarkan tampilan website pada localhost
67
Gambar 4.11 Form Login
Sumber : Berdasarkan tampilan website pada localhost
Gambar 4.12 Tampilan Halaman Team
Sumber : Berdasarkan tampilan website pada localhost
68
Gambar 4.13 Tampilan Halaman Metode
Sumber : Berdsarkan tampilan website pada localhost
4.5 Analisa Hasil Perhitungan Naïve Bayes
Data yang digunakan sebagai data training adalah sebanyak 30 data (lampiran
3) yang diambil dari data Antenatal Care periode 2018 yang sudah ditentukan hasil
diagnosanya.
4.5.1 Menghitung Probabilitas Kelas
Tahap pertama perhitungan untuk menentukan diagnosa dengan metode Naïve
Bayes adalah dengan mencari probabilitas dari masing-masing kelas. Dalam
diagnosa akan ditentukan 2 kelas yaitu kelas “ Preeklampsia Ringan” dan
“Preeklampsia Berat”. Cara perhitungannya adalah dengan mencari berapa jumlah
data yang mengalami preeklampsia ringan dan preeklampsia berat dari total
keseluruhan data training, lalu membaginya dengan total keseluruhan data.
69
Tabel 4. 2 Probabilitas Kelas
Kelas
Preeklampsia Ringan(PR) Preeklampsia Berat(PB)
PR 15/30 PB 15/30
Sumber : Hasil probabilitas data pada kasus ibu hamil preeklampsia
4.5.2 Menghitung Probabilitas masing-masing Atribut dan hasilnya
Cara mencari probabilitas suatu atribut adalah dengan membandingkan atribut
dari data testing dengan atribut dari data training. Berapa jumlah atribut dengan
kelas ”Preeklampsia Ringan” yang berada pada data training, kemudian bagi
dengan probabilitas kelas “Preeklampsia Ringan”. Begitu juga dengan mencari
probabilitas untuk kelas “Preeklampsia Berat”.
1. Usia Ibu / UI
Tabel 4.3 Atribut Usia Ibu
P = UI "Muda" | Hasil "PR" = 13/15 = 0,87
P = UI "Muda" | Hasil "PB" = 7/15 = 0,47
P = UI "Paruh baya" | Hasil "PR" = 2/15 = 0,13
P = UI "Paruh baya" | Hasil "PB" = 8/15 = 0,53
Sumber : Hasil perhitungan kasus atas probabilitas menggunakan naive bayes
2. Usia Kehamilan (UK)
70
Tabel 4.4 Atribut Usia Kehamilan
P = UK "TM1" | Hasil "PR" = 1/15 = 0,07
P = UK "TM1" | Hasil "PB" = 0/15 = 0
P = UK "TM3" | Hasil "PR" = 14/15 = 0,93
P = UK "TM3" | Hasil "PB" = 15/15 = 1
Sumber : Hasil perhitungan kasus atas probabilitas menggunakan naive bayes
3. Tekanan Darah Sistolik (TDS)
Tabel 4.5 Atribut Tekanan Darah Sistolik
P = TDS "Normal | Hasil "PR" = 5/15 = 0,33
P = TDS "Normal | Hasil "PB" = 0/15 = 0
P = TDS "Tinggi | Hasil "PR" = 10/15 = 0,67
P = TDS "Tinggi | Hasil "PB" = 4/15 = 0,27
P = TDS "Sangat Tinggi | Hasil "PR" = 0/15 = 0
P = TDS "Sangat Tinggi | Hasil "PB" = 11/15 = 0,73
Sumber : Hasil perhitungan kasus atas probabilitas menggunakan naive bayes
4. Tekanan Darah Diastolik (TDD)
Tabel 4.6 Atribut Tekanan Darah Diastolik
P = TDD "Normal" | Hasil "PR" = 3/15 = 0,2
P = TDD "Normal" | Hasil "PB" = 2/15 = 0,13
P = TDD "Tinggi" | Hasil "PR" = 9/15 = 0,6
P = TDD "Tinggi" | Hasil "PB" = 4/15 = 0,27
71
P = TDD "Sangat Tinggi" | Hasil "PR" = 3/15 = 0,2
P = TDD "Sangat Tinggi" | Hasil "PB" = 9/15 = 0,6
Sumber : Hasil perhitungan kasus atas probabilitas menggunakan naive bayes
5. Kenaikan Berat Badan (KBB)
Tabel 4.7 Atribut Kenaikan Berat Badan
P = KBB "Normal" | Hasil "PR" = 10/15 = 0,67
P = KBB "Normal" | Hasil "PB" = 10/15 = 0,67
P = KBB "Abnormal" | Hasil "PR" = 5/15 = 0,33
P = KBB "Abnormal" | Hasil "PB" = 5/15 = 0,33
Sumber : Hasil perhitungan kasus atas probabilitas menggunakan naive bayes
6. Protenuria (P)
Tabel 4.8 Atribut Protenuria
P = P "Positif" | Hasil "PR" = 14/15 = 0,93
P = P "Positif" | Hasil "PB" = 13/15 = 0,87
P = P "Negatif" | Hasil "PR" = 1/15 = 0,07
P = P "Negatif" | Hasil "PB" = 2/15 = 0,13
Sumber : Hasil perhitungan kasus atas probabilitas menggunakan naive bayes
7. Edema (E)
72
Tabel 4.9 Atribut Edema
P = E "Iya" | Hasil "PR" = 5/15 =0,33
P = E "Iya" | Hasil "PB" = 7/15 =0,47
P = E "Tidak" | Hasil "PR" = 10/15 =0,67
P = E "Tidak" | Hasil "PB" = 8/15 =0,53
Sumber : Hasil perhitungan kasus atas probabilitas menggunakan naive bayes
4.5.3 Menghitung Probabilitas Akhir Untuk Setiap Kelas
Untuk menghitung probabilitas akhir pada setiap kelas, perlu menggunakan
data training yang terdapat pada tabel 4.1 dan mengubahnya menjadi nilai yang
sudah ditentukan pada proses 4.5.2 sesuai dengan atribut masing-masing. Lalu dari
masing-masing atribut dan nilai probabilitas kelas dikalikan. Dari kedua hasil yang
sudah ditentukan pada tiap kelas, bandingkan nilai yang paling tinggi. Jika kelas
“Preeklampsia Ringan” bernilai paling tinggi maka hasilnya “Preeklampsia
Ringan”, begitu pula sebaliknya.
4.5.4 Kasus Perhitungan Naïve Bayes
Untuk memudahkan dalam pemahaman perhitungan Naïve Bayes, secara
manual akan dibuat studi kasus sebagai berikut dengan rulenya berupa data training
(lampiran 3) Terdapat ibu hamil yang bernama yani dengan data sebagai berikut :
Tabel 4.10 Data Testing
TDS TDD KBB UK UI E P Diagnosa
Sangat
Tinggi
Sangat
Tinggi Abnormal TM3
Paruh
Baya Iya Positif ?
Sumber : Hasil testing sesuai buku KIA
73
Data Testing X = (UI = “paruh baya”, UK = “TM3”, TDS = “sangat tinggi”, TDD
= “sangat tinggi”, KBB = “abnormal”, P = “positif”, E = “iya”).
Tahap 1 menghitung jumlah kelas atau prediksi
Tahap 2 menghitung jumlah kasus yang sama dengan kelas yang sama.
P(Ci)
P(PR) = 15/30 = 0,5 P(PB) = 15/30 = 0,5
P(X | Ci)
P = UI "Paruh baya" | Hasil "PR" = 2/15 = 0,13
P = UI "Paruh baya" | Hasil "PB" = 8/15 = 0,53
P = UK "TM3" | Hasil "PR" = 14/15 = 0,93
P = UK "TM3" | Hasil "PB" = 15/15 = 1
P = TDS "Sangat Tinggi | Hasil "PR" =0/15 = 0
P = TDS "Sangat Tinggi | Hasil "PB" = 11/15 = 0,73
P = TDD "Sangat Tinggi" | Hasil "PR" = 3/15 = 0,2
P = TDD "Sangat Tinggi" | Hasil "PB" = 9/15 = 0,6
P = KBB "Abnormal" | Hasil "PR" = 5/15 = 0,33
P = KBB "Abnormal" | Hasil "PB" = 5/15 = 0,33
P = P “Positif” | Hasil “PR” = 14/15 = 0,93
P = P “Positif” | Hasil “PB” = 13/15 = 0,87
P = E "Iya" | Hasil "PR" = 5/15 =0,33
P = E "Iya" | Hasil "PB" = 7/15 =0,47
74
Tahap 3 mengkalikan semua hasil atribut PR dan PB
Tahap 4 membandingkan nilai kelas PR dengan PB
Jadi untuk (UI = “paruh baya”, UK = “TM3”, TDS = “sangat tinggi”, TDD =
“sangat tinggi”, KBB = “abnormal”, P = “positif”, E = “iya”) hasilnya “PB”.
P(X|PR) = 0,13 * 0,93 * 0 * 0,2 * 0,33 * 0,93 * 0,33 = 0
P(X|PB) = 0,53 * 1 * 0,73 * 0,6 * 0,33 * 0,87 * 0,47 = 0,031
P(X | Ci) * P(Ci)
P(X | PR) * P(PR) = 0 * 0,5 = 0
P(X | PB) * P(PB) = 0,0031 * 0,5 = 0,0155
75
4.6 Uji Akurasi Sistem Pakar
Program sistem pakar ini diuji keakurasiannya dalam memberikan keluaran
diagnosis dengan melakukan pencocokan antara hasil diagnosis program terhadap
hasil diagnosis referensi dari pakar dengan masukan data pasien yang sama. Uji
akurasi program sistem pakar ini dibuat dengan menggunakan data uji sebanyak 10
buah data. Tabel akurasi program hasil diagnosis menggunakan inferensi Naïve
Bayes Classifier ditunjukkan pada tabel 4.11.
Tabel 4.11 Hasil Uji Akurasi Pakar
No Hasil Diagnosis Metode Nive
Bayes Classifier
Hasil Diagnosis Pakar Keterengan
1 Preeklampsia Berat Preeklampsia Berat Sesuai
2 Preeklampsia Berat Preeklampsia Ringan Tidak Sesuai
3 Preeklampsia Berat Preeklampsia Berat Sesuai
4 Preeklampsia Ringan Preeklampsia Ringan Sesuai
5 Preeklampsia Ringan Preeklampsia Ringan Sesuai
6 Preeklampsia Ringan Preeklampsia Ringan Sesuai
7 Preeklampsia Berat Preeklampsia Berat Sesuai
8 Preeklampsia Ringan Preeklampsia Ringan Sesuai
76
9 Preeklampsia Ringan Preeklampsia Ringan Sesuai
10 Preeklampsia Berat Preeklampsia Berat Sesuai
Sumber : Hasil perhitungan kasus berdasarkan sistem
Maka berdasarkan hasil akurasi yang ditunjukkan pada tabel diatas, tingkat
akurasi dari metode inferensi Naïve Bayes Classifier dalam memberikan hasil
diagnosis dapat dihitung menggunakan persamaan 4.1 berikut :
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = Σ data benar ∗ 100 %
= 9 * 100%
= 90%
Sistem Pakar Untuk Dignosa Awal Penyakit Preeklampsia Pada Ibu Hamil
Menggunakan Metode Naïve Bayes memberikan akurasi sebesar 90% untuk
pengambilan keputusan diagnosisnya.
n
10
77
BAB V
KESIMPULAN
5.1 Kesimpulan
Berdasarkan hasil dan analisis yang dilakukan selama penelitian dapat ditarik
kesimpulan sebagai berikut :
1. Sistem Pakar Untuk Diagnosa Awal Penyakit Preeklampsia Pada Ibu Hamil
Menggunakan Metode Naïve Bayes telah dibuat dengan nilai probabilitas prior
sebesar 0,5 untuk kelas diagnosis preeklampsia ringan dan 0,5 untuk kelas diagnosis
preeklampsia berat.
2. Metode inferensi Naïve Bayes Classifier memberikan nilai akurasi sebesar 90%
dalam memberikan hasil diagnosis awal penyakit preeklampsia.
5.2 Saran
Saran yang diberikan oleh peneliti yang dapat dipertimbangkan untuk penelitian
selanjutnya antara lain :
1. Penggunaan metode Naïve Bayes Classifier dapat digunakan untuk mendiagnosis
jenis penyakit lainnya dengan menggunakan data dan fitur gejala masukan yang
lebih banyak lagi.
78
2. Pengimplementasian program sistem pakar dapat dilakukan pada jenis perangkat
lain yang lebih user friendly seperti pada aplikasi mobile berbasis Android atau
iOS.
79
DAFTAR PUSTAKA
AIPI. (2012). Indonesia Menuju Bangsa Inovasi 2030. Jakarta: Akademi Ilmu
Pengetahuan Indonesia
Bappenas. (2013). Millennium Development Goals. Dipetik Agustus 18, 2018,
dari http://sekretariatmdgs.or.id/
BKKBN. (2010). Dipetik September 5, 2015, dari
http://papuabarat.bkkbn.go.id/Lists/Artikel/DispForm.aspx?ID=49&Conte
ntTypeId=0x01003DCABABC04B7084595DA364423DE7897
Faiqoh, E., & Hendrati, L. Y. (2014). Hubungan Karakteristik Ibu, ANC, dan
Kepatuhan Perawatan Ibu Hamil dengan terjadinya Preeklampsia. Jurnal
Berkala Epidemiologi Vol.2 No.2 , 216 - 226.
Kementerian Kesehatan RI. (2013). Buku Saku Pelayanan Kesehatan Ibu di
Fasilitas Kesehatan Dasar dan Rujukan. Jakarta: Kementerian Kesehatan
RI.
Manuaba, I. B. (1998). Ilmu Kebidanan Penyakit Kandungan & Keluarga
Berencana untuk Pendidikan Bidan. Jakarta: Penerbit Buku Kedokteran
EGC.
Saifuddin, A. B., Adriaandsz, G., Wiknjosastro, G. H., & Waspodo, D. (2002).
Buku Acuan Nasional Pelayanan Kesehatan Maternal dan Neonatal.
Jakarta: JNPKKR- POGI.
Turban, E. (1995). Decision Support and Expert Systems. Prentice Hall.
Turban, E., Aronson, J. E., Liang, T.-P., & McCarthy, R. V. (2005). Decision
80
Support Systems and Intelligent Systems. New Jersey: Pearson Educatton.
Wiknjosastro, H., Saifuddin, A. B., & Rachimhadhi, T. (2005). Ilmu Kebidanan.
Jakarta: Yayasan Bina Pustaka Sarwono Prawirohardjo.
Muhamad, Farihin (2016). 10 Pengertian Database (Basis Data) Menurut Para Ahli,
http://farihinmuhamad.blogspot.co.id/2017/04/10-pengertian-database-
basisdata.html, 20 Agustus 2017
Rohi Abdullah, (2015), Web Programming is Easy.
PT Gramedia, Jakarta.
Informatikalogi, (2015), Belajar Algoritma Naive Bayes.
http://informatikalogi.com/.