Penerapan Metode C4.5 Terhadap Penyakit Tuberkulosis Paru

(1)

Jurnal Kajian Ilmiah 111 Universitas Bhayangkara Jakarta Raya

Penerapan Metode C4.5 Terhadap Penyakit Tuberkulosis Paru

Joko Sulis Setyo¹, Adjat Sudradjat²

1STMIK Nusa Mandiri Jakarta, [email protected]

ABSTRAK – Kesehatan merupakan hal yang sangat berharga bagi semua orang.

Tuberkulosis paru menjadi penyakit menular yang umum dan dalam banyak kasus bersifat mematikan. Tuberkulosis paru menular melalui udara ketika berinteraksi dengan orang yang sudah terinfeksi saat ia batuk dan bersin, atau melalui butiran ludah mereka yang menyebar di udara. Tuberkulosis paru dapat menyerang siapa saja, baik tua atau muda, laki-laki atau perempuan. Banyak gejala yang bisa terjadi pada seseorang yang terjangkit tuberkulosis paru, dan untuk menganalisa gejala tersebut bukan hal yang mudah, perlu dilakukan tes dahak pada penderita. Selain itu, dibutuhkan juga sebuah metode yang dapat mempermudah saat melakukan analisa dan menggali informasi pasien dari data rekam medik yang tersedia.

Metode C4.5 (Decision Tree) adalah algoritma pengklasifikasian popular yang sederhana dan mudah diterapkan. Hasil yang diperoleh dari decision tree lebih mudah untuk dibaca dan ditafsirkan, melalui fitur untuk mengakses data detail profil pasien yang tersedia dalam pohon keputusan. Dengan perhitungan metode C4.5 diharapkan dapat membantu lebih awal dan memberikan banyak manfaat bagi pihak puskesmas dalam menangani pasien yang terjangkit tuberkulosis paru.

Kata Kunci: Tuberkulosis Paru, Metode C4.5, Catatan Medis Pasien, Pusat Kesehatan

ABSTRACT – Health is a very valuable thing for everybody. Pulmonary tuberculosis is a common contagious disease and in many cases deadly. Pulmonary tuberculosis is transmitted through the air when interacting with an infected person at the time when they cough and sneeze, or through their spittle granules that spread in the air. Pulmonary tuberculosis can affect all people, whether young or old, male or female. Many symptoms can occur in someone who contracted pulmonary tuberculosis, and to analyze the symptoms is not an easy thing, it needs to do sputum tests in patients. In addition, it is also necessary a method that can facilitate when performing analysis and extract patient information from medical record data available. The C4.5 (Decision Tree) method is a simple and easy-to-apply classification algorithm. The results obtained from the decision tree are easier to read and interpret, through features to access the detailed patient profile data available in the decision tree. With the calculation of C4.5 method is expected to help early and provide many benefits for the puskesmas in dealing with patients affected by pulmonary tuberculosis.

Key Words: Pulmonary Tuberculosis, C4.5 Method, Patient Medical Records, Health Centers Naskah diterima : 15 Agustus 2017, Naskah dipublikasikan : 15 September 2017

PENDAHULUAN

Kesehatan merupakan nikmat yang paling berharga bagi diri manusia. Pada umumnya setiap orang menginginkan hidup sehat. Namun bukan hal yang mudah untuk menjaga kesehatan, ditambah lagi pola hidup yang kurang baik. Salah satu yang bisa dilihat adalah kebiasaan merokok,

ditambah lagi pencemaran udara yang sangat tinggi dari polusi. Itu semua dapat menimbulkan berbagai penyakit paru-paru.

Paru-paru adalah organ dari sistem pernapasan (respirasi) dan berhubungan dengan sistem peredaran darah. Pada organ paru terdapat beberapa jenis penyakit yang dapat dikelompokan menjadi dua yaitu

(2)

penyakit paru spesifik (Tuberkulosis Paru) dan penyakit paru nonspesifik seperti bronchitis, pneumonia bronchiectasis, bronchial asthma, tumor paru, dan lain- lain. Di antara penyakit paru, penyakit yang paling menular dan berbahaya adalah tuberkulosis paru. Tuberculosis (TBC) merupakan penyakit menular yang umum, dan dalam banyak kasus bersifat mematikan. penyakit ini disebabkan oleh berbagai strain mikrobakteria, umumnya mycrobacterium tuberculosis. Biasanya menyerang paru-paru, namun juga bisa berdampak pada bagian tubuh lainnya.

Tuberkulosis menyerang melalui udara ketika orang yang terinfeksi TB aktif batuk, bersin, atau menyebarkan melalui butiran ludah mereka melalui udara. TBC dapat menyerang siapa saja, baik tua maupun muda, laki-laki ataupun perempuan.

Pusat Kesehatan Masyarakat (Puskesmas) merupakan salah satu sarana pelayanan kesehatan masyarakat yang amat penting di Indonesia. Puskesmas adalah pintu pertama pelayanan kesehatan di masyarakat. Jika ditinjau dari sistem pelayanan kesehatan di Indonesia, maka peranan dan kedudukan puskesmas adalah sebagai ujung tombak sistem pelayanan kesehatan di Indonesia.

Seluruh data rekam medik pasien yang tersimpan di puskesmas dapat digunakan untuk penambangan data (data mining), sehingga bisa mengekstrak pengetahuan atau menemukan pola dari suatu data yang ada.

LANDASAN TEORI

Data Mining adalah proses untuk menemukan hubungan, pola dan tren baru yang bermakna dengan menyaring data sangat besar, yang tersimpan dalam penyimpanan, menggunakan teknik pengenalan pola seperti teknik statistik dan matematika (Kusrini dan Luthfi, 2009).

Jadi, data mining adalah sebagai serangkaian proses mendapatkan pengetahuan atau pola dari kumpulan data.

Data Mining adalah perpaduan dari Statistik, Artificial Inteligent dan Database (Gorunescu, 2011). Data Mining kemudian dikenal dengan nama Knowladge-discovery in Database. Knowladge-discovery in Database (KDD) adalah kegiatan yang meliputi pengumpulan, pemakaian data historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar. Keluaran dari data mining ini bisa dipakai untuk memperbaiki pengambilan keputusan di masa depan berdasarkan informasi yang di peroleh dari data masa lalu. Tergantung pada aplikasinya, data ini bisa berupa pasien, mahasiswa, permohonan kredit, image atau signal atau pengukuran lain yang perlu diklasifikasikan atau dicari fungsi regesinya atau relasi antar atribut. (Santosa, 2007).

Pohon keputusan (Decision Tree) adalah, sebuah struktur data yang terdiri dari simpul (node) dan rusuk (edge).

Simpul pada sebuah pohon dibedakan menjadi tiga, yaitu simpul akar (root node),

simpul percabangan/internal

(branch/internal node) dan simpul daun (leaf node).

Metode decision tree dengan algoritma C4.5 dapat digunakan untuk mengumpulkan berbagai informasi dari data yang ada di Puskesmas. Decision Tree adalah algoritma pengklasifikasian yang popular yang sederhana dan mudah diterapkan, tidak membutuhkan pengetahuan domain atau parameter pengetahuan dan dapat menangani data dengan dimensional tinggi. Hasil yang diperoleh dari decision tree lebih mudah untuk membaca dan menafsirkan melalui fitur untuk mengakses data detail profil pasien yang tersedia dalam pohon keputusan. Pada penelitian ini, diagnosis yang dikembangkan akan lebih mengarah kepada perhitungan klasifikasi gejala apa saja yang mempengaruhi seseorang terkena tuberkulosis paru.

(3)

METODOLOGI PENELITIAN Tahapan Penelitian

Penelitian yang dilakukan oleh penulis melalui tahapan sebagai berikut:

1. Perumusan Masalah

Setiap penelitian didasarkan pada permasalahan yang dihadapi. Tahap perumusan masalah yaitu klasifikasi hal- hal yang mempengaruhi seseorang terjangkit penyakit TB paru dan apakah ada penyakit penyerta lainnya dengan batasan ruang lingkup yang akan diteliti.

2. Penentuan Tujuan Penelitian

Menentukan tujuan yang akan didapat dari perumusan masalah yang terjadi dari penelitian ini. Tujuan penelitian adalah untuk klasifikasi faktor yang mempengaruhi seseorang terkena tuberkulosis paru dan apakah ada penyakit penyerta lainnya dari data pasien yang terjangkit tuberkulosis paru menggunakan algoritma C4.5, sehingga membantu mendapatkan informasi untuk memprediksi kondisi pasien yang akan berobat.

3. Studi Pustaka

Langkah selanjutnya adalah memantapkan diri untuk meneliti masalah tersebut dengan teori yang berhubungan. Peneliti mempelajari buku-buku, jurnal penelitian, dan e-book teori tentang data mining yang akan digunakan sebagai kajian teori dalam penelitian.

4. Pengumpulan Data Primer

Data yang dikumpulkan dari data pasien poli paru tahun 2016 pada di Puskesmas Kecamatan Cengkareng.

5. Pengolahan Data

Pengolahan data yang penulis lakukan menggunakan teknik Data Mining Algoritma C4.5 atau lebih dikenal pohon keputusan (Decision Tree).

6. Deskripsi Hasil Penelitian

Menganalisa hasil pengolahan data berdasarkan hasil penelitian dan teori yang ada dengan menggunakan perhitungan metode data mining algoritma C4.5 sehingga diperoleh hasil

penelitian dan mendeskripsikan kesimpulan dari hasil penelitian yang telah dilakukan.

Instrumen Penelitian

Instrumen penelitian adalah suatu alat yang digunakan untuk mengukur fenomena alam maupun sosial yang diamati, fenomena tersebut disebut variabel penelitian (Sugiyono, 2009). Jadi instrumen penelitian merupakan alat bantu dalam mengumpulkan data yang diperlukan terkait dengan penelitian tersebut. Karena data tersebut adalah data kuantitatif yang dihitung dengan statistik dan menghasilkan deretan angka, maka instrumen yang digunakan adalah melakukan pencatatan, wawancara informal dan dokumentasi dengan terjun langsung ke lapangan guna mengambil data primer yang dibutuhkan saat observasi. Informasi yang dihasilkan dari berbagai instrumen tidak perlu dicari validitas reliabelnya, sebab data yang diproses bersumber dari lembaga bersangkutan yang menjadi tempat penelitian. Data yang diambil yaitu data historis rekam medik pasien yang terjangkit penyakit tuberkulosis paru pada Puskesmas Kecamatan Cengkareng, Jakarta Barat.

Metode Pengumpulan Data

Pengumpulan data pada penelitan ini dilakukan dengan cara sebagai berikut:

a. Penelitian Lapangan

Penelitian lapangan adalah penelitian yang dilakukan langsung pada objek yang diteliti. Dalam hal ini pengumpulan data diperoleh melalui:

b. Wawancara (Interview)

Penulis melakukan wawancara secara langsung oleh sumber informasi yaitu kepala bagian poli paru Ibu Dr. Fitriani pada Puskesmas Kecamatan Cengkareng.

c. Observasi

Pengunpulan data ini dilakukan dengan pengamatan dan pencatatan secara langsung pada objek penelitian untuk mendapatkan data-data yang diperlukan dalam penelitian. Seperti pencatatan dan

(4)

pengamatan langsung pada saat wawancara.

d. Dokumentasi

Pengumpulan data ini dilakukan dengan cara pengambilan data-data dokumen yang diperlukan untuk kebutuhan penelitian. Dengan mengambil Data rekam medik pasien tahun 2016 yang terjangkit penyakit Tuberkulosis Paru, visi dan misi perusahaan.

Populasi

Populasi adalah wilayah generalisasi yang terdiri atas: obyek/subyek yang mempunyai kualitas dan karakteristik tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik kesimpulannya. Jadi populasi tidak hanya orang tetapi obyek dan benda-benda alam yang lain. Populasi juga bukan sekedar jumlah yang ada pada obyek/subyek yang dipelajari, tetapi meliputi seluruh karakteristik/sifat yang dimiliki oleh subyek atau obyek itu (Sugiyono, 2009).

Berdasarkan kesimpulan di atas, populasi dalam penelitian ini yaitu Data 247 data pasien poli paru Tahun 2016 pada Puskesmas Kec. Cengkareng Jl. Kamal Raya No.02 RT.9/RW.7, Kelurahan Cengkareng Barat, Kecamatan Cengkareng –Jakarta Barat 11730.

Sample Penelitian

Sample adalah bagian dari jumlah dan karakteristik yang dimiliki oleh populasi besar dan peneliti tidak mungkin mempelajari semua yang ada pada populasi, kesimpulannya akan dapat diberlakukan untuk populasi sample yang di ambil harus betul- betul mawakili (Sugiyono, 2009).

Analisis Data

Dalam penelitian ini penulis menggunakan analisis data kuantitatif, yaitu suatu analisa data yang dipergunakan apabila kesimpulan-kesimpulan yang diperoleh dapat dibuktikan dengan angka- angka dan juga dalam perhitungan dipergunakan rumus yang ada hubungannya dengan analisis penelitian. Dalam hal ini

akan dipegunakan analisis Algoritma C4.5 (Decision Tree). Selanjutnya penulis melakukan pengamatan serta analisa terhadap permasalahan di Puskesmas Kecamatan Cengkareng yang terjadi pada Bagian Poli Paru dengan menggunakan metode pengolahan Data Algoritma C4.5 (Decision Tree).

Ada beberapa tahap dalam membuat pohon keputusan dengan algoritma C4.5 (Kusrini, 2007). Yaitu :

1. Menyiapkan data training.

2. Data training biasanya diambil dari data histori yang pernah terjadi sebelumnya dan sudah dikelompokan ke dalam kelas-kelas tertentu.

3. Menentukan akar dari pohon. Akar akan mengambil dari atribut yang terpilih, dengan cara menghitung niali gain dari masing – masing atribut, niali gain yang paling tinggi yang akan menjadi akar pertama. Sebelum menghitung nilai gain dari atribut, hitung dahulu nilai entropy.

Untuk menghitung nilai entropy digunakan rumus:

Keterangan :

S = himpunan kasus n = jumlah partisi S p_i = proposi S_i terhadap S

4. Kemudian hitung nilai gain dengan rumus :

Keterangan :

S = himpunan kasus A = fitur

n = jumlah partisi atribut A

|Si| = proposi Si terhadap S

|S| = jumlah kasus dalam S

5. Ulangi langkah ke-2 hingga semua record terpartisi

6. Proses partisi pohon keputusan akan berhanti saat:

(5)

a. Semua record dalam simpul N mendapat kelas yang sama.

b. Tidak ada atribut di dalam record yang dipartisi lagi.

c. Tidak ada record di dalam cabang yang kosong.

Setelah hasil perhitungan algoritma C4.5 didapat dengan perhitungan manual, maka akan lebih akurat dengan software Rapid Miner. Dengan cara menginput table ke dalam Ms. Excel yang kemudian akan dimasukan ke software Rapid Miner file akan terbaca apabila format yang digunakan xls.

PEMBAHASAN

Berdasarkan data rekam medik pasien yang berobat tahun 2016 di poli paru Puskesmas Kecamatan Cengkareng dapat diperoleh data sebagai berikut:

Tabel 1. Data Rekam Medik Pasien Poli Paru

No. Jenis kelamin Umur Batuk 2-3 minggu Keringat malam Berat badan turun Nafsu makan berkurang Riwayt kontak TB Batuk berdahak Batuk berdarah Hasil BCG muncul Cepat Benjolan di leher Hasil

1 Prmpn 55-64 y t y y t y t t t -

2 Laki2 15-24 y y y y t y y t t +

3 Laki2 >65 y t y t t y t t t -

4 Laki2 25-34 y y y t t y t t t -

5 Laki2 15-24 y y y y y y y t t +

6 Laki2 35-44 y y y t t y t t t -

7 Prmpn 15-24 y y y t t y t t t -

8 Prmpn 15-24 y y y y t y y t t +

9 Prmpn 25-34 y y y y t y y t t +

11 Laki2 25-34 y t y y t y t t t -

12 Laki2 55-64 y y y y t y t t t +

13 Laki2 35-44 y t y y t t t t t -

14 Laki2 45-54 y y y t t y t t t -

15 Laki2 45-54 y y y t t y t t t -

18 Laki2 25-34 y t y y y y y t t +

19 Prmpn >65 y t y y t y t t t - 20 Prmpn >65 y t y y t y t t t -

21 Laki2 45-54 y y y t t y t t t -

22 Laki2 35-44 y t y y t y t t t -

23 Laki2 35-44 y t y y t y t t t -

24 Prmpn 25-34 y y y y y y t t t +

25 Laki2 25-34 y y y y y y t t t +

26 Laki2 25-34 y y y y t y y t t +

27 Laki2 45-54 y y y y t y y t t +

28 Laki2 0-14 y t y y t y y y y +

29 Laki2 45-54 y t y y t t t t t -

Sumber: Puskesmas Cengkareng (2016)

Berdasarkan tabel tersebut dengan menggunakan metode C4.5 (Decision Tree) akan ditentukan seseorang positif atau negatif terjangkit tuberkulosis paru dengan melihat Jenis kelamin, umur, batuk 2- minggu, keringat malam, berat badan turun, nafsu makan berkurang, riwayat kontak TB, batuk berdahak, batuk berdarah, hasil suntikan BCG muncul lebih cepat 1 minggu dan muncul benjolan di leher.

Tabel 2. Proses Klasifikasi Data

JUMLAH KASUS NEGATIF POSITIF ENTROPY GAIN

TOTAL 247 106 141 0,985467

jenis

kelamin 0,014028

Laki2 146 71 75 0,999458 Prmpn 101 35 66 0,930935

Umur 0,122861

0-14 44 3 41 0,359101

15-24 47 22 25 0,997059 25-34 46 18 28 0,965636 35-44 48 25 23 0,998747 45-54 32 19 13 0,974489 55-64 23 13 10 0,987692

>65 7 6 1 0,591672

Batuk

2-3 minggu 0,000340

YA 244 105 139 0,985948

TIDAK 3 1 2 0,918295

Keringat

malam 0,039899

YA 158 54 104 0,926504 TIDAK 89 52 37 0,979411

Berat badan

turun 0,000340

YA 244 105 139 0,985948

TIDAK 3 1 2 0,918295

Nafsu

makan 0,283186

Berkurang YA 174 41 133 0,787700

TIDAK 73 65 8 0,498675

Riwayat

kontak TB 0,153185

YA 48 1 47 0,14609

(6)

TIDAK 199 105 94 0,99779 Batuk

berdahak 0,030374

YA 196 94 102 0,99879 TIDAK 51 12 39 0,78712 Batuk

berdarah 0,182145

YA 68 4 64 0,32275

TIDAK 179 102 77 0,98588

Hasil BCG muncul

cepat 0,128261

YA 42 1 41 0,16232

TIDAK 205 105 100 0,99957

Muncul benjolan

dileher 0,128261

YA 42 1 41 0,16232

TIDAK 205 105 100 0,999570

Sumber: Hasil olahan data

Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Sebelum menghitung nilai gain dari atribut, hitung dahulu nilai entropy yaitu:

Berdasarkan tabel rekam medik diatas, maka dihitung nilai entropy terlebih dahulu

1. Menghitung Nilai Entropy Total Entropy (Total) =

(-106/247*log₂(106/247))+(-141/247*

log2 (141/247))

Entropy (Total) = 0,985467

2. Menghitung nilai entropy Jenis Kelamin

Entropy (jenis kelamin,laki-laki) = (-71/146*log2(71/146))+(-75/146* log2

(75/146))

Entropy (jenis kelamin,laki-laki l) = 0,999458

Entropy (jenis kelamin,perempuan) =

(-35/101*log2(35/101))+

(-66/101* log2 66/101))

Entropy (jenis kelamin,perempuan) = 0,930935

Gain (Total,jenis kelamin) = 0,985467196–((-146/247*

0,999458482)+(101/247*0,930935072)) Gain(Total, jenis kelamin)= 0,014028 3. Menghitung Entropy Umur:

Entropy(umur,0-14)=

(-3/44*log₂(3/44))+(-41/44* log₂(41/44)) Entropy(umur,0-14)= 0,359101

Entropy(umur,15-24)=

(-22/47*log2(22/47))+(-25/47*

log2(25/47))

Entropy(umur,15-24)= 0,997059 Entropy(umur,25-34)=

(-18/46*log2(18/46))+(-28/46*

log2(28/46))

Entropy(umur, 25-34)= 0,965636 Entropy(umur,35-44)=

(-25/48*log2(25/48))+(-23/48*

log₂(23/48))

(-19/32*log₂(19/32))+(-13/32*

log2(13/32))

(-13/23*log2(13/23))+(-10/23*

log2(10/23))

Entropy(umur, 55-64)= 0,987692 Entropy(umur,>65)=

(-6/7*log2(6/7))+(-1/7* log2(1/7)) Entropy(umur,>65)= 0,591672 Gain(Total,umur)=

0,985467196–((-44/247*0,359101626)+

(47/247*0,997059057)+

(46/247*0,965636133)+

(48/247*0,998747298)+

(7)

(32/247*0,974489403)+

(23/247*0,987692509)+

(7/247*0,591672779))

Gain(Total,umur) = 0,122861

4. Menghitung Entropy Batuk 2-3 Minggu

Entropy(batuk 2-3 minggu,YA)=

(-105/244*log₂(105/244))+

(-139/244*log2139/244))

Entropy(batuk 2-3 minggu,YA)=

0,985948

Entropy(batuk 2-3 minggu,TIDAK)=

(-1/3*log2(1/3))+(- 2/3* log2(2/3)) Entropy(batuk 2-3 minggu,TIDAK)=

0,918295

Gain(Total, batuk 2-3 minggu) = 0,985467196–((-

244/247*0,985948041)+

(3/247*0,918295834)) Gain(Total,umur) = 0,000340

5. Menghitung Entropy Keringat malam Entropy(keringat malam,YA)=

(-54/158*log2(154/58))+

(-104/158*log₂(104/158))

Entropy(keringat malam,YA)= 0,926504 Entropy(keringat malam,TIDAK)=

(-52/89*log₂(52/89))+

(-37/89*log2(37/89))

Entropy(keringat malam,TIDAK)=

0,979411

Gain(Total,keringat malam) = 0,985467196–((-

158/247*0,926504446)+

(89/247*0,979411635)) Gain(Total,umur) =0,039899

Dari perhitungan pada tabel IV.2 dihasilkan gain tertinggi pada nafsu makan Berkurang dengan nilai 0,283186. Dengan demikian nasfu makan berkurang menjadi

node akar. Ada dua nilai atribut dari nasfu makan berkurang yaitu YA dan TIDAK keduanya masih perlu dilakukan perhitungan lagi.

KESIMPULAN DAN SARAN

Dari uraian yang telah disampaikan penulis, dapat diambil kesimpulan sebagai berikut:

1. Hasil perhitungan secara manual bahwa yang menjadi node akar adalah atribut nafsu makan berkurang dan hasil akhir kelas pada atribut jenis kelamin dan keringat malam.

2. Hasil perhitungan menggunakan Aplikasi Rapid Miner, yang menjadi node akar adalah atribut nafsu makan berkurang dan hasil akhir kelas pada atribut jenis kelamin,hasil suntikan BCG muncul, dan keringat malam.

3. Dari hasil perhitungan secara manual dan menggunakan aplikasi Rapid Miner didapat hasil yang hampir sama. Yaitu atribut nafsu makan berkurang menjadi node akar seseorang terkena Tuberkulusis Paru. Sedangkan hasil akhir kelas pada perhitungan manual didapat atribut jenis kelamin, keringat malam dan perhitungan Rapid miner didapat atribut jenis kelamin, keringat malam dan hasil suntikan BCG muncul cepat. Yang membedakan hanya atribut hasil suntikan BCG muncul pada perhitungan Rapid miner.

4. Dari hasil penelitian yang penulis ambil dari data pasien yang ada, Penulis menyimpulkan bahwa faktor seseorang batuk lebih 2-3 minggu, batuk berdahak,dan batuk berdarah belum tentu terkena Tuberkulosis Paru. Bisa saja terjangkit penyakit lain, seperti bronchitis, pneumonia brockiectasis, asma bronkiole dan penyakit pernafasan lainnya.

(8)

Berdasarkan hasil penelitian penerapan algoritma C4.5 pada penyakit Tuberkulosis yang akan diajukan, maka saran yang selayaknya dapat dan dipertimbangkan agar dalam implementasi nanti dapat bermanfaat dimasa depan sebagai berikut:

1. Memperluas ruang lingkup dari penelitian, sehingga menghasilkan informasi yang lebih menyeluruh terhadap kondisi pasien dan menjadi bahan pertimbangan dalam pengambilan keputusan untuk menentukan strategi pihak puskesmas.

2. Perlunya pemeliharaan dan pengawasan data pasien yang berguna sebagai bahan informasi menganalisa kondisi dimasa yang akan datang.

3. Mengembangkan pengarsipan data yang lebih terkomputerisasi yang berhubung dengan data mining, seperti data warehouse.

DAFTAR PUSTAKA

Gorunescu, Florin. (2011). Data Mining- Concepts, Models, and Techniques.

Berlin: Springer.

Hermawati, Fajar Astuti. (2013). Data Mining. Yogyakarta: Andi Offset.

Himawan, Hidayatulah, Oliver S.

Simanjuntak, Triawan, Agus. (2015).

Diagnosa Tingkat Kesehatan Pasien Menggunakan Metode Decision Tree.

ISSN: 1979-2328. Yogyakarta: Jurnal Ilmiah UPN “Veteran” Vol I, No. 1 Yogyakarta 2015 : 178-181. Diambil dari:

http://jurnal.upnyk.ac.id/index.php/se mnasif/article/view/1380 (23 Oktober 2016)

Ihsan dan Wajhillah, Rusda. (2015).

Penerapan Algoritma C4.5 terhadap Diagnosa Penyakit demam Tifoid Berbasis Mobile. ISSN: 2355-990.

Sukabumi: Jurnal Ilmiah Swabumi Vol III, No. 1 September 2015: 24-

30. Diambil dari:

https://www.researchgate.net/publicat ion/290438140 (22 Oktober 2016) Iswanto, Mukhammad Hasim, Adhistya

Erna Permanasari, dan Hanung Adi Nugroho. (2015). Pemanfaatan Teknik Data Mining Untuk Diagnosis Penyakit Tuberculosis (TBC). ISSN:

2302-3805. Yogyakarta: Jurnal Ilmiah Semnasteknomedia Vol III, No.1 6-7 Februari 2015: 121-124. Diambil dari:

http://ojs.amikom.ac.id/index.php/se mnasteknomedia/article/view/901 (16 Oktober 2016)

Kusrini. (2007). Konsep dan Aplikasi Sistem Pendukung Keputusan.

Yogyakarta: Andi Offset.

Kusrini dan Luthfi, E.T. (2009). Algoritma Data Mining. Yogyakarta: Andi Offset.

Santosa, Budi. (2007). Data Mining Terapan dengan Matlab. Yogyakarta:

Graha Ilmu.

Sugiyono. (2009). Metode Penelitian Bisnis (Pendekatan Kuantitatif, Kualitatif, dan R&D). Bandung: Alfabeta.

Widodo, Prabowo Pudjo, Rahmadya Trias Handayanto, dan Herlawati. (2013).

Penerapan Data Mining Dengan Matlab. Bandung: Rekayasa Sains.