Aplikasi Identifikasi Penyebab Kematian Pada Penelitian Cirai UPK-FK UNPAD
SKRIPSI
Diajukan untuk Menempuh Ujian Akhir Sarjana
Program Strata Satu Jurusan Teknik Informatika
Fakultas Teknik dan Ilmu Komputer
Universitas Komputer Indonesia
TRI MULYANI
10109799
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
2011
(2)
i Oleh Tri Mulyani
10109799
Sepeti penelitian pada umumnya, penelitian CIRAI juga mempunyai kegiatan utama berupa pengumpulan data penelitian. Pengolahan data penelitian yang komplek seperti data kematian membutuhkan sebuah aplikasi yang mampu mengelola data penelitian dari proses input data sampai penyajian informasi yang dibutuhkan. Data kematian yang diolah disini merupakan data otopsi verbal dengan acuan data korespondensi ICD 10. Salah satu teknik yang dapat digunakan untuk melakukan proses penyajian informasi data hasil penelitian adalah data mining. Dimana data mining dapat menggali pengetahuan atau knowledge dalam data. Teknik data mining yang dipakai dalam aplikasi identifikasi penyebab kematian disini adalah classification dengan decision tree. Teknik ini melakukan proses pencarian model atau fungsi yang menjelaskan atau membedakan konsep atau kelas dari suatu objek yang belum diketahui labelnya.
Dengan adanya aplikasi identifikasi penyuebab kematian ini dapat membantu pihak penelitian dalam mengelola data penelitian dan menghasilkan informasi identifikasi penyebab kematian dari hasil data penelitian. Aplikasi ini berguna baik dari pihak entri data untuk mengelola data penelitian (input, edit dan delete) maupun dari pihak manajer data untuk mengidentifikasi penyebab kematian untuk proses penelitian selanjutnya dari data hasil penelitian yang diinputkan oleh pihak entri data.
Kata Kunci : Data Kematian, Penyebab Kematian, Otopsi Verbal, CIRAI, Data Mining, Decision Tree
(3)
ii
by
Tri Mulyani 10109799
As research in general, CIRAI research also has major activities in the form of gathering research data. Processing of complex research data such as mortality data requires an application that is able to manage research data from the data input process until the presentation of information needed. Mortality data are processed here is a verbal autopsy data with reference data corresponding ICD10 as reference. One technique that can be used to make the process of presenting data information is data mining. Which is data mining can discover knowledge in the data. Data mining techniques used in the identification of the cause of death application here is the classification with decision tree. These techniques make the search process or model that explains the functions or classes or distinguishes the concept of an unknown object label.
With this cause of death identification application can help the research in managing research data and produce information identifying the cause of death from the results of the research data. This application is useful both from the data entry for managing research data (input, edit and delete) as well as from the data manager to identify the cause of death for the further study of the research results of the input data by the data entry.
Key Word: Mortality Data, Death Cause, Verbal Autopsy, Data Mining, Decision Tree
(4)
iii
hidayah-Nya penulis dapat menyelesaikan laporan tugas akhir dengan baik. Tugas akhir dengan judul “APLIKASI IDENTIFIKASI PENYEBAB KEMATIAN
PADA PENELITIAN CIRAI UPK - FK UNPAD” ini diajukan untuk
memenuhi salah satu syarat kelulusan program Sarjana Jurusan Teknik Informatika Fakultas Teknik dan Ilmu Komputer Universitas Komputer Indonesia.
Pada kesempatan ini dengan segala kerendahan hati, penulis ingin menyampaikan ucapan terima kasih yang sebesar-besarnya atas kerja sama, bantuan dan dorongan banyak pihak terutama kepada :
1. Orang tua yang selalu memberi dukungan baik secara moril dan materiil. 2. Mira Kania Sabariah, S.T.,M.T. selaku ketua jurusan Teknik Informatika
Universitas Komputer Indonesia.
3. Andri Heryandi, S.T.,M.T. selaku dosen pembimbing atas bimbingan dan bantuannya dalam penyusunan tugas akhir ini.
4. Galih Hermawan, S.Kom.,M.T. Selaku dosen wali kelas IF-17K Jurusan Teknik Informatika.
5. Dosen-dosen jurusan Teknik Informatika Universitas Komputer Indonesia yang telah membantu dalam perkuliahan.
(5)
6. Prof. Dr. Cissy B. Kartasasmita.dr, SpA(K), MSc selaku pimpinan Penelitian yang memberikan ijin untuk penulis melaksanakan penelitian tugas akhir di CIRAI.
7. dr. Kuswandewi Mutyara, MSc sebagai project manager pada penelitian CIRAI.
8. dr. Putri Teesa M.Kes., sebagai data manager CIRAI atas bantuan dan penjelasannya tentang sistem yang sedang berjalan.
9. Seluruh Staff CIRAI dan UPK yang telah membantu semua kegiatan dalam melaksanakan tugas akhir sehingga berjalan dengan lancar dan baik sesuai rencana.
10.Kakak-kakak dan ponakan, kalianlah salah satu alasan untuk semua ini, serta seluruh kelurga di Yogya untuk doa yang selalu diberikan.
11.Semua teman-teman skripsi 2011 khususnya anak bimbingan pak Andri Heryandi, atas kerjasamanya.
12.Semua teman-teman IF-17K, Alif, Om Hari, Dani, Opik, Panji, Epul ,Ade, Icha, Ugan Widhie, Rizal dan semuanya yang tidak bisa penulis sebut satu persatu, atas dukungannya satu sama lain.
13.Teman – teman PT eBdesk Indonesia, mas Josef, Reni, Nunu untuk solusi validasi yang sudah diberikan.
14.Maurice van Leeuwen, untuk ide, saran dan motivasinya.
15.The dudungers (Unnie, Mourenz, Eggy, Barbar), Hanny untuk doa, dukungan dan keceriaan yang diberikan.
(6)
Akhirnya atas segala bantuan, dukungan dan kebaikan yang telah diberikan dalam penyusunan Tugas Akhir ini, penulis mengucapkan terima kasih, semoga Tugas Akhir ini bermanfaat bagi penulis khususnya dan bagi pembaca pada umumnya.
Bandung, Juli 2011
(7)
1
1.1 Latar Belakang Masalah
Penelitian CIRAI yang merupakan kependekan dari Community-based and Integrated Research of Influenza adalah salah satu kelompok kerja yang dilakukan oleh Unit Penelitian Kesehatan (UPK) Fakultas Kedokteran Universitas Padjajaran - Rumah Sakit Hasan Sadikin (UPK FK – Unpad) tentang penyakit influenza. Seperti penelitian kesehatan pada umumnya CIRAI mempunyai kegiatan utama mengumpulkan data objek penelitian, dimana data tersebut dikelola dalam beberapa modul aplikasi yang terintregasi satu sama lain dalam sebuah sistem berbasis web.
Dengan berkembangnya data penelitian, saat ini CIRAI melakukan pengambilan data kematian didaerah penelitian dengan metode otopsi verbal, tujuannya untuk mengidentifikasi penyebab kematian. Dari kegiatan ini akan dihasilkan data otopsi verbal yang harus dikelola ke dalam sistem yang sudah terintegrasi untuk menghasilkan sebuah informasi berupa pendukung diagnosa tentang identifikasi penyebab kematian berdasarkan symptoms atau gejala yang berhubungan dengan penyakit influenza yang dimiliki almarhum sebelum meninggal. Dimana pada modul aplikasi yang sudah ada, untuk mendapatkan informasi setiap modulnya, masih dilakukan secara manual.
Karena form manual otopsi verbal standar WHO yang digunakan cukup komplek, maka dibutuhkan sebuah aplikasi dengan validasi yang memadai untuk
(8)
meminimalisasi kesalahan input data. Sedangkan sumber data kematian yang didapat dari form otopsi verbal tersebut harus bisa digali keterkaitan dan informasinya berdasarkan data korespondensi penyebab kematian untuk otopsi verbal dengan kode ICD-10. ICD-10 merupakan standarisasi penyebab kematian berdasarkan data otopsi verbal yang juga sudah disediakan oleh WHO melalui penelitian selama 3 tahun. Hal ini untuk menghindari kerancuan atau pendapat subjective mengenai hasil data otopsi verbal.
Dengan memanfaatkan data otopsi verbal dan data korespondensi penyebab kematian dengan kode ICD-10, dapat diketahui informasi identifikasi penyebab kematian oleh symptoms influenza melalui teknik data mining. Kenapa data mining, karena data mining dapat menggali informasi yang tersimpan dalam data, dalam hal ini informasi mengenai symptoms influenza dari data otopsi verbal.
1.2 Rumusan Masalah
Berdasarkan latar belakang yang telah dipaparkan sebelumnya, maka rumusan masalah yang mendasari pembuatan tugas akhir ini adalah bagaimana membangun sebuah aplikasi identifikasi penyebab kematian yang dapat mengelola data otopsi verbal dan menggunakannya untuk menghasilkan informasi identifikasi penyebab kematian oleh symptoms influenza berdasarkan data korespondensi penyebab kematian ICD-10 dengan implementasi data mining. Informasi identifikasi penyebab kematian yang ditampilkan berupa prosentase kemungkinan almarhum meninggal karena verbal autopsy themes berdasarkan symptoms influenza yang dialami sebelum meninggal.
(9)
1.3 Maksud dan Tujuan
Berdasarkan permasalahan-permasalahan yang ditemukan, maka maksud dari pembuatan tugas akhir ini adalah membuat aplikasi identifikasi penyebab kematian dengan otopsi verbal dan implementasi data mining untuk menghasilkan informasi identifikasi penyebab kematian oleh symptoms influenza berdasarkan data korespondensi penyebab kematian dengan ICD-10 pada penelitian CIRAI.
Adapun tujuan yang ingin dicapai dari perancangan tugas akhir ini adalah:
1. Menyediakan sebuah aplikasi identifikasi penyebab kematian dengan pengelolaan data otopsi verbal.
2. Memudahkan staf entri data penelitian untuk mengelola data otopsi verbal ke dalam sistem.
3. Menyediakan fasilitas penyajian informasi identifikasi penyebab kematian dengan otopsi verbal yang diperlukan untuk digunakan pada kepentingan penelitian selanjutnya.
1.4 Batasan Masalah/Ruang Lingkup kajian
Agar dalam perancangan ini dapat mencapai sasaran dan tujuan yang diharapakan, maka permasalahan yang ada dibatasi sebagai berikut :
1. Implementasi di fokuskan pada data otopsi verbal dengan acuan data korespondensi daftar penyebab kematian untuk otopsi verbal ICD-10.
2. Aplikasi menghasilkan informasi identifikasi penyebab kematian yang dibatasi pada symptoms influenza saja dan dipetakan dari tabel
(10)
korespondensi daftar penyebab kematian untuk otopsi verbal ICD-10 oleh pakar, dalam hal ini dokter penelitian untuk memperoleh data relasi antara symptoms dengan jenis verbal autopsy themes yang diakibatkannya sebagai basis pengetahuan (knowledge base).
3. Pengolahan data diawali dengan input data bersih dari lapangan dalam bentuk form manual (hardcopy) ke dalam sistem, dilengkapi dengan proses edit dan delete jika diperlukan.
4. Menu aplikasi dibedakan menjadi dua bahasa dari dua modul yang ada, untuk modul data entri menggunakan bahasa Indonesia dan untuk modul admin (data manager) menggunakan bahasa Inggris. Pertimbangan untuk data entry karena form manual dalam bahasa Indonesia. Sedangkan pertimbangan untuk data manager dikarenakan ada dokter penelitian yang merupakan warga Asing, yang sesekali membutuhkan melihat aplikasi, maka akan lebih mudah jika menu nya menggunakan bahasa Inggris. Kebijakan penggunaan bahasa ini diluar sistem yang dibangun, penulis hanya mengimplementasikankan modul yang penulis buat sesuai kebijakan yang berlaku pada sistem yang berjalan.
5. Pemodelan sistem aplikasi otopsi verbal ini menggunakan Use Case Diagram dan UML.
6. Bahasa pemrograman yang digunakan dalam aplikasi ini adalah PHP dengan system basisdata MySQL serta menggunakan server web Apache.
(11)
Dengan pembatasan masalah tersebut diharapkan agar jangan sampai menyimpang dari topik yang terdapat dalam skripsi ini. Sedangkan hal lain yang ada hubungannya dengan masalah ini adalah sebagai pendukung saja, sehingga pembahasan yang ada semakin jelas.
1.5 Metodologi Penelitian
Metode penelitian dalam skripsi ini dibagi dalam dua tahap yaitu tahap pengumpulan data dan tahap implementasi sistem.
1.5.1 Tahap Pengumpulan Data
Pada tahap pengumpulan data penulis menggunakan metodologi penelitian kualitatif yang terdiri dari kombinasi metode-metode berikut ini:
a. Metode Pengamatan/Observasi
Pengumpulan data dengan cara mengamati secara langsung di lapangan yaitu form manual sebagai sarana pengumpulan data serta konsep atau alur data yang terjadi.
b. Metode Wawancara
Pengumpulan data dengan cara mengadakan wawancara secara langsung dengan responden yaitu dokter lapangan yang berkaitan dan terlibat langsung dengan data yang akan dianalisis guna memperoleh data yang tepat dan akurat.
(12)
Dengan membaca dan meneliti dokumen-dokumen, buku-buku, referensi yang berkaitan dengan masalah yang diteliti guna mengumpulkan data dan informasi yang diperlukan
d. Studi Literatur
Studi literatur yaitu pengumpulan data dengan cara mengumpulkan literatur, jurnal, paper dan bacaan-bacaan yang ada kaitanya dengan judul penelitian.
1.5.2 Tahap Implementasi Sistem
Teknik analisis data dalam implementasi sistem menggunakan paradigma perangkat lunak secara Prototyping, yang meliputi beberapa proses diantaranya :
Gambar 1.1 Prototyping Method
a. Pengumpulan Kebutuhan dan perbaikan
Menetapkan segala kebutuhan untuk pembangunan perangkat lunak.
(13)
Tahap penerjemahan dari keperluan atau data yang telah dianalisis ke dalam bentuk yang mudah dimengerti oleh user.
c. Bentuk Prototipe
Menerjemahkan data yang telah dirancang ke dalam bahasa pemrograman (Program contoh atau setengah jadi )..
d. Evaluasi Pelanggan Terhadap Prototipe
Program yang sudah jadi diuji oleh pelanggan, dan bila ada kekurangan pada program bisa ditambahkan. Pelanggan yang dimaksud disini adalah komponen penelitian (dokter ahli) dengan pengujian apakah sesuai dengan kebutuhan analisa data penelitian.
e. Perbaikan Prototipe
Perbaikan program yang sudah jadi, sesuai dengan kebutuhan konsumen. Kemudian dibuat program kembali dan di evaluasi oleh konsumen sampai semua kebutuhan user terpenuhi.
f. Produk Rekayasa
Program yang sudah jadi dan seluruh kebutuhan user sudah terpenuhi
1.6 Sistematika Penulisan
Sistematika penulisan skripsi disini terbagi menjadi beberapa sub bab dari pokok bahasan, secara umum dapat dijabarkan sebagai berikut :
(14)
Pada bab ini penulis membahas tentang latar belakang tugas akhir, perumusan masalah, maksud dan tujuan tugas akhir, batasan masalah, metode penelitian dan sistematika pelaporan tugas akhir.
BAB II TINJAUAN PUSTAKA
Pada bab ini penulis menguraikan secara singkat mengenai sejarah institusi tempat penelitian dilakukan, landasan teori, model proses perangkat lunak, basis data, metode perancangan dan implementasi sistem, PHP, Apache dan MySQL.
BAB III ANALISIS DAN PERANCANGAN
Pada bab ini membahas tentang analisis sistem, analisis masalah, Analisis Kebutuhan Fungsional Analisis Non Fungsional, Perancangan Sistem, Perancangan Database, Perancangan Antarmuka
BAB IV IMPLEMENTASI DAN PENGUJIAN
Pada bab ini membahas tentang Implementasi,Pengujian Sistem, Pengujian Alpha.
BAB IV KESIMPULAN
Pada bab ini merupakan penutup yaitu berupa kesimpulan yang berisi kesimpulan dari pembahasan pada bab sebelumnya serta saran yang mungkin berguna bagi para pembaca berhubungan dengan hasil tugas akhir yang dibuat.
(15)
9 2.1Tinjauan Tempat Penelitian
2.1.1 Profil Instansi
CIRAI – Community-based and Integrated Research of Avian Influenza
adalah salah satu kelompok kerja yang dilakukan oleh Unit Penelitian Kesehatan (UPK) Fakultas Kedokteran Universitas Padjajaran – Rumah Sakit Hasan Sadikin tentang penyakit flu burung (sekarang meng-generalize
pada penyakit influenza), bekerja sama dengan Colorado University dan Dinas kesehatan serta Dinas Peternakan provinsi Jawa Barat.
Seluruh jajaran sivitas akademika FK Unpad - RSHS, memberikan perhatian sangat besar terhadap penelitian. Institusi ini memberikan penambahan sumber daya untuk penelitian, pengembangan laboratorium, dan mengakomodasikan pertemuan-pertemuan khusus untuk membahas penelitian. Momentum ini sebaiknya di manfaatkan oleh kita semua untuk meningkatan kredibilitas institusi dan karir kita khususnya dalam penelitian. Dalam hal ini, Unit Penelitian Kesehatan saat ini masih berusaha mengembangkan working
group, kapasitas laboratorium sambil memperbaiki sistem administrasi dan
pendataan penelitian. Disamping upaya ini, minat dari institusi luar yang ingin bekerja sama sangat besar. Dewasa ini ini sudah terbentuk 6 working group. Dibidang infeksi, difokuskan pada Tuberkulosis, HIV, dan Clinical Infectious
(16)
Disease (Influenza dan Dengue) dimana CIRAI ada didalamnya. Di bidang Onkologi, kelompok kerja yang sudah mulai bergerak aktif adalah kelompok Ca
Cervix dan Human Papiloma Virus. Masing-masing kelompok kerja diharapkan
akan dapat menggarap aspek yang luas mulai dari topic ilmiah dasar sampai penelitian aplikatif, agar sumbangan di berbagai lini bisa tampak. Dalam pelaksanaannya sinergi kegiatan tetap sangat diharapkan karena secara praktis kegiatan pengembangan dan penelitian bidang kesehatan menggunakan metodologi dan instrumen yang sama.
2.1.2 Sejarah Instansi
Unit Penelitian Kesehatan Fakultas Kedokteran Universitas Padjadjaran/Rumah Sakit Hasan Sadikin (selanjutnya disebut UPK-FKUP/RSHS) didirikan pada tahun 1991 berdasarkan Surat Keputusan Bersama (SKB) Dekan FK UNPAD No.14/PT06.H4.FK/Kep/N/91 dan Direktur RS Hasan Sadikin Bandung No. 801A/D/IV/Kepeg/III/1991. Berdirinya UPK-FKUP/RSHS tersebut antara lain dilatarbelakangi oleh
1. Program Fakultas Kedokteran UNPAD untuk membina dan mengembangkan kegiatan-kegiatan penelitian di kalangan staf akademik sebagai bagian bagian perwujudan Tri Dharma Perguruan Tinggi.
2. Piagam kerja sama antara Universitas Padjadjaran dengan Vlaamse
Interuniversitaire Raad (VLIR) Belgia yang ditandatangani pada tahun 1986
(17)
klinik dan biostatistik dalam rangka turut serta meningkatkan status kesehatan di Jawa Barat.
3. Keterlibatan peneliti yang berasal dari lembaga berbeda yang tidak dapat dipisahkan, yaitu Fakultas Kedokteran UNPAD sebagai lembaga pendidikan dan Rumah Sakit Umum Pusat dr. Hasan Sadikin sebagai lembaga pelayanan kesehatan.
4. Pemikiran bahwa penelitian kesehatan merupakan kegiatan yang tidak dapat dipisahkan dalam mengembangkan dan mengantisipasi kemajuan ilmu pengetahuan dan teknologi.
Bertitik tolak pada SKB tersebut, pada awalnya kegiatan UPK-FKUP/RSHS dititikberatkan pada bidang kajian epidemiologi klinik yang ditopang oleh adanya 8 kelompok studi yang terlibat dalam program kerja sama UNPAD – VLIR Belgia.
Mengingat perkembangan ilmu pengetahuan dan teknologi, semakin beragamnya tantangan dan peluang yang dihadapi, serta diperlukan pendekatan multidisiplin dalam mengatasi permasalahan kesehatan yang berkembang, maka UPK-FKUP/RSHS telah pula mengembangkan kegiatannya yang meliputi bidang kajian ilmu kedokteran dasar, ilmu kedokteran klinik hingga bidang kesehatan masyarakat termasuk epidemiologi klinik dan biostatistik yang sebelumnya telah dikembangkan serta bidang manajemen pelayanan kesehatan. Wujud pelaksanaan kegiatan tersebut berupa penelitian, pelatihan dan publikasi ilmiah.
(18)
2.1.3 Logo Instansi
Logo CIRAI sendiri se sementara yang dimiliki oleh C
Gambar 2.1 Logo CIRA
Logo CIRAI mence pengertian komunitas itu send
organisme yang berbagi lingk yang sama. Dalam komunita
sebenarnya belum memiliki bentuk baku, berikut h CIRAI:
AI (Community-based And Integrated Research o
Avian Influenza)
cerminkan lambang sebuah komunitas, dim ndiri adalah “Sebuah kelompok sosial dari beber gkungan, umumnya memiliki ketertarikan dan ha
itas manusia, individu-individu di dalamnya d
ut logo
h of
dimana
berapa habitat dapat
(19)
memiliki maksud, kepercayaan, sumber daya, preferensi, kebutuhan, risiko dan
sejumlah kondisi lain yang serupa”. Organisasi disini karena CIRAI melibatkan
beberapa pihak luar seperti Colorado University, Dinas Peternakan dan lain – lain.
Sedangkan gambar virus didalamnya adalah virus avian influenza dimana komunitas ini menitik beratkan pada penelitian virus tersebut.
2.1.4 Struktur Organisasi
Berikut ini adalah struktur organisasi dari working group ataukelompok kerja Community and Integrated Research of Avian Influenza (CIRAI):
(20)
2.1.1.1. Research Leader
Pimpinan penelitian atau Research Leader merupakan pimpinan tertinggi penelitian. Bertugas mengendalikan kegiatan manajerial serta berperan dalam pengendalian kerjasama antara satu bagian dengan bagian yang lainnya, tugas utamanya adalah memimpin penelitian dan bertanggung jawab terhadap seluruh kelangsungan hidup penelitian.
2.1.1.2. Project Manager
Bertanggung jawab dalam mengawasi dan koordinasi pembangunan sebuah proyek penelitian, melakukan evaluasi, estimasi waktu dan mengambil keputusan menyangkut pembangunan suatu proyek penelitian.
2.1.1.3. Laboratory Manager
Bertanggung jawab dalam mengawasi dan koordinasi tentang kegiatan laboratorium untuk penelitian, termasuk didalamnya pengadaan alat dan hasil penelitian dari specimen yang didapat di lapangan oleh dokter lapangan.
2.1.1.4. Fields Manager
Bertanggung jawab dalam mengawasi dan koordinasi tentang kegiatan penelitian dilapangan baik itu dokter lapangan di setiap puskesmas yang ditugaskan dan surveyor lapangan.
(21)
2.1.1.5. Data Manager
Bertanggung jawab dalam mengawasi dan koordinasi tentang semua aliran data penelitian yang masuk, pengolahannya sampai reporting data yang dihasilkan. Membawahi bidang IT dan data entry yang bertugas untuk memasukkan data penelitian ke dalam system yang dibuat oleh team IT.
2.2 Landasan Teori 2.2.1 Sistem Informasi
Pengertian Sistem Informasi sendiri mempunyai banyak versi, diantaranya adalah sebagai berikut:
1. Sistem informasi adalah aplikasi komputer untuk mendukung operasi dari suatu organisasi: operasi, instalasi, dan perawatan komputer, perangkat lunak, dan data.
2. Sistem Informasi adalah sekumpulan komponen dari informasi yang saling terintegrasi untuk mencapai tujuan yang spesifik. Komponen yang dimaksud adalah komponen input, model, output, teknologi, basis data (data base), kontrol atau komponen pengendali.
3. Sistem Informasi adalah Proses yang menjalankan fungsi mengumpulkan, memproses, menyimpan, menganalisis, dan menyebarkan informasi untuk kepentingan tertentu; kebanyakan SI dikomputerisasi.
4. Sistem informasi adalah sekumpulan komponen pembentuk sistem yang mempunyai keterkaitan antara satu komponen dengan komponen lainnya yang
(22)
bertujuan menghasilkan suatu informasi dalam suatu bidang tertentu. Dalam sistem informasi diperlukannya klasifikasi alur informasi, hal ini disebabkan keanekaragaman kebutuhan akan suatu informasi oleh pengguna informasi. Kriteria dari sistem informasi antara lain, fleksibel, efektif dan efisien.
5. Sistem informasi adalah kumpulan antara sub-sub sistem yang saling berhubungan yang membentuk suatu komponen yang didalamnya mencakup input-proses-output yang berhubungan dengan pengolaan informasi (data yang telah dioleh sehingga lebih berguna bagi user)
6. Suatu sistem informasi (SI) atau information system (IS) merupakan aransemen dari orang, data, proses-proses, dan antar-muka yang berinteraksi mendukung dan memperbaiki beberapa operasi sehari-hari dalam suatu bisnis termasuk mendukung memecahkan soal dan kebutuhan pembuat-keputusan manejemen dan para pengguna yang berpengalaman di bidangnya.
2.2.2 Data
Data adalah fakta atau apapun yang dapat digunakan sebagai input dan menghasilkan informasi. Data adalah kenyataan yang menggambarkan suatu kejadian dan kesatuan kenyataan. Data merupakan suatu istilah yang berbentuk jamak dari kata “datum” yang berarti fakta atau bagian dari fakta yang mengandung arti yang menghubungkan dengan kenyataan, simbol-simbol, gambar-gambar, kata-kata, angka-angka, hurufhuruf yang menunjukan suatu ide, objek, kondisi dan situasi. Menurut the Liang Gie: ”Data atau bahan keterangan adalah hal atau peristiwa kenyataan lainnya apapun yang mendukung suatu
(23)
pengetahuan untuk dijadikan dasar guna penyusunan keterangan pembuatan kesimpulan atau penetapan keputusan, atau data ibarat bahan mentah yang melalui pengolahannya tertentu lalu menjadi keterangan (informasi)”. Kumpulan data yang saling berkaitan, berhubungan yang disimpan secara bersama-sama sedemikian rupa tanpa pengulangan yang tidak perlu, untuk memenuhi berbagai
kebutuhan disebut basis data (database). Data-data ini harus mengandung semua informasi untuk mendukung semua kebutuhan sistem. Proses dasar yang dimiliki oleh database ada empat, yaitu:
1. Pembuatan data-data baru (create database) 2. Penambahan data (insert)
3. Mengubah data (update) 4. Menghapus data (delete)
Database merupakan salah satu komponen yang penting dalam sistem informasi,
karena merupakan basis dalam menyediakan informasi pada para pengguna.
Database menjadi penting karena munculnya beberapa masalah bila tidak
menggunakan data yang terpusat, seperti adanya duplikasi data, hubungan antar data tidak jelas, organisasi data dan update menjadi rumit. Jadi tujuan dari pengaturan data dengan menggunakan database adalah :
a. Menyediakan penyimpanan data untuk dapat digunakan oleh organisasi saat sekarang dan masa yang akan datang.
(24)
b. Cara pemasukan data sehingga memudahkan tugas operator dan menyangkut pula waktu yang diperlukan oleh pemakai untuk mendapatkan data serta hak-hak yang dimiliki terhadap data yang ditangani.
c. Pengendalian data untuk setiap siklus agar data selalu up-todate dan dapat mencerminakan perubahan spesifik yang terjadi di setiap sistem.
d. Pengamanan data terhadap kemungkinan penambahan, modifikasi, pencurian dan gangguan-gangguan lain. Penyusunan basis data meliputi proses memasukkan data kedalam media penyimpanan data, dan diatur dengan menggunakan perangkat Sistem Manajemen Basis Data (Database
Management System / DBMS).
2.2.3 Pengenalan Pola, Data Mining, dan Machine Learning
Pengenalan pola adalah suatu disiplin ilmu yang mempelajari cara-cara mengklasifikasikan obyek ke beberapa kelas atau kategori dan mengenali kecenderungan data. Tergantung pada aplikasinya, obyek-obyek ini bisa berupa pasien, mahasiswa, pemohon kredit, image atau signal atau pengukuran lain yang perlu diklasifikasikan atau dicari fungsi regresinya (Santoso, 2007).
Data mining diartikan sebagai suatu proses ekstraksi informasi berguna
dan potensial dari sekumpulan data yang terdapat secara implisit dalam suatu basis data. Pada dasarnya data mining berhubungan dengan analisa data dan penggunaan teknik-teknik perangkat lunak untuk mencari pola dan keteraturan dalam himpunan data yang sifatnya tersembunyi.
(25)
Machine Learning adalah suatu area dalam artificial intelligence atau kecerdasan buatan yang berhubungan dengan pengembangan teknik-teknik yang bisa diprogramkan dan belajar dari data masa lalu. Pengenalan pola, data mining
dan machine learning sering dipakai untuk menyebut sesuatu yang sama. Bidang
ini bersinggungan dengan ilmu probabilitas dan statistik kadang juga optimasi.
Machine learning menjadi alat analisis dalam data mining (Santoso, 2007).
Dengan diperolehnya informasi-informasi yang berguna dari data-data yang ada, hubungan antara item dalam transaksi, maupun informasi informasi-yang potensial, selanjutnya dapat diekstrak dan dianalisa dan diteliti lebih lanjut dari berbagai sudut pandang. Informasi yang ditemukan ini selanjutnya dapat diaplikasikan untuk aplikasi manajemen, melakukan query processing, pengambilan keputusan dan lain sebagainya. Dengan semakin berkembangnya kebutuhan akan informasi, semakin banyak pula bidang-bidang yang rnenerapkan konsep data mining.
2.2.3.1Tahapan Data Mining
Dalam proses data mining, data-data yang ada, tidak dapat langsung diolah dengan menggunakan sistem data mining. Data-data tersebut harus dipersiapkan terlebih dahulu agar hasil yang diperoleh dapat lebih maksimal, dan waktu komputasinya lebih minimal. Proses persiapan data ini sendiri dapat mencapai 60% dari keseluruhan proses dalam data mining. Adapun tahapan-tahapan yang harus dilalui dalam proses data mining antara lain:
(26)
Gambar 2.3 Tahapan Data Mining
1. Pembersihan Data (Data Cleaning)
Pembersihan data merupakan proses menghilangkan noise dan data yang tidak konsisten atau data tidak relevan. Pada umumnya data yang diperoleh, baik dari database suatu perusahaan maupun hasil eksperimen, memiliki isian-isian yang tidak sempurna seperti data yang hilang, data yang tidak valid atau juga hanya sekedar salah ketik. Selain itu, ada juga atribut-atribut data yang tidak relevan dengan hipotesa data mining yang
(27)
dimiliki. Data-data yang tidak relevan itu juga lebih baik dibuang. Pembersihan data juga akan mempengaruhi performasi dari teknik data mining karena data yang ditangani akan berkurang jumlah dan kompleksitasnya.
2. Seleksi Data (Data Selection)
Data yang ada pada database sering kali tidak semuanya dipakai, oleh karena itu hanya data yang sesuai untuk dianalisis yang akan diambil dari database.
3. Integrasi Data (Data Integration)
Integrasi data merupakan penggabungan data dari berbagai database ke dalam satu database baru. Tidak jarang data yang diperlukan untuk data
mining tidak hanya berasal dari satu database tetapi juga berasal dari
beberapa database atau file teks. Integrasi data dilakukan pada atribut-aribut yang mengidentifikasikan entitas-entitas yang unik seperti atribut nama, jenis produk, nomor pelanggan dan lainnya. Integrasi data perlu dilakukan secara cermat karena kesalahan pada integrasi data bisa menghasilkan hasil yang menyimpang dan bahkan menyesatkan pengambilan aksi nantinya.
(28)
Transformasi data melakukan peringkasan data dengan mengasumsikan bahwa data telah tersimpan dalam tempat penyimpanan tunggal. Pada langkah terakhir, data telah di ekstrak dari banyak basis data ke dalam basis data tunggal. Tipe peringkasan yang dikerjakan dalam langkah ini mirip dengan peringkasan yang dikerjakan selama tahap ekstraksi.
5. Proses Mining
Merupakan suatu proses utama saat metode diterapkan untuk menemukan pengetahuan berharga dan tersembunyi dari data. Didalamnya termasuk proses menjalankan algoritma, setelah semua proses sebelumnya dikerjakan, maka algoritma data mining sudah siap untuk dijalankan.
6. Presentasi Pengetahuan
Merupakan visualisasi dan penyajian pengetahuan mengenai metode yang digunakan untuk memperoleh pengetahuan yang diperoleh pengguna. Tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisis yang didapat. Ada kalanya hal ini harus melibatkan orang-orang yang tidak memahami data mining. Karenanya presentasi hasil data mining dalam bentuk pengetahuan yang bisa dipahami semua orang adalah satu tahapan yang diperlukan dalam proses data mining. Dalam presentasi ini, visualisasi juga bisa membantu mengkomunikasikan hasil data mining (Han, 2006).
(29)
Berikut beberapa jenis teknik Data Mining yang paling populer dikenal dan digunakan:
1. Association Rule Mining
Association rule mining adalah teknik mining untuk menemukan aturan
assosiatif antara suatu kombinasi item. Penting tidaknya suatu aturan assosiatif dapat diketahui dengan dua parameter, support yaitu persentase kombinasi item tsb. dalam database dan confidence yaitu kuatnya hubungan antar item dalam aturan assosiatif. Algoritma yang paling populer dikenal sebagai Apriori dengan paradigma generate and test, yaitu pembuatan kandidat kombinasi item yang mungkin berdasar aturan tertentu lalu diuji apakah kombinasi item tersebut memenuhi syarat support minimum. Kombinasi item yang memenuhi syarat tsb. disebut frequent itemset, yang nantinya dipakai untuk membuat aturan-aturan yang memenuhi syarat confidence minimum. Algoritma baru yang lebih efisien bernama FP-Tree.
2. Classification
Klasifikasi data adalah suatu proses yang menemukan properti-properti yang sama pada sebuah himpunan obyek di dalarn sebuah basis data, dan mengklasifikasikannya ke dalam kelas-kelas yang berbeda menurut model klasifikasi yang ditetapkan (Badriyah, 2007).
Classification adalah proses untuk menemukan model atau fungsi yang
(30)
memperkirakan kelas dari suatu objek yang labelnya tidak diketahui. Model itu sendiri bisa berupa aturan “jika-maka”, berupa decision tree, formula matematis atau neural network. Decision tree adalah salah satu metode classification yang paling populer karena mudah untuk diinterpretasi oleh manusia.
Decision tree merupakan struktur flowchart yang menyerupai tree
(pohon), dimana setiap simpul internal menandakan suatu tes pada atribut, setiap cabang merepresentasikan hasil tes, dan simpul daun merepresentasikan kelas atau distribusi kelas. Alur pada decision tree di telusuri dari simpul akar ke simpul daun yang memegang prediksi kelas untuk contoh tersebut. Decision tree mudah untuk dikonversi ke aturan klasifikasi (Kusnawi,2007).
Forward Chaining atau disebut juga penalaran maju adalah aturan-aturan
diuji satu demi satu dalam urutan tertentu. Inference Engine akan mencocokkan fakta atau statement dalam Knowledge Base dengan situasi yang dinyatakan dalam rule bagian IF. Jika fakta yang ada dalam Knowledge Base sudah sesuai dengan kaidah IF, maka rule itu distimulasi dan rule berikutnya diuji. Proses pengujian rule satu demi satu berlanjut sampai satu putaran lengkap melalui seluruh perangkat rule (Andi, 2003). Untuk lebih jelasnya dapat kita lihat alur dari metode Forward Chaining pada Gambar 2.4 berikut ini:
(31)
Gambar 2.4 Metode forward chaining
3. Clustering
Berbeda dengan association rule mining dan classification dimana kelas data telah ditentukan sebelumnya, clustering melakukan penge-lompokan data tanpa berdasarkan kelas data tertentu. Bahkan clustering dapat dipakai untuk memberikan label pada kelas data yang belum diketahui itu. Karena itu clustering sering digolongkan sebagai metode unsupervised learning. Prinsip dari clustering
adalah memaksimalkan kesamaan antar anggota satu kelas dan meminimumkan kesamaan antar kelas/cluster. Clustering dapat dilakukan pada data yan memiliki beberapa atribut yang dipetakan sebagai ruang multidimensi.
Banyak algoritma clustering memerlukan fungsi jarak untuk mengukur kemiripan antar data, diperlukan juga metode untuk normalisasi bermacam atribut yang dimiliki data. Beberapa kategori algoritma clustering yang banyak dikenal adalah metode partisi dimana pemakai harus menentukan jumlah k partisi yang diinginkan lalu setiap data dites untuk dimasukkan pada salah satu partisi, metode lain yang telah lama dikenal adalah metode hierarki yang terbagi dua lagi :
(32)
bottom-up yang menggabungkan cluster kecil menjadi cluster lebih besar dan top-down yang memecah cluster besar menjadi cluster yang lebih kecil. Kelemahan metode ini adalah bila bila salah satu penggabungan/pemecahan dilakukan pada tempat yang salah, tidak dapat didapatkan cluster yang optimal. Pendekatan yang banyak diambil adalah menggabungkan metode hierarki dengan metode clustering lainnya seperti yang dilakukan oleh Chameleon.
2.2.4 DBMS, MySQL dan SQL 2.2.4.1DBMS
Basis data atau database adalah kumpulan informasi yang disimpan di dalam komputer secara sistematik sehingga dapat diperiksa menggunakan suatu program komputer untuk memperoleh informasi dari basis data tersebut. Database
digunakan untuk menyimpan informasi atau data yang terintegrasi dengan baik di dalam komputer.
Untuk mengelola database diperlukan suatu perangkat lunak yang disebut DBMS atau Database Management System. DBMS merupakan suatu sistem perangkat lunak yang memungkinkan pengguna untuk membuat, memelihara, mengontrol, dan mengakses database secara praktis dan efisien. Dengan DBMS, pengguna akan lebih mudah mengontrol dan memanipulasi data yang ada.
2.2.4.2MySQL
Sedangkan MySQL adalah Relational Database Management System
(33)
Public License). Dimana setiap orang bebas untuk menggunakan MySQL, namun tidak boleh dijadikan produk turunan yang bersifat komersial. MySQL sebenarnya merupakan turunan salah satu konsep utama dalam database sejak lama, yaitu SQL (Structured Query Language). MySQL memiliki beberapa keistimewaan, antara lain :
1. Portabilitas. MySQL dapat berjalan stabil pada berbagai sistem operasi seperti Windows, Linux, FreeBSD, Mac Os X Server, Solaris, Amiga, dan masih banyak lagi.
2. Open Source. MySQL didistribusikan secara open source, dibawah lisensi
GPL sehingga dapat digunakan secara cuma-cuma.
3. Multiuser. MySQL dapat digunakan oleh beberapa user dalam waktu yang
bersamaan tanpa mengalami masalah atau konflik.
4. Performance Tuning. MySQL memiliki kecepatan yang menakjubkan
dalam menangani query sederhana, dengan kata lain dapat memproses lebih banyak SQL per satuan waktu.
5. Jenis Kolom. MySQL memiliki tipe kolom yang sangat kompleks, seperti
signed / unsigned integer, float, double, char, text, date, timestamp, dan lain-lain.
6. Perintah dan Fungsi. MySQL memiliki operator dan fungsi secara penuh yang mendukung perintah Select dan Where dalam perintah (query). 7. Keamanan. MySQL memiliki beberapa lapisan sekuritas seperti level
subnetmask, nama host, dan izin akses user dengan sistem perizinan yang
(34)
8. Skalabilitas dan Pembatasan. MySQL mampu menangani basis data dalam skala besar, dengan jumlah rekaman (records) lebih dari 50 juta dan 60 ribu tabel serta 5 milyar baris. Selain itu batas indeks yang dapat ditampung mencapai 32 indeks pada tiap tabelnya.
9. Konektivitas. MySQL dapat melakukan koneksi dengan klien menggunakan protokol TCP/IP, Unix soket (UNIX), atau Named Pipes
(NT).
10. Lokalisasi. MySQL dapat mendeteksi pesan kesalahan pada klien dengan menggunakan lebih dari dua puluh bahasa. Meski pun demikian, bahasa Indonesia belum termasuk di dalamnya.
11. Antar Muka. MySQL memiliki interface (antar muka) terhadap berbagai aplikasi dan bahasa pemrograman dengan menggunakan fungsi API
(Application Programming Interface).
12. Klien dan Peralatan. MySQL dilengkapi dengan berbagai peralatan (toosl) yang dapat digunakan untuk administrasi basis data, dan pada setiap peralatan yang ada disertakan petunjuk online.
13. Struktur tabel. MySQL memiliki struktur tabel yang lebih fleksibel dalam menangani ALTER TABLE, dibandingkan basis data lainnya semacam
PostgreSQL ataupun Oracle.
2.2.4.3SQL
SQL adalah sebuah konsep pengoperasian database, terutama untuk pemilihan atau seleksi dan pemasukan data, yang memungkinkan pengoperasian
(35)
data dikerjakan dengan mudah secara otomatis. Keandalan suatu sistem database
(DBMS) dapat diketahui dari cara kerja optimizer-nya dalam melakukan proses perintah-perintah SQL, yang dibuat oleh user maupun program-program aplikasinya. Sebagai database server, MySQL dapat dikatakan lebih unggul dibandingkan database server lainnya dalam query data. Hal ini terbukti untuk
query yang dilakukan oleh single user, kecepatan queryMySQL bisa sepuluh kali
lebih cepat dari PostgreSQL dan lima kali lebih cepat dibandingkan Interbases.
2.2.5 Bahasa Pemograman WEB
2.2.5.1HyperText Markup Language (HTML)
HyperText Markup Language (HTML) adalah sebuah bahasa markup yang
digunakan untuk membuat sebuah halaman web, menampilkan berbagai informasi di dalam sebuah Penjelajah web Internet dan formating hypertext sederhana yang ditulis kedalam berkas format ASCII agar dapat menghasilkan tampilan wujud yang terintegerasi. Dengan kata lain, berkas yang dibuat dalam perangkat lunak pengolah kata dan disimpan kedalam format ASCII normal sehingga menjadi
home page dengan perintah-perintah HTML. Bermula dari sebuah bahasa yang
sebelumnya banyak digunakan di dunia penerbitan dan percetakan yang disebut dengan SGML (Standard Generalized Markup Language), HTML adalah sebuah standar yang digunakan secara luas untuk menampilkan halaman web. HTML saat ini merupakan standar Internet yang didefinisikan dan dikendalikan penggunaannya oleh World Wide Web Consortium (W3C). HTML dibuat oleh kolaborasi Caillau TIM dengan Berners-lee robert ketika mereka bekerja di CERN
(36)
pada tahun 1989 (CERN adalah lembaga penelitian fisika energi tinggi di Jenewa).
2.2.5.2JavaScript
JavaScript diperkenalkan pertama kali oleh Netscape pada tahun 1995.
Pada awalnya bahasa yang sekarang disebut JavaScript ini dulunya dinamai
LiveScrip” yang berfungsi sebagai bahasa sederhana untuk browser Netscape
Navigator 2 yang sangat populer pada saat itu. Kemudian sejalan dengan sedang
giatnya kerjasama antara Netscape dan Sun (pengembang bahasa pemrograman
Java) pada masa itu, maka Netscape memberikan nama JavaScript kepada bahasa tersebut pada tanggal 4 desember 1995. Pada saat yang bersamaan Microsoft
sendiri mencoba untuk mengadaptasikan teknologi ini yang mereka sebut sebagai
Jscript di browser milik mereka yaitu Internet Explorer 3. JavaScript sendiri
merupakan modifikasi dari bahasa pemrograman C++ dengan pola penulisan yang lebih sederhana dari bahasa pemrograman C++.
JavaScript adalah bahasa pemrograman yang khusus untuk halaman web
agar halaman web menjadi lebih hidup. Kalau dilihat dari suku katanya terdiri dari dua suku kata, yaitu Java dan Script. Java adalah bahasa pemrograman berorientasi objek, sedangkan Script adalah serangkaian instruksi program. Ada beberapa hal yang harus diperhatikan dalam pengelolaan pemrograman
JavaScript, diantaranya JavaScript adalah case sensitive, yang artinya JavaScript
membedakan huruf besar dan huruf kecil, dimana huruf T tidak sama dengan huruf t.
(37)
2.2.5.3Asynchronous JavaScript and XMLHTTP (AJaX)
Asynchronous JavaScript and XMLHTTP, atau disingkat AJaX, adalah suatu teknik pemrograman berbasis web untuk menciptakan aplikasi web interaktif. Tujuannya adalah untuk memindahkan sebagian besar interaksi pada komputer web surfer, melakukan pertukaran data dengan server di belakang layar, sehingga halaman web tidak harus dibaca ulang secara keseluruhan setiap kali seorang pengguna melakukan perubahan. Hal ini akan meningkatkan interaktivitas, kecepatan, dan usability. Ajax merupakan kombinasi dari:
1. DOM yang diakses dengan client side scripting language, seperti VBScript dan implementasi ECMAScript seperti JavaScript dan JScript, untuk menampilkan secara dinamis dan berinteraksi dengan informasi yang ditampilkan
2. Objek XMLHTTP dari Microsoft atau XMLHttpRequest yang lebih umum di implementasikan pada beberapa browser. Objek ini berguna sebagai kendaraan pertukaran data asinkronus dengan web server. Pada beberapa framework AJAX, element HTML IFrame lebih dipilih daripada XMLHTTP atau XMLHttpRequest untuk melakukan pertukaran data dengan web server. 3. XML umumnya digunakan sebagai dokumen transfer, walaupun format lain
juga memungkinkan, seperti HTML, plain text. XML dianjurkan dalam pemakaian teknik AJaX karena kemudahan akses penanganannya dengan memakai DOM
(38)
4. JSON dapat menjadi pilihan alternatif sebagai dokumen transfer, mengingat JSON adalah JavaScript itu sendiri sehingga penanganannya lebih mudah
Seperti halnya DHTML, LAMP, atau SPA, Ajax bukanlah teknologi spesifik, melainkan merupakan gabungan dari teknologi yang dipakai bersamaan. Bahkan, teknologi turunan/komposit yang berdasarkan Ajax, seperti AFLAX sudah mulai bermunculan.
2.2.5.4Cascading Style Sheets (CSS)
Cascading Style Sheet (CSS) merupakan salah satu bahasa pemrograman
web untuk mengendalikan beberapa komponen dalam sebuah web sehingga akan lebih terstruktur dan seragam.
Sama halnya styles dalam aplikasi pengolahan kata seperti Microsoft Word
yang dapat mengatur beberapa style, misalnya heading, subbab, bodytext, footer,
images, dan style lainnya untuk dapat digunakan bersama-sama dalam beberapa
berkas. Pada umumnya CSS dipakai untuk memformat tampilan halaman web
yang dibuat dengan bahasa HTML. CSS dapat mengendalikan ukuran gambar, warna bagian tubuh pada teks, warna tabel, ukuran border, warna border, warna
hyperlink, warna mouse over, spasi antar paragraf, spasi antar teks, margin kiri,
kanan, atas, bawah, dan parameter lainnya.[1] CSS adalah bahasa style sheet yang digunakan untuk mengatur tampilan dokumen. Dengan adanya CSS memungkinkan kita untuk menampilkan halaman yang sama dengan format yang berbeda.
(39)
2.2.5.5PHP
PHP (akronim dari PHP Hypertext Preprocessor) yang merupakan bahasa pemrogramman berbasis web yang memiliki kemampuan untuk memproses data dinamis. PHP dikatakan sebagai sebuah server-side embedded script language artinya sintaks-sintaks dan perintah yang kita berikan akan sepenuhnya dijalankan oleh server tetapi disertakan pada halaman HTML biasa. Aplikasi-aplikasi yang dibangun oleh PHP pada umumnya akan memberikan hasil pada web browser, tetapi prosesnya secara keseluruhan dijalankan di server. Pada prinsipnya server akan bekerja apabila ada permintaan dari client. Dalam hal ini client menggunakan kode-kode PHP untuk mengirimkan permintaan ke server (dapat dilihat pada gambar dibawah). Ketika menggunakan PHP sebagai server-side embedded script language maka server akan melakukan hal-hal sebagai berikut :
• Membaca permintaan dari client/browser • Mencari halaman/page di server
• Melakukan instruksi yang diberikan oleh PHP untuk melakukan modifikasi pada halaman/page.
• Mengirim kembali halaman tersebut kepada client melalui internet atau intranet.
(40)
Gambar 2.5 Cara Kerja PHP
2.2.6 Web Server dan Apache 2.2.6.1Web Server
Web server adalah software yang menjadi tulang belakang dari world wide
web (www). Web server menunggu permintaan dari client yang menggunakan
browser seperti Netscape Navigator, Internet Explorer, Modzilla, dan program
browser lainnya. Jika ada permintaan dari browser, maka web server akan
memproses permintaan itu kemudian memberikan hasil prosesnya berupa data yang diinginkan kembali ke browser. Data ini mempunyai format yang standar, disebut dengan format SGML (standar general markup language). Data yang berupa format ini kemudian akan ditampilkan oleh browser sesuai dengan kemampuan browser tersebut. Contohnya, bila data yang dikirim berupa gambar,
(41)
menampilkan gambar tersebut, dan jika ada akan menampilkan alternatifnya saja.
Web server, untuk berkomunikasi dengan client-nya (web browser) mempunyai
protokol sendiri, yaitu HTTP (hypertext transfer protocol).
Dengan protokol ini, komunikasi antar web server dengan client-nya dapat saling dimengerti dan lebih mudah. Seperti telah dijelaskan diatas, format data pada world wide web adalah SGML. Tapi para pengguna internet saat ini lebih banyak menggunakan format HTML (hypertext markup language) karena penggunaannya lebih sederhana dan mudah dipelajari. Kata HyperText
mempunyai arti bahwa seorang pengguna internet dengan web browser-nya dapat membuka dan membaca dokumen-dokumen yang ada dalam komputernya atau bahkan jauh tempatnya sekalipun.
Hal ini memberikan cita rasa dari suatu proses yang tridimensional, artinya pengguna internet dapat membaca dari satu dokumen ke dokumen yang lain hanya dengan mengklik beberapa bagian dari halaman-halaman dokumen (web) itu. Proses yang dimulai dari permintaan webclient (browser), diterima web
server, diproses, dan dikembalikan hasil prosesnya oleh web server ke web client
lagi dilakukan secara transparan. Setiap orang dapat dengan mudah mengetahui apa yang terjadi pada tiap-tiap proses. Secara garis besarnya web server hanya memproses semua masukan yang diperolehnya dari web clientnya.
(42)
2.2.6.2Apache
Apache merupakan web server yang paling banyak dipergunakan di
Internet. Program ini pertama kali didesain untuk sistem operasi lingkungan
UNIX. Namun demikian, pada beberapa versi berikutnya Apache mengeluarkan programnya yang dapat dijalankan di Windows NT. Apache mempunyai program pendukung yang cukup banyak. Hal ini memberikan layanan yang cukup lengkap bagi penggunanya. Beberapa dukungan Apache :
1. Kontrol Akses. Kontrol ini dapat dijalankan berdasarkan nama host atau nomor IP.
2. CGI (Common Gateway Interface). Yang paling terkenal untuk digunakan adalah perl (Practical Extraction and Report Language), didukung oleh
Apache dengan menempatkannya sebagai modul (mod_perl).
3. PHP (Personal Home Page/PHP Hypertext Processor). Program dengan metode semacam CGI, yang memproses teks dan bekerja di server.
Apache mendukung PHP dengan menempatkannya sebagai salah satu
modulnya (mod_php). Hal ini membuat kinerja PHP menjadi lebih baik. 4. SSI (Server Side Includes).
Web server Apache mempunyai kelebihan dari beberapa pertimbangan di
atas, antara lain adalah :
(43)
2. Apache mudah sekali proses instalasinya jika dibanding web server
lainnya seperti NCSA, IIS, dan lain-lain.
3. Mampu beroperasi pada berbagai platform sistem operasi.
4. Mudah mengatur konfigurasinya. Apache mempunyai hanya empat file
konfigurasi.
5. Mudah dalam menambahkan peripheral lainnya ke dalam platform web
(44)
38
3.1 Analisis Sistem
Analisis sistem diperlukan untuk menganalisa sistem penelitian CIRAI yang sudah berjalan, menganalisa permasalahan yang ada pada sistem penelitian dan menganalisa kebutuhan yang diperlukan oleh penelitian saat ini.
3.1.1 Analisis Sistem Penelitian
Penelitian CIRAI yang merupakan kependekan dari Community-based and
Integrated Research of Influenza adalah salah satu kelompok kerja yang dilakukan
oleh Unit Penelitian Kesehatan (UPK) FK UNPAD - Rumah Sakit Hasan Sadikin tentang penyakit influenza. Seperti penelitian kesehatan pada umumnya CIRAI mempunyai kegiatan utama mengumpulkan data objek penelitian, dimana data tersebut dikelola menjadi beberapa modul aplikasi yang terintregasi satu sama lain dalam sebuah sistem berbasis web.
Dengan berkembangnya data penelitian, saat ini CIRAI melakukan pengambilan data kematian didaerah penelitian dengan metode otopsi verbal, tujuannya untuk mengidentifikasi penyebab kematian oleh symptoms influenza.
Dari kegiatan ini akan dihasilkan sebuah data otopsi verbal yang harus dikelola oleh sistem untuk menghasilkan sebuah informasi berupa pendukung diagnosa tentang identifikasi penyebab kematian oleh symptoms influenza, dengan acuan
(45)
Dimana pada modul aplikasi yang sudah ada, untuk membuat sebuah laporan setiap modulnya, masih dilakukan secara manual oleh dokter penelitian. Manual disini maksudnya, setelah data masuk ke database sistem, dokter akan mendownloadnya dalam bentuk file excel, dan akan mengolahnya secara manual untuk menghasilkan informasi yang dibutuhkan. Berikut ini adalah alur prosedur dari sistem otopsi verbal yang sedang berjalan:
(46)
3.1.2 Analisis Masalah
Dari analisis sistem yang sedang berjalan, dapat dilihat bahwa permasalahan dalam sistem penelitian CIRAI adalah dibutuhkan sebuah modul aplikasi yang dapat mengelola data otopsi verbal dan menghasilkan informasi berupa hasil identifikasi penyebab kematian oleh symptoms influenza untuk setiap
kasus otopsi verbal yang ada dengan acuan data korespondensi penyebab kematian untuk otopsi verbal dengan kode ICD-10.
3.1.3 Solusi yang ditawarkan
Dari permasalahan yang telah dipaparkan dalam analisis masalah, maka dapat disimpulkan bahwa saat ini pihak penelitian CIRAI membutuhkan sebuah modul aplikasi otopsi verbal yang dapat mengelola data kematian dan mengolahnya menjadi sebuah informasi dalam bentuk prediksi identifikasi penyebab kematian dengan menggunakan acuan data korespondensi daftar penyebab kematian untuk otopsi verbal dan hubungannya dengan kode ICD-10.
Untuk aplikasi otopsi verbalnya sendiri, berdasarkan bentuk form manual otopsi verbal standar WHO yang komplek dengan pengkodean serta kondisi disetiap pertanyaannya, penulis memberikan solusi sebuah aplikasi yang user
friendly dengan validasi disetiap pertanyaannya untuk meminimalisasi kesalahan
input data. Sedangkan untuk penyajian informasi dalam bentuk identifikasi penyebab kematian, salah satu solusi yang dapat diterapkan adalah dengan data
mining, karena data mining dapat ‘menggali’ knowledge yang tersimpan dalam
(47)
verbal. Teknik mining yang akan digunakan adalah teknik Classification berupa
decision tree. Dan jenis tree yang akan diterapkan adalah forward chaining tree,
dimana algoritma forward chaining ini dapat menjawab kebutuhan penelitian,
karena menggunakan data symptoms influenza sebagai fakta dan data
korespondensi penyebab kematian untuk otopsi verbal dengan kode ICD-10 sebagai kaidah untuk memperoleh suatu kesimpulan.
3.1.4 Analisis Data
Dari analisa sistem yang akan dibangun, dapat diusulkan struktur data yang akan digunakan oleh sistem. Dalam hal ini data dibagi menjadi dua kategori, yaitu data pengolahan otopsi verbal, dan data siap mining dari data pengolahan
otopsi verbal tersebut. Usulan struktur data pengolahan otopsi verbal tersebut terdiri dari tabel t_vo, t_vo_kematian, t_vo_observasi, t_vo11,t_vo12, t_vo12 , t_vo22, t_vo31, t_vo32 dan t_vo33. Pembagian tabel tersebut didasarkan pada pola form dan design form aplikasi yang sesuai dengan form manual otopsi verbal. Berikut tabel deskripsi dari pembagian tabel – tabel tersebut :
Tabel 3.1 Deskripsi masing – masing tabel otopsi verbal No Tabel Deskripsi
1 t_vo Tabel utama, berisi informasi umum dari form otopsi verbal
2 t_vo_kematian Tabel yang berisi catatan riwayat kematian termasuk surat kematian 3 t_vo_observasi Tabel yang berisi informasi hasil
(48)
4 t_vo11 Tabel yang berisi informasi Penyakit atau kejadian yang mengarah pada kematian, untuk kategori umur 1 (usia kematian dibawah 4 minggu)
5 t_vo12 Tabel yang berisi informasi gejala sebelum kematian, untuk kategori umur 1 (usia kematian dibawah 4 minggu)
6 t_vo21 Tabel yang berisi informasi Penyakit atau kejadian yang mengarah pada kematian, untuk kategori umur 2 (usia kematian 4 minggu - 14 tahun)
7 t_vo22 Tabel yang berisi informasi gejala sebelum kematian, untuk kategori umur 2 (usia kematian 4 minggu - 14 tahun)
8 t_vo31 Tabel yang berisi informasi Penyakit atau kejadian yang mengarah pada kematian dan cidera/kecelakaan, untuk kategori umur 3 (usia kematian 15 tahun keatas)
9 t_vo32 Tabel yang berisi informasi gejala penyakit pada wanita dan gejala yang berkaitan dengan kehamilan sebelum kematian, untuk kategori umur 3 (usia kematian 15 tahun keatas)
10 t_vo33 Tabel yang berisi informasi
perawatan dan pelayanan kesehatan saat masa akhir hidup almarhum, untuk kategori umur 3(usia kematian 15 tahun keatas)
Sedangkan untuk aplikasi data miningnya sendiri akan membutuhkan tabel berdasarkan skenario mining yang akan dibahas pada subbab berikut.
(49)
3.1.5 Analisis Data Mining
Metode yang digunakan dalam proses mining dalam melakukan pencarian
informasi mengenai identifikasi penyebab kematian disini menggunakan metode
Decision Tree. Dimana jenis decision tree yang digunakan adalah forward
chaining tree. Dalam penulisan tugas akhir ini akan dilakukan proses pencarian
informasi dari sekumpulan data atau fakta berupa influenza symptoms, untuk
menemukan suatu kesimpulan yang menjadi solusi dari permasalahan yang dihadapi yaitu jenis verbal autopsy themes sebagai hasil identifikasi penyebab
kematian. Proses akan mencari kaidah-kaidah dalam basis pengetahuan yang premisnya sesuai dengan data-data tersebut, kemudian dari kaidah-kaidah tersebut diperoleh suatu kesimpulan. Sesuai landasan teori data mining yang dijelaskan
pada bab sebelumnya, berikut tahapan proses mining identifikasi penyebab
kematian pada penelitian CIRAI:
1. Pembersihan Data (Data Cleaning)
Proses data mining dalam aplikasi ini terdiri dari dua sumber data, yaitu data
otopsi verbal hasil dari modul pengolahan otopsi verbal dalam aplikasi ini sendiri dan data korespondensi hasil penyebab kematian dengan ICD – 10. Kedua data tersebut mempunyai atribut-atribut data yang tidak relevan yang perlu dibersihkan, berikut keterangan proses pembersihan data tersebut :
1.1Pembersihan Data Korespondensi Hasil Penyebab Kematian dengan ICD – 10
(50)
Dari batasan masalah yng ada, bahwa aplikasi ini dibatasi pada symptoms
influenza saja, maka proses pembersihan data dalam proses mining disini adalah menghilangkan noise untuk field symptoms influenza. Data yang digunakan
untuk proses mining disini terdiri dari dua sumber data, yaitu data otopsi verbal
dan data korespondensi penyebab kematian untuk otopsi verbal dengan kode ICD-10. Penghilangan noise pada data ICD-10, dilakukan dengan melakukan
pencocokan dengan symptoms influenza yang akan digunakan sesuai keterangan
pakar. Data ICD-10 dalam bentuk PDF, contohnya untuk kasus tema otopsi verbal Campak, symptoms fotopobia dan tidak mendapat vaksin campak, tidak
terdapat pada data otopsi verbal, maka dihilangkang, seperti terlihat pada gambar berikut:
(51)
1.2Pembersihan Data Otopsi Verbal
Data symptoms otopsi verbal menggunakan pengkodean disetiap kontennya dimana pengkodean tersebut adalah sebagai berikut:
Tabel 3.3 Keterangan Pengkodean Data Symptoms Otopsi Verbal No Kode Keterangan
1 1 Ya
2 2 Tidak
3 998 Tidak Tahu
Dari pengkodean tersebut, maka data symptoms yang akan dipakai hanya
data dengan isian 1 yang artinya Ya. Contohnya data symptoms dapat
dilihat pada isi tabel t_vo33 yang berisi symptoms untuk kematian kategori
umur diatas 15 tahun berikut ini:
Tabel 3.4 Contoh Data Symptoms Sebelum Dibersihkan
id_vo vo901 vo902 vo903 vo904 vo905 vo906 vo907 vo908 vo909 vo910
1 1 2 0 0 0 0 2 0 0 0
2 1 2 0 0 0 0 1 2 2 1
3 2 2 0 0 0 0 2 0 0 0
4 1 2 0 0 0 0 1 1 2 2
5 998 2 0 0 0 0 2 0 0 0
6 1 1 1 2 1 2 2 0 0 0
7 1 2 0 0 0 0 1 1 1 1
8 1 1 1 2 2 2 2 0 0 0
9 1 2 0 0 0 0 1 1 2 2
2. Seleksi Data (Data Selection)
Proses ini merupakan proses pemilihan data penelitian CIRAI yang akan
(52)
penentuan symptoms influenza yang telah dilakukan, maka hanya beberapa
field dari beberapa tabel yang akan digunakan, yaitu:
1. Tabel t_vo(id_vo, vo301)
2. Tabel t_vo12 (vo913, vo914,vo917,vo919,vo921,vo923) 3. Tabel t_vo22 (vo512,vo803, vo804, vo808, vo809, vo824) 4. Tabel t_vo33 (vo512,vo902, vo903,vo907,vo908,vo933)
Pemilihan atribut tersebut merupakan hasil analisis dari data korespondensi penyebab kematian untuk otopsi verbal dengan kode ICD-10 dengan tabel otopsi verbal terpilih. Dari data korespondensi penyebab kematian untuk otopsi verbal dengan kode ICD-10 dipelajari dan dipilih symptoms influenza
dan kemudian di cocokkan dengan attribute dari tabel t_vo12, t_vo22 dan
t_vo33. Setelah dianalisis, symptoms influenza tersebut tidak sama antara
masing - masing tabel t_vo12, t_vo22 dan t_vo33, karena symptoms untuk
masing – masing kategori umur akan berbeda. Dan berikut keterangan dari setiap atribut tersebut:
Tabel 3.5 Keterangan Atribut Tabel Atribut Keterangan
t_vo id_vo Id otopsi verbal t_vo vo301 Nama almarhum t_vo12 vo906 kejang
t_vo12 vo911 penurunan_kesadaran t_vo12 vo913 demam
t_vo12 vo917 batuk t_vo12 vo919 napas_cepat t_vo12 vo921 dispnea t_vo12 vo936 ruam
(53)
t_vo22 vo803 demam
t_vo22 vo806 demam_turun_naik t_vo22 vo807 menggigil
t_vo22 vo808 batuk t_vo22 vo809 batuk_3mgg t_vo22 vo812 napas_cepat t_vo22 vo814 dispnea t_vo22 vo815 dispnea_3mgg t_vo22 vo818 mengi
t_vo22 vo841 penurunan_kesadaran t_vo22 vo844 kejang
t_vo22 vo851 urin_sedikit t_vo22 vo852 ruam t_vo22 vo856 mata_merah t_vo22 vo858 penurunan_berat t_vo22 vo863 bengkak
t_vo33 vo902 demam
t_vo33 vo905 demam_turun_naik t_vo33 vo907 batuk
t_vo33 vo908 batuk_3mgg t_vo33 vo989 penurunan_berat t_vo33 vo982 ruam
t_vo33 vo960 penurunan_kesadaran t_vo33 vo963 kejang
t_vo33 vo981 urin_sedikit t_vo33 vo906 menggigil t_vo33 vo913 dispnea t_vo33 vo914 dispnea_3mgg t_vo33 vo918 nyeri_dada t_vo33 vo910 dahak t_vo33 vo986 mata_merah t_vo33 vo991 bengkak t_vo33 vo917 mengi
(54)
3. Integrasi Data (Data Integration)
Dalam penulisan tugas akhir kali ini diasumsikan bahwa data yang diambil sudah berupa tabel-tabel dalam satu server. Dari sumber data yang sudah dijabarkan sebelumnya, berikut integrasi data yang diusulkan untuk penyelesaian mining identifikasi penyebab kematian, dari data korespondensi
penyebab kematian untuk otopsi verbal dengan kode ICD-10 terbentuk tabel t_tema, dari tabel otopsi verbal terpilih terbentuk tabel t_symptoms dimana hubungan keduanya adalah many to many, maka menghasilkan tabel
t_temasymp sebagai tabel referensi. Berikut struktur tabel – tabel tersebut :
Tabel 3.6 Struktur Tabel t_symptoms Field Type Null Default
id_symp int(11) No
Symptoms varchar(50) No Keterangan varchar(100) Yes NULL
Tabel 3.7 Isi Tabel t_symptoms id_symp symptoms keterangan
1 demam Demam
2 demam_turun_naik Demam Turun Naik
3 batuk Batuk
4 batuk_3mgg Batuk kurang dari 3 minggu 5 penurunan_berat Penurunan Berat Badan
6 ruam Ruam
7 penurunan_kesadaran Penurunan Kesadaran
8 kejang Kejang
9 urin_sedikit Produksi Urin Sedikit 10 menggigil Menggigil / Kedinginan
(55)
11 dispnea Dispnea / Sesak Napas 12 dispnea_3mgg Dispnea kurang dari 3
minggu 13 nyeri dada Nyeri Dada
14 dahak Produksi dahak meningkat 15 mata_merah Matah merah
16 bengkak Pembengkakan / Edema
17 mengi Mengi
Tabel 3.8 Struktur Tabel t_tema Field Type Null Default
id_va int(11) No
kode_va varchar(8) Yes NULL
tema_va varchar(100) Yes NULL
Tabel 3.9 Isi Tabel t_symptoms id_va kode_va tema_va
1 VA-01.07 Campak 2 VA-01.10 Malaria 3 VA-01.13
Infeksi Saluran Napas Bawah (termasuk pneumonia dan bronkitis akut)
4 VA-05.01 Penyakit Paru Obstruktif Kronis 5 VA-05.02 Asma
Tabel 3.10 Struktur Tabel t_temasymp
Field Type Null Default Links to
id_symp int(11) Yes NULL t_symptoms -> id_symp id_va int(11) Yes NULL t_tema -> id_va
(56)
Tabel 3.11 Isi Tabel t_temasymp id_symp id_va
1 1
1 2
1 3
2 2
3 1
3 3
3 4
3 5
4 3
4 4
5 4
6 1
7 2
8 2
9 2
10 2 11 3 11 4 11 5 12 3 13 3 14 4 15 1 16 3 17 5
4. Tranformasi Data (Data Transformation)
Dalam proses ini data akan ditransformasikan ke dalam data yang siap untuk di mining, hasil dari transformasi data ini menghasilkan tabel t_kasus. Proses
tranformasi dimulai dari proses pembersihan tabel t_kasus untuk user sedang login (admin/data manager) dilanjutkan dengan proses pencarian symptoms ke
(57)
semua kategori umur untuk setiap kematian pada data otopsi verbal dan hasilnya akan disimpan dalam tabel t_kasus. Berikut struktur tabel t_kasus :
Tabel 3.12 Struktur Tabel t_kasus Field Type Null Default Links to
id_vo int(11) No t_vo -> id_vo
id_symp int(11) No t_symptoms -> id_symp id_user int(11) No user -> id_user
Tabel 3.13 Isi Tabel t_kasus id_vo id_symp id_user
1 5 61
2 14 61
2 11 61
2 1 61
2 5 61
2 3 61
3 8 61
3 5 61
4 11 61
4 8 61
4 5 61
4 4 61
4 3 61
5 1 61
6 16 61
6 8 61
6 1 61
6 5 61
6 1 61
7 17 61
7 14 61
7 11 61
(58)
7 4 61
7 3 61
8 2 61
8 1 61
9 11 61
9 5 61
9 4 61
9 3 61
10 16 61
10 5 61
10 2 61
10 1 61
12 11 61
12 5 61
13 16 61
13 10 61
13 5 61
13 2 61
13 1 61
14 5 61
15 16 61
15 1 61
15 5 61
17 11 61
17 6 61
17 5 61
18 9 61
18 1 61
19 11 61
19 9 61
19 5 61
19 4 61
19 3 61
20 1 61
24 16 61
24 11 61
(59)
24 5 61
24 4 61
24 3 61
24 1 61
25 1 61
25 5 61
26 16 61
26 14 61
26 10 61
26 5 61
26 3 61
26 2 61
26 1 61
27 5 61
28 17 61
28 16 61
28 11 61
28 5 61
29 15 61
29 5 61
30 1 61
30 5 61
5. Proses Mining
Setelah didapatkan data siap mining yang disimpan dalam tabel t_kasus,
langkah selanjutnya adalah melakukan proses mining, yaitu penerapan metode
untuk menemukan pengetahuan dalam data. Karena metode klasifikasi yang diterapkan disini adalah metode decision tree dengan jenis tree yang
merupakan forward chaining tree, maka algoritma yang diterapkan adalah
algoritma forward chaining. Proses mining dimulai dari tari tabel t_kasus,
(60)
Tabel 3.14 Tabel jumlah kemunculan symptoms Id_symp Symtomps Jumlah
5 Penurunan Berat Badan 21
1 Demam 15
11 Dispnea 9
16 Bengkak 7
3 Batuk 7
4 Batuk < 3 minggu 5
2 Demam Naik Turun 4
8 Kejang 3
14 Produksi Dahak Meningkat 3 9 Produksi Urin Sedikit 2
17 Mengi 2
10 Menggigil 2
6 Ruam 1
15 Mata Merah 1
Dari tabel tersebut, terlihat bahwa symptoms penurunan berat badan dengan
id_symp = 5 dipilih sebagai atribut terbaik karena mempunyai kemunculan terbanyak setiap kasusnya, maka symptoms tersebut dapat kita jadikan sebagai
root atau akar dari pohon decision tree yang akan kita bangun. Sedangkan
untuk penanganan symptoms dengan jumlah kemunculan sama, digunakan
tabel acuan pendekatan symptoms dengan tema influenza dari pakar, berikut
tabel acuan tersebut:
Tabel 3.15 Tabel acuan urutan symptoms Id_symp Symtomps Urutan
1 Demam 1
2 Demam Naik Turun 2
(61)
4 Batuk < 3 minggu 4
10 Menggigil 5
6 Ruam 6
8 Kejang 7
11 Dispnea 8
14 Produksi Dahak Meningkat 9 9 Produksi Urin Sedikit 10
15 Mata Merah 11
17 Mengi 12
5 Penurunan Berat Badan 13
16 Bengkak 14
Berdasarkan tabel kemunculan symptoms dan data acuan urutan symptoms
yang paling berpengaruh terhadap kasus influenza, berikut langkah pembentukan decision tree yang dibangun:
(62)
Gambar 3.3 Tree Tahap 2
(63)
Gambar 3.5 Tree Tahap 4
(64)
(65)
!
!
" #
(66)
$
!
!
" #
(67)
(68)
(69)
% $
!
!
" #
(70)
(71)
(72)
Gambar 3.15 Hasil Akhir Tree
Dari proses pembentukan tree yang digambarkan, terlihat bahwa alur pada
(73)
memegang prediksi kelas untuk contoh tersebut. Dimana penelusuran simpul menerapkan algoritma runut maju atau forward chaining yaitu strategi
pencarian yang memulai proses pencarian dari sekumpulan data atau fakta dalam tabel t_kasus, dan dari data-data tersebut dicari suatu kesimpulan yang menjadi solusi permasalahan yang dihadapi berdasarkan kaidah-kaidah basis pengetahuatan dalam tabel t_temasymp. Basis pengetahuan dalam t_temasymp menjelaskan bahwa sebuah symptoms bisa merupakan bagian dari
satu atau lebih tema otopsi verbal (verbal autopsy themes). Berikut kaidah dari
akuisisi pengetahuan yang dijabarkan dalam susunan pohon forward chaining:
Tabel 3.16 Kaidah Identifikasi penyebab Kematian
Symptoms Campak Malaria ISNB Paru Asma
Penurunan berat badan &
Demam & & &
Dispnea &
Batuk & & & &
Bengkak &
Batuk < 3 Minggu & &
Demam naik turun &
Kejang &
Prod Dahak Meningkat &
Menggigil &
Urin Sedikit &
Mengi &
Ruam &
(74)
6. Presentasi Pengetahuan
Sesuai tahapan decision tree yaitu dari dati diubah ke tree dan langkah
selanjutnya adalah merepresentasikan tree tersebut ke dalam rule atau aturan.
Aturan ditulis dalam struktur IF – THEN, berikut aturan-aturan tersebut :
Rule_1: IF
symptoms = demam THEN
tema otopsi verbal = Campak tema otopsi verbal = Malaria
tema otopsi verbal = Infeksi saluran napas bawah
Rule_2: IF
symptoms = demam_turun_naik THEN
kode otopsi verbal = Malaria Rule_3:
IF
symptoms = batuk THEN
tema otopsi verbal = Campak
tema otopsi verbal = Infeksi saluran napas bawah
tema otopsi verbal = Penyakit paru obstruktif kronis tema otopsi verbal = Asma
Rule_4: IF
symptoms = batuk < 3 minggu THEN
tema otopsi verbal = Infeksi saluran napas bawah
tema otopsi verbal = Penyakit paru obstruktif kronis
Rule_5: IF
symptoms = penurunan berat badan THEN
tema otopsi verbal = Penyakit paru obstruktif kronis Rule_6:
IF
symptoms = ruam THEN
(75)
tema otopsi verbal = Campak Rule_7:
IF
symptoms = penurunan kesadaran THEN
Tema otopsi verbal = Malaria Rule_8:
IF
symptoms = kejang THEN
tema otopsi verbal = Malaria Rule_9:
IF
symptoms = produksi urin sedikit THEN
tema otopsi verbal = Malaria Rule_10:
IF
symptoms = menggigil/kedinginan THEN
tema otopsi verbal = Malaria Rule_11:
IF
symptoms = dispnea/sesak napas THEN
tema otopsi verbal = Infeksi saluran napas bawah tema otopsi verbal = Penyakit paru obstruktif kronis tema otopsi verbal = Asma
Rule_12: IF
symptoms = dispnea < 3 minggu THEN
tema otopsi verbal = Infeksi Saluran Napas Bawah Rule_13:
IF
symptoms = nyeri dada THEN
tema otopsi verbal = Infeksi Saluran Napas Bawah Rule_14:
IF
symptoms = dahak THEN
(76)
Rule_15: IF
symptoms = mata_merah THEN
tema otopsi verbal = Campak Rule_16:
IF
symptoms = bengkak/edema THEN
tema otopsi verbal = Infeksi saluran napas bawah Rule_17:
IF
symptoms = mengi THEN
tema otopsi verbal = Asma
Presentasi pengetahuan dari proses mining disini adalah sebuah kesimpulan
apakah sebuah kasus kematian mempunyai satu atau lebih symptoms influenza
dan teridentifikasi disebabkan oleh satu atau lebih tema otopsi verbal (verbal
autopsy themes) atau tidak mempunyai symptoms influenza yang berarti tidak
akan teridentifikasi penyebabnya.
3.1.6 Analisis Kebutuhan Fungsional
Analisis kebutuhan fungsional menggambarkan proses kegiatan yang akan diterapkan dalam sebuah sistem. Analisis yang dilakukan dimodelkan dengan menggunakan UML (Unified Modeling Language), dengan tahapan antara lain,
(77)
3.1.6.1Use Case Diagram
Use case diagram menggambarkan secara grafis perilaku aplikasi
identifikasi penyebab kematian pada penelitian CIRAI. Dimana perilaku aplikasi terdiri dari dua aktor, yaitu Data Manager dan Data Entry.
Gambar 3.16 Use Case Diagram
3.1.6.1.1 Use Case dan Skenario 1. Use Case Login
Identifikasi
Nama Use case Login
Deskripsi Melakukan proses login ke aplikasi/system.
(1)
172
chaining sebagai langkah awal proses identifikasi dapat dikembangkan lagi untuk penyajian informasi yang lebih lengkap.
(2)
DAFTAR PUSTAKA
1. Sugiyono, (2010), Metode Penelitian Kuantitatif, Kualitatif, dan R&D, Alfabeta, Bandung.
2. Iko Pramudiono, (2003), Pengantar Data Mining, Ilmu Komputer, (Online), (http://ikc.depsos.go.id/umum/iko-datamining.php, diakses 15 Februari 2011). 3. Smartsolution,(2010), Konsep Data Mining Dan Implementasi (Penerapan),
(Online), (http://www.smartssolution.info/konsep-data-mining-dan-implementasi-penerapan.html, diakses 16 Februari 2011).
4. Arulita Ika Fibriana, (2007), Faktor – Faktor Risiko Yang Mempengaruhi Kematian Maternal (Studi Kasus Di Kabupaten Cilacap), Tesis, tidak diterbitkan. Semarang: PPS UNDIP SEMARANG.
5. Ferdian Gates, (2008), Pengenalan "Unified Modeling Language/UML" (Bagian I, (Online), (http://www.scribd.com/doc/2584053/Pengenalan-UML , diakses 03 Februari 2011).
6. Ria Handayani, (2008), Jenis – jenis Pemodelan Pengembangan Sistem, (Online), (http://riahandayani06720025.wordpress.com/2008/11/15/jenis-jenis-pemodelan-pengembangan-sistem/, diakses 03 Februari 2011).
7. Hamdani. 2010. Sistem Pakar Untuk Diagnosa Penyakit Mata Pada Manusia. urnal Informatika Mulawarman Vol 5 No. 2 Juli 2010 13.
8. Howard Hamilton. 2007. Knowledge Discovery in Databases, (Online), (http://www2.cs.uregina.ca/~hamilton/courses/831/index.html, diakses 11 April 2011)
(3)
CV Tri Mulyani
Page 1 of 4
Full Name Tri Mulyani
Gender Female
Place and Date Of Birth Sleman, 16 June 1980
Religion Islam
Marital Status Single
Address Jl. Terusan Cigadung No. 2
City Bandung
Postal Code 40134
State/Province West Java
Country Indonesia
Private Email mulyani.tri@gmail.com
Phone
Home -
Mobile 0856-215-2287
Level of Education Bachelor Degree
University’s Name Universitas Komputer Indonesia (UNIKOM)
Majority Informatics Engineering
City Bandung
Level of Education Diploma Degree
University’s Name Institute Technology Telkom (ITTTelkom)
Majority Informatics Engineering
Graduated Sept, 2002
City Bandung
GPA 2.94
Final Project Title Web Base of College Information System
Level of Education High School
School’s Name SMU Negeri 1 Godean
Majority IPA
Graduation Year 1998
City Yogyakarta
GPA -
Level of Education Junior High School
School’s Name SMP Negeri 1 Godean
Majority -
Graduation Year 1995
City Yogyakarta
GPA 44.92
Level of Education Elementary School
School’s Name SD Negeri Sidoluhur
(4)
Graduation Year 1992
City Godean, Sleman, Yogyakarta
GPA 38.50
Faculty of Medicine Padjajaran University (Web Programmer for Medical Research).
Time Frame July 2008 – Now
Responsibility - Build and maintain official website at www. cirai.fkunpad.net.
- Build and maintain local web application for research data.
Detail • Using PHP & MySQL
• Providing Register & Login menu (user) • Providing Menu contains of many module. • Providing Menu
• Providing Add, Edit and Delete module (Admin)
• Providing Add, Edit and Delete users (Admin)
• Providing View, Download data (Admin) Sensorfluks (Independent)
Time Frame April 2008 – June 2008
Responsibility Developing CMS at www.sensorfluks.com
Detail • Using PHP & MySQL
• Providing Register & Login menu (user) • Providing Order Products (user)
• Providing Add, Edit and Delete Products menu (Admin)
• Providing Add, Edit and Delete users (Admin)
• Providing View, Edit and Delete Order (Admin)
Last Status Done
Soluzen (PT KAI – Website Developer)
Time Frame May 2008 – July 2008
Responsibility Developing, maintaining PT KAI Website at http://infoka.kereta-api.com
Detail • Using PHP & MySQL
• Bug fixing and enhancement • Server maintainance.
• Insert and update data (schedule and price of train’s ticket)
• Forum maintainance.
Last Status Done
PT eBdesk Indonesia
Timeframe August 2001 – March 2008
Company Profile Software and Consulting
(5)
CV Tri Mulyani
Page 3 of 4
Last Position Technical Documentation
Experience & Responsibility • Leading testing products team • Describing software description
• Managing team’s resources and scheduling • Creating SRS, SDD, User Guide and UAT
documentation.
• Clipper news using eBdesk clipper product (RegEx syntax)
• Create PHP channel for SDK testing.
PT. TELKOM - Kadistel Yogyakarta “on the job training”
Timeframe June 2000 – August 2000
Company Profile Telecommunication
Company Location Yogyakarta
Last Position On The Job Training
Responsibility -
Language English
Bahasa Indonesia (Native)
Operating System Windows
Linux
Application Programming Pascal, Delphi ASP
PHP
PHP Framework – Cake PHP (Beginner) C/C++ (Beginner)
Automated Software Testing Tool’s
IOPus
Rational Robot
Watir – Web Application Testing in Ruby Selenium
Database Ms Access
Ms SQL Server MySQL Oracle
Scripting Language HTML ,CSS, Javascript, AJAX
Application Package Ms Office, Ms Frontpage, Ms Outlook, Ms Project, Visio Technical, Adobe Photoshop, Ms Powerpoint, Macromedia Dreamweaver.
Web Server Ms IIS
Apache PWS
Web Browser IE, Mozilla, Opera, Chrome Documentation SRS, SDD, UAT, User Guide
1999 – 2002 Participant of Study Group “MULTIMEDIA OF HMIF” in STT Telkom
(6)
1998 – 1999 Participant “Himpunan Mahasiswa Informatika (HMIF)” organized STT Telkom
1998 Participant student of “MABIM 98”
Informatics Engineering of STT TELKOM 1998 – 1999 Participant of “Unit Kegiatan Mahasiswa Jawa
(UKM)” organized STT Telkom
1996 – 1997 Activist “Organisasi Siswa Intra Sekolah” OSIS SMU NEGERI 1 GODEAN
1996 – 1997 Activist “Peleton Inti (TONTI) Sekolah” SMU NEGERI 1 GODEAN
1997 Participant “Pasukan 45 of PASKIBRA”
Kabupaten Sleman, Yogyakarta
2002 - 2002 Activist and member of IM3 Community Bandung.
2007 – Now Site admin of BiKyo Family Indonesia Forum (http://z4.invisionfree.com/bikyoindonesia)
I here with confirm that all my above statements are true and fully responsible for all the consequences.
Bandung, July 28, 2011