PENDEKATAN TEKNIK DATA MINING PADA PUSAT
PENDEKATAN TEKNIK DATA MINING PADA PUSAT DATA
KESEHATAN NASIONAL MENGGUNAKAN MAP VISUALISATION
DATA MINING TECHNIQUE APPROACH FOR DATA CENTER OF
NATIONAL HEALTH USING MAP VISUALISATION
M. Adnan Nur1, Adnan2, Armin Lawi2
1
STMIK Handayanai Makassar,
Bagian Teknik Informatika Fakultas Teknik, Universitas Hasanuddin
2
Alamat Korespondensi :
M. Adnan Nur
Jl. Alamat Rumah : Jl. Beruang No. 60 Makassar
HP : 082348530538
Email : adnan0488@yahoo.com
Abstrak
Keberadaan sistem Bank Data Kesehatan Nasional Kementrian Kesehatan RI telah memberikan kemudahan
bagi masyarakat dalam memperoleh informasi kesehatan yang mencakup hingga tingkat Kabupaten/Kota tetapi
informasi yang disajikan masih berupa informasi kuantitatif dimana seluruh data disajikan dalam tabulasi angka
dan belum disediakan penggalian informasi lebih dalam. Penelitian ini bertujuan untuk menerapkan dan
mengkombinasikan beberapa teknik data mining untuk menyajikan penggalian informasi kualitatif secara
dinamis dengan mengkategorikan sistem yang sedang berjalan sebagai sebuah data warehouse. Metode
penelitian yang dilakukan dalam penelitian ini meliputi studi lapang untuk mengidentifikasi permasalahan dan
kebutuhan informasi kesehatan , penelusuran literatur yang menyangkut pengembangan sistem, perancangan
dengan menggunakan Unified Modeling Language dan implementasi menggunakan bahasa pemprograman
PHP. Hasil penelitian berupa penerapan teknik data mining yang meliputi klasterisasi (clustering) menggunakan
algoritma k-means, klasifikasi (classification) menggunakan algoritma naive bayes dan pola asosiasi
(association rules) menggunakan algoritma FP-Growth yang bekerja secara dinamis untuk menjawab
kebutuhan pengetahuan informasi kesehatan yang lebih cepat dan mendalam secara kualitatif. Hasil dari olahan
data mining selanjutnya divisualisasi dalam sebuah Sistem Informasi Geografis (SIG) yang dalam penelitian ini
disebut sebagai Map Visulisation untuk memudahkan dalam memetakan informasi kesehatan berdasarkan
provinsi dan kabupaten/kota. Dari hasil penelitian tersebut dapat disimpulkan bahwa data yang diperoleh dari
website bank data kesehatan nasional mempunyai attribut atau indikator kuantitatif yang seragam sehingga
memudahkan dalam melakukan pengolahan data lebih lanjut.
Kata Kunci : bank data kesehatan, data warehouse, data mining, map visualization.
Abstrack
The existence of the National Health Data Bank system the Ministry of Health has made it easier for people to
obtain health information that includes up to district / city level but the information presented is a quantitative
information where all the data presented in the tabulation of numbers and not provided more information on
excavations. This study aims to apply and combine several data mining techniques to present dynamically
extracting qualitative information to categorize the current system as a data warehouse. Methods of research
conducted in this research include field studies to identify the problems and information needs of health,
literature searches related to systems development, design using Unified Modeling Language and
implementations using the programming language PHP. The results of the application of data mining
techniques, including clustering (clustering) using the k-means algorithm, classification (classification) using
Naive Bayes algorithm and association patterns (association rules) using FP-Growth algorithm that
dynamically works to address the needs of knowledge of health information more rapid and in-depth qualitative.
The results of the processed data mining subsequently visualized in a Geographic Information System (GIS)
which in this study is referred to as Map Visulisation to facilitate the mapping of health information by province
and district / city. From these results it can be concluded that the data obtained from national health data bank
website has attributes or quantitative indicators to facilitate the uniform conduct further data processing.
Keyword : national health data bank, data warehouse, data mining, map visualization.
PENDAHULUAN
Keberadaan teknologi sebagai media dalam pendistribusian informasi dalam bidang
kesehatan belakangan ini semakin dibutuhkan. Jumlah data kesehatan yang terus meningkat
dan kebutuhan penyajian informasi yang cepat dan akurat mendorong penerapan teknologi
diberbagai aspek bidang kesehatan. Di Indonesia, terbitnya UU Nomor 36 Tahun 2009 Pasal
169
yang menyatakan bahwa “Pemerintah memberikan kemudahan kepada masyarakat
untuk memperoleh akses terhadap informasi kesehatan dalam upaya meningkatkan derajat
kesehatan masyarakat” menjadi dasar dalam penerapan teknologi untuk penyajian informasi
kesehatan tersebut. Penerapan teknologi ini tentunya membutuhkan metode-metode baru
dalam pengolahan dan penyajian informasinya agar dapat dimanfaatkan oleh berbagai
kalangan seperti akademisi, pemerintahan dan masyarakat umum.
Saat ini, Departemen Kesehatan RI telah memiliki sebuah sistem yang disebut Bank Data
Kesehatan
Nasional
yang
dapat
diakses
melalui
websitenya
http://www.bankdata.depkes.go.id. Sistem menyediakan informasi kuantitatif berdasarkan
indikator kependudukan, pendidikan, penyakit, upaya kesehatan, kesehatan lingkungan,
tenaga kesehatan dan sarana kesehatan. Dimana setiap informasi tersebut dapat disajikan
menurut wilayah provinsi dan kabupaten/kota untuk setiap tahunnya. Dari segi ketersediaan
informasi yang ada, sistem tersebut masih dikategorikan
sebagai sebuah data warehouse
dan belum menyajikan fasilitas penggalian informasi tertentu untuk kebutuhan pengambilan
kebijakan sehingga membutuhkan pengolahan data lebih lanjut yang tentunya membutuhkan
waktu. (Architect Dkk, 2011). Sebelumnya, telah terdapat sebuah penelitian yang
menyangkut penggalian informasi data kesehatan. Penelitian tersebut menyajikan sebuah
survey tentang teknik dalam knowledge discovery in database (KDD). Namun, hasil
penelitian hanya fokus pada tahap analisis dan deskripsi penerapannya . Tahap perancangan
dan implementasi belum dilakukan pada penelitian tersebut. (Canlas, 2009).
Teknik data mining yang meliputi klasterisasi (clustering), klasifikasi (classification) dan
pola asosiasi antar data (association rules) dianggap perlu diterapkan secara fleksibel pada
Bank Data Kesehatan tersebut. Kedinamisan penggunaan teknik data mining memungkinkan
penyajian berbagai jenis kebutuhan informasi yang belum diprediksi sebelumnya dapat
dilakukan, misalnya:
a.
Pengelompokan tingkat penderita penyakit tertentu berdasarkan indikator jumlah
penderita penyakit untuk setiap wilayah provinsi maupun kota/kabupaten.
b.
Mencari keterkaitan antara indikator kesehatan lingkungan dan indikator sarana
kesehatan terhadap tingkat penderita penyakit tertentu pada suatu wilayah.
c.
Mencari keterkaitan antara indikator tenaga kesehatan dan indikator sarana kesehatan
terhadap data upaya kesehatan.
Dari segi visualisasi, pendekatan geografis lebih memudahkan dalam penyajian informasi
menurut penyebaran lokasi atau wilayah. Pemetaan informasi kesehatan berdasarkan
provinsi maupun kabupaten/kota secara mendalam dapat dilakukan dengan cepat melalui
penyajian peta/map yang interaktif. (Bill, 2005).
Dari beberapa permasalahan tersebut, penelitian ini bertujuan untuk mengimplementasikan
beberapa teknik data mining secara fleksibel berdasarkan Bank Data Kesehatan yang tersedia
dan selanjutnya hasil olahan divisualisasikan melalui peta (map) interaktif , grafik dan tabel
yang diharapkan mampu memenuhi kebutuhan informasi kesehatan bagi semua kalangan
dan sebagai pendukung keputusan yang akurat bagi penentu kebijakan.
BAHAN DAN METODE
Lokasi dan Rancangan Penelitian
Penelitian dilaksanakan selama bulan Februari 2013 sampai dengan bulan Juli 2013.
Penelitian ini dilakukan di Kampus Universitas Hasanudin dan Website Pusat Data Kesehatan
Departemen Kesehatan Nasional.
Penelitian ini diawali dari ketersediaan informasi kesehatan nasional yang saat ini
masih terbatas pada penyajian data kuantitaif berupa data kontinu. Ketersediaan informasi
meliputi nilai indikator kesehatan untuk provinsi dan kabupaten setiap tahunnya yang
disajikan melalui tabulasi dan grafik. Informasi kesehatan tersebut dapat diakses melalui
sebuah sistem yang disebut website pusat data kesehatan nasional.
Melihat keterbatasan penyajian informasi saat ini, maka penelitian ini mengusulkan
sebuah pengembangan sistem dalam hal pengolahan data kuntatif melalui pendekatan teknik
data mining. Pengolahan data ini meliputi metode klasterisasi (clustering), klasifikasi
(classification) dan pola asosiasi (asosiation rule). Ketersedian data kuantitatif sebagai data
masukan untuk setiap metode tersebut tentunya membutuhkan analisis terlebih dahulu karena
tidak semua metode menerima masukan dalam bentuk data kuantitatif atau kontinu. Untuk
kebutuhan data pada metode klasterisasi (clustering) menggunakan algoritma K-mean telah
sesuai dengan ketersediaan data yaitu berupa data kontinu. Oleh karena itu, tidak dibutuhkan
lagi preprocessing dan data tersebut dapat langsung digunakan sebagai masukan/input pada
sistem. Diagram analisis data untuk metode klasterisasi dapat dilihat pada gambar 1.
Untuk metode klasifikasi (classification), data masukan yang dibutuhkan berupa
sekumpulan record (training set) dimana setiap record meliputi himpunan attributes yang
salah satu attributnya merupakan kelas/class label. Attribute kelas/class label merupakan
data kategorikal sehingga data kuntitatif yang tersedia harus melalui preprocessing terlebih
dahulu. Transformasi data kontinu ke dalam bentuk kategorikal dilakukan dengan proses
klaterisasi/clustering menggunakan algoritma K-mean. Preprocessing ini diterapkan pada
data yang ingin dijadikan sebagai data kelas/class label. Selanjutnya, estimasi terhadap hasil
klasifikasi menggunakan fungsi densitas gauss karena data yang ingin diklasifikasikan
merupakan data kontinu. Diagram analisis data untuk metode klasifikasi dapat dilihat pada
gambar 2.
Metode pola asosiasi (association rules) dengan algoritma Fp-Growth memerlukan
data dengan attribut biner, sehingga diperlukan preprocessing untuk tranformasi data primer
yang berupa attribut kontinu ke bentuk attribut biner. Transformasi ini dapat dilakukan
dengan menerapkan clustering/klasterisasi dengan jumlah klaster dua. Dimana data dengan
centroid tertinggi akan bernilai 1 dan centroid terendah bernilai 0. Hasil klaster inilah yang
dijadikan masukan untuk algoritma Fp-Growth dalam penerapan metode pola asosiasi.
Diagram analisis data untuk metode pola dapat dilihat pada gambar 2.
Populasi dan Sampel
Populasi dalam penelitian ini adalah nilai indikator kesehatan untuk seluruh provinsi
dan kabupaten/kota setiap tahunnya. Sampel dilakukan terhadap nilai indikator kesehatan
pada tahun 2006 hingga 2008 untuk tingkat provinsi dan kabupaten/kota karena pada tahun
tersebut sebagian besar kelengkapan data telah terpenuhi.
Metode Pengumpulan Data
Dalam penelitian ini dilakukan Metode penelusuran literatur (library research) dan
studi lapangan (field research) terhadap sistem pusat data kesehatan nasional untuk
mengidentifikasi masalah dan untuk memperoleh attribut serta nilai indikator. Untuk
perancangan dan desain sistem digunakan pendekatan Unified Modeling Language yaitu
menggambarkan bagaiamana keterlibatan pengguna dengan sistem, interaksi antarmuka
sistem dan alur kerja sistem. Untuk pengujian dan evaluasi sistem digunakan beberapa
tahapan pengujian, yaitu pengujian fungsional sistem dan menghitung waktu eksekusi proses
sistem.
Analisis Data
Pada penelitian ini, analisis data dilakukan menggunakan metode Black Box dalam
pengujian data terhadap metode yang diterapkan serta menghitung waktu eksekusi proses
sistem untuk sisi server dan sisi client.
HASIL
Berdasarkan hasil analisis data sebelumnya, metode klasterisasi, klasifikasi dan pola
asosiasi yang diterapkan pada sistem yang dikembangkan dapat berjalan dengan baik. Untuk
sisi server, waktu eksekusi cukup cepat dibandingkan waktu eksekusi pada sisi client.
Akumulasi waktu eksekusi tersebut relatif bergantung pada instrumen penelitian yang
digunakan.
Metode Pendekatan
Penelitian dimulai dengan penelusuran literatur (library research) yang terkait dengan
pengembangan sistem dan studi lapangan (field research) terhadap sistem pusat data
kesehatan nasional yang tersedia untuk mengidentifikasi masalah dan bagaimana
pengembangan sistem yang dibutuhkan. Untuk tahap perancangan dan desain sistem
digunakan pendekatan Unified Modeling Language yaitu menggambarkan bagaiamana
keterlibatan pengguna dengan sistem, interaksi antarmuka sistem dan alur kerja sistem. Untuk
pengujian dan evaluasi sistem digunakan beberapa tahapan pengujian, yaitu pengujian
fungsional sistem dan menghitung waktu eksekusi proses sistem.
Tahapan Penelitian
Studi lapangan (field research) terlebih dahulu dilakukan untuk mengidentifikasi
masalah dan kubutuhan pengembangan sistem. Selanjutnya penelusuran literatur yang terkait
dengan pengembangan sistem yang ingin dilakukan. Perancangan sistem di implementasi
berdasarkan penerapan metode pada proses kerja sistem.
Adapun tahapan penelitian adalah sebagai berikut: Tahap Analisis Masalah dan Kebutuhan,
Tahap Penelusuran Literatur, Tahap Desain dan Perancangan Sistem, Tahap Implementasi
serta Tahap Pengujian dan Evaluasi Sistem
Perancangan Sistem
Sistem yang akan dikembangkan dalam penelitian ini berbasis web dan melibatkan
pengguna dan pengelola sistem. Pengguna sistem dalam hal ini adalah pengunjung website
dan pengelola sistem adalah Administrator website. Pengembangan sistem ini juga akan
melibatkan penggunaan database yang dalam perancangan sistem dianggap sebagai sebuah
sistem eksternal. Perancangan ini menggunakan pemodelan Unified Modeling Language
(UML) yang merupakan metode pemodelan berbasis objek. Perancangan diawali dengan
merancang use case Publik dan Use Case Administrator. Use Case Publik diperuntukkan
untuk pengunjung atau pengguna sedangkan Use Case Administrator untuk pengelola.
Perancangan
selanjutnya
dilakukan
melalui
desain
Class
diagram
yang
mendeskripsikan jenis-jenis objek dalam sistem dan berbagai hubungan statis diantara objek
tersebut. Diagram ini mendefinisikan kelas-kelas yang akan dibuat untuk membangun sistem.
Mengacu pada Use Case, pada tahap ini penelitian merancang dua jenis Class Diagram yaitu
Class Diagram Publik dan Class Diagram Administrator. Tahap berikutnya melakukan desian
untuk sequence diagram dan activity diagram yang mengambar secara detail bagaimana
interaksi antaramuka sistem yang dikembangkan.
PEMBAHASAN
Penelitian ini menunjukkan bahwa impementasi dari metode data mining yang
diterapkan pada sistem digunakan untuk menggali informasi berupa pengelompokan data
indikator kesehatan tertentu yang tersedia melalui klasterisasi, melakukan klasifikasi data
untuk memprediksi kategori dari suatu data baru dan mencari tingkat keterkaitan antar
indikator melalui pola asosiasi. Berikut penjelasan dari implementasi metode-metode data
mining tersebut.
Klasterisasi (Clustering) Data
Klasterisasi (Clustering) Data bertujuan untuk memisahkan nilai-nilai dari indikator
kesehatan ke dalam beberapa kelompok yang mempunyai perbedaan jarak nilai signifikan
antar kelompok yang satu dengan yang lainnya. (Wu, 2012). Nilai-nilai indikator tersebut
diperoleh berdasarkan wilayah dan tahun tertentu sesuai pilihan pengguna sistem.
Impelementasi klasterisasi pada penelitian ini menggunakan algoritma K-Mean
dengan memanfaatkan bahasa pemprograman PHP. Algoritma K-Mean dinilai cukup efisien
yang ditunjukkan dengan kompleksitasnya, dengan catatan banyaknya objek data harus jauh
lebih besar dari jumlah klaster yang dibentuk dan banyaknya iterasi.. Selain itu, algoritma ini
akan terhenti dalam kondisi optimum lokal dan bekerja pada attribut numerik. (Andayani,
2007)
Proses dari algoritma K-Mean diimplementasikan dengan membuat dua class yang
disesuaikan dengan perancangan sebelumnya. Class tersebut antara lain class Objek KMean
dan Class KMean. Class Objek KMean akan membentuk objek yang mewakili sebuah record
dari sekumpulan record yang ingin diklaster sedangkan class KMean merupakan class utama
dari proses klasterisasi.
Klasifikasi (Classification) Data
Klasifikasi ini bertujuan untuk menentukan suatu nilai indikator kesehatan kesalah
satu kategori indikator kesehatan lainnya yang telah didefinisikan. Kemudian indikatorindikator tersebut menjadi acuan untuk memprediksi kategori indikator dari nilai indikator
baru yang ingin dimasukkan. Impementasi dari metode klasifikasi menggunakan algoritma
Naive Bayes. Naive Bayes merupakan salah satu algoritma klasifikasi pembelajaran induktif
yang paling efektif dan efisien untuk machine learning dan data mining. Performa naive
bayes yang kompetitif dalam proses klasifikasi walaupun menggunakan asumsi keindependen
attribute (tidak ada kaitan antar attribute). (Shadiq, 2009) .
Terkait dengan analisis data sebelumnya, proses klasifikasi membutuhkan
preprocessing dalam penentuan label kategori yang dalam penelitian ini disebut sebagai
indikator kelas. Implementasi dari preprocessing dan proses klasifikasi tersebut
menggunakan algoritma Naïve Bayes dan dibuat dalam sebuah class dengan nama
NaiveBayes.
Pola Asosiasi (Association Rule)
Pola asosiasi (association rules) data merupakan teknik data mining untuk
menemukan aturan asosiatif antara suatu kombinasi indikator kesehatan. Penting tidaknya
suatu aturan asosiatif dapat diketahui melalui dua parameter antara lain support (nilai
penunjang) yaitu persentase kombinasi indikator dalam sekumpulan record dan confidence
(nilai kepastian) yaitu kuatnya hubungan antar indikator dalam aturan asosiatif.(Astuti, 2013).
Pola asosiasi data ini diimplementasikan menggunakan algoritma Fp-Grotwh dengan
membuat lima class antara lain Class Fp-Growth, Class Fp-Tree, Class Node, Class Path dan
Class Asosiasi Indikator.
Implementasi arsitektur sistem dari ketiga metode tersebut dapat dilihat pada gambar 4 dan
antaramuka sistem pada gambar 5.
KESIMPULAN DAN SARAN
Berdasarkan penelitian yang telah dilakukan, dapat ditarik beberapa kesimpulan antara
lain data yang diperoleh dari website Bank Data Kesehatan Nasional yang dalam penelitian
ini dikategorikan sebagai data warehouse mempunyai attribut atau indikator kuantitatif yang
seragam untuk setiap wilayah dan tahun sehingga memudahkan dalam melakukan
pengolahan data lebih lanjut. Adapun saran peneliti yaitu terdapatnya beberapa algoritma
untuk klasterisasi, klasifikasi dan asosiasi tentunya memberikan banyak alternatif terhadap
pengembangan sistem. Namun untuk efektifitas pengolahan data, ada baiknya
untuk
pengembangan sistem selanjutnya dilakukan observasi terlebih dahulu terhadap setiap
algoritma yang ada dengan menyesuaikan jenis dan karakteristik data pada data warehouse.
Menyangkut data warehouse, sebaiknya pengembangan sistem nantinya juga menyediakan
fasilitas web service untuk layanan pembaharuan data yang diperuntukkan pada wilayah
kabupaten. Sehingga pemasukan data tidak terpusat lagi.
DAFTAR PUSTAKA
Andayani, Sri. (2007). Pembentukan Cluster dalam Knowledge Discovery In Database
denganAlgoritma K-Means. Yogyakarta: Jurnal Universitas Negeri Yogyakarta.
Architect, Chieft; Guerra, Joseph; President Vice. (2011). Why You Need a Data Warehouse.
Chesire: Journal of Andrews Consulting Groups.
Canlas Jr, Ruben D. (2009). Data Mining In Healthcare : Current Application And Issues.
Australia: Journal of Carniege Mellon University.
Hermawati Fajar, Astuti. (2013). Data Mining. Yoyakarta: Andi Publiser.
Kropla, Bill. (2005) .Beginning MapServer. USA: Apress.
Shadiq, M.Ammar. (2009). Keoptimalan Naïve Bayes Dalam Klasifikasi. Bandung: Jurnal
Universitas Pendidikan Indonesia.
Wu, Juinjie. (2012). Advances In K-Means Clustering. Beijing: Journal Of Departement
Management Science and Engineering School Of Economics And Management
Tsinghua University.
Gambar 1 Analisis Data Untuk Metode Klasterisasi
Gambar 2 Analisis Data Untuk Metode Klasifikasi
Gambar 3 Analisis Data Untuk Metode Pola Asosiasi
Gambar 4 Arsitektur Sistem
Gambar 5 Antarmuka Sistem
KESEHATAN NASIONAL MENGGUNAKAN MAP VISUALISATION
DATA MINING TECHNIQUE APPROACH FOR DATA CENTER OF
NATIONAL HEALTH USING MAP VISUALISATION
M. Adnan Nur1, Adnan2, Armin Lawi2
1
STMIK Handayanai Makassar,
Bagian Teknik Informatika Fakultas Teknik, Universitas Hasanuddin
2
Alamat Korespondensi :
M. Adnan Nur
Jl. Alamat Rumah : Jl. Beruang No. 60 Makassar
HP : 082348530538
Email : adnan0488@yahoo.com
Abstrak
Keberadaan sistem Bank Data Kesehatan Nasional Kementrian Kesehatan RI telah memberikan kemudahan
bagi masyarakat dalam memperoleh informasi kesehatan yang mencakup hingga tingkat Kabupaten/Kota tetapi
informasi yang disajikan masih berupa informasi kuantitatif dimana seluruh data disajikan dalam tabulasi angka
dan belum disediakan penggalian informasi lebih dalam. Penelitian ini bertujuan untuk menerapkan dan
mengkombinasikan beberapa teknik data mining untuk menyajikan penggalian informasi kualitatif secara
dinamis dengan mengkategorikan sistem yang sedang berjalan sebagai sebuah data warehouse. Metode
penelitian yang dilakukan dalam penelitian ini meliputi studi lapang untuk mengidentifikasi permasalahan dan
kebutuhan informasi kesehatan , penelusuran literatur yang menyangkut pengembangan sistem, perancangan
dengan menggunakan Unified Modeling Language dan implementasi menggunakan bahasa pemprograman
PHP. Hasil penelitian berupa penerapan teknik data mining yang meliputi klasterisasi (clustering) menggunakan
algoritma k-means, klasifikasi (classification) menggunakan algoritma naive bayes dan pola asosiasi
(association rules) menggunakan algoritma FP-Growth yang bekerja secara dinamis untuk menjawab
kebutuhan pengetahuan informasi kesehatan yang lebih cepat dan mendalam secara kualitatif. Hasil dari olahan
data mining selanjutnya divisualisasi dalam sebuah Sistem Informasi Geografis (SIG) yang dalam penelitian ini
disebut sebagai Map Visulisation untuk memudahkan dalam memetakan informasi kesehatan berdasarkan
provinsi dan kabupaten/kota. Dari hasil penelitian tersebut dapat disimpulkan bahwa data yang diperoleh dari
website bank data kesehatan nasional mempunyai attribut atau indikator kuantitatif yang seragam sehingga
memudahkan dalam melakukan pengolahan data lebih lanjut.
Kata Kunci : bank data kesehatan, data warehouse, data mining, map visualization.
Abstrack
The existence of the National Health Data Bank system the Ministry of Health has made it easier for people to
obtain health information that includes up to district / city level but the information presented is a quantitative
information where all the data presented in the tabulation of numbers and not provided more information on
excavations. This study aims to apply and combine several data mining techniques to present dynamically
extracting qualitative information to categorize the current system as a data warehouse. Methods of research
conducted in this research include field studies to identify the problems and information needs of health,
literature searches related to systems development, design using Unified Modeling Language and
implementations using the programming language PHP. The results of the application of data mining
techniques, including clustering (clustering) using the k-means algorithm, classification (classification) using
Naive Bayes algorithm and association patterns (association rules) using FP-Growth algorithm that
dynamically works to address the needs of knowledge of health information more rapid and in-depth qualitative.
The results of the processed data mining subsequently visualized in a Geographic Information System (GIS)
which in this study is referred to as Map Visulisation to facilitate the mapping of health information by province
and district / city. From these results it can be concluded that the data obtained from national health data bank
website has attributes or quantitative indicators to facilitate the uniform conduct further data processing.
Keyword : national health data bank, data warehouse, data mining, map visualization.
PENDAHULUAN
Keberadaan teknologi sebagai media dalam pendistribusian informasi dalam bidang
kesehatan belakangan ini semakin dibutuhkan. Jumlah data kesehatan yang terus meningkat
dan kebutuhan penyajian informasi yang cepat dan akurat mendorong penerapan teknologi
diberbagai aspek bidang kesehatan. Di Indonesia, terbitnya UU Nomor 36 Tahun 2009 Pasal
169
yang menyatakan bahwa “Pemerintah memberikan kemudahan kepada masyarakat
untuk memperoleh akses terhadap informasi kesehatan dalam upaya meningkatkan derajat
kesehatan masyarakat” menjadi dasar dalam penerapan teknologi untuk penyajian informasi
kesehatan tersebut. Penerapan teknologi ini tentunya membutuhkan metode-metode baru
dalam pengolahan dan penyajian informasinya agar dapat dimanfaatkan oleh berbagai
kalangan seperti akademisi, pemerintahan dan masyarakat umum.
Saat ini, Departemen Kesehatan RI telah memiliki sebuah sistem yang disebut Bank Data
Kesehatan
Nasional
yang
dapat
diakses
melalui
websitenya
http://www.bankdata.depkes.go.id. Sistem menyediakan informasi kuantitatif berdasarkan
indikator kependudukan, pendidikan, penyakit, upaya kesehatan, kesehatan lingkungan,
tenaga kesehatan dan sarana kesehatan. Dimana setiap informasi tersebut dapat disajikan
menurut wilayah provinsi dan kabupaten/kota untuk setiap tahunnya. Dari segi ketersediaan
informasi yang ada, sistem tersebut masih dikategorikan
sebagai sebuah data warehouse
dan belum menyajikan fasilitas penggalian informasi tertentu untuk kebutuhan pengambilan
kebijakan sehingga membutuhkan pengolahan data lebih lanjut yang tentunya membutuhkan
waktu. (Architect Dkk, 2011). Sebelumnya, telah terdapat sebuah penelitian yang
menyangkut penggalian informasi data kesehatan. Penelitian tersebut menyajikan sebuah
survey tentang teknik dalam knowledge discovery in database (KDD). Namun, hasil
penelitian hanya fokus pada tahap analisis dan deskripsi penerapannya . Tahap perancangan
dan implementasi belum dilakukan pada penelitian tersebut. (Canlas, 2009).
Teknik data mining yang meliputi klasterisasi (clustering), klasifikasi (classification) dan
pola asosiasi antar data (association rules) dianggap perlu diterapkan secara fleksibel pada
Bank Data Kesehatan tersebut. Kedinamisan penggunaan teknik data mining memungkinkan
penyajian berbagai jenis kebutuhan informasi yang belum diprediksi sebelumnya dapat
dilakukan, misalnya:
a.
Pengelompokan tingkat penderita penyakit tertentu berdasarkan indikator jumlah
penderita penyakit untuk setiap wilayah provinsi maupun kota/kabupaten.
b.
Mencari keterkaitan antara indikator kesehatan lingkungan dan indikator sarana
kesehatan terhadap tingkat penderita penyakit tertentu pada suatu wilayah.
c.
Mencari keterkaitan antara indikator tenaga kesehatan dan indikator sarana kesehatan
terhadap data upaya kesehatan.
Dari segi visualisasi, pendekatan geografis lebih memudahkan dalam penyajian informasi
menurut penyebaran lokasi atau wilayah. Pemetaan informasi kesehatan berdasarkan
provinsi maupun kabupaten/kota secara mendalam dapat dilakukan dengan cepat melalui
penyajian peta/map yang interaktif. (Bill, 2005).
Dari beberapa permasalahan tersebut, penelitian ini bertujuan untuk mengimplementasikan
beberapa teknik data mining secara fleksibel berdasarkan Bank Data Kesehatan yang tersedia
dan selanjutnya hasil olahan divisualisasikan melalui peta (map) interaktif , grafik dan tabel
yang diharapkan mampu memenuhi kebutuhan informasi kesehatan bagi semua kalangan
dan sebagai pendukung keputusan yang akurat bagi penentu kebijakan.
BAHAN DAN METODE
Lokasi dan Rancangan Penelitian
Penelitian dilaksanakan selama bulan Februari 2013 sampai dengan bulan Juli 2013.
Penelitian ini dilakukan di Kampus Universitas Hasanudin dan Website Pusat Data Kesehatan
Departemen Kesehatan Nasional.
Penelitian ini diawali dari ketersediaan informasi kesehatan nasional yang saat ini
masih terbatas pada penyajian data kuantitaif berupa data kontinu. Ketersediaan informasi
meliputi nilai indikator kesehatan untuk provinsi dan kabupaten setiap tahunnya yang
disajikan melalui tabulasi dan grafik. Informasi kesehatan tersebut dapat diakses melalui
sebuah sistem yang disebut website pusat data kesehatan nasional.
Melihat keterbatasan penyajian informasi saat ini, maka penelitian ini mengusulkan
sebuah pengembangan sistem dalam hal pengolahan data kuntatif melalui pendekatan teknik
data mining. Pengolahan data ini meliputi metode klasterisasi (clustering), klasifikasi
(classification) dan pola asosiasi (asosiation rule). Ketersedian data kuantitatif sebagai data
masukan untuk setiap metode tersebut tentunya membutuhkan analisis terlebih dahulu karena
tidak semua metode menerima masukan dalam bentuk data kuantitatif atau kontinu. Untuk
kebutuhan data pada metode klasterisasi (clustering) menggunakan algoritma K-mean telah
sesuai dengan ketersediaan data yaitu berupa data kontinu. Oleh karena itu, tidak dibutuhkan
lagi preprocessing dan data tersebut dapat langsung digunakan sebagai masukan/input pada
sistem. Diagram analisis data untuk metode klasterisasi dapat dilihat pada gambar 1.
Untuk metode klasifikasi (classification), data masukan yang dibutuhkan berupa
sekumpulan record (training set) dimana setiap record meliputi himpunan attributes yang
salah satu attributnya merupakan kelas/class label. Attribute kelas/class label merupakan
data kategorikal sehingga data kuntitatif yang tersedia harus melalui preprocessing terlebih
dahulu. Transformasi data kontinu ke dalam bentuk kategorikal dilakukan dengan proses
klaterisasi/clustering menggunakan algoritma K-mean. Preprocessing ini diterapkan pada
data yang ingin dijadikan sebagai data kelas/class label. Selanjutnya, estimasi terhadap hasil
klasifikasi menggunakan fungsi densitas gauss karena data yang ingin diklasifikasikan
merupakan data kontinu. Diagram analisis data untuk metode klasifikasi dapat dilihat pada
gambar 2.
Metode pola asosiasi (association rules) dengan algoritma Fp-Growth memerlukan
data dengan attribut biner, sehingga diperlukan preprocessing untuk tranformasi data primer
yang berupa attribut kontinu ke bentuk attribut biner. Transformasi ini dapat dilakukan
dengan menerapkan clustering/klasterisasi dengan jumlah klaster dua. Dimana data dengan
centroid tertinggi akan bernilai 1 dan centroid terendah bernilai 0. Hasil klaster inilah yang
dijadikan masukan untuk algoritma Fp-Growth dalam penerapan metode pola asosiasi.
Diagram analisis data untuk metode pola dapat dilihat pada gambar 2.
Populasi dan Sampel
Populasi dalam penelitian ini adalah nilai indikator kesehatan untuk seluruh provinsi
dan kabupaten/kota setiap tahunnya. Sampel dilakukan terhadap nilai indikator kesehatan
pada tahun 2006 hingga 2008 untuk tingkat provinsi dan kabupaten/kota karena pada tahun
tersebut sebagian besar kelengkapan data telah terpenuhi.
Metode Pengumpulan Data
Dalam penelitian ini dilakukan Metode penelusuran literatur (library research) dan
studi lapangan (field research) terhadap sistem pusat data kesehatan nasional untuk
mengidentifikasi masalah dan untuk memperoleh attribut serta nilai indikator. Untuk
perancangan dan desain sistem digunakan pendekatan Unified Modeling Language yaitu
menggambarkan bagaiamana keterlibatan pengguna dengan sistem, interaksi antarmuka
sistem dan alur kerja sistem. Untuk pengujian dan evaluasi sistem digunakan beberapa
tahapan pengujian, yaitu pengujian fungsional sistem dan menghitung waktu eksekusi proses
sistem.
Analisis Data
Pada penelitian ini, analisis data dilakukan menggunakan metode Black Box dalam
pengujian data terhadap metode yang diterapkan serta menghitung waktu eksekusi proses
sistem untuk sisi server dan sisi client.
HASIL
Berdasarkan hasil analisis data sebelumnya, metode klasterisasi, klasifikasi dan pola
asosiasi yang diterapkan pada sistem yang dikembangkan dapat berjalan dengan baik. Untuk
sisi server, waktu eksekusi cukup cepat dibandingkan waktu eksekusi pada sisi client.
Akumulasi waktu eksekusi tersebut relatif bergantung pada instrumen penelitian yang
digunakan.
Metode Pendekatan
Penelitian dimulai dengan penelusuran literatur (library research) yang terkait dengan
pengembangan sistem dan studi lapangan (field research) terhadap sistem pusat data
kesehatan nasional yang tersedia untuk mengidentifikasi masalah dan bagaimana
pengembangan sistem yang dibutuhkan. Untuk tahap perancangan dan desain sistem
digunakan pendekatan Unified Modeling Language yaitu menggambarkan bagaiamana
keterlibatan pengguna dengan sistem, interaksi antarmuka sistem dan alur kerja sistem. Untuk
pengujian dan evaluasi sistem digunakan beberapa tahapan pengujian, yaitu pengujian
fungsional sistem dan menghitung waktu eksekusi proses sistem.
Tahapan Penelitian
Studi lapangan (field research) terlebih dahulu dilakukan untuk mengidentifikasi
masalah dan kubutuhan pengembangan sistem. Selanjutnya penelusuran literatur yang terkait
dengan pengembangan sistem yang ingin dilakukan. Perancangan sistem di implementasi
berdasarkan penerapan metode pada proses kerja sistem.
Adapun tahapan penelitian adalah sebagai berikut: Tahap Analisis Masalah dan Kebutuhan,
Tahap Penelusuran Literatur, Tahap Desain dan Perancangan Sistem, Tahap Implementasi
serta Tahap Pengujian dan Evaluasi Sistem
Perancangan Sistem
Sistem yang akan dikembangkan dalam penelitian ini berbasis web dan melibatkan
pengguna dan pengelola sistem. Pengguna sistem dalam hal ini adalah pengunjung website
dan pengelola sistem adalah Administrator website. Pengembangan sistem ini juga akan
melibatkan penggunaan database yang dalam perancangan sistem dianggap sebagai sebuah
sistem eksternal. Perancangan ini menggunakan pemodelan Unified Modeling Language
(UML) yang merupakan metode pemodelan berbasis objek. Perancangan diawali dengan
merancang use case Publik dan Use Case Administrator. Use Case Publik diperuntukkan
untuk pengunjung atau pengguna sedangkan Use Case Administrator untuk pengelola.
Perancangan
selanjutnya
dilakukan
melalui
desain
Class
diagram
yang
mendeskripsikan jenis-jenis objek dalam sistem dan berbagai hubungan statis diantara objek
tersebut. Diagram ini mendefinisikan kelas-kelas yang akan dibuat untuk membangun sistem.
Mengacu pada Use Case, pada tahap ini penelitian merancang dua jenis Class Diagram yaitu
Class Diagram Publik dan Class Diagram Administrator. Tahap berikutnya melakukan desian
untuk sequence diagram dan activity diagram yang mengambar secara detail bagaimana
interaksi antaramuka sistem yang dikembangkan.
PEMBAHASAN
Penelitian ini menunjukkan bahwa impementasi dari metode data mining yang
diterapkan pada sistem digunakan untuk menggali informasi berupa pengelompokan data
indikator kesehatan tertentu yang tersedia melalui klasterisasi, melakukan klasifikasi data
untuk memprediksi kategori dari suatu data baru dan mencari tingkat keterkaitan antar
indikator melalui pola asosiasi. Berikut penjelasan dari implementasi metode-metode data
mining tersebut.
Klasterisasi (Clustering) Data
Klasterisasi (Clustering) Data bertujuan untuk memisahkan nilai-nilai dari indikator
kesehatan ke dalam beberapa kelompok yang mempunyai perbedaan jarak nilai signifikan
antar kelompok yang satu dengan yang lainnya. (Wu, 2012). Nilai-nilai indikator tersebut
diperoleh berdasarkan wilayah dan tahun tertentu sesuai pilihan pengguna sistem.
Impelementasi klasterisasi pada penelitian ini menggunakan algoritma K-Mean
dengan memanfaatkan bahasa pemprograman PHP. Algoritma K-Mean dinilai cukup efisien
yang ditunjukkan dengan kompleksitasnya, dengan catatan banyaknya objek data harus jauh
lebih besar dari jumlah klaster yang dibentuk dan banyaknya iterasi.. Selain itu, algoritma ini
akan terhenti dalam kondisi optimum lokal dan bekerja pada attribut numerik. (Andayani,
2007)
Proses dari algoritma K-Mean diimplementasikan dengan membuat dua class yang
disesuaikan dengan perancangan sebelumnya. Class tersebut antara lain class Objek KMean
dan Class KMean. Class Objek KMean akan membentuk objek yang mewakili sebuah record
dari sekumpulan record yang ingin diklaster sedangkan class KMean merupakan class utama
dari proses klasterisasi.
Klasifikasi (Classification) Data
Klasifikasi ini bertujuan untuk menentukan suatu nilai indikator kesehatan kesalah
satu kategori indikator kesehatan lainnya yang telah didefinisikan. Kemudian indikatorindikator tersebut menjadi acuan untuk memprediksi kategori indikator dari nilai indikator
baru yang ingin dimasukkan. Impementasi dari metode klasifikasi menggunakan algoritma
Naive Bayes. Naive Bayes merupakan salah satu algoritma klasifikasi pembelajaran induktif
yang paling efektif dan efisien untuk machine learning dan data mining. Performa naive
bayes yang kompetitif dalam proses klasifikasi walaupun menggunakan asumsi keindependen
attribute (tidak ada kaitan antar attribute). (Shadiq, 2009) .
Terkait dengan analisis data sebelumnya, proses klasifikasi membutuhkan
preprocessing dalam penentuan label kategori yang dalam penelitian ini disebut sebagai
indikator kelas. Implementasi dari preprocessing dan proses klasifikasi tersebut
menggunakan algoritma Naïve Bayes dan dibuat dalam sebuah class dengan nama
NaiveBayes.
Pola Asosiasi (Association Rule)
Pola asosiasi (association rules) data merupakan teknik data mining untuk
menemukan aturan asosiatif antara suatu kombinasi indikator kesehatan. Penting tidaknya
suatu aturan asosiatif dapat diketahui melalui dua parameter antara lain support (nilai
penunjang) yaitu persentase kombinasi indikator dalam sekumpulan record dan confidence
(nilai kepastian) yaitu kuatnya hubungan antar indikator dalam aturan asosiatif.(Astuti, 2013).
Pola asosiasi data ini diimplementasikan menggunakan algoritma Fp-Grotwh dengan
membuat lima class antara lain Class Fp-Growth, Class Fp-Tree, Class Node, Class Path dan
Class Asosiasi Indikator.
Implementasi arsitektur sistem dari ketiga metode tersebut dapat dilihat pada gambar 4 dan
antaramuka sistem pada gambar 5.
KESIMPULAN DAN SARAN
Berdasarkan penelitian yang telah dilakukan, dapat ditarik beberapa kesimpulan antara
lain data yang diperoleh dari website Bank Data Kesehatan Nasional yang dalam penelitian
ini dikategorikan sebagai data warehouse mempunyai attribut atau indikator kuantitatif yang
seragam untuk setiap wilayah dan tahun sehingga memudahkan dalam melakukan
pengolahan data lebih lanjut. Adapun saran peneliti yaitu terdapatnya beberapa algoritma
untuk klasterisasi, klasifikasi dan asosiasi tentunya memberikan banyak alternatif terhadap
pengembangan sistem. Namun untuk efektifitas pengolahan data, ada baiknya
untuk
pengembangan sistem selanjutnya dilakukan observasi terlebih dahulu terhadap setiap
algoritma yang ada dengan menyesuaikan jenis dan karakteristik data pada data warehouse.
Menyangkut data warehouse, sebaiknya pengembangan sistem nantinya juga menyediakan
fasilitas web service untuk layanan pembaharuan data yang diperuntukkan pada wilayah
kabupaten. Sehingga pemasukan data tidak terpusat lagi.
DAFTAR PUSTAKA
Andayani, Sri. (2007). Pembentukan Cluster dalam Knowledge Discovery In Database
denganAlgoritma K-Means. Yogyakarta: Jurnal Universitas Negeri Yogyakarta.
Architect, Chieft; Guerra, Joseph; President Vice. (2011). Why You Need a Data Warehouse.
Chesire: Journal of Andrews Consulting Groups.
Canlas Jr, Ruben D. (2009). Data Mining In Healthcare : Current Application And Issues.
Australia: Journal of Carniege Mellon University.
Hermawati Fajar, Astuti. (2013). Data Mining. Yoyakarta: Andi Publiser.
Kropla, Bill. (2005) .Beginning MapServer. USA: Apress.
Shadiq, M.Ammar. (2009). Keoptimalan Naïve Bayes Dalam Klasifikasi. Bandung: Jurnal
Universitas Pendidikan Indonesia.
Wu, Juinjie. (2012). Advances In K-Means Clustering. Beijing: Journal Of Departement
Management Science and Engineering School Of Economics And Management
Tsinghua University.
Gambar 1 Analisis Data Untuk Metode Klasterisasi
Gambar 2 Analisis Data Untuk Metode Klasifikasi
Gambar 3 Analisis Data Untuk Metode Pola Asosiasi
Gambar 4 Arsitektur Sistem
Gambar 5 Antarmuka Sistem