SISTEM PENDUKUNG KEPUTUSAN UNTUK MENDIAGNOSA PENYAKIT TROPIS YANG DISEBABKAN OLEH BAKTERI MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER.

METODE NAÏVE BAYES CLASSIFIER

SKRIPSI

Diajukan Oleh :

M. RIZAL PAHLEVI M

0534010053

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”

JAWA TIMUR

METODE NAÏVE BAYES CLASSIFIER

SKRIPSI

Diajukan Untuk Memenuhi Sebagai Persyaratan Dalam Memperoleh Gelar Sarjana Komputer

Program Studi Teknik Informatika

Diajukan Oleh :

M. RIZAL PAHLEVI M

0534010053

Kepada

JURUSAN TEKNIK INFORMATIKA

FAKULTAS TEKNOLOGI INDUSTRI

UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”

JAWA TIMUR

ii

Puji Syukur ke hadirat Tuhan Yang Maha Esa, karena atas rahmat dan hikmat-Nya yang diberikan sehingga penulis dapat menyelesaikan skripsi ini yang berjudul “Sistem Pendukung Keputusan Untuk Mendiagnosa Penyakit Tropis

yang Disebabkan Oleh Bakteri Menggunakan Metode Naive Bayes Classifier”

yang merupakan salah satu syarat untuk memperoleh gelar sarjana komputer Jurusan Teknik Informatika Universitas Pembangunan Nasional “Veteran” Jatim.

Penulis menyadari sepenuhnya bahwa sejak tahap awal hingga penyelesaian Sekripsi ini, penulis menerima banyak sekali bantuan dari berbagai pihak, baik secara langsung maupun tidak langsung. Oleh karena itu, pada kesempatan yang baik ini ingin disampaikan terima kasih yang sedalam-dalamnya dan setulus-tulusnya kepada yang terhormat:

1. Bapak Prof. Dr. Ir. Teguh Sudarto, MP Selaku Rektor Universitas Pembangunan Nasional “Veteran” Jawa Timur

2. Bapak Ir. Sutiyono, MT Selaku Dekan Fakultas Teknologi Industri Universitas Pembangunan Nasional “Veteran” Jawa Timur.

3. Bapak Basuki Rahmat, S.Kom, MSi Selaku ketua Jurusan Teknik Informatika Universitas Pembangunan Nasional “Veteran” Jawa Timur.

4. Ibu Asti Dwi Irfianti, S.Kom, M.Kom selaku dosen pembimbing utama yang telah meluangkan waktu untuk memberikan bimbingan selama Skripsi.

5. Ibu Fetty Tri Anggraini, S.Kom selaku dosen pembimbing pendamping yang telah meluangkan waktu untuk memberikan bimbingan Skripsi.

6. Bapak Ahmad Junaidi, S.Kom selaku dosen wali yang memberikan arahan pada judul skripsi saya.

7. Ayahanda Sueb tercinta yang selalu memberi motivasi spiritual dan material serta doa-doanya sehingga semua yang dikerjakan dapat berjalan lancar. 8. Ibunda Mas’ruah tercinta yang selalu memberi motivasi spiritual dan material

serta doa-doanya sehingga semua yang dikerjakan dapat berjalan lancar. 9. Dwi Teta yang selalu memberi motivasi berlebih untuk menyelesaikan tugas

akhir ini.

10. Pihak RS AL Dr. Ramelan yang membantu atau memudahkan dalam pencarian data rekam medis pasien.

11. Dr. N Puspita Sari yang bersedia meluangkan waktunya untuk uji coba aplikasi ini.

12. Bapak dan ibu Penguji yang dengan bijak memberi masukan-masukan atas Skripsi yang sudah dibuat sehingga tercipta skripsi yang baik.

13. Yogie, Chandika, Kiki, dan Deny serta Teman-teman lainnya yang membantu dalam pengerjaan tugas akhir ini, sehingga selesai tepat pada waktunya.

Semoga Tuhan senantiasa memberikan pahala dan barokah yang setimpal kepada semua pihak yang telah banyak memberikan bantuan, bimbingan ataupun nasehat-nasehat serta arahan-arahannya.

Saya menyadari bahwa dalam penyajian skripsi ini masih banyak kekurangan baik dalam pengelolahan data maupun dalam teknik penyusunan laporan skripsi dikarenakan pengetahuan dan kemampuan penulis masih kurang. Untuk itu penulis mengharapkan saran dan kritik yang membangun demi kesempurnaan tugas skripsi yang lain dimasa mendatang dan dapat ikut menunjang perkembangan ilmu pengetahuan, khususnya teknik informatika.

Surabaya, November 2010 Penulis

i

SISTEM PENDUKUNG KEPUTUSAN UNTUK MENDIAGNOSA PENYAKIT TROPIS YANG DISEBABKAN OLEH BAKTERI

MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER.

Abstrak

Negara indonesia merupakan negara endemis penyakit tropis disebabkan karena indonesia merupakan suatu negara yang terletak di daerah tropis. Salah satu daerah endemis adalah daerah propinsi papua. Kondisi alam, minimnya pengetahuan, kurangnya ahli/pakar dalam penanganan penyakit tropis merupakan multiindikator terjadinya penyakit tropis. Dalam mendiagnosa penyakit tropis yang disebabkan oleh bakteri memerlukan penelitian dan pemeriksaan yang akurat, hal ini mengakibatkan pihak yang bekerja dalam bidang kesehatan penyakit tropis (calon dokter maupun dokter baru) mengalami kesulitan dan memerlukan waktu yang cukup lama dalam melakukan diagnosa terhadap penyakit tropis yang disebabkan oleh bakteri yang mengidap suatu penyakit dengan gejala tertentu. Hal ini di sebabkan kurangnya pengetahuan dan pengalaman di bidang kesehatan penyakit tropis. Tujuan penelitian ini adalah membuat aplikasi sistem pendukung keputusan yang dapat memberikan informasi berupa diagnosa penyakit dan gejala yang diperlukan oleh asisten penyakit tropis yang disebabkan oleh bakteri yang disertai dengan nilai probabilitasnya.

Subjek pada penelitian ini adalah Sistem Pendukung Keputusan untuk mendiagnosa penyakit tropis yang disebabkan oleh bakteri. Metode Pengambil keputusan adalah Naïve Bayes Classifier sedangkan Metode pengumpulan datanya adalah dengan metode kepustakaan, wawancara, metode observasi. Tahap pengembangan perangkat lunak sistem pakar ini meliputi : pengumpulan data dari berbagai sumber yang di representasikan dalam basis pengetahuan, pembuatan basis aturan, pembuatan dfd, entity relationship diagram, desain interface, analisis dan perancangan sistem, perancangan model data konseptual, perancangan tabel dan perancangan dialog implementasi program menggunakan visual studio .Net

2005, dan tahap akhir adalah menguji program.

Keluaran sistem berupa hasil penelusuran penyakit yang dilengkapi dengan nilai probabilitas yang diperoleh dengan menggunakan teorema bayes. Setealh diuji coba, program ini memiliki tingkat akurasi 77.5%. Aplikasi ini dapat membantu user untuk mendiagnosis penyakit tropis yang disebabkan oleh bakteri.

v

KATA PENGANTAR ... ii

DAFTAR ISI... v

DAFTAR GAMBAR ... ix

DAFTAR TABEL... xii

DAFTAR LAMPIRAN... xiii

BAB I ... 1

PENDAHULUAN ... 1

1.1. Latar Belakang Masalah ... 1

1.2. Perumusan Masalah ... 3

1.3. Batasan Masalah ... 3

1.4. Tujuan Penelitian ... 4

1.5. Manfaat Penelitian ... 5

1.6. Metodologi Penulisan ... 5

1.7. Sistematika Penulisan ... 6

BAB II... 8

TINJAUAN PUSTAKA ... 8

2.1. Machine Learning ... 8

2.2.1. Pengenalan Machine Learning... 8

2.2.1. Latar Belakang Machine Learning... 9

2.2.1. Data Training ... 9

2.2. Penyakit Tropis yang Disebabkan Oleh Bakteri ... 10

2.2.1. Thipus (Demam Thipoid) ... 10

2.2.2. Disentri Basiler / Shigellosis ... 11

2.2.4. Kolera (Cholerae) ... 13

2.3. Bakteri ... 13

2.4. Pengertian Sistem... 16

2.5. Sistem Pendukung Keputusan... 17

2.6. Naïve Bayes Classifier ... 20

2.7. HMAP ... 22

2.7.1. HMAP dari Data Training... 23

2.8. MySql 5.0... 24

2.9. Microsoft Visual Basic .Net 2005... 25

2.10. Power Designer 6 ... 27

BAB III ... 29

ANALISA DAN PERANCANGAN SISTEM ... 29

3.1. Proses Naïve Bayes ... 29

3.1.1. Algoritma Naïve Bayes Classifier... 29

3.1.2. Proses Penghitungan Probabilitas dan Penentuan Penyakit Tropis ... 30

3.2. Perancangan Sistem ... 34

3.2.1. Sistem Flow... 34

3.2.2. DFD (Data Flow Diagram) ... 38

3.2.2.1. Context Diagram ... 39

3.2.2.2. DFD Level 0... 40

3.2.2.3. DFD Level 1 Maintenance Data ... 41

3.2.2.4. DFD Level 1 Data Training ... 41

3.2.2.5. DFD Level 1 Proses Klasifikasi... 42

3.2.2.6. DFD Level 1 Pengolahan Data ... 43

3.2.3. ERD (Entity Relationship Diagram) ... 43

3.2.3.1. Conceptual Data Model (CDM)... 44

3.2.3.2. Physical Data Model (PDM)... 45

3.3. Perancangan Rabel ... 46

BAB IV ... 62

IMPLIMENTASI SISTEM... 62

4.1. Kebutuhan Sistem ... 62

4.1.1. Kebutuhan Perangkat Keras... 62

4.1.2. Kebutuhan Perangkat Lunak ... 63

4.2. Implementasi Program Dan Tampilan Antar Muka... 63

4.2.1. Form Login ... 63

4.2.2. Form Menu Utama ... 64

4.2.3. Form Data Admin ... 66

4.2.4. Form Pendaftaran Paramedis ... 67

4.2.5. Form Penyakit Tropis... 67

4.2.6. Form Premis/ Gejala ... 68

4.2.7. Form Pendaftaran Pasien... 69

4.2.8. Form Perubahan Data... 69

4.2.9. Form Ubah Account... 70

4.2.10. Form Data Training... 71

4.2.11. Form Diagnosa ... 71

4.2.12. Form Statistik ... 74

4.2.13. Form Histori Pasien ... 74

BAB V... 76

UJI COBA DAN EVALUASI ... 76

5.1. Uji Coba ... 76

5.2. Skenario Uji Coba ... 76

5.3. Pelaksanaan Uji Coba ... 77

5.3.1. Uji Coba User Admin ... 77

5.3.1.1. Uji Coba Login... 77

5.3.1.2. Uji Coba Admin ... 78

5.3.1.3. Uji Coba Paramedis ... 79

5.3.1.5. Uji Coba Premis atau Gejala ... 80

5.3.1.6. Uji Coba Data Training... 81

5.3.1.7. Uji Coba Ubah Data ... 82

5.3.2. Uji Coba User Paramedis ... 85

5.3.2.1. Uji Coba Diagnosa ... 85

5.3.2.2. Uji Coba Hystori Pasien... 87

5.3.2.3. Uji Coba Statistik ... 88

BAB VI ... 89

KESIMPULAN DAN SARAN... 89

6.1. Kesimpulan ... 89

6.2. Saran... 90

ix

Gambar 2.2. Model Sistem Penunjang Keputusan ... 18

Gambar 2.3. Probabilitas Bersyarat ... 21

Gambar 3.1. Flowchart Kegiatan Admin... 35

Gambar 3.2. Flowchart Kegiatan Paramedis ... 46

Gambar 3.3. Flowchart Proses Klasifikasi... 47

Gambar 3.4. Context Diagram ... 39

Gambar 3.5. DFD Level 0 ... 40

Gambar 3.6. DFD Level 1 Maintenance Data ... 41

Gambar 3.7. DFD Level 1 Proses Data Training... 41

Gambar 3.8. DFD Level 1 Proses Klasifikasi... 42

Gambar 3.9. DFD Level 1 Pengolahan Data ... 43

Gambar 3.10. CDM (Conceptual Data Model)... 44

Gambar 3.11. PDM (Physical Data Model) ... 45

Gambar 3.12. Design Form Login dengan Pemilihan User ... 50

Gambar 3.13. Design Form Login pada Button Paramedis dan Admin ... 50

Gambar 3.14. Design Form Menu Utama Default... 51

Gambar 3.15. Design Form Pendaftaran Admin ... 52

Gambar 3.16. Design Form Pendaftaran Paramedis ... 53

Gambar 3.17. Design Form Penyakit Tropis yang Disebabkan Oleh Bakteri ... 54

Gambar 3.18. Design Form Menambah Gejala Baru ... 55

Gambar 3.19. Design Form Input Data Training ... 56

Gambar 3.20. Design Form Pendaftaran Pasien Baru ... 57

Gambar 3.21. Design Form Perubahan Data, Cari Data... 58

Gambar 3.22. Design Form Perubahan Data, Ubah Data ... 58

Gambar 3.23. Design Form Diagnosa... 59

Gambar 3.24. Design Form Statistik... 59

Gambar 3.26. Design Form Perubahan Data Account... 61

Gambar 3.27. Design Form Histori Pasien ... 61

Gambar 4.1. Gambar Form Login... 64

Gambar 4.2. Gambar Form Menu Utama ... 65

Gambar 4.3. Gambar Form Pendaftaran Admin ... 66

Gambar 4.4. Gambar Form Paramedis ... 67

Gambar 4.5. Gambar Form Penyakit Tropis... 68

Gambar 4.6. Gambar Form Gejala... 68

Gambar 4.7. Gambar Form Pendafataran Pasien... 69

Gambar 4.8. Gambar Form Perubahan Data... 70

Gambar 4.9. Gambar Form Perubahan Account... 70

Gambar 4.10. Gambar Form Data Training... 71

Gambar 4.11. Gambar Form Diagnosa ... 73

Gambar 4.12. Gambar Form Statistik ... 74

Gambar 4.13. Gambar Form Histori Pasien... 75

Gambar 5.1. Uji Coba Login Admin ... 78

Gambar 5.2. Uji Coba Halaman Admin... 78

Gambar 5.3. Uji Coba Halaman Paramedis ... 79

Gambar 5.4. Uji Coba Halaman Penyakit Tropis ... 80

Gambar 5.5. Uji Coba Halaman Penyakit Tropis, Penambahan Gejala... 80

Gambar 5.6. Uji Coba Halaman Premis... 81

Gambar 5.7. Uji Coba Halaman Premis, Ubah Nama Premis ... 81

Gambar 5.8. Uji Coba Halaman Data Training... 82

Gambar 5.9. Uji Coba Halaman Ubah Data, Pencarian Data Admin ... 82

Gambar 5.10. Uji Coba Halaman Ubah Data, Admin... 83

Gambar 5.11. Uji Coba Halaman Ubah Data, Pencarian Data Paramedis... 83

Gambar 5.12. Uji Coba Halaman Ubah Data Paramedis... 84

Gambar 5.13. Uji Coba Halaman Ubah Data, Pencarian Penyakit Tropis ... 84

Gambar 5.14. Uji Coba Halaman Ubah Data Penyakit Tropis ... 85

Gambar 5.16. Uji Coba Halaman Diagnosa, Simpan Hystori Pasien ... 86 Gambar 5.17. Uji Coba Halaman Hystory Pasien ... 88 Gambar 5.18. Uji Coba Halaman Statistik... 88

xii

Tabel 2.2. Tabel Data Training Probabilitas Bersyarat... 21

Tabel 2.3. Tabel Data Training HMAP... 23

Tabel 3.1. Tabel Admin ... 46

Tabel 3.2. Tabel Paramedis ... 47

Tabel 3.3. Tabel Penyakit Tropis ... 47

Tabel 3.4. Tabel Pasien ... 48

Tabel 3.5. Tabel Premis ... 48

Tabel 3.6. Tabel Penyakit... 49

xiii Ramelan Surabaya

Lampiran 2. Tabel Data Survey Penyakit Thipus (Demam Thipoid) di RS. AL. Dr. Ramelan Surabaya

Lampiran 3. Tabel Data Survey Penyakit Disentri Basiler dan Kolera di RS. AL. Dr. Ramelan Surabaya

Lampiran 4. Tabel Fakta Hasil Pembelajaran dari data Survey pada Lampiran1, Lampiran 2, dan Lampiran 3.

Lampiran 5. Tabel Uji Coba Yang Dilakukan Dengan Analisa Ahli. Lampiran 6. Tabel Uji Coba Yang Dilakukan Dengan Analisa Ahli.

1

Pada bab ini akan dibahas pendahuluan yang berhubungan dengan judul pada tugas akhir ini yaitu Sistem Pendukung Keputusan untuk Mendiagnosa Penyakit Tropis yang Disebabkan Oleh Bakteri, maka hal-hal yang akan dibahas meliputi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan.

1.1. Latar Belakang

Kesehatan merupakan hal yang begitu penting bagi manusia dikarenakan apabila kesehatan itu tidak terjaga maka akan menimbulkan suatu penyakit yang akan merusak kesehatan. Ironisnya banyak sekali penyakit-penyakit yang pada akhirnya terlambat didiagnosa sehingga mencapai tahap kronis yang membuatnya sulit untuk ditangani. Padahal penyakit sebelum mencapai tingkat kronis atau stadium tinggi umumnya menunjukkan gejala-gejala penyakit yang telah diderita oleh pasien akan tetapi masih dalam tahapan yang ringan.

Iklim disuatu daerah sangat mempengaruhi berkembangnya kehidupan wabah penyebab penyakit. Iklim di dunia terbagi menjadi 2 yaitu iklim tropis dan iklim subtropis. Iklim di daerah tropis mempunyai macam-macam wabah penyebab penyakit yang tidak ada di daerah subtropis dan juga sebaliknya. Negara Indonesia merupakan salah satu negara endemis penyakit tropis. Hal ini dikarenakan kondisi wilayah indonesia yang merupakan salah satu negara yang

terletak didaerah yang beriklim tropis. Disamping itu, keadaan Lingkungan kotor dan terkesan kumuh merupakan surga bagi wabah penyebab penyakit untuk berkembang biak dan menyebar menjadi penyakit yang menyerang manusia.

Wabah penyakit yang menyebabkan penyakit tropis banyak disebabkan oleh bakteri Patogen (bakteri yang merugikan) yang ukurannya tidak terlihat secara kasat mata dengan ukuran 0.5-5 µm dan keberadaannya tersebar dimana-mana. Bakteri sangat sulit diketahui keberadaannya oleh manusia kecuali dengan alat Bantu yang dinamakan mikroskop. Bakteri ada yang menguntungkan dan ada yang merugikan, diantara bakteri yang merugikan adalah Salmonella typhosa penyebab penyakit tifus (Demam Thipoid), Shigella dysenteriae penyebab penyakit Disentri Basiler, dsb.

Algoritma Naïve Bayes merupakan metode yang memanfaatkan nilai probabilitas dari data dokumen contoh sebelumnya. Penggunaan metode Naïve

Bayes dalam aplikasi ini dikarenakan hasil probabilitas nilai akurasi metode Naïve Bayes Classifier yang mendekati nilai keakuratan para ahli. Metode ini juga

membutuhkan banyak data dokumen contoh untuk menghasilkan nilai akurasi penyakit tropis yang disebabkan oleh bakteri.

Dalam teknik pengambilan keputusan jenis penyakit tropis dilakukan dengan menggunakan algoritma Naïve Bayes. Setelah dilakukan pengklasifikasian itu maka akan dihasilkan suatu jenis penyakit tropis yang disebabkan oleh bakteri dan cara pengobatannya. Proses input dilakukan dengan memilih gejala-gejala yang diderita oleh pasien kemudian akan ditentukan jenis penyakit tropis yang disebabkan oleh bakteri yang memiliki nilai akhir dari perhitungan paling tinggi.

1.2. Perumusan Masalah

Berdasarkan latar belakang yang diuraikan sebelumnya, terdapat beberapa permasalahan yang akan diangkat dalam skripsi ini, antara lain :

1. Bagaimana merancang dan membangun sebuah aplikasi yang dapat digunakan untuk membantu kinerja seorang dokter dalam mendiagnosa suatu penyakit tropis yang disebabkan oleh bakteri sesuai dengan gejala-gejala yang diderita oleh pasien.

2. Bagaimana mengklasifikasi suatu penyakit tropis yang disebabkan oleh bakteri dari gejala-gejala yang dialami pasien dengan menggunakan Algoritma Naïve Bayes.

1.3. Batasan Masalah

Pada pembuatan aplikasi perlu didefinisikan batasan masalah mengenai sejauh mana pembuatan aplikasi ini akan dikerjakan. Beberapa batasan masalah tersebut antara lain :

1. Sistem pendukung keputusan (SPK) yang akan dirancang untuk komputer PC (stand alone)

2. Data yang digunakan adalah data seorang pasien yang berumur 15 s/d 70 tahun.

3. Pengambilan data dilakukan di RS. AL. Dr. Ramelan Surabaya. 4. Menggunakan Algoritma Naïve Bayes untuk menarik kesimpulan

5. Interaksi antara sistem dan user menggunakan pertanyaan berupa daftar gejala yang sudah tampak berdasarkan kondisi fisik dan perilaku pasien,

dimana user akan diminta memilih gejala pada setiap daftar gejala berdasarkan kondisi pasien tersebut.

6. Jenis penyakit yang didiagnosa hanya penyakit yang umum terjadi di daerah tropis dan disebabkan oleh bakteri seperti Tipus, Tubercolosis (TBC), Kolera, dan Disentri Basiler.

7. Tidak terdapat komplikasi diantara gejala-gejala yang diderita oleh pasien. 8. Output yang dihasilkan dari aplikasi ini adalah jenis penyakit tropis yang

disebabkan oleh bakteri dan cara penangannya.

1.4. Tujuan Penelitian

Tujuan dari pembuatan Tugas Akhir ini adalah :

1. Merancang dan membuat sebuah aplikasi yang dapat digunakan untuk mengambil suatu keputusan dalam mendiagnosa suatu penyakit tropis yang disebabkan oleh bakteri dan dapat dikembangkan lebih lanjut sehingga memberikan kemudahan bagi si pemakai.

2. Mengklasifikasi penyakit tropis yang disebabkan oleh bakteri berdasarkan gejala-gejala yang dialami oleh pasien dengan menggunakan Algoritma

1.5. Manfaat Penelitian

Manfaat dari pembuatan Sistem Pendukung Keputusan Untuk Mendiagnosa Penyakit Tropis Yang Disebabkan Oleh Bakteri ini antara lain:

1. Dengan dibuatnya aplikasi sistem pendukung keputusan ini maka diharapkan dapat membantu seorang dokter untuk mendiagnosa penyakit tropis yang dialami pasien. Dan diharapkan dapat membantu seorang pasien untuk mengenali jenis-jenis penyakit tropis yang disebabkan oleh bakteri, mengetahui gejala-gejala yang ditimbulkan, solusi untuk pengobatan serta bagaimana tindakan selanjutnya atas penyakit yang diderita.

2. Proses klasisfikasi penyakit tropis yang disebabkan oleh bakteri dilakukan otomatis oleh komputer dengan menggunakan Algoritma Naïve Bayes.

1.6. Metodologi Penulisan

Langkah-Langkah yang digunakan dalam penyusunan Tugas Akhhir ini menggunakan metodologi penelitian sebagai berikut :

1. Studi Literatur

Pada tahap ini, literatur yang digunakan dengan menggunakan buku-buku internet, atau sumber-sumber lain yang menjelaskan mengenai Sistem Pengambilan Keputusan Diagnosa Penyakit Tropis Disebabkan Oleh Bakteri dan konsep teknologi yang nantinya akan digunakan.

2. Pengumpulan Data dan Analisa

Pada tahap ini dari hasil pengumpulan data-data yang telah diperoleh digunakan untuk dilakukan analisa data dan diolah lebih lanjut.

3. Analisa dan Perancangan Sistem

Dari hasil studi literatur akan dibuat deskripsi umum sistem serta dilakukan analisa kebutuhan sistem, selain itu dilakukan perancangan model alur sistem dan model interface.

4. Coding (Pengkodean)

Pada tahap ini rancangan yang akan dibuat kemudian diimplementasikan ke dalam bentuk kode program Visual Basic.Net dan SQL Server 2000 sehingga menjadi suatu aplikasi Sistem Pendukung Keputusan.

5. Implementasi

Setelah proses coding selesai maka akan dilakukan proses pengujian terhadap program yang dihasilkan, untuk mengetahui apakah program sudah berjalan dengan benar dan sesuai dengan perancangan yang dilakukan.

1.7. Sistematika Penulisan

Penulisan Tugas Akhir ini disajikan dengan sistematika sebagai berikut : Bab I : Pendahuluan

Berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penelitian.

Bab II : Tinjauan Pustaka

Bab ini berisi konsep dan teori pembelajaran yang menjadi landasan pembuatan tugas akhir ini antara lain : sistem pendukung keputusan, penyakit tropis dan penjelasannya, Algoritma Naïve Bayes, HMAP, dsb

Bab III : Analisa dan Perancangan Sistem

Bab ini berisi tentang analisa dari sistem yang akan dibuat dan perancangan sistem yang meliputi : deskripsi umum sistem, kebutuhan aplikasi, pemodelan sistem dengan DFD, dan perancangan interface aplikasi.

Bab IV : Perancangan Perangkat Lunak

Bab ini berisi hasil implementasi dari perancangan yang telah dibuat sebelumnya yang meliputi : implementasi proses dan implementasi aplikasi.

Bab V : Uji Coba dan Evaluasi

Pada bab ini berisi penjelasan lingkungan uji coba aplikasi, scenario uji coba, pelaksanaan uji coba, dan evaluasi dari hasil uju coba yang telah dilakukan untuk kelayakan pemakaian aplikasi.

Bab VI : Penutup

Pada bab berisi kesimpulan dan saran untuk pengembangan aplikasi lebih lanjut dalam upaya mmemperbaiki kelemahan pada aplikasi guna untuk mendapat hasil kinerja yang lebih baik.

8

Pada bab ini akan dibahas dasar teori yang berhubungan dengan judul pada tugas akhir ini yaitu Sistem Pendukung Keputusan Diagnosa Penyakit Tropis Dikarenakan Bakteri Menggunakan Metode Naïve Bayes. Hal-hal yang akan dibahas meliputi teori dasar-teori yang berkaitan dengan system pendukung keputusan, reprensentasi pengetahuan, dan masih banyak teori lainnya.

2.1. Machine Learning

Machine learning merupakan salah satu disiplin ilmu dari computer science yang mempelajari bagaimana membuat computer atau mesin itu mempunyai suatu kecerdasan.

2.1.1. Pengenalan Machine Learning

Machine learning adalah salah satu disiplin ilmu dari Computer Science yang mempelajari bagaimana membuat komputer atau mesin itu mempunyai suatu kecerdasan. Oleh karena itu agar komputer atau mesin dapat memiliki kecerdasan maka harus belajar. Proses pembelajaran itu terdiri dari : 1. Supervised Learning

- Learninng dari contoh-contoh. - Didasari dari Theorema Naïve Bayes.

- Jawaban ditunjukkan oleh nilai probabilitas. - Biasanya dipakai untuk fungsi-fungsi klasifikasi. 2. Unsupervised Learning

- Tidak melibatkan jawaban dalam data.

- Hanya membuat suatu klasifikasi tanpa label atau jawaban. - Labelisasi (pemberian jawaban) menjadi tanggung jawab User. 3. Reinforcement Learning

- Learning dari percobaan.

- Memakai konsep reward dan punishment dalam proses

2.1.2. Latar Belakang Macine Learning

Latar belakang atau ide dasar konsep mesin pembelajaran atau machine learning adalah adanya penyajian suatu keputusan berdasarkan fakta-fakta yang ada dan ditarik suatu kesimpulan.

2.1.3. Data Training

Data Training merupakan data hasil pembelajaran dari suatu sistem yang digunakan sebagai acuan dalam pengambilan hasil keputusan.

Berikut ini merupakan contoh dari data training dari tabel cuaca, ditunjukkan pada tabel 2.1 Tabel Training :

Tabel 2.1 Tabel Training

Keterangan :

a. Atribut adalah kolom data, terdapat atribut itu sendiri dan target.

b. Instance adalah adalah isi dari atribut sebagai contoh seperti atribut cuaca mempunyai instance “Cerah” dan “Hujan”, sering ditulis dengan cuaca = {cerah,hujan}.

c. Record atau tuple adalah baris data.

2.2. Penyakit Tropis Yang Disebabkan Oleh Bakteri

Penyakit Tropis merupakan penyakit yang ada di wilayah iklim tropis. Penyakit tropis yang disebabkan oleh bakteri mempunyai beberapa jenis, diantara penyakit yang termasuk penyakit tropis disebabkan oleh bakteri sebagai berikut :

2.2.1. Tipus (Demam Tifoid)

Demam Tifoid sering disebut juga dengan tipus adalah penyakit infeksi akut usus halus yang disebabkan oleh kuman Salmonela Thiposa. Penyakit ini mudah menular dan dapat menyerang orang banyak, sehingga dapat menimbulkan wabah. Dalam minggu pertama keluhan penyakit dan gejala berupa : demam, muntah, mual, nyeri kepala, nafsu makan menurun, pusing,

nyeri perut, nyeri otot, mimisan, diare, lidah kotor ditengah, tepi dan ujung merah.

Pengobatan yang harus dilakukan adalah :

a. Perawatan di Rumah Sakit

b. Diet

c. Pemberian obat-obatan salah satunya yaitu Kloramfonikol, Tamfonikol,

Kotrimoksazol, Ampisilin, Amoksilin, Sefalosporin generasi ketiga, dan

Huarakmolon.

2.2.2. Disentri Basiler / Shigellosis

Disenti Basiler atau Shigellosis adalah penyakit akut radang colon

yang disebabkan oleh kuman Shigella Dysenteriae. Penyakit ini kadang-kadang bersifat ringan dan kadang-kadang bersifat serius sekali. Secara klinis mempunyai tanda-tanda sebagai berikut : demam, muntah, nyeri kepala, diare sedikit atau terus, tinja bercampur darah dan lendir, nyeri perut hebat.

Prinsip dalam melakukan kesehatan adalah istirahat, mencegah atau

memperbaiki dehidrasi dengan cairan dan elekrolit. Pada kasus yang berat

diberikan antibiotik sebagai berikut : Sulfonamid, Tetrasiklin, Neomisin,

2.2.3. TBC Paru-Paru (Tubercolosis)

Tuberkulosis (TBC atau TB) adalah suatu penyakit infeksi yang

disebabkan oleh bakteri Mikobakterium Tuberkulosa. Bakteri ini merupakan

bakteri basil yang sangat kuat sehingga memerlukan waktu lama untuk mengobatinya. Bakteri ini lebih sering menginfeksi organ paru-paru dibandingkan bagian lain tubuh manusia.

Gejala-gejala penyakit TBC paru-paru, antara lain :

a. Batuk selama lebih dari 3 minggu terkadang disertai batuk dahak, dan batuk berdarah.

b. Berat badan turun tanpa sebab. c. Sesak Nafas.

d. Demam 36° s/d 39°.

e. Berkeringat dingin waktu malam.

f. Hilang nafsu makan.

g. Terkadang terjadi pusing, mual, muntah, dada sakit, dan tenggorokan sakit.

Cara pencegahan agar penyakit tubercolosis tidak sampai menular

pada tubuh kita, antara lain : a. Minum vitamin secara teratur

b. Menutup mulut waktu bersin atau batuk.

2.2.4. Kolera (Cholerae)

Penyakit kolera (cholera) adalah penyakit infeksi saluran usus bersifat akut yang disebabkan oleh bakteri vibrio cholerae, bakteri ini masuk kedalam tubuh seseorang melalui makanan atau minuman yang terkontaminasi.

Gejala-gejala penyakit kolera, antara lain :

a. Diare yang encer dan banyak tanpa didahului oleh rasa mulas. b. Kotoran atau tinja yang tidak berbau busuk.

c. Diare terjadi berkali-kali dan dalam jumlah yang cukup banyak.

Terjadinya muntah setelah didahului dengan diare yang terjadi, penderita tidaklah merasakan mual sebelumnya.

d. Kejang otot perut bisa juga dirasakan dengan disertai nyeri yang hebat.

e. Banyaknya cairan yang keluar akan menyebabkan terjadinya dehidrasi

dengan tanda-tandanya seperti ; detak jantung cepat, mulut kering, lemah fisik, mata cekung, hypotensi dan lain-lain yang bila tidak segera mendapatkan penangan pengganti cairan tubuh yang hilang dapat mengakibatkan kematian.

2.3. Bakteri

Bakteri berasal dari kata bakterion, dalam bahasa yunani yang berarti batang kecil. Juga dari kata bacterium dalam bahasa latin yang berarti kelompok raksasa dari organisme hidup. Mereka sangat kecil (mikroskopik) dan kebanyakan

uniseluler (bersel tunggal), dengan struktur sel yang relatif sederhana tanpa

Istilah "bakteri" telah diterapkan untuk semua prokariota atau untuk kelompok besar mereka, tergantung pada gagasan mengenai hubungan mereka.

Bakteri adalah yang paling berkelimpahan dari semua organisme. Mereka tersebar (berada di mana-mana) di tanah, air, dan sebagai simbiosis dari organisme lain. Banyak patogen merupakan bakteri. Kebanyakan dari mereka kecil, biasanya hanya berukuran 0,5-5 μm, meski ada jenis dapat menjangkau 0,3

mm dalam diameter (Thiomargarita). Mereka umumnya memiliki dinding sel,

seperti sel tumbuhan dan jamur, tetapi dengan komposisi sangat berbeda (peptidoglikan). Banyak yang bergerak menggunakan flagela, yang berbeda dalam strukturnya dari flagela kelompok lain.

Berdasarkan berntuknya, bakteri dibagi menjadi tiga golongan besar, yaitu:

1. Kokus (Coccus) dalah bakteri yang berbentuk bulat seperti bola, dan

mempunyai beberapa variasi sebagai berikut: a. Mikrococcus, jika kecil dan tunggal. b. Diplococcus, jka bergandanya dua-dua.

c. Tetracoccus, jika bergandengan empat dan membentuk bujursangkar. d. Sarcina, jika bergerombol membentuk kubus.

e. Staphylococcus, jika bergerombol.

f. Streptococcus, jika bergandengan membentuk rantai

2. Basil (Bacillus) adalah kelompok bakteri yang berbentuk batang atau silinder, dan mempunyai variasi sebagai berikut :

a. Diplobacillus, jika bergandengan dua-dua.

3. Spiril (Spirilum) adalah bakteri yang berbentuk lengkung dan mempunyai variasi sebagai berikut :

a. Vibrio, (bentuk koma), jika lengkung kurang dari setengah lingkaran. b. Spiral, jika lengkung lebih dari setengah lingkaran.

Bentuk tubuh bakteri dipengaruhi oleh keadaan lingkungan, medium dan usia. Oleh karena itu untuk membandingkan bentuk serta ukuran bakteri, kondisinya harus sama. Pada umumnya bakteri yang usianya lebih muda ukurannya relatif lebih besar daripada yang sudah tua.

Gambar 2.1 Bentuk Bakteri (dengan alat bantu mikroskop)

Bakteri ada yang menguntungkan dan ada yang merugikan. Bakteri yang merugikan biasa disebut bakteri patogen, bakteri ini adalah bakteri parasit yang menimbulkan penyakit pada manusia, hewan, dan tumbuhan. Diantara bakteri penyebab penyakit pada manusia, antara lain :

1. Salmonella Typhosa penyebab penyakit tifus.

2. Mycobacterium Tubercolosis penyebab penyakit TBC paru-paru 3. Vibrio Cholera penyebab penyakit Kolera

5. Shigella Dysenteriae penyebab penyakit disentri basiler 6. Pasteurella pestis penyebab penyakit pes, dsb.

Tindakan pencegahan dan pengobatan terhadap penyakit bakteri

1. Tindakan pencegahan dengan pemberian vaksin.

a. Misalnya vaksin BCG untuk pencegahan terhadap penyakit TBC.

b. Vaksin DPT untuk pencegahan penyakit difteri, pertusis dan tetanus.

2. Tindakan pengobatan :

a. Dapat dengan cara pemberian antibiotik.

2.4. Pengertian Sistem

Banyak pakar yang telah mendiskripsikan pengertian dari sistem. Walaupun konsep-konsep yang diasumsikan berbeda, tetapi pada prinsipnya mengarah ke satu tujuan dan pengertian, yaitu sama-sama berorientasi kepada sistem informasi manajemen. Pendapat atau pertanyaan pada pakar tersebut antara lain dikemukakan oleh :

1. Gordon B. Davis

Sistem dapat abstrak maupun fisik. Sistem abstrak adalah suatu susunan teratur, gagasan atau konsepsi yang saling tergantung. Sistem fisik adalah serangkaian unsur yang saling kerja sama untuk tujaun tertentu.

2. Henry C. Lucas

Sistem merupakan himpunan komponen atau variabel yang terorganisasi, saling interaksi, saling bergabung satu sama lain dan terpadu.

3. Tavri D. Mahyuzir

Sistem merupakan kumpulan elemen-elemen yang saling berkaitan dan bertanggung jawab memproses masukan sehingga menghasilkan suatu keluaran (output).

4. Robert dan Michael

Suatu kumpulan dari elemen yang saling berinteraksi membentuk suatu kesatuan, dalam interaksi yang kuat maupun yang lemah dengan pembatas sistem yang jelas.

Dari sejumlah pengertian diatas, dan dengan menggabungkan arti dari informasi maka suatu sistem adalah seperangkat elemen yang saling berinteraksi, yang membentuk kegiatan atau suatu prosedur yang mencari pencapaian suatu tujuan atau tujuan-tujuan bersama dengan mengoperasikan data pada waktu tertentu untuk menghasilkan informasi.

Suatu sistem mempunyai maksud tertentu. Ada yang menyebutkan maksud dari suatu sistem adalah untuk mencapai suatu tujuan (goal) dan ada yang menyebutkan untuk mencapai suatu sasaran (objectives).

Tujuan (goal) biasanya dihubungkan dengan ruang lingkup yang lebih

luas dan sasaran dalam ruang lingkup yang lebih sempit. Seringkali tujuan (goal) dan sasaran (objectives) digunakan bergantian dan tidak dibedakan.

2.5. Sistem Pendukung Keputusan

Sistem Pendukung Keputusan (Decision Support System disingkat

dengan DSS) didefinisikan sebagai suatu sistem berbasis komputer yang interaktif, membantu pengambilan keputusan dengan menggunakan analisis data-data dan model-model, guna memecahkan permasalahan yang semi terstruktur maupun masalah yang tak terstruktur. Menurut konsep yang dikemukakan Michael S. Scott Morton dengan istilah “Management Decision System” (Turban, 1995). Karakteristik sistem pendukung keputusan adalah sebagai sistem berbasis komputer yang interaktif yang mendukung manajemen pengambil keputusan melalui pemaanfaatan data dan model untuk mengambil keputusan mengenai masalah yang semi terstruktur.

Dengan pengertian diatas dapat dijelaskan bahwa sistem pendukung keputusan bukan alat pengambil keputusan melainkan sistem yang membantu pengambil keputusan dengan mengungkapkan informasi dari data yang telah diolah secara relevan dan diperlukan untuk membuat keputusan tentang suatu masalah dengan lebih cepat dan lebih akurat, sehingga sistem ini tidak dimaksudkan untuk menggantikan pengambil keputusan dan proses pembuatan keputusan.

Dapat juga dikatakan sebagai sistem komputer yang mengolah data menjadi informasi untuk mengambil suatu keputusan dari masalah semi-terstruktur yang spesifik.

Menurut McLeod (2004), SPK terdiri dari kombinasi dari relational

database, knowledge base, dan multidimensional database. Ketiga jenis database ini saling berkolaborasi untuk menghasilkan sebuah keputusan yang digunakan oleh manager. Detail bagian dari SPK, dapat dilihat pada gambar 2.2.

Tahapan Sistem Pendukung Keputusan (SPK) :

1. Definisi Masalah

2. Pengumpulan Data atau Elemen informasi yang relevan

3. Pengolahan data menjadi informasi baik dalam bentuk laporan, grafik,

maupun tulisan.

4. Menentukan alternative-alternatif solusi (bisa dalam prosentase) Tujuan dari Sistem Pendukung Keputusan (SPK), antara lain :

1. Membantu menyelesaikan masalah semi-terstruktur.

3. Meningkatkan efektifitas pengambilan suatu keputusan bukan efisiensi dalam mengambil suatu keputusan.

Dalam prosesnya, Sistem Pendukung Keputusan (SPK) dapat

menggunakan bantuan dari sistem lain seperti kecerdasan buatan (artificial

intelligence), sistem pakar (expert systems), logika fuzzy (fuzzy logic), dll (anonim, 18 juli 2007).

2.6. Naïve Bayes Clasifier

Teorema Bayes adalah sebuah pendekatan untuk sebuah ketidaktentuan yang diukur dengan probabilitas. Teorema bayes dikemukakan oleh Thomas Bayes. Thomas Bayes hidup pada abad 18 yang merupakan orang yang sangat terkenal dalam bidang probabilitas.

Menurut Rachli Muhamad (2007) Bayesian Classification adalah proses pencarian sekumpulan model atau fungsi yang menggambarkan dan membedakan kelas data dengan tujuan agar model tersebut dapat digunakan untuk memprediksi kelas dari suatu obyek yang belum diketahui kelasnya. Klasifikasi memiliki dua proses yaitu membangun model klasifikasi dari sekumpulan kelas data yang sudah didefinisikan sebelumnya (hasil pembelajaran model awal) dan menggunakan model tersebut untuk klasifikasi tes data serta mengukur akurasi dari model.

Naïve Bayes Clasifier menurut Wibisono Yudi (2005) merupakan sebuah algoritma yang dapat digunakan untuk melakukan klasifikasi dokumen dengan memanfaatkan probabilitas bersyarat yang memanfaatkan theorema bayes dengan asumsi tidak ketergantungan (independen) dan menghasilkan akurasi yang tinggi

dan stabil. Keuntungan menggunakan Naïve Bayes Classifier menurut Susanto Sylvia dan Sensuse Indra Dana (2008) bahwa metode ini stabil dan membutuhkan jumlah data contoh yang kecil untuk menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian.

Gambar 2.3 Probabilitas bersyarat

Probabilitas X di dalam Y adalah probabilitas interseksi X dan Y dari probabilitas Y, atau dengan bahasa lain P(X׀Y) adalah prosentase banyaknya X di dalam Y. Kemudian didapatkan Rumus :

) ( ) ( ) | ( Y P Y X P Y X

P   ……….. (1)

Tabel 2.2. Tabel Data Training Probabilitas Besyarat

# Cuaca Temperatur Kecepatan Angin Berolah-raga

1 Cerah Normal Pelan Ya

2 Cerah Normal Pelan Ya

3 Hujan Tinggi Pelan Tidak

4 Cerah Normal Kencang Ya

5 Hujan Tinggi Kencang Tidak

6 Cerah Normal Pelan Ya

Banyaknya data berolah raga = ya adalah 4 dari 6 data maka dituliskan P (Olah Raga = Ya) = 4/6.

Banyaknya data cuaca = Cerah dan berolah raga = Ya adalah 4 dari 6 data maka dituliskan : P(Cuaca = Cerah dan Olah Raga = Ya ) = 4/6.

Maka Didapatkan : P (Cuaca Cerah ׀ Olah Raga = Ya) 6 / 4

6 / 4

 = 1

2.7. HMAP

HMAP (Hypothesis Maximum Appropri Probability) menyatakan

hipotesa yang diambil berdasarkan nilai probabilitas berdasarkan kondisi prior

yang diketahui.

HMAP adalah model penyederhanaan dari metode bayes yang disebut dengan Naive Bayes. HMAP inilah yang digunakan di dalam machine learning sebagai metode untuk mendapatkan hipotesis untuk suatu keputusan.

Contoh : HMAP (Hypothesis Maximum Appropri Probability)

Diketahui hasil survey yang dilakukan sebuah lembaga kesehatan menyatakan bahwa 30% penduduk di dunia menderita sakit paru-paru. Dari 90% penduduk yang sakit paru-paru ini 60% adalah perokok, dan dari penduduk yang tidak menderita sakit paru-paru 20% perokok.

Fakta ini bisa didefinisikan dengan: X = Sakit paru-paru & Y = Perokok.

Maka : P(X) = 0.9 dan P(~X) = 0.1

P(Y|X) = 0.6  P(~Y|X) = 0.4 P(Y|~X) = 0.2  P(~Y|~X) = 0.8

Dengan metode naive bayes classifier dapat dihitung: P({Y}|X) = P(Y|X).P(X) = (0.6) . (0.9) = 0.54 P({Y}|~X) = P(Y|~X) P(~X) = (0.2).(0.1) = 0.02

Bila diketahui seseorang merokok, maka dia menderita sakit paru-paru karana P({Y}|X) lebih besar dari P({Y}|~X). HMAP diartikan mencari probabilitas terbesar dari semua instance pada attribut target atau semua kemungkinan keputusan. Pada persoalan keputusan diatas adalah sakit paru-paru atau tidak.

2.7.1. HMAP dari Data Training

Tabel 2.3. Tabel Data Training HMAP

# Cuaca Temperatur Kecepatan Angin Berolah-raga

1 Cerah Normal Pelan Ya

2 Cerah Normal Pelan Ya

3 Hujan Tinggi Pelan Tidak

4 Cerah Normal Kencang Ya

5 Hujan Tinggi Kencang Tidak

6 Cerah Normal Pelan Ya

Apabila cuaca ”Cerah” dan kecepatan angin ”Kencang”, orang akan berolahraga?

Fakta : P(X1=cerah|Y=ya) = 1 dan P(X1=cerah|Y=tidak) = 0

P(X3=kencang|Y=ya) = 1/4 dan P(X3=kencang|Y=tidak) = 1/2 HMAP dari keadaan ini dapat dihitung dengan:

P( X1=cerah,X3=kencang | Y=ya )

= { P(X1=cerah|Y=ya).P(X3=kencang|Y=ya) } . P(Y=ya) = { (1) . (1/4) } . (4/6) = 1/6

P( X1=cerah,X3=kencang | Y=tidak )

= { P(X1=cerah|Y=tidak).P(X3=kencang|Y=tidak) } . P(Y=tidak) = { (0) . (1/2) } . (2/6) = 0

Keputusan akhir yang dapat diambil adalah BEROLAHRAGA = “YA”

2.8. MySql 5.0

Mysql 5.0 merupakan suatu sistem manajemen database yang

memberikan suatu cara untuk menyimpan dan mengelola informasi. Mysql 5.0

adalah suatu produk database relational, karena Mysql 5.0 mengijinkan kita

untuk menghubungkan data dari sumber-sumber yang berbeda. Dalam Mysql 5.0, tabel-tabel yang digunakan untuk menyimpan informasi dan obyek-obyek

tambahan yang mewakili informasi dan bekerja sebagai bagian dari database.

Mysql 5.0 menyediakan berbagai fasilitas dan kemudahan dalam mengelola suatu basis data yang memiliki record besar. Mysql 5.0 juga memiliki keamanan yang baik dalam penyimpanan data.

Mysql 5.0 merupakan software yang digunakan untuk merancang

database dan mengelolah database dengan jumlah besar menjadi suatu informasi. Selain itu, kemudahan yang akan diperoleh jika bekerja dengan software tersebut, diantaranya dapat melakukan proses penyortiran dan pengaturan data, pembuatan table serta pembuatan laporan.

Mysql 5.0 adalah mesin database client server yang berbeda dengan

bersama-sama (misal dBASE, Microsoft Jet, Microsoft Visual FoxPro). (Martina, 2003;11)

Mysql 5.0 merupakan bahasa pemrograman yang dirancang khusus

untuk komunikasi dengan database relasional guna mendukung aplikasi dengan

arsitektur client server (Yuswanto, Subari, 2005). Dengan kata lain Mysql 5.0 merupakan sebuah database relasional yang dirancang untuk mendukung aplikasi dengan arsitektur client server, dimana database terdapat pada komputer pusat yang disebut dengan server, dan informasi digunakan bersama-sama oleh beberapa user yang menjalankan aplikasi didalam komputer lokalnya yang disebut client. Arsitektur semacam ini memberikan integritas data yang cukup tinggi, karena semua user berkerja dengan informasi yang sama. Arsitektur client server

sangat mengurangi lalu lintas network karena hanya memberikan data yang

diminta oleh user.

Database Mysql 5.0 dibagi ke dalam beberapa komponen logikal, seperti misalnya table, view, dan elemen-elemen lain yang terlihat user. Elemen-elemen ini secara fisik disimpan di dalam dua atau lebih file di dalam disk. Format file atau lokasi di mana elemen-elemen logik ini ditulis, tidak diketahui oleh user sistem. Apabila suatu database telah dibuat, user bisa memiliki izin akses yang telah diberikan kepadanya. Hal ini membuat Mysql 5.0 dapat menyimpan beberapa database dan membatasi akses ke masing-masing database ke user tertentu saja.

2.9. Microsoft Visual Basic .Net 2005

Visual Basic.NET (VB.NET) merupakan pengembangan dari bahasa pemrograman Visual Basic sebelumnya yaitu visual basic 6. beraneka program bias dibuat dengan visual basic .Net 2005. Bahasa pemmrograman ini banyak digunakan oleh banyak orang, yang pertama adalah karena mudah, dan yang kedua adalah cepat.

Beberapa keunggulan VB.NET dengan VB versi sebelumnya :

1. Menyederhanakan Deployment

VB.NET mengatasi masalah seputar deployment dari aplikasi berbasis Windows yaitu ‘DLL Hell” dan registrasi COM (Component Object Model). Sehingga dapat mempermudah deployment aplikasi yang berbasis Windows.

2. Menyederhanakan Pengembangan Perangkat Lunak

VB.NET memiliki fitur compiler yang bekerja secara background real-time dan daftar task untuk penanganan kesalahan/bug program sehingga pengembang dapat secara langsung memperbaiki kesalahan kode program yang terjadi.

3. Mendukung Penuh OOP

Dalam VB.NET kita dapat membuata kode class yang menggunakan secara penuh konstruksi berbasis objek. Class-class tersebut reusable/dapat digunakan kembali. VB.NET memiliki fitur bahasa pemrograman berorientasi objek teramasuk implementasinya secara penuh : inheritance / pewarisan, encapsulation / pembungkusan, dan polymorphism atau banyak bentuk.

4. Mempermudah Pengembangan Aplikasi Berbasis Web

Untuk mengembangkan aplikasi Web disediakan desainer form Web, dimana digunakan mekanisme “drag dan drop” untuk membangun Web. Sehingga kita dapat membuat aplikasi thincilent (kebanyakan proses bisnis dilakukan oleh server) yang secara cerdas dapat di-render pada browser apa saja, serta pada platform apa saja dengan cara mudah.

5. Mempermudah Migrasi dari VB6 ke VB.NET

Interoperability COM menyediakan komunikasi dua arah antara aplikasi VB6 dengan VB.NET. Wizard upgrade pada VB.NET 2003 memungkinkan pengembang dapat melakukan migrasi lebih dari 95% kode VB 6 menjadi kode VB.NET.

2.10.Power Designer 6

Process Analyst Model atau disingkat dengan PAM merupakan gambaran hasil analisis fungsional dari sebuah sistem informasi. Model ini menganalisis fungsi-fungsi yang ditunjukkan oleh berbagai proses yang terjadi didalam sistem. PAM merupakan komplemen dari Conceptual Data Model (CDM). PAM menunjukkan dinamika diantara elemen-elemen yang terdapat didalam system. Sedangkan CDM menggambarkan data statis yang berada pada setiap elemen-elemen tersebut. Process Analyst menunjukkan aliran data dari satu elemen ke elemen yang lain serta tranformasi data yang sedang terjadi.

Process Analyst Model didalam Power Designer versi 6.1 mendukung empat metode dalam penggambaran model analisis, yaitu :

1. The OMT functional model

OMT model merupakan metode yang paling banyak digunakan dan merupakan tool analisis untuk menggambarkan struktur data dalam bentuk Data Flow Diagram (DFD) yang paling powerful. OMT Model ini juga memiliki lebih banyak cara untuk merepresentasikan aliran data dibandingkan dengan metode lain.

2. Yourdon / DeMarco (data flow diagram)

Merupakan tool untuk menggambar Data Flow Diagram (DFD) dengan menggunakan symbol dari Yourdon / DeMarco.

3. Gane & Sarson (data flow diagram)

Merupakan tool untuk menggambar Data Flow Diagram (DFD) dengan menggunakan symbol dari Gane dan Sarson.

4. SSADM (data flow diagram)

Merupakan tool untuk menggambar Data Flow Diagram (DFD) dengan menggunakan symbol dari metode SSADM.

29

Dalam bab ini dijelaskan tentang perancangan perangkat lunak dari system, meliputi rancangan aturan untuk menentukan penyakit menggunakan

metode Naïve Bayes Classifier, perancangan proses, penjelasan mengenai

parameter, dengan desain alir system, dan struktur tabel serta design form aplikasi penyakit tropis.

3.1. Proses Naïve Bayes

Proses Naïve Bayes Classifier dalam system ini merupakan proses yang utama. Metode ini cukup baik untuk proses pengklasifikasian data untuk menghasilkan suatu keputusan sebagai hasil diagnosis dengan menggunakan data training sebagai data learning. Proses yang dilakukan oleh metode ini meliputi

proses penghitungan probabilitas dari setiap inputan data yang kemudian

dilanjutkan dengan membandingkan setiap hasilnya. Kemudian barulah dilakukan pengambilan kesimpulan atau keputusan untuk menentukan diagnosis pasien.

3.1.1. Algoritma Naïve Bayes Classifier

Algoritma Naïve Bayes Classifier digunakan untuk mengetahui

bagaimana proses dari metode ini berjalan sehingga menghasilkan keputusan pada Aplikasi Diagnosis Penyakit Tropis Yang Disebabkan Oleh Bakteri Ini.

Tahap-tahap dari pengambilan keputusan dengan Naïve Bayes adalah : 1. Memasukkan parameter atau input data yang akan diproses

2. Mencari nilai atribut hasil terakhit yang akan menjadi hasil diagnosis

kelompokkan sesuai dengan banyaknya yaitu Tubercolosis, Tipus, Kolera, dan Disentri Basiler.

3. Mencari nilai Probabilitas dari setiap atribut berdasarkan pengelompokan hasil akhir.

4. Melakukan pengelompokan (dalam hal ini melakaukan perkalian) pada

masing-masing probabilitas tiap-tiap atribut sesuai dengan jenis hasil

diagnosis.

5. Dari langkah no 5 kemudian mencari nilai probabilitas terbesar sehingga dihasilkan kesimpulan atau keputusan diagnosisnya.

3.1.2. Proses Penghitungan Probabilitas dan Penentuan Penyakit Tropis

Proses penghitungan dalam system ini menggunakan metode Naïve

Bayes Classifier yang meliputi beberapa tahap seperti pengklasifikasian hasil diagnosis, mencari probabilitas setiap atribut, serta mencari nilai terbesar untuk menghasilkan keputusan sebagai diagnosis.

Untuk menghitung probabilitas dan menghasilkan suatu keputusan dapat digunakan tabel data survey pada lampiran 1, lampiran 2, dan lampiran 3 :

Keterangan Parameter :

X1 = Batuk X12 = Nafsu Makan Menurun

X2 = Batuk Dahak X13 = Dada Sakit

X3 = Batuk Darah X14 = Lidah Kotor

X4 = Batuk < 2 bulan X15 = Nyeri di Ulu Hati

X5 = Sesak Nafas X16 = Diare

X6 = Demam < 37°C X17 = Nyeri Kepala

X7 = Berat Badan Turun X18 = Diare Encer dan Banyak

X8 = Pusing X19 = Diare Encer dan Sedikit

X9 = Mual. X20 = Tinja bercampur Darah / Lendir

X10 = Muntah X21 = Nyeri Perut Hebat

X11 = Malam Berkeringat Dingin X22 = Tinja Tidak Berbau Busuk

Contoh Proses Naïve Bayes untuk pengambilan suatu keputusan Diagnosa Penyakit Tropis yang disebabkan oleh bakteri :

Seorang pasien mempunyai keluhan sebagai berikut : 1. Demam Tinggi disertai sesak nafas.

2. Batuk ± 3 minggu disertai dengan dahak.

3. Mual, Muntah dan Merasa pusing.

4. Nafsu makan dan berat badan turun. 5. Nyeri di ulu hati

6. Sakit perut hebat

Proses klasifikasi dengan Naïve Bayes Clasifier dari data lampiran 1, lampiran 2 dan lampiran 3, sebagai berikut :

… (2.1)

.. ... (2.2)

Dari rumus (2.2) maka dapat dijabarkan dengan cara pada setiap kategori ditentukan nilai dari setiap gejala yang masuk dalam data survey survey berdasarkan data pembelajaran data survey yang sudah dibuat sebelumnya.

TBC = P(Vj). P(X1|C1). P(X2|C1). P(X3|C1). P(X4|C1). P(X5|C1). P(X6|C1).

P(X7|C1). P(X8|C1). P(X9|C1). P(X10|C1). P(X11|C1). P(X12|C1). P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1).P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1). P(X18|C1). P(X19|C1). P(X20|C1). P(X21|C1). P(X22|C1)

= 20/60 *20/20 * 20/20 *5/20 *7/20 *16/20 *10/20 *18/20 *11/20 *14/20 *12/20 *5/20 *12/20 *12/20 *20/20 *19/20 *1/20 *10/20 *9/20 *20/20 *20/20 *1/20 *20/20

= 2.0738025E-08

Tipus = P(Vj). P(X1|C1). P(X2|C1). P(X3|C1). P(X4|C1). P(X5|C1). P(X6|C1). P(X7|C1). P(X8|C1). P(X9|C1). P(X10|C1). P(X11|C1). P(X12|C1). P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1).P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1). P(X18|C1). P(X19|C1). P(X20|C1). P(X21|C1). P(X22|C1)

= 20/60 *12/20 * 5/20 *20/20 *4/20 *2/20 *20/20 *14/20 *15/20 *15/20 *14/20 *19/20 *12/20 *18/20 *8/20 *4/20 *10/20 *4/20 *18/20 *20/20 *20/20 *6/20 *20/20

= 1.4252679E-06

Kolera = P(Vj). P(X1|C1). P(X2|C1). P(X3|C1). P(X4|C1). P(X5|C1). P(X6|C1). P(X7|C1). P(X8|C1). P(X9|C1). P(X10|C1). P(X11|C1). P(X12|C1). P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1).P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1). P(X18|C1). P(X19|C1). P(X20|C1). P(X21|C1). P(X22|C1)

= 10/60 *3/10 * 1/10 *10/10 *0/10 *1/10 *5/10 *3/10 *4/10 *7/10 *9/10 *10/10 *6/10 *9/10 *10/10 *9/10 *10/10 *6/10 *1/10 *9/10 *4/10 *10/10 *1/10

= 0

Disentri Basiler = P(Vj). P(X1|C1). P(X2|C1). P(X3|C1). P(X4|C1). P(X5|C1). P(X6|C1). P(X7|C1). P(X8|C1). P(X9|C1). P(X10|C1). P(X11|C1). P(X12|C1). P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1).P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1). P(X18|C1). P(X19|C1). P(X20|C1). P(X21|C1). P(X22|C1)

= 10/60 *2/10 * 2/10 *10/10 *0/10 *1/10 *4/10 *3/10 *3/10 *9/10 *7/10 *10/10 *6/10 *9/10 *10/10 *8/10 *10/10 *6/10 *9/10 *1/10 *0/10 *10/10 *9/10

Sehingga ditemukan penyakit yang di derita pasien adalah penyakit yang memiliki nilai terbesar yaitu Penyakit Thipus, dengan nilai perhitungan 1.4252679E-06.

3.2. Perancangan Sistem

Desain sistem awal yaitu dengan melihat system flow yang dibuat, maka bisa digambarkan lebih detail lagi untuk proses pada masing-masing level dengan

membuat DFD (Data Flow Diagram). Data flow Diagram menggambarkan aliran

data yang bergerak dari dan ke dalam proses. Untuk membuat DFD penulis menggunakan tools yaitu Power Designer 6 Process Analyst untuk mempermudah pembuatan perancangan.

3.2.1. Sistem Flow

Bagan (chart) yang menunjukkan alir (flow) di dalam program atau

prosedur system secara logika. Digunakan untuk alat bantu komunikasi dan untuk dokumentasi. Flowchart juga merupakan :

1. Bagan yang menunjukkan arus pekerjaan secara keseluruhan dari sistem. 2. Menjelaskan urutan-urutan dari prosedur-prosedur yang ada di dalam system

dan menunjukkan apa yang dikerjakan di system.

Tujuan utamanya penggunaan flowchart adalah untuk menggambarkan

suatu tahapan penyelesaian secara sederhana, terurai, rapi, dan jelas dengan menggunakan symbol-simbol standar. Tahap penyelesaian masalah yang

disajikan harus jelas, sederhana, efektif, dan tepat. Berikutnya ini adalah alur

flowchart pada proses pengisian data pada Petugas.

1. Petugas

Start

Memenuhi

tidak memenuhi Login

Maintenance Data

Paramedis Pasien Data

Learning

Penyakit

Tropis Premis

Memenuhi

End Ya

Tidak

  Gambar 3.1. Flowchart Kegiatan Petugas

User Petugas mempunyai tugas untuk maintenance data pada aplikasi diagnosa penyakit tropis dikarenakan oleh bakteri ini, diantaranya : data paramedis, data pasien, data penyakit tropis, data premis (gejala), dan data learning atau data training. Proses user petugas dimulai dengan memulai login,

apabila login user petugas memenuhi maka petugas akan maintenance data

2. Paramedis

  Gambar 3.2. Flowchart Kegiatan Paramedis

Disini paramedis bertugas untuk memproses penyakit tropis yang diderita oleh pasien dengan cara menginput data gejala yang diderita oleh

pasien dan hasil tes laboratorium jika ada. Dari gejala dan hasil tes laboratorium kemudian akan diklasifikasi secara otomatis untuk menemukan penyakit tropis yang dikarenakan bakteri apa yang diderita oleh si pasien.

3. Sistem Klasifikasi Naïve Bayes

Sistem flow yang dijabarkan dibawah ini alur perhitungan system dibuat berdasarkan metode yang ada yaitu metode naïve bayes, untuk lebih jelasnya alur system flownya adalah sebagai berikut :

  Gambar 3.3. Flowchart Proses Klasifikasi

Dimulai dari menentukan jumlah PVj yang didapat dari banyak data training suatu penyakit tropis (Vj) dibagi dengan jumlah total data semua penyakit tropis. Kemudian menentukan probabilitas setiap gejala penyakit, bila

tidak memenuhi maka penghitungan probabilitas akan dimulai dari awal

penghitungan probabilitas gejala apabila memenuhi maka akan dihitung besar

probabilitas penyakit tropis, apabila semua data sudah dihitung maka akan diambil probabilitas penyakit tropis yang memiliki nilai probabilitas paling besar. Penyakit yang memiliki nilai probabilitas tertinggi itulah yang menjadi diagnosa penyakit tropis yang disebabkan oleh bakteri.

3.2.2. DFD (Data Flow Diagram)

Data Flow Diagram adalah berisi sekumpulan alur atau rangkaian kerja dari suatu proses yang ada. Data Flow Diagram sangat dibutuhkan untuk menjelaskan kinerja system yang dibuat.

3.2.2.1. Context Diagram

laporan statistik dan hystori pasien info gejala pasien

diagnosa

data test

info hasil diagnosa pasien gejala

info obat dan pencegahan hasil diagnosa

laporan statistik dan histori pasien data petugas

data training data pasien

data paramedis data gejala

data penyakit tropis

0

SISTEM PENDUKUNG KEPUTUSAN DIAGNOSA PENYAKIT TROPIS YANG DISEBABKAN OLEH BAKTERI

+

Petugas

Paramedis Pasien

Gambar 3.4 Context Diagram

Sistem pendukung keputusan diagnosa penyakit tropis memiliki 3 entitas yaitu petugas, paramedis, dan pasien. Aplikasi dimulai oleh entitas petugas yang menginput beberapa data, diantaranya : data paramedis/ dokter, data penyakit tropis yang disebabkan oleh bakteri, data gejala penyakit, data petugas, dan data training sebagai data pembelajaran. Paramedis melakukan diagnosa berdasarkan gejala yang diderita pasien dan mendapatkan hasil diagnosa, disamping itu paramedis juga mendapat info gejala penyakit, info statistik tahunan. Entitas pasien mendapatkan info hasil diagnosa dan info pengobatan.

3.2.2.2. DFD Level 0

dt petugas

ambil PWKJ ambil PVJ

data historis pasien data Diagnosa

ubah PVJ ubah PWKJ

dt penyakit tropis dt gejala

dt paramedis dt pasien

info obat dan pencegahan

hasil diagnosa gejala

info gejala pasien

info hasil diagnosa pasien

laporan statistik dan hystori pasien

oran statistik dan histori pasien

diagnosa

data test data training

data petugas data penyakit tropis

data gejala data paramedis data pasien Petugas Pasien Paramedis 1 maintenance data + 2 training data + 3 Klasifikasi + 4 Pengolahan Data + 1 Pasien 2 Paramedis 3 Gejala

4 Penyakit Tropis

5 hystori pasien 6 Petugas

  Gambar 3.5. DFD Level 0

Pada DFD level 0 proses terbagi menjadi 4 proses yaitu maintenance data, training data, klasifikasi, dan pengolahan data. User petugas melakukan proses maintenance data dan data training, paramedis melakukan proses klasifikasi dan User pasien mendapatkan info hasil diagnosa. Pada level ini juga terdapat 6 data store yaitu : paramedis, pasien, premis, penyakit tropis, petugas dan histories pasien. Data store digunakan untuk penyimpanan data.

3.2.2.3. DFD Level 1 Maintenance Data

[data gejala] [dt gejala] [dt paramedis] [data paramedis] [data petugas] [dt petugas] [dt pasien] [data pasien]

[data penyakit tropis] [dt penyakit tropis] Petugas

1 Pasien

2 Paramedis

3 Gejala 4 Penyakit Tropis

6 Petugas 1.2 update data pasien 1.3 update data penyakit tropis 1.4 update data paramedis 1.1 update data petugas 1.5 update data gejala   Gambar 3.6. DFD Level 1 Maintenance Data

DFD level 1 maintenance data terdiri dari 5 proses yaitu update data petugas, update data pasien, update data penyakit tropis, update data paramedis dan update data gejala. Terdapat 5 store untuk menyimpan masing-masing proses update data. Pada level ini diketahui bahwa tugas dari user petugas adalah maintenance data pada aplikasi diagnosa penyakit tropis ini.

3.2.2.4. DFD Level 1 Data Training

[data training]

[ubah PWKJ] [ubah PVJ] Petugas

3 Gejala 4 Penyakit Tropis 2.1

update PVJ dan PWKJ penyakit tropis

  Gambar 3.7. DFD Level 1 Proses Data Training

DFD Level 1 data training terdiri dari 2 data store yaitu store premis dan store penyakit tropis. Pada proses data training user petugas melakukan penambahan data training dan akan merubah nilai PWKJ data premis dan PVJ data penyakit tropis. PWKJ dan PVJ merupakan data yang akan digunakan untuk mencari probabilitas penyakit tropis.

3.2.2.5. DFD Level 1 Proses Klasifikasi

[data test]

[ambil pvj tropis]

[dt diagnosa] [pwkj gejala]

[Diagnosa]

[info hasil diagnosa pasien]

probabilitas gejala probabilitas penyakit tropis

[hasil diagnosis] [gejala] Pasien PARAMEDIS 3.1 Klasifikasi dengan Naive Bayes Clasifier 3.2 Ambil nilai P(Vj) 3.3 ambil nilai PWKJ 3 gejala 4 penyakit tropis

6 hystori pasien

Gambar 3.8. DFD Level 1 Proses Klasifikasi

DFD level 1 proses klasifikasi terdiri dari 3 proses, yaitu proses

pengambilan nilai PVj, proses pengambilan nilai P(Xi│Vj), dan proses

klasifikasi itu sendiri. Pada level ini terdapat 2 entitas yaitu paramedis dan pasien. DFD level 1 proses klasifikasi dimulai dari proses pengambilan data probabilitas dari premis (PWKj) dan probabilitas dari penyakit tropis (PVj),

kemudian paramedis melakukan diagnosa penyakit dengan data yang

penyakit tropis data store dan P(WKj) dari premis data store. Kemudian hasil dari proses klasifikasi akan disimpan pada data store histories pasien.

3.2.2.6. DFD Level 1 Pengolahan Data

[laporan statistik dan hystori pasien]

[data historis pasien] [laporan statistik dan hystori pasien]

[info gejala pasien] Paramedis

4.1

Data Hasil dan Grafik

6 hystori pasien Petugas

  Gambar 3.9. DFD Level 1 Pengolahan Data

Pada DFD level 1 Pengolahan data, terdapat 2 entitas yaitu petugas, dan paramedis. Petugas dan paramedis sama-sama mendapat info laporan statistik dan hystori pasien yang diambil dari store.

3.2.3. ERD (Entity Relationship Diagram)

Entity Relationship adalah berisi kumpulan table, dimana setiap tabel mempunyai nama dan strukutur yang unik. Dalam setiap tabel, masing-masing record data diorganisasikan dalam struktur yang sama dan memiliki field kunci yang akan menjadi penghubung antara tabel yang ada dan terkait satu sama yang lain.

3.2.3.1. Conceptual Data Model (CDM) Daftar RM Spesialisasi Memiliki ada melakukan periksa PENYAKIT_TROPIS id_penyakit nama_penyakit bakteri_penyakit pencegahan_penyakit obat_penyakit pvj <pi> VA15 VA30 VA30 VA100 VA60 F <M> id_penyakit <pi> PASIEN id_pasien tgl_registrasi_pasien nama_pasien tempat_lahir_pasien tgl_lahir_pasien jenis_kelamin_pasien umur_pasien jenis_pasien NIP_pasien keluarga_pasien status_pasien alamat_pasien kota_pasien phone_pasien <pi> VA15 DT VA25 VA20 DT VA10 VA3 VA15 VA20 VA50 VA12 VA50 VA20 VA12 <M> id_pasien <pi> PARAMEDIS id_dokter nama_dokter tgl_lahir_dokter umur_dokter jenis_kelamin_dokter alamat_dokter phone_dokter username_dokter password_dokter <pi> VA15 VA25 DT VA3 VA10 VA50 VA12 VA10 VA8 <M> id_dokter <pi> PREMIS gejala_premis hasil_premis pwkj_premis VA30 VA10 F ADMIN id_admin nama_admin tgl_lahir_admin umur_admin alamat_admin phone_admin username_admin password_admin <pi> VA15 VA25 DT VA3 VA50 VA12 VA10 VA8 <M> id_admin <pi> HYSTORI_PASIEN id_his tgl_kunjung_his <pi> VA15 DT <M> id_his <pi> PENYAKIT id_penyakit nama_penyakit <pi> VA15 VA30 <M> id_penyakit <pi>

Gambar 3.10. CDM (Conceptual Data Model)

Pada aplikasi sistem pendukung keputusan terdapat 6 entitas untuk penyimpanan data, yaitu : Pasien, Penyakit Tropis, Penyakit, Historis pasien, Amin, Paramedis, dan Premis.

3.2.3.2. Physical Data Model (PDM) FK_PASIEN_DAFTAR_RM_ADMIN FK_PARAMEDI_SPESIALIS_PENYAKIT FK_PREMIS_MEMILIKI_PENYAKIT FK_HYSTORI__ADA_PENYAKIT FK_PENYAKIT_ADA2_HYSTORI_ _{FK_HYSTORI__MELAKUKAN_PASIEN} FK_HYSTORI__PERIKSA_PARAMEDI PENYAKIT_TROPIS id_penyakit id_his nama_penyakit bakteri_penyakit pencegahan_penyakit obat_penyakit pvj varchar(15) varchar(15) varchar(30) varchar(30) varchar(100) varchar(60) float <pk> <fk> PASIEN id_pasien id_admin tgl_registrasi_pasien nama_pasien tempat_lahir_pasien tgl_lahir_pasien jenis_kelamin_pasien umur_pasien jenis_pasien NIP_pasien keluarga_pasien status_pasien alamat_pasien kota_pasien phone_pasien varchar(15) varchar(15) datetime varchar(25) varchar(20) datetime varchar(10) varchar(3) varchar(15) varchar(20) varchar(50) varchar(12) varchar(50) varchar(20) varchar(12) <pk> <fk> PARAMEDIS id_dokter id_penyakit nama_dokter tgl_lahir_dokter umur_dokter jenis_kelamin_dokter alamat_dokter phone_dokter username_dokter password_dokter varchar(15) varchar(15) varchar(25) datetime varchar(3) varchar(10) varchar(50) varchar(12) varchar(10) varchar(8) <pk> <fk> PREMIS id_penyakit gejala_premis hasil_premis pwkj_premis varchar(15) varchar(30) varchar(10) float <fk> ADMIN id_admin nama_admin tgl_lahir_admin umur_admin alamat_admin phone_admin username_admin password_admin varchar(15) varchar(25) datetime varchar(3) varchar(50) varchar(12) varchar(10) varchar(8) <pk> HYSTORI_PASIEN id_his id_dokter id_penyakit id_pasien tgl_kunjung_his varchar(15) varchar(15) varchar(15) varchar(15) datetime <pk> <fk3> <fk1> <fk2> PENYAKIT id_penyakit nama_penyakit varchar(15) varchar(30) <pk>

Gambar 3.11. PDM (Physical Data Model)

Pada table Phisical Data Model (PDM) diatas diketahui atribut-atribut pada setiap entitas yang digunakan sebagai penyimpanan data. Entitas hystori_pasien mempunyai 3 foregin key yaitu foreign key dari tabel pasien

penyakit tropis sebagai hasil diagnosa penyakit apa yang diderita pasien. Pada tabel paramedis terdapat 1 foreign key yaitu penyakit tropis digunakan sebagai

spesialisasi dokter pada salah satu penyakit tropis. Pada tabel pasien terdapat 1

foreign key yaitu admin digunakan sebagai operator yang menangani data pasien baru.

3.3. Perancangan Tabel.

Dari model dataphisik dapat dilihat table-tabel apa saja yang nantinya akan diguanakan oleh sistem untuk menyimpan data. Table-tabel itu antara lain :

1. Tabel Admin

Tabel admin adalah tabel untuk menyimpan data admin sebagai user. Field admin bisa dilihat pada tabel 3.1 dibawah ini :

Tabel 3.1. Tabel Admin

No. Nama Fields Type Panjang Not Null Keterangan

1 Id_admin varchar 15 √ Primary Key

2 Nama_admin varchar 25 √

3 Tgl_lahir_admin datetime - √

4 Umur_admin varchar 3 √

5 Alamat_admin varchar 50 √

6 Phone_admin varchar 12 null

7 Username_admin varchar 10 √

8 Password_admin varchar 8 √

2. Tabel Paramedis

Tabel paramedis adalah tabel untukmenyimpan data-data yang dimiliki oleh paramedis yang akan digunakan untuk melakukan diagnosa penyakit tropis. Field paramedis bisa dilihat pada tabel 3.2 dibawah ini :

Tabel 3.2. Tabel Paramedis

No. Nama Fields Type Panjang Not Null Keterangan

1 Id_dokter varchar 15 √ Primary Key

2 Id_penyakit varchar 15 √ Foreign Key

3 Nama_dokter varchar 25 √

4 Tgl_Lahir_dokter datetime - √

5 Umur_dokter varchar 3 √

6 Jenis_kelamin_dokter varchar 10 √

7 Alamat_dokter varchar 50 √

8 Phone_dokter varchar 12 √

9 Username_dokter varchar 10 √

10 Password_dokter varchar 8 √

3. Tabel Penyakit Tropis

Tabel penyakit tropis digunakan untuk menimpan data-data penyakit tropis dan dengan hasil pvj dari suatu penyakit tropis. Field penyakit tropis bisa dilihat pada tabel 3.3 dibawah ini :

Tabel 3.3. Tabel Penyakit Tropis

No. Nama Fields Type Panjang Not Null Keterangan

1 Id_penyakit varchar 15 √ Primary Key

2 Nama_penyakit varchar 30 √

3 Bakteri_penyakit varchar 30 √

4 Solusi_penyakit varchar 60 √

5 Obat_penyakit varchar 50 √

6 PVJ float √

4. Tabel Pasien

Tabel pasien adalah tabel untuk menyimpan data-data pribadi dari pasien ke dalam database. Field pasien bisa dilihat pada tabel 3.4 dibawah ini :

Tabel 3.4. Tabel Pasien

No. Nama Fields Type Panjang Not Null Keterangan

1 Id_pasien varchar 15 √ Primary Key

2 Id_admin varchar 15 √ Foreign Key

3 Tgl_Registrasi_pasien datetime - √

4 Nama_pasien varchar 25 √

5 Tempat_Lahir_pasien varchar 20 √

6 Tgl_Lahir_pasien datetime √

7 Jenis_Kelamin_pasien varchar 10 √

8 Umur_pasien varchar 3 √

9 Jenis_pasien varchar 15 √

10 NIP_pasien varchar 20

11 Keluarga_pasien varchar 50

12 Status_pasien varchar 12 √

13 Alamat_pasien varchar 50 √

14 Kota_pasien varchar 20 √

15 Phone_pasien varchar 12

5. Tabel Premis

Tabel premis digunakan untuk menyimpan data premis, tabel ini juga digunakan sebagai penyimpanan data training. Setiap id_penyakit mempunyai gejala yang sama dengan dengan id_penyakit lain, sedangkan atribut PWKJ adalah banyak data hasil_premis yang masuk. Field Premis bisa dilihat pada tabel 3.5 dibawah ini :

Tabel 3.5. Tabel Premis

No. Nama Fields Type Panjang Not Null Keterangan

1 Id_penyakit Varchar 15 √ Foreign Key

2 Gejala_premis Varchar 30 √

3 Hasil_premis Varchar 10 √

6. Tabel Penyakit

Tabel penyakit digunakan untuk menyimpan semua nama penyakit tropis yang disebabkan oleh bakteri. Foreign key id_penyakit, dan nama_penyakit. Field Penyakit bisa dilihat pada tabel 3.6 dibawah ini :

Tabel 3.6. Tabel Penyakit

No. Nama Fields Type Panjang Not Null Keterangan

1 Id_penyakit varchar 15 √ Primary Key

2 Nama_penyakit varchar 30 √

7. Tabel Hystori Pasien

Tabel hystori pasien digunakan untuk menyimpan data kunjungan pasien. Foreign key id_dokter digunakan sebagai id_dokter yang memeriksa, id_penyakit digunakan sebagai penyakit pasien terdiagnosa, id_pasien digunakan untuk pasien yang melakukan diagnosa. Field hystori pasien bisa dilihat pada tabel 3.7 dibawah ini :

Tabel 3.7. Tabel Hystori Pasien

No. Nama Fields Type Panjang Not Null Keterangan

1 Id_his varchar 15 √ Primary Key

2 Id_Dokter varchar 15 √ Foreign Key

3 Id_penyakit varchar 15 √ Foreign Key

4 Id_Pasien varchar 15 √ Foreign Key

5 Tgl_kunjung datetime √

3.4. Desain Input / Output

Pada tahap ini dilakukan perancangan input/output untuk berinteraksi antara user dengan sistem pendukung keputusan diagnosa penyakit tropis yang disebabkan oleh bakteri ini. Desain antarmuka inii dibuat dengan menggunakan perangkat lunak Microsoft Visio 2003 terdiri dari desain antarmuka, halaman

database (meliputi insert, update, dan delete), form diagnosa penyakit tropis,

form data training, form login dan form user setting.

A. Form Login

Terdapat 2 pilihan user untuk masuk kedalam aplikasi ini. Jika memilih dokter maka Terdapat 2 jenis user pada radiobutton, textbox username

dan password untuk login, user diminta login terlebih dahulu jika ingin

menggunakan aplikasi ini. Jika memilih pasien maka akan langsung menuju

form utama, pengisian username dan password ditiadakan. Form login

ditampilkan pada gambar 3.12 dan gambar 3.13 dibawah ini.

  Gambar 3.12. Design form Login dengan pemilihan user

  Gambar 3.13. Design form Login pada button paramedis dan admin

B. Form Utama

Adalah tampilan awal saat aplikasi pertama kali dijalankan. Menu– menu dari aplikasi ini akan muncul secara keseluruhan, bila user sudah login sesuai dengan perannya (dokter, admin, pasien) dengan memasukkan username dan password yang sesuai dengan peran user. Content dari form menu Utama apabila masuk sebagai user admin adalah file, pembelajaran, data training, statistic, view, about, dan log out. Apabila masuk sebagai user dokter content yang disediakan adalah Diagnosa, statistik, view, about, dan log out. Apabila masuk sebagai pasien maka login tidak akan terjadi, dan file yang disediakan adalah pembelajaran, statistik. Pada user admin menufile terdapat beberapa subitem diantaranya penambahan data dan ubah data. Form utama seperti yang ditampilkan pada gambar 3.14 dibawah ini.

 

C. Form Data Admin

Form ini digunakan untuk pengisian data admin baru, form data admin hanya dapat diakses oleh user admin. Form data admin hanya digunakan

pengisian data admin baru ke dalam database. Form data admin seperti yang

ditampilkan pada gambar 3.15 dibawah ini.

  Gambar 3.15. Design form Pendaftaran Admin

D. Form Data Paramedis/ Dokter

Form ini digunakan untuk pengisian data paramedis/ dokter baru, form

data paramedis hanya dapat diakses oleh user admin dan hanya digunakan pengisian data paramedis baru ke dalam database. Form data paramedis seperti yang ditampilkan pada gambar 3.16 dibawah ini.

  Gambar 3.16. Design form Pendaftaran Paramedis

E. Form Penyakit Tropis

form ini digunakan untuk pengisian data penyakit tropis yang disebabkan oleh bakteri yang baru, form penyakit tropis hanya dapat diakses oleh user admin dan hanya digunakan sebagai pengisian data penyakit tropis baru ke dalam database. Ketika form ini dijalankan dan data gejala prnyakit tropis sudah ada pada database maka penyakit tropis baru akan secara otomatis mengambil data gejala sebagai gejala penyakit tropis yang baru. Pada form ini juga bisa dipakai untuk penambahan data premis akan tetapi user harus mengisi data penyakit tropis dahulu. Form data penyakit tropis seperti yang ditampilkan pada gambar 3.17 dibawah ini.

Gambar 3.17. Designform Penyakit Tropis disebabkan oleh bakteri baru.

F. Form Premis

Form ini digunakan untuk pengisian data gejala yang baru, pada setiap gejala yang baru mempunyai hasil pemeriksaan ya atau tidak masing-masing dengan nilai 1. Gejala penyakit baru akan menempel pada setiap penyakit tropis oleh bakteri yang sudah ada. Ketika data gejala yang baru diinputkan dengan nama gejala yang sudah ada maka akan mengalami error dan proses simpan tidak dapat dilanjutkan. Form premis hanya dapat diakses oleh user admin dan hanya digunakan untuk pengisian data gejala yang baru. Form premis seperti yang ditampilkan pada gambar 3.18 dibawah ini.

Gambar 3.18. Design form menambah Gejala Baru

G. Form Data Training

Form ini digunakan untuk penambahan data training. Data training

digunakan sebagai data pembelajaran terhadap untuk menarik suatu kesimpulan diagnosa penyakit tropis. Data gejala akan muncul secara acak dengan hasil pemeriksaan ya atau tidak. Proses data training dimulai dari memilih data

penyakit yang sudah tersedia di dalam combobox, kemudian memilih hasil

pemeriksaan pada datagridview comboboxcolumn. Proses ini akan menambah

bobot nilai pvj pada penyakit tropis oleh bakteri yang sudah dipilih. Form data training hanya dapat diakses oleh user admin dan hanya digunakan untuk

penambahan data training yang baru. Form data Training seperti yang

  Gambar 3.19. Design Form Input data Training

 

H. Form Pasien Baru

Form ini digunakan untuk mendaftar pasien baru yang masuk

database. Ketika golongan pasien dipilih maka auto registrasi pasien akan

muncul berdasarkan golongan pasien, pada textbox umur akan auto value dari tanggal sekarang dikurangi tanggal lahir yang diinputkan pada datetimepicker

tanggal lahir. Textbox keluarga dari dan NIP akan enabled dan disabled oleh golongan pasien sesuai dengan kebutuhan. Design form Pendaftaran pasien baru seperti yang ditampilkan pada gambar 3.20 dibawah ini.

  Gambar 3.20. Design form Pendaftaran pasien baru

I. Form Maintenance Perubahan Data

Form ini digunakan untuk merubah data admin, paramedis, dan penyakit tropis. Perubahan data dimulai dengan memilih radiobuttuon untuk

mempercepat pencarian data, kemudian mengisi textbox kata kunci pencarian

secara manual. Setelah itu maka data akan muncul pada datagridview.

Untuk proses perubahan data dilakukan dengan memilih currentrow

(baris yang diinginkan) pada datagridview tersebut dan data secara otomatis akan mengisi pada textbox yang diset visible saat form ini dijalankan. Form Perubahan data seperti yang ditampilkan pada gambar 3.21 dan pada gambar 3.22 dibawah ini :

  Gambar 3.21. Design form Perubahan Data, Cari Data

Gambar 3.22. Design form Perubahan Data, Ubah Data

J. Form Diagnosa

Form diagnosa digunakan untuk memasukkan data gejala pasien oleh paramedis sehingga ditemukan suatu keputusan penyakit tropis yang diderita oleh pasien tersebut. Gejala ditampilkan pada datagridview dengan pemilihan

hasil pemeriksaan ya atau tidak pada kolom datagridview combobox. Form diagnosa seperti yang ditampilkan pada gambar 3.23 dibawah ini :

Gambar 3.23. Design form Diagnosa  

K. Form Statistik

Form statistik digunakan untuk melihat pengolahan data diagnosa pasien perbulan dalam tiap tahun. Form statistik seperti yang ditampilkan pada gambar 3.24 dibawah ini :

0 20 40 60 80 100

1st Qtr

2nd Qtr

3rd Qtr

4th Qtr

East West North

  Gambar 3.24. Design form Statistik

L. Form Pembelajaran

Form pembelajaran digunakan untuk mengetahui sejarah penyakit, bakteri penyebab penyakit, gejala-gejala penyakit, solusi pencegahan, solusi pengobatan, dan obat-obatan yang diperlukan. Form pembelajaran seperti yang ditampilkan pada gambar 3.25 dibawah ini :

  Gambar 3.25. Design form Teori Penyakit Tropis Karena Bakteri

M. Form Perubahan Account Data

Form ubah account digunakan untuk merubah account data user admin

dan paramedis. Textbox id diset disabled, nama diset untuk mencari id dan

username. Sedangkan untuk password lama dan baru diset secara manual oleh

user account. Form Perubahan Account Data seperti yang ditampilkan pada

  Gambar 3.26. Design form Perubahan Data Account

N. Form Histori Pasien

Form histori Pasien digunakan untuk melihat transaksi kunjungan Diagnosa. Pada form ini akan diketahui nama pasien, nama dokter yang memeriksa, nama diagnosa penyakit, dan tanggal pasien melakukan Diagnosa. Form Histori Pasien seperti yang ditampilkan pada gambar 3.27 dibawah ini.

  Gambar 3.27. Design Form Histori Pasien

62

Pada bab ini akan diterangkan kebutuhan system, dan implementasi aplikasi Sistem Pendukung Keputusan Untuk Mendiagnosa Penyakit Tropis Yang Disebabkan Oleh Bakteri Menggunakan Metode Naïve Bayes Classifier.

4.1. Kebutuhan System

Dalam merancang dan membbagun system pendukung keputusan ini ada beberapa spesifikasi perangkat lunak dan perangkat keras yang dibutuhkan adalah sebagai berikut :

4.1.1. Kebutuhan perangkat keras

Untuk dapat memanfaatkan system pendukung keputusan diagnosa penyakit tropis yang disebabkan oleh bakteri ini dengan optimal, maka dibutuhkan perangkat keras yang sesuai sehingga system dapat berjalan dengan baik, tepat, dan akurat. Adapun perangkat keras yang dibutuhkan untuk menjalankan aplikasi ini adalah :

1. Processor intel Pentium 4 atau lebih 2. Memory 1 Gb atau lebih.

3. VGA Card minimal 64 Mb. 4. Harddisk 5 Gb atau lebih.

4.1.2. Kebutuhan Perangkat lunak

Perangkat lunak yang dibutuhkan untuk menjalankan Sistem Pendukung Keputusan Diagnosa Penyakit Tropis yang Disebabkan oleh Bakteri ini, adalah :

1. Sistem operasi (Operating System) menggunakan Microsoft Windows XP

Professional.

2. Database untuk pengolahan data menggunakan MySql 5.0, beserta Conectornya untuk koneksi antara Visual Basic .Net 2005 dan Mysql

3. .Net Framework versi 2.0 diperlukan karena system ini dibuat dengan

menggunakan Visual Basic .Net

4.2. Implementasi Program Dan Tampilan Antar Muka

Berikut ini merupakan tampilan form yang digunakan pada system pendukung keputusan untuk mendiagnosa penyakit tropis yang disebabkan oleh bakteri menggunakan metode Naïve Bayes Classifier beserta dengan penjelasan serta detail fungsi dan proses pada masing-masing tampilan form tersebut.

4.2.1. Form Login

Form login digunakan untuk memverifikasi apakah user berhak menggunakan aplikasi ini dan menggunakan fasilitas yang ada di dalam system.

User yang ditawarkan ada 3 yaitu Pasien, Admin, dan Paramedis, admin dan paramedis tergabung pada button Dokter. Form login digambarkan seperti pada

86

Gambar 5.15. Uji Coba Halaman Diagnosa, Diagnosa Penyakit Tropis

Pada halaman Uji coba di bawah ini hasil diagnosa penyakit disimpan pada Hystori Pasien dengan id pasien, id dokter, dan tgl kunjungan. Uji coba halaman Simpan data hystori pada halaman Diagnosa bisa dilihat pada gambar 5.16 dibawah ini :

87

Untuk menghitung keakuratan data digunakan data ujicoba yang sudah tersedia pada lampiran 5 dan lampiran 6.

Keterangan Tabel pada Lampiran 5 dan Lampiran 6 : PT1 : Thipus/ Demam Thipoid

PT2 : Tubercolosis (TBC Paru) PT3 : Kolera

PT4 : Disentri Basiler

Dari data-data pada tabel Lampiran 5 dan Lampiran 6, akan digunakan untuk mengetahui nilai akurasi sistem pendukung keputusan ini. Untuk menghitung nilai akurasi sistem adalah sebagai berikut :

Nilai Akurasi = Banyak Data Bernilai Benar x 100%

Banyak Data

= 31/40 x 100% Nilai Akurasi = 77.5 %

Jadi nilai keakuratan Sistem Pendukung Keputusan Diagnosa Penyakit Tropis yang disebabkan oleh Bakteri berdasarkan hasil tabel uji 5.1 dan 5.2 adalah 77.5%.

5.3.2.2. Uji Coba Hystori Pasien

Pada halaman Uji coba Hystori Pasien diguanakan untuk melihat histories diagnosa pasien pada waktu tertentu. Uji Coba Halaman Hystori Pasien bisa dilihat pada gambar 5.17 dibawah ini :

88

Gambar 5.17. Uji Coba Halaman Hystori Pasien

5.3.2.3. Statistik

Pada halaman Uji coba Statistik diguanakan untuk melihat jumlah histories yang tersedia dalam bentuk batang. Uji Coba Halaman Statistik bisa dilihat pada gambar 5.18 dibawah ini :

89 BAB VI KESIMPULAN

Pada bab ini berisi kesimpulan dan saran setelah proses uji coba Sistem Pendukung Keputusan Untuk Mendiagnosa Penyakit Tropis Yang Disebabkan Oleh Bakteri Menggunakan Metode Naive Bayes Classifier dilakukan.

6.1. Kesimpulan

Setelah dilakukan uji coba maka dapat diambil beberapa kesimpulan, yaitu :

1. Cara Kerja Sistem Pendukung Keputusan Untuk Mendiagnosa Penyakit Tropis Yang Disebabkan Oleh Bakteri Menggunakan Metode Naive Bayes Classifier adalah mengolah hasil input data riset berupa gejala penyakit sehingga sesuai dengan inputan yang sudah dilakukan oleh paramedis sehingga mencapai suatu hasil kesimpulan berupa nama penyakit tropis. Kesimpulan diperoleh atas dasar data pembelajaran yang sebelumnya sudah diinputkan sehingga tercapai suatu keputusan secara tepat dan akurat dalam menghasilkan suatu hasil keputusan berupa nama penyakit tropis yang disebabkan oleh bakteri.

2. Setelah dilakukan uji coba terhadap para ahli dihasilkan nilai akurasi sistem yang bernilai 77.5 % dari beberapa data yang diuji cobakan. Dengan nilai itu maka sistem pendukung keputusan ini bisa dilakukan sebagai alat untuk pengambilan keputusan penyakit tropis yang disebabkan oleh bakteri.

90

6.2. Saran

Dari beberapa pengamatan dan penelitian yang dilakukan penulis selama mengerjakan Tugas Akhir ini, maka penulis memberikan beberapa saran, yaitu : 1. Membuat dan mengembangkan interface yang lebih user friendly agar lebih

menarik dan user lebih mudah untuk mengaplikasikan atau menggunakan sistem pendukung keputusan ini.

2. Supaya lebih dikembangkan lagi dengan pengaplikasian berbasis web atau j2me dengan sms gateway.

101

DAFTAR PUSTAKA

Azis, Abdul, 2005, medicastore.com/info-penyakit/demam-thipoid/thipus.html pada 15 oktober 2010.

Anggraini, Dyta, 2008, “Klasifikasi Topik Menggunakan Metode Naïve Bayes dan Maximum Entropy Pada Artikel Media Massa dan Abstrak Tulisan”, Universitas Indonesia, Depok.

Arlini, Maya, 2000, mayaarlini.webblog/kelebihan dan kekurangan dalam sistem pengambilan keputusan pada 15 oktober 2010

Basuki, Ahmad, 2006. “Metode Bayes”, Pens-ITS, Surabaya.

Domingos, P., and Pazzani, M., 1997, On the optimality of the Simple Bayesian Classifier under Zero-One Loss.

Destuardi dan Sumpeno, Surya, 2009, “Klasifikasi Data Meaning Untuk Teks Bahasa Indonesia Menggunakan Metode Naïve Bayes”, Jurusan Teknik Elektro, Institut Sepuluh Nopember, Surabaya.

Farinanto, Aan, 2009, “Klasifikasi Spam Email Menggunakana Metode Naïve Bayes Classifier”, UPN “Veteran”, Surabaya.

Fuadi, Taufik, 2009, “Data Meaning And Information Retrieval”, Jurusan Matematika FMIPA Universitas Syiah Kuala.

Ghozali, Ahmad, 2005, medicastore.com/ info-penyakit/ definisi-disentri-basiler/ shigellosis.html pada 15 oktober 2010

Handoko, Hani, 2000, www.sehat4life/CIRI CIRI TBC DAN PENGOBATAN TBC « Distributor 4life Transfer Factor Indonesia.html pada 15 oktober 2010. Kelebihan dan Kekurangan Teori Bayesian dalam Sistem Pengambilan Keputusan « Mayaarlini’s Weblog.html.

Rahman, Muin, 1998, penyakit-tbc.html/artikel penyakit tbc untuk skripsi keperawatan kebidanan pada 15 oktober 2010.

Sudjana, 1996, Metoda Statistika, Edisi ke-6. Bandung, Tarsito.

Shiddiq, Ammar, 2009, “Keoptimalan Naïve Bayes Dalam Aplikasi”, Universitas Pendidikan Indonesia.

Tanjung, Abraham, 2005, medicatore.com/info-penyakit/tubercolosis-tbc.html pada 15 oktober 2010.

Tambunan, Sanusi, 2002, indoware.html/definisi sistem pendukung keputusan pada 15 oktober 2010