42 Banyaknya pasien yang mempunyai catatan medis lengkap adalah 1.386
orang. Rata-rata umur ± standar deviasi SD dari data tersebut adalah 59.29 ± 10.25 tahun. Dari data tersebut diperoleh rasio laki-laki : perempuan adalah 4 : 6.
Karakteristik umum data yang ditambang dapat dilihat pada Tabel 2, sedangkan rata-rata variabel hasil pemeriksaan laboratorium dapat dilihat pada Tabel 3.
Tab el 2 Karakteristik umum data pasien
Data Sex
Jumlah Baris
Prosentase Setiap Kelas
Umur ±
SD
Diabetes Laki-laki
121 7.37
59.88 ± 8.31
Perempuan 283
17.24 60.49 ±
8.71 Bukan Daibetes
Laki-laki 469
28.56 59.20 ±
10.69 Perempuan
769 46.83
58.81 ± 10.72
Tabel 3 Rata-rata variabel pemeriksaan laboratorium
Variabel Mean ±
SD
Glukosa Darah Puasa mgdl 125.33 ±
55.59 Glukosa Darah 2 jam PP mgdl
171.19 ± 86.50
Glukosa Urin 2 jam PP 0.74 ±
1.21 Aseton Urin Puasa
0.03 ± 0.23
Glukosa Urin Puasa 0.27 ±
0.80 Aseton Urin 2 jam PP
0.01 ± 0.16
Kolesterol LDL mgdl 129.37 ±
38.66 Kolesterol HDL mgdl
47.26 ± 12.61
Kolesterol Total mgdl 207.82 ±
45.21 Trigliserida mgdl
159.40 ± 100.58
Sumber data yang digunakan dalam penelitian ini selain dari basis data yang sudah tersedia juga berasal dari isian pertanyaan. Pertanyaan yang diajukan
ke pasien terdiri dari pemeriksaan fisik meliputi tinggi badan, berat badan dan tekanan darah, serta riwayat diabetes. Riwayat diabetes meliputi awal diagnosis
diabetes ditetapkan, riwayat keluarga diabetes, riwayat merokok, riwayat kehamilan, dan pengobatan diabetes yang dilakukan.
43
3.2. METODE 3.2.1. Kerangka Pemikiran
Meningkatnya penderita penyakit diabetes melitus di beberapa negara berkembang, akibat peningkatan kemakmuran di negara bersangkutan, akhir -akhir
ini banyak disoroti. Peningkatan pendapatan per kapita dan perubahan gaya hidup terutama di kota-kota besar, menyebabkan peningkatan prevalansi penyakit
degeneratif, seperti jantung koroner, hipertensi, hiperlipidemia, diabetes dan lain- lain. Menghadapi jumlah pasien diabetes melitus yang semakin meningkat,
diperlukan peningkatan peran semua tingkat pelayanan kesehatan. Penanggulangan diabetes melitus perlu dilakukan secara tepat dan
berkesinambungan dengan keterlibatan program dan sektor terkait. Atas dasar pemikiran di atas, perlu kiranya dilakukan upaya-upaya
penanganan agar dampak negatif penyakit ini dapat diminimalkan, dengan membuat dan menerapkan suatu sistem yang dapat memprediksi timbulnya
penyakit diabetes melitus dalam upaya peringatan dini bagi pasien. Sebagai langkah awal maka perlu adanya studi pustaka berkenaan dengan
penyakit diabetes melitus untuk lebih mengenal dan memahami permasalahan penyakit ini. Kemudian dilakukan identifikasi dari permasalahan yang akan
diteliti untuk memperjelas permasalahan dan penentuan alternatif solusi. Selanjutnya dilakukan pengumpulan data untuk menentukan parameter-parameter
yang dapat menyebabkan timbulnya penyakit diabetes melitus. Sumber data yang dikumpulkan pada penelitian nanti barasal dari SIM RSPP dan LIS RSPP. Data
tersebut kemudian akan disimpan dalam suatu data warehouse, yang selanjutnya dibuat suatu model menggunakan teknik classification based association untuk
mengetahui keterkaitan antara parameter-parameter yang diduga sebagai penyebab timbulnya gejala penyakit diabetes. Gambar 9 menunjukkan garis besar
kerangka pemikiran dari penelitian ini.
44 Mulai
Identifikasi Masalah
Pengumpulan Data
Pembuatan Clinical Data Warehouse
dengan Star Schema
Pembuatan Model Prediksi Penyakit
Diabetes Melitus
Pembuatan Program Aplikasi
Sesuai Harapan
Kelayakan Penerapan
Selesai Ya
Tidak Pengujian
45
3.2.2. Tata Laksana
Kegiatan penelitian ini dilakukan dengan dua tahapan utama, yaitu proses pembentukan model klasifikasi dan pembuatan program aplikasi untuk
mendeteksi penyakit diabetes. Proses pembentukan model klasifikasi dilakukan berdasarkan urutan proses pada Gambar 12. Proses dimulai dengan pendefinisian
masalah serta mempelajari bisnis proses dari sistem yang sedang berjalan. Pada tahap kedua yaitu pembentukan data warehouse diabetes dilakukan melalui dua
tahapan yaitu membuat rancangan logik dan rancangan fisik serta melakukan
proses Extraction, Transformation, Loading ETL. Membuat rancangan logik dan rancangan fisik
Pembuatan rancangan logik dilakukan dengan menentukan jenis in formasi yang dibutuhkan. Salah satu tekniknya adalah dengan menggunakan entity
relationship modelling. Perancangan fisik dilakukan dengan menggunakan Structure Query Language SQL.
Extraction, Transformation, Loading ETL
Setelah membuat basis data, langkah selanjutnya adalah melakukan proses Extraction Transformation dan Loading ETL. Ekstraksi adalah operasi
mengekstrak data dari sistem sumber untuk selanjutnya digunakan dalam lingkungan data warehouse. Setelah ekstraksi, data tersebut ditransformasi dan
dimuat kedalam data warehouse. Metode ekstraksi yang dipilih adalah full extraction yaitu dengan mengekstrak seluruh data yang ada pada sistem sumber
menggunakan export file. Gambar 11 Kerangka pemikiran pembuatan aplikasi data mining
untuk diagnosis penyakit diabetes
Pendefinisian Masalah
Data Warehouse Diabetes
Visualisasi Ekstraksi
Working database
Analisis Hasil Data Mining
46 Gambar 12 Tahapan proses data mining
Data mining
Metodologi data mining didasarkan pada tiga tahapan yang dilakukan untuk mendeteksi penyakit diabetes. Ketiga tahapan tersebut adalah a menangani data
yang tidak lengkap melalui ekstraksi, b merubah data yang bernilai kontinyu menjadi data yang bernilai diskrit serta c rule mining dan klasifikasi. Pada tahap
pertama, pemrosesan awal data diabetes dilakukan untuk menghapus data yang tidak lengkap dan mengekstrak
data yang akan digunakan untuk mengelompokkan penyakit diabetes atau bukan. Pada tahap kedua setiap data
yang bernilai kontinyu didiskritkan.. Hasil dari tahap pertama dan kedua diatas disimpan dalam working database. Pada tahap ketiga, algoritme association rule
mining digunakan untuk menghasilkan aturan-aturan, yang berguna untuk mendeteksi penyakit diabetes atau bukan.
Merubah Data Kontinyu Menjadi Data Diskrit
Data sampel yang digunakan pada penelitian ini mempunyai atribut yang nilainya numerik, sedangkan algoritme CPAR bekerja dengan atribut-atribut yang
nilainya nominal. Untuk menggunakan algoritme tersebut atribute yang bernilai numerik tersebut diganti dengan atribute yang bernilai nominal yang
menunjukkan interval nilai dengan nilai-nilai diskrit. Proses ini dikenal sebagai diskritisasi dan berisi transformasi dari variabel quantitatif ke dalam variabel
kualitatif. Asimilasi
Pengetahuan
47
BAB IV RANCANG BANGUN SISTEM
4.1. Gambaran Umum Sistem
Aplikasi yang dibuat dalam penelitian ini digunakan untuk memasukkan data pasien dan melakukan prediksi terhadap penyakit diabetes serta anjuran
terapinya. Perangkat lunak ini dikembangkan dengan menggunakan metode pemrograman prosedural, dapat dijalankan oleh server pada lingkungan sistem
operasi Microsoft Windows 9598NT2000XP dan dibangun dengan
menggunakan Oracle Form Developer 6i.
Pengguna sistem dapat berupa pengguna yang memiliki tingkat otorisasi khusus dalam hal ini adalah dokter, namun sistem dapat juga digunakan oleh
praktisi kesehatan lainnya seperti perawat, edukator diabetes maupun masyarakat umum. Dokter dibantu dalam pengambilan keputusan mendiagnosa penyakit
diabetes dan menentukan terapi obat maupun terapi gizi yang harus dilakukan pasien, sedangkan masyarakat umum dapat melakukan diagnosa sendiri dengan
tujuan untuk kewaspadaan dini dan segera mencari pertolongan ke dokter bila sistem menyimpulkan sakit diabetes. Dari hasil analisis kebutuhan maka
dikembangkan model seperti ditunjukkan dalam Gambar 13.
Antarmuka pengguna
Data warehouse Pengguna
Modul Diagnosa
Terapi Evaluasi model klasifikasi
Basis pengetahuan
Model klasifikasi
seleksi, pembersihan
48 Basis data
Gambar 13 Model aplikasi diabetes
4.2. Antarmuka Pemakai