SISTEM PAKAR UNTUK DIAGNOSA AWAL PENYAKIT PREEKLAMPSIA

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)

http://universitaspendidikan.com/contoh-makalah-sistem-pakar-pengertian-prinsip-dasar-dan-s-ciri-cirinya/

http://universitaspendidikan.com/contoh-makalah-sistem-pakar-pengertian-prinsip-dasar-dan-s-ciri-cirinya/

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


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

Print

hasil

Update

data

Simpan ke basis data

end

Gambar 3.2 diagram alir program


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


Gambar 3.4 Tampilan Form Login


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



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


Gambar 4.3 Hasil Tampilan Tabel Admin


64

Gambar 4.4 Hasil Tampilan Tabel Basis Aturan


Gambar 4.5 Hasil Tampilan Tabel Nama Penyakit


Gambar 4.6 Hasil Tampilan Tabel Solusi


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


66

Gambar 4.9 Tampilan Halaman Layanan


Gambar 4.10 Tampilan Halaman Tes Preeklampsia


67

Gambar 4.11 Form Login


Gambar 4.12 Tampilan Halaman Team


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


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


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


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


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


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


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


4 Preeklampsia Ringan Preeklampsia Ringan Sesuai





76



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/.

Documents

SISTEM PAKAR UNTUK DIAGNOSA AWAL PENYAKIT PREEKLAMPSIA