PERBANDINGAN ALGORITMA DECISION TREE (C4.5) DAN NAÏVE BAYES PADA DATA MINING UNTUK IDENTIFIKASI TUMBUH Perbandingan Algoritma Decision Tree (C4.5) Dan Naïve Bayes Pada Data Mining Untuk Identifikasi Tumbuh Kembang Anak Balita (Studi Kasus Puskesmas Karta

(1)

i

PERBANDINGAN ALGORITMA DECISION TREE (C4.5) DAN NAÏVE BAYES PADA DATA MINING UNTUK IDENTIFIKASI TUMBUH KEMBANG ANAK BALITA (STUDI KASUS PUSKESMAS KARTASURA)

SKRIPSI

Disusun sebagai salah satu syarat menyelesaikan Jenjang Strata I Pada Program Studi Informatika Fakultas Komunikasi dan Informatika

Universitas Muhammadiyah Surakarta

Oleh :

MILA LISTIANA L200110047

PROGRAM STUDI INFORMATIKA

FAKULTAS KOMUNIKASI DAN INFORMATIKA UNIVERSITAS MUHAMMADIYAH SURAKARTA

(2)

(3)

(4)

(5)

v MOTTO

“Sesungguhnya sesudah kesulitan itu ada kemudahan. Maka, apabila kamu sudah

selesai (dari satu urusan), kerjakanlah dengan sungguh-sungguh (urusan yang lain)”

(QS. Al Insyirah: 6-7)

"Kita berdoa kalau kesusahan dan membutuhkan sesuatu, mestinya kita juga berdoa

dalam kegembiraan besar dan saat rezeki melimpah."

(Kahlil Gibran)

“Orang yang bisa mengendalikan emosinya adalah pemenang hidup sejati.”

(Mario Teguh)

“K

an a a a n p ayaan, p ayaan a a a n

aan”

(6)

vi

PERSEMBAHAN

Dengan mengucap syukur alhamdulillah atas rahmad dan hidayah Allah SWT, akan kupersembahkan karya ini kepada orang-orang yang saya sayangi :

1. Terimakasih buat kedua orang tuaku tercinta yang selalu senantiasa mendoakanku dan memberi dukungan moril maupun materil untuk kesuksesan hidupku. Serta kasih sayang yang tulus yang takkan pernah terbalaskan.

2. Buat kakak kakakku, ponakanku hamidah, terimakasih selalu memberi semangat dukungan dan kebahagiaan dalam menyelasaikan studi ini.

3. Pak Jalwo yang selalu memberikan ilmu, dukungan, bimbingannya. Untuk pak Dedi terimakasih atas nasehat-nasehat dan bimbingan yang bapak berikan.

4. Hendri yang tak henti-hentinya memberikan semangat dan dukungan dalam segala keadaan dan selalu setia menemani dalam keadaan susah maupun senang demi kelancaran skripsi ini.

5. Deni, ifah , vero dll yang selalu memberi semangat saat saya malas mengerjakan skripsi dan yang telah menjadi partner dalam mengerjakan skripsi.

(7)

vii

7. Teman-teman kost Ulinnuha yang senantiasa memberi dukungan dan semangat demi kelancaran skripsi ini. Kebersamaan yang tak akan pernah terlupakan.

8. Almamaterku tercinta Universitas Muhammadiyah Surakarta.

(8)

viii

KATA PENGANTAR

Alhamdulillahirobbil’alamin, Segala puji bagi Allah SWT yang selalu penulis

panjatkan atas nikmat yang diberikan, sehingga penulis dapat menyelesaikan skripsi

ini dengan judul “Perbandingan Algoritma Decision Tree (C4.5) Dan Naïve Bayes

Pada Data Mining Untuk Identifikasi Tumbuh Kembang Anak Balita (Studi Kasus Puskesmas Kartasura)”. Skripsi ini disusun guna memenuhi persyaratan untuk mencapai gelar S1 Informatika Universitas Muhammadiyah Surakarta.

Dalam penyusunan skripsi ini tidak lepas dari bimbingan dan bantuan dari berbagai pihak. Dengan segala kerendahan hati, penulis mengucapkan terimakasih yang sebanyak-banyaknya kepada:

1. Bapak Husni Thamrin, S.T., MT., Ph.D. selaku Dekan Fakultas Komunikasi dan Informatika Universitas Muhammadiayah Surakarta.

2. Bapak Dr. Heru Supriyono, M.Sc. selaku Ketua Jurusan Teknik Informatika Universitas Muhammadiayah Surakarta.

3. Bapak Drs.Sudjalwo, M.Kom. selaku pembimbing I yang telah memberikan, bimbingan, dan pengarahan kepada penulis sehingga dapat menyelesaikan tugas akhir ini .

4. Bapak Dedi Gunawan, S.T.,M.Sc. selaku pembimbing II yang telah memberikan, bimbingan, dan pengarahan kepada penulis sehingga dapat menyelesaikan tugas akhir ini .

(9)

(10)

(11)

xi

3.2.2 Kebutuhan Software dan Hadware ... 16

3.2.3 Penentuan Data ... 17

3.2.3.1 Penentuan Atribut ... 17

3.2.3.2Penentuan Variabel Dependen dan Independen... 18

3.2.3.3 Pengelompokan Data... 18

(12)

xii

3.3 Proses Data Mining... 20

3.3.1 Proses Mining Menggunakan Metode Decition Tree... 20

3.3.2 Proses Mining Menggunakan Metode Naive Bayes... 21

3.4 Perancangan Sistem... 22

3.4.1 Perancangan Use Case Diagram... 22

3.4.2 Perancangan DFD... ... 23

3.4.2.1Perancangan DFD Level 0... 23

3.4.3 Perancangan Aplikasi... 24

3.4.3.1.Halaman Login... 24

3.4.3.2Halaman Administrator... 24

3.4.3.3 Halaman Home... ... 25

BAB IV HASIL DAN PEMBAHASAN ... ... 26

4.1 Hasil Penelitian... 26

(13)

xiii

4.3.1_.Hasil Implementasi dengan perhitungan Decision

Tree... 28

4.3.1.1Perhitungan untuk mencari root node ... 29

4.3.1.2Perhitungan untuk mencari internal node ... 35

4.3.1.3Menentukan internal node pada berat badan 10<berat≤20 ... 35

4.3.1.4Menentukan internal node pada berat badan 10<berat≤20 dengan usia 30<usia≤45 ... 41

4.3.1.5Menentukan internal node pada berat badan berat>20 . 46 4.3.1.6Menentukan internal nodepada berat badan berat≤10 . 51 4.3.1.7Menentukan internal node pada berat badan berat≤10 dengan waktu Kuartal IV ... 56

4.3.2 . Hasil Implementasi Decition Tree menggunakan RapidMiner 6... 62

4.3.3 . Hasil Implementasi dengan Perhitungan Naive Bayes... 69

4.3.3.1Perhitungan Dengan Data Training ... 69

4.3.3.2Perhitungan Dengan Data Testing ... 71

(14)

xiv

(15)

xv DAFTAR TABEL

Tabel 3.1 Daftar Atribut yang Keseluruhan ... 17

Tabel 3.2 PenentuanVariabelDependendanIndependen ... 18

Tabel 3.3 Pengelompokan Data ... 19

Tabel 3.4 Daftar wilayah ... 19

Tabel 4.1 Atribut Tumbuh Kembang ... 29

Tabel 4.2 Atribut Gender terhadap Tumbuh Kembang ... 30

Tabel 4.3 Atribut Usia terhadap Tumbuh Kembang ... 31

Tabel 4.4 Atribut Berat Badan terhadap Tumbuh Kembang ... 32

Tabel 4.5 Atribut Waktu terhadap Tumbuh Kembang ... 33

Tabel 4.6 Atribut Wilayah terhadap Tumbuh Kembang ... 34

Tabel 4.7 Hasil Information Gain ... 35

Tabel 4.14 Atribut berat badan 10<berat≤20 dan usia 30<usia≤45... 41

Tabel 4.15 Atribut 10<berat≤20, usia 30<usia≤45dan Gender ... 41

Tabel 4.16 Atribut 10<berat≤20,usia 30<usia≤45 dan waktu ... 42

Tabel 4.17 Atribut 10<berat≤20,usia 30<usia≤45 dan wilayah ... 43

(16)

xvi

Tabel 4.19 Atribut 10<berat≤20,usia30<usia≤45 dan wilayah IV ... 45

Tabel 4.20 Atribut berat>20 ... 46

Tabel 4.21 Atribut berat>20dan Gender ... 46

Tabel 4.22 Atribut berat badan berat>20 dan Usia ... 47

Tabel 4.23 Atribut berat>20 dan Waktu ... 47

Tabel 4.24 Atribut berat>20 dan Wilayah ... 48

Tabel 4.25 Hasil Information Gain ... 49

Tabel 4.26 Atribut berat>20 dan GenderLaki-laki ... 49

Tabel 4.27 Atribut berat>20 dan Gender Perempuan ... 50

(17)

xvii DAFTAR GAMBAR

Gambar 3.1 Diagram Alur Penelitian (Flowchart) ... 16

Gambar 3.2 Use Case Diagram Admin ... 22

Gambar 3.8 Halaman Administrator ... 25

Gambar 3.9 Halaman Home... 25

Gambar 4.1 Halaman Login ... 27

Gambar 4.2 Halaman Administrator ... 27

Gambar 4.3 Halaman Home ... 28

Gambar 4.9 LeafnodeGenderLaki-laki ... 50

Gambar 4.10 LeafnodeGenderPerempuan ... 51

Gambar 4.11 Internal nodewaktu ... 55

Gambar 4.12 Internal node ke-2 Wilayah ... 59

(18)

xviii

Gambar 4.14 Leaf node Wilayah III ... 61 Gambar 4.15 Leaf node Wilayah IV ... 62 Gambar 4.16 Rancangan proses penerapan Decision Tree untuk

klasifikasi data tumbuh kembang ... 62 Gambar 4.17 Hasil skema Decision Tree untuk klasifikasi data tumbuh

(19)

xix DAFTAR PERSAMAAN

Persamaan 3.1 Rumus Slovin ... .. 20

Persamaan 3.2Rumus Entropy ... .. 21

Persamaan 3.3 Rumus Information Gain ... .. 21

(20)

xx DAFTAR LAMPIRAN

Lampiran A. Data Real Data Tumbuh Kembang Balita ... .. 84

Lampiran B.Data Testing Data Tumbuh Kembang Balita ... .. 92

Lampiran C.Data Training Data Tumbuh Kembang Balita ... 100

Lampiran D.Biodata Penulis ... 108

(21)

xxi ABSTRAK

Puskesmas merupakan salah satu instansi kesehatan yang berada ditingkat kecamatan. Sebagai upaya instansi kesehatan dalam mendukung pelayanan yang baik diperlukan tata kerja yang tertib, rapi, dan teliti sehingga akan menghasilkan informasi yang cepat, akurat, dan tepat waktu sesuai kebutuhan. Dalam instansi kesehatan banyak data yang dari setiap tahunnya bertambah. Salah satunya yaitu data tumbuh kembang balita. Akan tetapi dengan sekian banyaknya data tumbuh kembang balita semakin sulit juga data tersebut dipelajari lebih lanjut dan umumnya hanya digunakan sebagai arsip saja. Pemanfaatan teknik data mining diharapkan dapat membantu dalam mengatasi tumbuh kembang balita yang kurang baik saat ini. Pada penelitian ini kami membandingkan teknik klasifikasi dari kinerja metode decision tree (C4.5) dan naive bayes.

Atribut yang digunakan terdiri dari Gender, Usia, Berat badan, Waktu, Wilayah dan Tumbuh Kembang. Dengan menggunakan masing-masing data training dan data testing sebanyak 304 data.

Hasil dari penelitian yang dilakukan, berdasarkan dari nilai accuracy maupun

recallnya naive bayes lebih tinggi dibandingkan dengan decision tree yaitu dengan

nilai accuracy 75,66% untuk decision tree dan 76,97% untuk naive bayes. Untuk nilai recall-nya naive bayes lebih unggul yaitu 96,89% dibandingkan decision tree 89,78%. Meskipun dalam penelitian ini tingkat Precision-nya lebih tinggi decision

tree yaitu 85,23% dibandingkan naive bayes 84,17%. Hasil akhir dari penelitian ini

adalah metode naive bayes lebih baik digunakan dari pada metode decision tree dengan nilai total 250,67% untuk decition tree dan 258.03% untuk naive bayes.