± 8.31 ± 10.72 Gambaran Umum Sistem PENDAHULUAN

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