PENENTUAN PROSES PERSALINAN IBU MELAHIRKAN MENGGUNAKAN ALGORITMA C4.5

(1)

Seminar Nasional Cendekiawan ke 3 Tahun 2017 ISSN (P) : 2460 - 8696

Buku 2 ISSN (E) : 2540 - 7589

PENENTUAN PROSES PERSALINAN IBU MELAHIRKAN MENGGUNAKAN ALGORITMA C4.5

Hilda Amalia 1), Evicienna 2)

1). Jurusan Manajemen Informatika AMIK BSI JAKARTA 2) Jurusan Komputerisasi Akuntansi AMIK BSI JAKARTA

Abstrak

Melahirkan merupakan sebuah kejadian luar biasa yang akan dialami oleh setiap ibu. Dalam proses persalinan ibu melahirkan terdapat dua metode persalinan yakni melahirkan secara normal dan melahirkan secara sesar. Secara alaminya proses persalinan yang diinginkan adalah secara normal namun karena alasan medis seorang ibu harus melahirkan secara sesar. Tak jarang juga hasil akhir dari proses persalinan berujung kepada kematian, baik kematian bayi ataupun kematian ibu pada proses persalinan. Banyak faktor yang mengakibatkan poses persalinan berujung kepada kematian. Keselamatan ibu dan anak merupakan tujuan utama dari proses persalinan yang dilakukan dan dipilih yakni baik normal ataupun sesar. Untuk itu perlu dilakukan penggalian data dengan menggunakan teknik data mining, sehingga dapat menghasilkan prediksi proses persalinan ibu melahirkan. Algoritma C4.5 merupakan salah satu teknik data mining yang mampu menghasilkan pohon keputusan. Dengan adanya prediksi proses persalinan ini dapat dipilih proses melahirkan yang tepat sehingga dapat terhindar dari resiko persalinan. Dalam penelitian ini akan dilakukan pengolahan data-data kesehatan ibu melahirkan dengan algoritma c4.5 diperoleh hasil akurasi sebesar 90%

Kata kunci: Data Mining, Algoritma C4.5, Melahirkan

Pendahuluan

Kelahiran bayi merupakan hal yang dinantikan oleh banyak pasangan suami istri. Namun hampir 99% kematian bayi baru lahir terjadi di negara berkembang. Menurut Organisasi Kesehatan Dunia (WHO) 30 Agustus 2011 di Jenewa, kematian bayi baru lahir, yaitu kematian dalam empat minggu pertama kehidupan (periode neonatal), sebanyak 41% dari semua kematian anak sebelum usia lima tahun. Minggu pertama kehidupan adalah minggu paling berisiko untuk bayi yang baru lahir, namun banyak negara yang baru mulai program perawatan postnatal untuk mencapai ibu dan bayi pada saat yang kritis ini. (Fady, El-Sayed, mahmud, 2012). Di Indonesia, kematian bayi dibawah lima tahun, sebanyak 38% meninggal pada masa bayi baru lahir. Kematian bayi baru lahir di Indonesia terutama disebabkan oleh prematuritas (32%), asfiksia (30%), infeksi (22%), kelainan kongenital (7%), lain-lain (9%) (Wiknjosastro, 2008).

Persalinan adalah suatu proses pengeluaran hasil konsepsi yang dapat hidup dari dalam uterus melalui vagina ke dunia luar (Mansjoer, 2000). Persalinan normal adalah suatu proses pengeluaran hasil konsepsi yang dapat hidup dari uterus melalui vagina ke dunia luar partus immaturus kurang dari 28 minggu lebih dari 20 minggu dengan berat janin antara 1000-500 gram (prawirohardjo, 2007). Tindakan persalinan sesar adalah tindakan kebidanan yang diambil oleh penolong untuk menyelesaikan masalah yang terjadi pada proses persalinan yang tidak bisa diselesaikan secara normal Setiap persalinan mempunyai risiko baik pada ibu mapun janin, yaitu resiko komplikasi sampai resiko kematian (Mochtar, 1998). Proses persalinan secara sesar, meskipun diketahui terjadi komplikasi, namun tingkat efek samping terus menurun. bukti lama bahwa perempuan yang memilih persalinan normal daripada operasi sesar dijadwalkan memiliki risiko jauh lebih rendah dari kematian menjadi semakin renggang (Declercq E, Menacker F, MacDorman MF, 2005).

(2)

lahir di Indonesia terutama disebabkan oleh prematuritas (32%), asfiksia (30%), infeksi (22%), kelainan kongenital (7%), lain-lain (9%) (Wiknjosastro, 2008). Pada tahun 1999, IOM (American Institute of Kedokteran) menerbitkan sebuah laporan "Faktor error adalah manusia" (Kohn, L. T., Corrigan, J. M., & Donaldson, M. S., 2000), yang menunjukkan: pertama, jumlah kesalahan medis luar biasa, kesalahan medis telah menjadi kelima yang mengakibatkan kematian pasien; kedua, sebagian besar kesalahan medis terjadi oleh faktor manusia yang dapat dihindari melalui sistem pakar. Meningkatkan kualitas kesehatan, mengurangi kesalahan medis, dan menjamin keselamatan pasien adalah tugas yang paling serius dari rumah sakit.

Untuk itu dibutuhan sebuah sistem penunjang keputusan yang mampu menangani dan memberikan analisa mengenai data-data kesehatan. Clinical Decision Support Systems (CDSS) atau sistem penunjang keputusan klinis yang menyediakan saran bagi dokter, staf, pasien, dan orang lain dengan pengetahuan dan informasi-orang tertentu, sistem cerdas yang disaring dan disajikan pada waktu yang tepat, untuk meningkatkan kesehatan dan perawatan kesehatan (Osheroff, J. A., Teich, J. M., & Middleton, B. F. , 2006).

Penelitian terdahulu mengenai data-data kesehatan dibidang proses melahirkan dengan menggunakan metode data mining telah dilakukan oleh beberapa peneliti, diantaranya yaitu penggunaan fuzzy (Janghel, Shukla & Tiwari, 2009), dengan menggunakan metode neural network ( Janghel, Shukla & Tiwari, 2009), komparasi decision tree, ANN dan Assosiate Rule (Sana, Razzaq & Ferzund, 2012). Dalam penelitian ini akan dilakukan pengolahan data-data proses persalinan pasien dengan menggunakan metode data mining yaitu algoritma C4.5.

Studi Pustaka

Data Mining (Witten, 2011) didefinisikan sebagai proses penemuan pola dalam data. Data mining telah menarik banyak perhatian dunia sistem informasi dan masyarakat secara keseluruhan beberapa tahun terakhir, karena ketersediaan data dalam jumlah besar dan kebutuhan segera untuk mengubah data tersebut menjadi informasi yang berguna. Banyaknya data, ditambah dengan kebutuhan untuk alat analisis data yang kuat, telah digambarkan sebagai kaya data tapi miskin informasi. Informasi dan pengetahuan yang diperoleh dapat digunakan untuk plikasi mulai dari pasar analisi, deteksi penipuan, dan retensi pelanggan, untuk pengendalian produksi dan ilmu pengetahuan eksplorasi(Han & Kamber, 2007). Berdasarkan tugasnya, data mining dikelompokkan menjadi (Larose, 2005) Deskripsi, Estimasi, Prediksi, Klasifikasi, klastering, Asosiasi.

Algoritma C4.5

Prediksi mirip seperti klasifikasi dan estimasi, tapi hasilnya untuk memprediksi masa depan. Contoh, memprediksi harga barang tiga bulan mendatang, memprediksi kenaikan angka kematian karena kecelakaan tahun mendatang jika kecpatan berkendra dinaikkan. Algoritma untuk prediksi antara lain iregression tree dan model tree (Han & Kamber, 2007).

Algortima C4.5 merupakan model tree mirip sebuah pohon dimana terdapat node internal (bukan daun) yang mendeskripsikan atribut-atribut, setiap cabang menggambarkan hasil dari atribut yang diuji, dan setiap daun menggambarkan kelas. Pohon keputusan dengan mudah dapat dikonversi ke aturan klasifikasi. Secara umum keputusan pengklasifikasi pohon memiliki akurasi yang baik, namun keberhasilan penggunaan tergantung pada data yang akan diolah.

(3)

Buku 2 ISSN (E) : 2540 - 7589

Algoritma C4.5 menggunakan konsep information gain atau entropy reduction untuk memilih pembagian yang optimal (Lorase, 2005). Tahapan dalam membuat sebuah pohon keputusan dengan algoritma C4.5 (Gorunescu, 2011) yaitu:

1. Mempersiapkan data training, dapat diambil dari data histori yang pernah terjadi sebelumnya dan sudah dikelompokan dalam kelas-kelas tertentu.

2. Menentukan akar dari pohon dengan menghitung nilai gain yang tertinggi dari masing-masing atribut atau berdasarkan nilai index entropy terendah. Sebelumnya dihitung terlebih dahulu nilai index entropy, dengan rumus:

... (1)

Keterangan:

i = himpunan kasus m = jumlah partisi i f(i,j) = proposi j terhadap i 3. Hitung nilai gain dengan rumus:

(2) Keterangan:

p = jumlah partisi atribut ni = proporsi ni terhadap i n = jumlah kasus dalam n

4. Ulangi langkah ke-2 hingga semua record terpartisi Proses partisi pohon keputusan akan berhenti disaat:

a) Semua tupel dalam record dalam simpul m mendapat kelas yang sama b) Tidak ada atribut dalam record yang dipartisi lagi

c) Tidak ada record didalam cabang yang kosong.

Metodologi Penelitian

Dalam penellitian ini dilakukan beberapa langkah, berikut tahapan penelitian yang dilakukan:

Sumber: Peneliti

(4)

satu artribut yaitu hasil menjadi label dalam penelitian ini. b. Pengolahan data awal

Untuk mendapatkan data yang berkualitas, beberapa teknik yang dilakukan adalah sebagai berikut (vecellis, 2009), Data validation, untuk mengidentifikasi dan menghapus data yang ganjil (outlier/noise), data yang tidak konsisten, dan data yang tidak lengkap (missing value). Data integration and Transformation, untuk meningkatkan akurasi dan efisiensi algoritma. Data yang digunakan dalam penulisan ini bernilai kategorikal. Data size reduction and dicrtization, untuk memperoleh data set dengan jumlah atribut dan record yang lebih sedikit tetapi bersifat informatif. Dalam penelitian ini data yang digunakan merupakan data primer yaitu berasal dari buku pasien. Data-data yang tertulis pada buku pasien dikumpulkan menjadi satu dalam format excel.

Tabel 1 dataset yang digunakan

c. Metode yang diusulkan

Tahapan selanjutnya adalah metode yang diusulkan. Berikut ilustrasi penggunaan metode yang diusulkan dalam penelitian:

Sumber: Peneliti

Gambar 2 Ilustrasi Penggunaan metode yang Diusulkan

Data Metode: Algoritm a C4.5 Model yang dihasilk an: Algorit ma C4.5 Pengujia n: Cross Validasi Evaluasi: Kurva ROC, Confussio n Matrix Hasil: Rule dan Nilai Akurasi

(5)

Buku 2 ISSN (E) : 2540 - 7589

Hasil dan Pembahasan

Ekperimen dan Pengujian Metode

Dalam penelitian ini metode yang digunakan adalah metode algoritma c4.5, dan tool yang digunakan untuk pengolahan data yaitu RapidMiner.

Algoritma C4.5

Langkah-langkah pengolahan data denga menggunakan Rapdminer untuk metode algoritma C4.5. dalam pengolahan data menggunakan tools RapidMiner menggunakan dua modul utama yaitu modul read excel, yang digunakan untuk menampung data awal dalam format excel kemudian dihubungkan dengan modul validation. Di dalam modul validation terdapat modul decision tree, apply model dan performance.

Gambar 3 Langkah Pengolahan Data Algoitma C4.5

Hasil running model diatas akan menghasilkan nilai akurasi metode algoritma C4.5 seperti dibawah ini:

Tabel 2 Tabel Akurasi Algoritma C4.5

Tabel . Nilai Akurasi Metode Algortima C4.5

Akurasi 90%

Nilai AUC 0.91

Kesimpulan

Penelitian yang telah dilakukan dengan menggunakan data kesehatan ibu dengan metode nilai algoritma C4.5 diperoleh akurasi 90%. Berdasarkan AUC memungkinkan nilai untuk nilai akurasi 90% nilai AUC yang didapat sebesar 0,90 dan berdasarkan nilai AUC diketahui bahwa metode algoritma C4.5.Performance AUC dapat mengelompokkan sampai lima kelompok, yaitu [17]: 0,90 1,00 disebut Klasifikasi yang sangat baik, 0,80 -0,90 disebut Klasifikasi Bagus, 0,70-0,80 disebut Klasifikasi Lepas. 0,60-0,70 disebut Klasifikasi Miskin. Dalam penelitian ini diketahui sebagai Klasifikasi Unggulan. Hasil lain dari metode algoritma C4.5 adalah pohon. Pohon yang dihasilkan oleh algoritma C4.5 dapat diketahui atribut yang mempengaruhi pengolahan data hanya tiga atribut. Diperlukan penelitian lebih lanjut mengenai atribut yang mempengaruhi pengolahan data pengiriman. Untuk penelitian selanjutnya diterima untuk menggunakan lebih banyak data guna meningkatkan kualitas hasil penelitian.

(6)

Daftar Pustaka

J. Osheroff, M. j. Teich and F. B. Middleton, "A Roadmap for National Action on Clinical Decision Support","Amercan Medical Informatics Associan,Juni 2006.

Sana, S. Razzaq and J. Ferzund, "Automated Diagnosis and Cause Analysis of Cesarean Section Using Machine Learning Technique"," International Journal of Machine Learning and Computing, vol. 2 No. 5, October 2012.

Vaghela, B. Nikita and M. Darshana, "A Survey on Various Classification Techniques for Clinical Decision Support System","International Journal of Computer Applications 116.23,2015.

Vercellis, "Bussiness Intelegent: Data Mining and Optimization for Decision Making", Southern Gate: John Willey & Sons Inc, 2009.

D. David, "Resusitasi Bayi Baru Lahir", Jakarta: EGC, 2008.

E. Declercq, F. Menacker and M. MacDorman, "Rise in "no indicated risk" Primary Caesarens in the United States," Cross Secsional Analysis, Vols. 330: 71-2, 2005.

Helmizar, "Evaluasi Kebijaksanaan Jaminan Persalinan (JAMPERAL) dalam Penurunan Angka Kematian Ibu dan Bayi di Indonesia"," Jurnal Kesehatan Masyarakat, no. ISSN 1858-1196, pp. 197-205, 2014.

H. F. Zegers, G. K. Nygren, D. G. Adamson, de Mouzon J, L. P. R. Mansour and E. Sullivan, "on behalf of The International Committee Assisted Reproductive Technologies," The ICMART glossary on ART Terminology, Human Reproduction 21(8), Vols. 1968-1970, 2006.

H. S. Fady, T. T. El-Ayed and M. M. Mahmoud, "Applying Data Mining Technique for the Optial Usage of Neonatal Incubator"," International Journal of Computer Applications (0975-8887), Vols. 52 - No.3, August 2012.

H. Wiknjosastro, "Ilmu Kebidanan", Jakarta: PT. Bina Pustaka Sarwono Prawirohardjo, 2000.

I. H. Witten and M. A. Hall, "Data Mining Machine Learning Tools and Technique", Burlington: Morgan Kaufan Publisher, 2011.

J. Han and M. Kamber, "Data Mining Concepts and Techniques", San Fransisco: Mofgan Kaufan Publisher, 2007.

J. J. Janghel and P. Tiwari, "Decision Support System for Fetal Delivery using Soft Computing Technique"," Fourth International Conference on Computer Science and Convergence Information Technonology, 2009.

L. Goodwin and S. Maher, "Data Mining for pretern birth prediction"," In Proceedings of the 2000 ACM Symposium on Applied Computing, vol. 1 , pp. 46-51, 2000.

M. R, "Sinopsis Obsteri, Jilid I Edisi 2", Jakarta: ECG penerbit buku kedokteran, 1998. Mutia, Sutikno, L. D. Pratiwi and Salamah, "Spatial Durbin Model untuk Mengidentifikasi Faktor-Faktor yang Mempengaruhi Kematian Ibu di Jawa Timur"," Jurnal Sains dan Seni ITS, vol. 1 No. 1, no. ISSN: 2301-928X, pp. 165-170, 2012.

R. Rabu, "The Analysis and Clasifiation of Birth Data"," Acta Polytechnica Hungarica, vol. 12 No.4, 2015.

(7)

Buku 2 ISSN (E) : 2540 - 7589

S. P. S, "Ilmu Kebidanan", Jakarta: YBPSP, 2008.

T. D. Lorase, "Discovering Knowledge in Database", New Jersey: John Willey & Sons Inc, 2005.

T. L. Kohn, M. J. Corrigan and S. M. Donaldson, "To err is human: Building a Safer Health System", Washington: D.C, National Academy Press, 2000.

T. P. Kavitha and S. T, "Knowledge Driven Healthcare Decision Support System Using Distributed Data Mining"," Indian Journal of Computer Science and Engineering (IJCSE), 2012.