SISTEM PAKAR UNTUK DIAGNOSA AWAL
PENYAKIT PREEKLAMPSIA PADA IBU HAMIL
MENGGUNAKAN METODE NAÏVE BAYES
SKRIPSI
Oleh:
MELAN HANDAYANI
311410389
TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
SISTEM PAKAR UNTUK DIAGNOSA AWAL
PENYAKIT PREEKLAMPSIA PADA IBU HAMIL
MENGGUNAKAN METODE NAÏVE BAYES
SKRIPSI
Diajukan Sebagai Salah Satu Syarat Untuk Menyelesaikan Program Strata Satu (S1) pada Program Studi Teknik Informatika
Oleh:
MELAN HANDAYANI
311410389
TEKNIK INFORMATIKA
SEKOLAH TINGGI TEKNOLOGI PELITA BANGSA
BEKASI
iii
PERNYATAAN KEASLIAN PENELITIAN
Saya yang bertandatangan dibawah ini menyatakan bahwa, skripsi ini merupakan karya saya sendiri (ASLI), dan isi dalam skripsi ini tidak terdapat karya yang pernah diajukan oleh orang lain untuk memperoleh gelar akademis di suatu institusi pendidikan tinggi manapun, dan sepanjang pengetahuan saya juga tidak terdapat karya atau pendapat yang pernah ditulis dan/atau diterbitkan oleh orang lain, kecuali yang secara tertulis diacu dalam naskah ini dan disebutkan dalam daftar pustaka.
Segala sesuatu yang terkait dengan naskah dan karya yang telah dibuat adalah menjadi tanggungjawab saya pribadi.
Bekasi, 30 Oktober 2018
Materai 6.000
Melan Handayani NIM: 311410389
iv
KATA PENGANTAR
Puji syukur penulis panjatkan ke hadiran Allah SWT. yang telah melimpahkan segala rahmat dan hidayah-Nya, sehingga tersusunlah Skripsi yang berjudul “SISTEM PAKAR UNTUK DIAGNOSA AWAL PENYAKIT PREEKLAMPSIA PADA IBU HAMIL MENGGUNAKAN METODE NAIVE BAYES”
Skripsi tersusun dalam rangka melengkapi salah satu persyaratan dalam rangka menempuh ujian akhir untuk memperoleh gelar Sarjana Komputer (S.Kom.) pada Program Studi Teknik Informatika di Sekolah Tinggi Teknologi Pelita Bangsa. Penulis sungguh sangat menyadari, bahwa penulisan Skripsi ini tidak akan terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Sudah selayaknya, dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan terima kasih yang sebesar-besarnya kepada:
a. Bapak Dr. Ir. Suprianto, M.P selaku Ketua STT Pelita Bangsa
b. Bapak Aswan S. Sunge, S.Kom, M.Kom selaku Ketua Program Studi Teknik Informatika STT Pelita Bangsa.
c. Bapak Abdul Halim Anshor, S.Kom, M.Kom selaku Pembimbing Utama yang telah banyak memberikan arahan dan bimbingan kepada penulis dalam penyusunan Skripsi ini.
d. Bapak Ahmad Aguswin, S.T, M.M selaku Pembimbing Kedua yang telah banyak memberikan arahan dan bimbingan kepada penulis dalam penyusunan Skripsi ini.
e. Seluruh Dosen STT Pelita Bangsa yang telah membekali penulis dengan wawasan dan ilmu di bidang teknik informatika.
f. Seluruh staf STT Pelita Bangsa yang telah memberikan pelayanan terbaiknya kepada penulis selama perjalanan studi jenjang Strata 1.
g. Rekan-rekan mahasiswa STT Pelita Bangsa, khususnya angkatan 2014, yang telah banyak memberikan inspirasi dan semangat kepada penulis untuk dapat menyelesaikan studi jenjang Strata 1.
v
h. Suami tercinta yang senantiasa mendukung dan membantu selama proses bimbingan skripsi, serta putra tercinta Al Zaidan Faeyza penyemangat dalam penulisan skripsi ini
i. Ibu dan Alm. Ayah tercinta yang senantiasa mendo’akan dan memberikan semangat dalam perjalanan studi Strata 1 maupun dalam kehidupan penulis.
Akhir kata, penulis mohon maaf atas kekeliruan dan kesalahan yang terdapat dalam Skripsi ini dan berharap semoga Skripsi ini dapat memberikan manfaat bagi khasanah pengetahuan Teknologi Informasi di lingkungan STT Pelita Bangsa khususnya dan Indonesia pada umumnya.
Bekasi, Oktober 2018
vi
DAFTAR ISI
PERSETUJUAN...i
PENGESAHAN...ii
PERNYATAAN KEASLIAN PENELITIAN...iii
KATA PENGANTAR...iv
DAFTAR ISI ... ..vi
DAFTAR TABEL ... x DAFTAR GAMBAR ... xi ABSTRACT ... xii ABSTRAK ... xiii BAB I PENDAHULUAN ... 1 1.1 Latar Belakang…...1 1.2 Identifikasi Masalah...3 1.3 Rumusan Masalah...3 1.4 Batasan Masalah...3
1.5 Tujuan dan Manfaat Penelitian...4
1.5.1 Tujuan Penelitian...4
vii
1.6 Metode Pengumpulan Data...5
1.6.1 Metode Observasi...6
1.6.2 Metode Pustaka...6
1.6.3 Wawancara...6
1.7 Sistematika Penulisan...7
BAB II TINJAUAN PUSTAKA ... 8
2.1 Penelitian Terdahulu...8
2.2 Dasar Teori...10
2.2.1 Kehamilan Preeklampsia...10
2.2.2 Derajat Tingkat Preeklampsia...15
2.3 Kecerdasan Buatan...17
2.4 Sistem Pakar...20
2.4.1 Struktur Sistem Pakar...20
2.5 Algoritma Naïve Bayes...23
2.6 Teori Bahasa Pemograman...27
2.6.1 Sejarah PHP...27
2.6.2 Bahasa Pemograman PHP...28
2.6.3 Xampp...29
2.6.4 Notepad++...30
2.5.5 Database yang digunakan MySQL...31
viii
3.1 Tempat dan Waktu Penelitian...32
3.2 Objek Penelitian...32
3.3 Perangkat Keras dan Perangkat Lunak Pendukung...32
3.4 Tahapan Penelitian...33
3.4.1 Studi Pustaka...34
3.4.2 Pengumpulan Data...34
3.4.3 Praproses Data...35
3.4.4 Perancangan Basis Data...38
3.4.5 Perancangan Diagram Alir Program...40
3.4.6 Perancangan Desain Antarmuka...42
3.4.7 Analisa Hasil Perhitungan...42
BAB IV HASIL DAN PEMBAHASAN ... 47
4.1 Hasil Pengumpulan Data...47
4.2 Hasil Praproses Data...48
4.3 Hasil Perancangan Basis Data...49
4.4 Hasil Perancangan Desain Antarmuka...51
4.5 Analisa Hasil Perhitungan Naïve Bayes...55
4.5.1 Menghitung Probabilitas Kelas...55
4.5.2 Menghitung Probabilitas Masing-masing Atribut...56
ix
4.5.4 Kasus Perhitungan Naive Bayes... 59
4.6 Uji Akurasi Sistem Pakar... 61
BAB V KESIMPULAN ... 64
5.1 Kesimpulan...64
5.2 Saran...64
DAFTAR PUSTAKA ... 66 LAMPIRAN
x
DAFTAR TABEL
Tabel 3.1 Atribut Penyakit Preeklampsia... 35
Tabel 3.2 Nilai Atribut ... 36
Tabel 3.3 Perancangan Basis Data ... 39
Tabel 4.1 Nilai Atribut ... 43
Tabel 4.2 Probabilitas Kelas ... 56
Tabel 4.3 Atribut Usia Ibu ... 56
Tabel 4.4 Atribut Usia Kehamilan ... 56
Tabel 4.5 Atribut Tekanan Darah Sistolik ... 57
Tabel 4.6 Atribut Tekanan Darah Diastolik ... 57
Tabel 4.7 Atribut Kenaikan Berat Badan ... 58
Tabel 4.8 Atribut Protenuria ... 58
Tabel 4.9 Atribut Edema ... 58
Tabel 4.10 Data Testing ... 57
xi
DAFTAR GAMBAR
Gambar 3.1 Diagram Alir Tahapan Penelitian ... 32
Gambar 3.2 Diagram Alir Program ... 41
Gambar 3.3 Tampilan Website ... 42
Gambar 3.4 Tampilan Form Login ... 42
Gambar 4.1 Dokumen Antenatal care ... 48
Gambar 4.2 Hasil Tampilan Tabel Gejala... 50
Gambar 4.3 Hasil Tampilan Tabel Admin ... 50
Gambar 4.4 Hasil Tampilan Tabel Basis Aturan ... 51
Gambar 4.5 Hasil Tampilan Tabel Nama Penyakit ... 51
Gambar 4.6 Hasil Tampilan Tabel Solusi ... 51
Gambar 4.7 Tampilan Halaman Home ... 52
Gambar 4.8 Tampilan Halaman Tentang Preeklampsia ... 52
Gambar 4.9 Tampilan Halaman Layanan ... 53
Gambar 4.10 Tampilan Halaman Tes Preeklampsia ... 53
Gambar 4.11 Form Login ... 54
Gambar 4.12 Tampilan Halaman Team ... 54
xii
ABSTRACT
Eclampsia ranks second cause of maternal death. Preeclampsia diagnosis, which is a prelude to eclampsia, needs to be implemented to reduce maternal and child mortality. The purpose of this study was to create an expert system for early diagnosis of preeclampsia in pregnant women using the naïve Bayes method. Stages of research methodology include literature study, data collection, data processing, database design, program flow diagram design, interface design design, calculation analysis. The variables used are 7, namely systolic blood pressure, diastolic blood pressure, weight gain, gestational age, maternal age, edema, proteinin. The system output is a diagnosis of mild preeclampsia, or severe preeclampsia. This expert system implementation uses a web base with the language of the PHP program. To find out the accuracy of the system, the system evaluation is done by comparing the expert results with the system results on 10 testing data, and getting the result 1 shows the wrong results and 9 results are correct. Thus the system accuracy percentage is 90%.
xiii
ABSTRAK
Eklampsia menempati urutan kedua penyebab kematian ibu. Diagnosa Preeklampsia yang merupakan pendahuluan dari eklampsia perlu dilaksanakan untuk menurunkan angka kematian ibu dan anak. Tujuan penelitian ini adalah membuat sistem pakar untuk dignosa awal penyakit preeklampsia pada ibu hamil menggunakan metode naïve bayes.Tahapan metodologi penelitian meliputi studi pustaka, pengumpulan data, praproses data, perancangan basis data, perancangan diagram alir program, perancangan desain antarmuka, analisis hasl perhitungan. Variabel yang digunakan ada 7 yaitu tekanan darah sistolik, tekanan darah diastolik, kenaikan berat badan, Usia Kehamilan, Usia Ibu, Edema, Proteinuria. Output sistem berupa diagnosa preeklampsia ringan, atau preeklampsia berat. Implementasi sistem pakar ini menggunakan basis web dengan bahasa program PHP. Untuk mengetahui akurasi sistem dilakukan evaluasi sistem dengan cara membandingkan hasil pakar dengan hasil sistem terhadap 10 data testing, dan mendapatkan hasil 1 menunjukkan hasil salah dan 9 hasil benar. Dengan demikian prosentase akurasi sistem sebesar 90%.
14
BAB I
PENDAHULUAN
1.1Latar Belakang
Angka Kematian Ibu (AKI) di Indonesia masih sangat tinggi dan tertinggi di antara negara-negara ASEAN. Pada tahun 1990, AKI berada pada tingkat 390 per 100.000 kelahiran hidup, dan survei pada tahun 2002-2003 menghasilkan perkiraan sebesar 307 per 100.000 kelahiran. Namun, hasil analisa menyimpulkan bahwa keadaannya sangat mencemaskan bagi perempuan indonesia. Walaupun perbandingan kedua angka tersebut sepertinya menunjukan penurunan, namun karena hasil survei sangat peka terhadap sampling eror maka sukar menyimpulkan dengan pasti bahwa memang terjadi penurunan dalam angka kematian ibu selama 10 hingga 15 tahun yang lalu di Indonesia. (AIPI, 2012). Salah satu target pencapaian dari Milenium Development Goals (MDGs) pada tahun 2015 adalah meningkatkan kesehatan ibu dengan mengurangi rasio kematian ibu sebesar 102 per 100.000 kelahiran hidup. Walaupun pelayanan antenatal (pemeriksaan sebelum kelahiran) dan pertolongan persalinan oleh tenaga kesehatan terlatih cukup tinggi, beberapa faktor seperti risiko tinggi pada saat kehamilan dan aborsi perlu mendapat perhatian. Ke depan, upaya peningkatan kesehatan ibu diprioritaskan pada perluasan pelayanan kesehatan berkualitas.
Pelayanan obstetrik yang komperehensif, peningkatan pelayanan keluarga berencana dan penyebarluasan komunikasi, informasi dan edukasi kepada
15
masyarakat. (Bappenas, 2013). Penyebab kematian ibu yang paling umum di Indonesia disebabkan oleh obstetri langsung, diantaranya perdarahan sebanyak 28%, eklampsia sebanyak 24%, dan infeksi sebanyak 11%, sedangkan penyebab obstetri tidak langsung adalah trauma obstetri 5% dan lain-lain 11%. (BKKBN, 2010). Berdasarkan prosentase penyebab kematian ibu menunjukkan bahwa eklampsia menempati urutan kedua penyebab kematian ibu pada masa kehamilan. Eklampsia merupakan pendahulu dari preeklampsia. Preeklampsia merupakan penyakit dengan tanda-tanda hipertensi, edema, dan proteinuria yang timbul karena kehamilan (Wiknjosastro, et al., 2005). Kematian ini umumnya dapat dicegah apabila dapat di deteksi sejak dini, kemudian mendapatkan penanganan yang tepat pada saat yang paling kritis yaitu pada masa sekitar persalinan (Faiqoh, et al., 2014). Sistem Pakar adalah paket perangkat lunak pengambilan keputusan yang dapat mencapai tingkat performa yang setara atau bahkan lebih dengan pakar manusia di beberapa bidang khusus. Ide dasar dibalik sistem pakar adalah sederhana, keahlian ditransfer dari pakar ke suatu komputer. Pengetahuan ini kemudian disimpan di dalam komputer, dan pengguna menjalankan komputer untuk nasihat spesifik yang diperlukan. Sistem pakar menanyakan fakta-fakta dan dapat membuat inferensi dan sampai pada suatu kesimpulan khusus. Kemudian, seperti konsultan manusia, ia menasihati nonexpert dan menjelaskan, jika perlu, logika di balik nasihat yang diberikan. (Turban, et al., 2005).
Penelitian ini akan membuat “Sistem Pakar Untuk Diagnosa Awal Penyakit Preeklampsia Pada Ibu Hamil Menggunakan Metode Naïve Bayes” yang dapat
16
digunakan untuk mendiagnosa ibu hamil mengalami preeklampsia ringan, atau preeklampsia berat.
1.2Identifikasi Masalah
Berdasarkan latar belakang masalah di atas maka dapat disimpulkan bahwa : 1. Tingginya angka kematian akibat penyakit preeklampsia pada ibu hamil. 2. Peningkatan pelayanan keluarga berencana dan penyebarluasan
komunikasi, informasi dan edukasi kepada ibu hamil.
3. Aplikasi perangkat lunak dibutuhkan untuk menggantikan keahlian seorang pakar ke sistem komputer.
1.3 Rumusan Masalah
Berdasarkan identifikasi masalah, maka rumusan masalah dalam penelitian ini adalah bagaimana membuat sistem pakar diagnosa awal penyakit preeklampsia pada ibu hamil menggunakan metode Naïve bayes ?
1.4 Batasan Masalah
Batasan masalah dalam membuat sistem pakar diagnosa awal penyakit preeklampsia pada ibu hamil menggunakan metode Naïve bayes,
1. Input sistem meliputi tekanan darah sistolik, tekanan dasar diastolik, kenaikan berat badan, usia kehamilan, usia ibu, edema (pembengkakan) dan proteinuria.
2. Output sistem berupa deteksi dini tingkat risiko ibu hamil mengalami preeklampsia atau tidak.
17
3. Untuk output yang diberikan pada sistem ini merujuk pada buku Ilmu Kebidanan selaku buku panduan Obstetri dan Ginekologi.
4. Metode yang digunakan untuk testing adalah metode Naïve Bayes Classifier.
5. Implementasi sistem dioperasikan di smartphone ataupun PC yang berbasis Web.
1.5 Tujuan dan Manfaat Penelitian
1.5.1 Tujuan Penelitian
Tujuan yang dirancang untuk penelitian ini adalah :
1. Membuat sebuah program sistem pakar yang mampu membantu proses diagnosis potensi preeklampsia menggunakan naive bayes.
2. Mengetahui tingkat akurasi hasil keluaran yang diberikan oleh program sistem pakar dalam mengklasifikasi potensi preeklampsia.
1.5.2 Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah : 1. Bagi Penulis
a. Membuat wawasan keilmuan bagi penulis tentang pengetahuan dalam bidang teknik informatika khususnya perancangnya sistem pakar diagnosa penyakit preeklampsia.
18
b. Mendapat wawasan dalam pengetahuan tentang sistem pakar,ilmu pakar dan ilmu kesehatan.
c. Memperdalam pengetahuan tentang penulisan karya ilmiah. 2. Bagi pelita bangsa
a. Mendorong terwujudnya budaya penelitian kajian keilmuan.
b. Meningkatkan konsep, seni dan teknologi baru dalam menunjukkan peningkatan kualitas pendidikan nasional.
c. Memberikan referensi untuk penelitian lebih lanjut dalam perancangan sistem informatika.
3. Bagi masyarakat
a. Aplikasi ini diharapkan dapat membantu masyarakat luas dalam mendiagnosa gejala penyakit preeklampsia.
b. Aplikasi ini juga diharapkan dapat mengatasi keterbatasan tenaga ahli kesehatan, tetapi tidak menggantikan secara menyeluruh.
c. Dan diharapkan mampu mendekati kemampuan dan kecerdasan pakar dalam memberikan informasi untuk mendiagnosa penyakit.
1.6 Metode Pengumpulan Data
Untuk mendapatkan data yang diperlukan dalam penulisan laporan tugas akhir, penulis menggunakan beberapa metode, adapun metode yang digunakan adalah sebagai berikut :
19
1.6.1 Metode Observasi
Adalah metode yang dilakukan penulis untuk mengumpulkan data dan mendapatkan hal-hal yang diperlukan untuk proses penulisan dengan cara mendatangi objek penulisan secara langsung di RS Asri Medika Cikarang Jalan Citanduy Raya Blok L 11 No.1 Cikarang Utara, Bekasi, Jawa Barat 17530.
1.6.2 Metode Pustaka
Bahan-bahan yang digunakan di dalam landasan teori dalam laporan penulisan ini diperoleh dan didapatkan dari berbagai sumber tertulis, yaitu buku-buku panduan, internet, jurnal yang terkait dan memuat informasi-informasi yang diperlukan untuk digunakan dalam penyusunan laporan penulisan.
1.6.3 Wawancara
Bahan-bahan yang dipergunakan didalam landasan teori dalam laporan penulisan ini diperoleh dan didapatkan dengan bertanya langsung kepada narasumber terkait yaitu Bidan Lulu Azhaari Amd.Keb selaku bidan praktek di Rs Asri Medika Cikarang, dan tujuan dari tanya jawab ini untuk mengetahui lebih lanjut mengenai kriteria seputar gejala preeklampsia, proses pelayanan pemeriksaan pada ibu hamil, tindakan dalam penanganan preeklampsia, serta pencegahan agar tidak terjadi preeklampsia yang diharapkan dapat mebantu wanita hamil di Indonesia.
20
1.7 Sistematika penulisan
Untuk mengetahui secara ringkas permasalahan dalam penulisan penelitian ini, maka digunakan sistematika penulisan yang bertujuan untuk mempermudah pembaca menelusuri dan memahami isi penelitian sebagai berikut :
BAB 1 : PENDAHULUAN
Bab ini berisi tentang latar belakang masalah, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, dan sistematika penulisan penelitian.
BAB II : TINJAUAN PUSTAKA
Pada bab ini dijelaskan tentang landasan teori yang merupakan teori dasar dan teori yang akan mendukung dalam proses perancangan, perencanaan sistem pakar diagnosa penyakit preeklampsia.
BAB III : METODE PENELITIAN
Pada bab ini merupakan penjabaran tentang metode penelitian meliputi tempat dan waktu penelitian, objek penelitian, tahapan penelitian, studi pustaka, metode pengumpulan data, praproses data, perancangan basis data yang secara garis besar telah disinggung dalam pendahuluan. Dalam bab ini membahas metode
21
pengumpulan data dan metode analisis serta kerangka berfikir penulis dalam melakukan penelitian.
BAB IV : HASIL DAN PEMBAHASAN
Pada bab ini menyorot objektif terhadap hasil penelitian, tolak ukurnya dapat dilihat pada persiapan, asumsi, hipotesis, metode penelitian, dan komponen-komponen yang lain.
BAB V : PENUTUP
Pada bab ini berisi kesimpulan dari uraian yang sudah diterangkan pada bab-bab sebelumnya dan juga berisi saran untuk pengembangan lebih lanjut.
22
BAB II
TINJAUAN PUSTAKA
2.1 Penelitian Terdahulu
Penelitian terdahulu ini menjadi salah satu acuan penulis dalam melakukan penelitian sehingga penulis dapat memperkaya teori yang digunakan dalam mengkaji penelitian yang dilakukan. Dari penelitian terdahulu penulis tidak menemukan penelitian dengan judul yang sama seperti judul penulis. Namun penulis mengangkat beberapa penelitian sebagai referensi dalam memperkaya bahan kajian pada penelitian penulis. Berikut merupakan penelitian terdahulu berupa beberapa jurnal terkait dengan penelitian yang dilakukan.
1. Sistem Pakar untuk Diagnosa Awal Penyakit pada Ibu Hamil Menggunakan Pendekatan Metode Naive Bayes. (2014) disusun oleh Yule Bastono Kusumawardana , Etika Kartikadarma, Jurnal Teknologi Informasi dan Komunikasi yang membuat sistem pakar untuk menentukan penyakit berdasarkan gejala umum yang diderita oleh ibu hamil.
2. Sistem Pakar untuk Deteksi Dini Tingkat Risiko pada Ibu Hamil terhadap Preeklampsia dengan Logika Fuzzy. (2016) disusun oleh Adinda Mustika Nugraheni , Jurnal Teknologi Informasi dan Komunikasi yang membuat sarana informasi berupa sistem pakar deteksi dini preeklampsia menggunkan pendekataan logika fuzzy dengan berbagai variabel seperti edema kenaikan berat badan, protenuria, tekan darah sistolik dan diastolik.
23
3. Sistem Pakar Klasifikasi Stroke dengan Metode Naive Bayes Classifier dan certainly factor sebagai alat bantu diagnosis. (2016) disusun oleh Olivia Aulia Nastiti , Jurnal Teknologi Informasi dan Komunikasi yang membuat sistem pakar untuk membantu proses diagnosis awal seorang dokter spesialis syaraf dalam mendiagnosis potensi seorang pasien terkena stroke.
2.2 Dasar Teori
Pada bagian ini akan dijelaskan definisi kehamilan preeklampsia, kriteria deteksi kehamilan preeklampsia, dan derajat kehamilan preeklampsia.
2.2.1 Kehamilan Preeklampsia
Menurut (Wiknjosastro, et al., 2005) Preeklampsia ialah penyakit dengan tanda-tanda hipertensi, edema, dan proteinuria yang timbul karena kehamilan. Penyakit ini umumnya terjadi dalam triwulan ke-3 kehamilan, tetapi dapat terjadi sebelumnya. Hipertensi biasanya timbul lebih dahulu daripada tanda-tanda lain. Untuk menegakkan diagnosis preeklampsia, kenaikan tekanan sistolik harus 30 mm Hg atau lebih di atas tekanan yang biasanya ditemukan, atau mencapai 140 mm Hg atau lebih. Kenaikan tekanan diastolik sebenarnya lebih dapat dipercaya. Apabila tekanan diastolik naik dengan 15 mm Hg atau lebih, atau menjadi 90 mmHg atau lebih, maka diagnosis hipertensi dapat dibuat.
Edema ialah penimbunan cairan secara umum dan berlebihan dalam jaringan tubuh, dan biasanya dapat diketahui dari kenaikan berat badan serta pembengkakan kaki, jari tangan, dan muka.
24
Proteinuria berarti konsentrasi protein dalam air kencing yang melebihi 0,3g/liter dalam air kencing 24 jam atau pemeriksaan kualitatif menunjukkan 1 atau 2+ atau 1g/liter atau lebih dalam air kencing yang dikeluarkan dengan kateter atau proteinuria timbul lebih lambat daripada hipertensi dan kenaikan berat badan.
Preeklampsia dan eklampsia merupakan kesatuan penyakit, yang langsung disebabkan oleh kehamilan, walaupun belum jelas bagaimana hal itu terjadi. Istilah kesatuan penyakit harus diartikan bahwa preeklampsia dan eklampsia memiliki gejala dasar yang sama namun eklampsia memiliki peningkatan yang lebih berat dan berbahaya dari preeklampsia karena tambahan gejala-gejala tertentu. Oleh karena eklampsia menjadi sebab kematian ibu maka deteksi dini untuk preeklampsia sebagai tingkat pendahulunya perlu segera dilaksanakan.
Perlu ditekankan bahwa sindrom preeklampsia ringan dan hipertensi, edema dan proteinuria sering tidak diketahui atau tidak diperhatikan oleh wanita hamil yang bersangkutan, sehingga tanpa disadari dalam waktu singkat dapat timbul preeklampsia berat, bahkan eklampsia. Dengan pengetahuan ini menjadi jelas bahwa pemeriksaan Antenatal Care (AC). Antenatal Care merupakan suatu pemeriksaan kehamilan yang memiliki beberapa tujuan, yaitu: Memantau kemajuan kehamilan, memastikan kesejahteraan ibu dan tumbuh kembang janin. Meningkatkan dan mempertahankan kesehatan fisik, mental, serta sosial ibu dan bayi. Menemukan secara dini adanya masalah atau gangguan dan kemungkinan komplikasi yang terjadi selama masa kehamilan. Mempersiapkan kehamilan dan persalinan dengan selamat baik ibu maupun bayi dengan trauma seminimal mungkin. Mempersiapkan ibu dan keluarga dapat berperan dengan baik dalam
25
memelihara bayi agar dapat tumbuh dan berkembang secara normal (Faiqoh, et al., 2014). Berikut adalah penjabaran mulai dari frekuensi, gambaran klinik, diagnosis, pencegahan dan penanganan ibu yang mengalami preeklampsia :
1. Frekuensi
Frekuensi preeklampsia untuk tiap negara berbeda-beda karena banyak faktor yang mempengaruhinya: jumlah primigravida (kelahiran pertama), keadaan sosial-ekonomi, perbedaan kriteria dalam penentuan diagnosis, dan lain-lain.
2. Gambaran Klinik
Biasanya tanda-tanda preeklampsia timbul dalam urutan; pertambahan berat badan yang berlebihan, diikuti edema, hipertensi, dan akhirnya proteinuria. Pada preeklampsia ringan tidak ditemukan gejala-gejala subyektif. Pada preeklampsia berat didapatkan sakit kepala di daerah frontal, skotoma, diplopia, penglihatan kabur, nyeri di daerah epigastrum, mual atau muntah-muntah. Gejala-gejala ini sering ditemukan pada preeklampsia yang meningkat dan merupakan petunjuk bahwa eklampsia akan timbul. Tekanan darah pun meningkat lebih tinggi, edema menjadi lebih umum, dan proteinuria bertambah banyak.
3. Diagnosis
Diagnosis dini harus diutamakan bila diinginkan angka morbiditas dan mortalitas rendah bagi ibu dan anaknya. Walaupun terjadinya preeklampsia sukar dicegah, namun preeklampsia berat dan eklampsia biasanya dapat dihindarkan dengan mengenal secara dini penyakit itu dan dengan penanganan secara sempurna.
26
Pada umumnya diagnosis preeklampsia didasarkan atas adanya 2 dari trias tanda utama: hipertensi, edema, dan proteinuria. Hal ini memang berguna untuk kepentingan statistik, tetapi dapat merugikan penderita karena tiap tanda dapat merupakan bahaya kendatipun ditemukan tersendiri. Adanya satu tanda harus menimbulkan kewaspadaan, apa lagi oleh karena cepat tidaknya penyakit meningkat tidak dapat diramalkan; dan bila eklampsia terjadi, maka prognosis bagi ibu maupun janin menjadi jauh lebih buruk. Tiap kasus preeklampsia oleh sebab itu harus ditangani dengan sungguh sungguh.
4. Pencegahan
Pemeriksaan antenatal (sebelum kelahiran) yang teratur dan teliti dapat menemukan tanda-tanda dini preeklampsia, dan dalam hal itu harus dilakukan penanganan semestinya. Walaupun timbulnya preeklampsia tidak dapat dicegah sepenuhnya, namun frekuensinya dapat dikurangi dengan pemberian penerangan secukupnya dan pelaksanaan pengawasan yang baik pada wanita hamil. Istirahat tidak selalu berarti berbaring di tempat tidur, namun pekerjaan sehari-hari perlu dikurangi, dan dianjurkan lebih banyak duduk dan berbaring. Diet tinggi protein dan rendah lemak, karbohidrat, garam dan penambahan berat badan yang tidak berlebihan perlu dianjurkan.
5. Penanganan
Pengobatan hanya dapat dilakukan secara simtomatis karena etiologi preeklampsia dan faktor-faktor apa dalam kehamilan yang menyebabkannya, belum diketahui. Tujuan utama penanganan ialah :
27
(1) mencegah terjadinya preeklampsia berat dan eklampsia. (2) melahirkan janin hidup.
(3) melahirkan Janin dengan trauma sekecil-kecilnya.
Pada dasarnya penanganan preeklampsia terdiri atas pengobatan medik dan penanganan obstretik. Penanganan obstretik ditujukan untuk melahirkan bayi pada saat yang optimal, yaitu sebelum janin mati dalam kandungan, akan tetapi sudah cukup matur untuk hidup di luar uterus. Setelah persalinan berakhir, jarang terjadi eklampsia, dan janin yang sudah cukup matur lebih baik hidup di luar kandungan daripada dalam uterus. Waktu optimal tersebut tidak selalu dapat dicapai pada penanganan preeklampsia, terutama bila janin masih sangat prematur. Dalam hal ini diusahakan dengan tindakan medis untuk dapat menunggu selama mungkin, agar janin lebih matur.
Pada umumnya indikasi untuk merawat penderita preeklampsia di rumah sakit ialah;
(1) tekanan darah sistolik 140 mmHg atau lebih dan/atau tekanan darah diastolik 90 mmHg atau lebih.
(2) proteinuria 1+ atau lebih.
(3) kenaikan berat badan 1,5 kg atau lebih dalam seminggu yang berulang.
(4) penambahan edema berlebihan secara tiba-tiba. Perlu diperhatikan bahwa apabila hanya 1 tanda ditemukan, perawatan belum seberapa mendesak, akan tetapi
28
pengawasan ditingkatkan, dan kepada yang bersangkutan dianjurkan untuk segera datang jika ada keluhan. Sementara itu, dinasehatkan pula untuk banyak beristirahat dan mengurangi pemakaian garam dalam makanan.
2.2.2 Derajat Tingkat Preeklampsia
Prinsip dasar kehamilan normal didefinisikan sebagai masa kehamilan yang dimulai dari konsepsi sampai lahirnya janin. Lamanya hamil normal adalah 280 hari (40 minggu atau 9 bulan 7 hari) dihitung dari hari pertama haid terakhir. Kehamilan dibagi menjadi 3 trimester yaitu trimester pertama di mulai dari konsepsi sampai 3 bulan, trimester kedua dari bulan keempat sampai 6 bulan. Trimester ketiga dari bulan ketujuh sampai 9 bulan (Saifuddin, et al., 2002). Diagnosis kehamilan normal digambarkan
a. Ibu sehat, tidak ada riwayat obstetri buruk. b. Pemeriksaan fisik dan laboratorium normal. c. Tekanan darah dibawah 140/90 mmHg.
d. Kenaikan berat badan ½ kg setiap minggu masih dianggap normal.
Menurut (Manuaba, 1998) Preeklampsia Digolongkan kedalam preeklampsia ringan dan preeklampsia berat dengan gejala dan tanda
1) Preeklampsia Ringan
a. Tekanan darah sistolik 140 atau kenaikan 30 mmHg dengan interval pemeriksaan 6 jam.
29
b. Tekanan darah diastolik 90 atau kenaikan 15 mmHg dengan interval pemeriksaan 6 jam.
c. Kenaikan berat badan 1 kg atau lebih dalam seminggu.
d. Proteinuria 0,3 gr atau lebih dengan tingkat kualitatif plus 1 sampai 2 pada urin kateter atas urin aliran pertengahan.
2) Preeklampsia Berat
Bila salah satu diantara gejala atau tanda diketemukan pada ibu hamil sudah dapat digolongkan preeklampsia berat:
a. Tekanan darah 160/110 mmHg b. Proteinuria lebih dari 3 gr/liter c. Keluhan subyektif:
i. Nyeri epigastrum ii. Gangguan penglihatan iii. Nyeri Kepala
iv. Edema paru dan sionosis v. Gangguan kesadaran d. Pemeriksaan:
30
ii. Perdarahan pada retina
iii. Trombosit kurang dari 100.000/mm
Peningkatan gejala dan tanda preeklampsia berat memberikan petunjuk akan terjadi eklampsia, yang mempunyai prognosa buruk dengan angka kematian maternal dan janin tinggi.
2.3 Kecerdasan Buatan
Kecerdasan Buatan atau Artificial Intelligence merupakan sebuah proses dimana peralatan mekanik dapat melaksanakan kejadian-kejadian dengan menggunakan pemikiran atau kecerdasan seperti manusia (Rich and Knight, 1991 dalam Siswanto 2010). Dengan adanya kecerdasan buatan ini manusia dapat membuat sebuah sistem komputer yang mampu berpikir secara rasional dan bertingkah laku layaknya manusia yaitu melakukan representasi pengetahuan dan memanipulasinya (Siswanto, 2010). Dalam ilmu komputer, kecerdasan buatan adalah suatu teknik perangkat lunak yang didalam pemrogramannya terdapat cara menyatakan data, pemrosesan data dan penyelesaian masalah (Luger, 1993 dalam Siswanto, 2010). Tujuan dari sistem kecerdasan buatan dapat dibagi dalam empat kategori (Budiharto dan Suhartono, 2014):
1) Sistem yang dapat berpikir seperti manusia (Bellman, 1978) 2) Sistem yang dapat berpikir secara rasional (Winston, 1992)
31
4) Sistem yang dapat beraksi secara rasional (Nilsson, 1998) Pekerjaan kecerdasan buatan menurut Rich and Knight (1991) dapat
dibagi menjadi 3 kelompok tugas :
a) Tugas biasa / keduniaan (Mundane Tasks).
Tugas biasa / keduniaan (Mundane Tasks) yaitu tugas biasa berupa kebiasaan kita sehari-hari. Contohnya: persepsi dan kontrol robotik.
b) Tugas Formil (Formal Tasks).
Tugas Formil (Formal Tasks) yaitu tugas yang harus mengikuti aturan-aturan formal. Contohnya seperti permainan catur, dan perhitungan matematis berupa logika, geometri, dan lain-lain.
c) Tugas Ahli (Expert Tasks).
Tugas Ahli (Expert Tasks) yaitu tugas yang hanya bisa diselesaikan oleh seorang pakar atau ahli suatu bidang. Contohnya desain, diagnosis, perencanaan, dan lain-lain.
Program kecerdasan buatan berbeda dari program konvensional dalam sebuah sistem perangkat lunak dalam hal representasi dan manipulasi data atau informasi yang diterima. Dalam pengolahan datanya, program kecerdasan buatan mampu mengerti berbagai macam informasi masukan berupa simbol, karakter, digit dan sebagainya lalu membuat hubungan antar informasi untuk selanjutnya
32
direpresentasikan sebagai apa yang disebut manusia sebagai sebuah pengetahuan (Siswanto, 2010).
Bidang ilmu kecerdasan buatan meliputi (Budiharto dan Suhartono, 2014): 1) Sistem Pakar (Expert System).
Sistem Pakar (Expert System) yaitu mempelajari dan membangun sistem yang memiliki keahlian dalam memecahkan masalah.
2) Komputer Visual (Computer Vision).
Komputer Visual (Computer Vision) yaitu mempelajari dan mengenali pola suatu gambar atau objek sebagai kegiatan sistem visual.
3) Pengolahan Bahasa Alami (Natural Language Processing).
Pengolahan Bahasa Alami (Natural Language Processing), yaitu mempelajari bahasa alami manusia sehingga membuat manusia dapat berkomunikasi dengan komputer.
4) Robotika dan Navigasi (Robotics and Navigation).
Robotika dan Navigasi (Robotics and Navigation), yaitu mempelajari dan memproduksi formulasi alat-alat mekanik dalam melakukan gerak dalam orientasi arah.
33
5) Permainan (Game Playing).
Permainan (Game Playing), yaitu membuat program-program permainan yang biasanya memiliki karakter yang dikontrol oleh user dan karakter yang dikontrol oleh permainan itu sendiri.
6) Pembuktian teorema (Theorem Proving).
Pembuktian teorema (Theorem Proving), yaitu mempelajari dan membuktikan secara otomatis masalah-masalah dalam matematika dan logika.
2.4 Sistem Pakar
Menurut (Turban, et al., 2005) , sistem pakar adalah perangkat lunak pengambilan keputusan atau pemecahan masalah yang dapat mencapai tingkat performa yang setara –atau bahkan lebih– dengan pakar manusia di beberapa bidang khusus dan biasanya mempersempit area masalah. Keahlian ditransfer dari pakar ke suatu komputer. Pengetahuan ini kemudian disimpan di dalam komputer, dan pengguna menjalankan komputer untuk nasihat spesifik yang diperlukan. Sistem pakar menanyakan fakta-fakta dan dapat membuat inferensi dan sampai Pada suatu kesimpulan khusus.
2.4.1 Struktur Sistem Pakar
Sistem pakar terdiri dari 2 bagian pokok, yaitu: lingkungan pengembangan (development environtment) dan lingkungan konsultasi (consultation environtment). Lingkungan pengembangan digunakan sebagai pembangun sistem pakar dari segi pembangunan komponen maupun basis pengetahuan. Lingkungan
34
konsultasi digunakan oleh seorang yang bukan ahli untuk berkonsultasi (Turban,1995).
Gambar 2.1 Struktur sistem pakar
Sumber : http://universitaspendidikan.com//contoh-makalah-sistem-pakar-pengertian-prinsip-dasar-dan-s-ciri-cirinya/
Komponen-komponen yang terdapat dalam sebuah sistem pakar terdiri dari, 1. Antarmuka pengguna (user interface)
Pada komponen ini terjadi dialog antara program dan user, dimana sistem menerima input berupa informasi dan instruksi dari user, dan sistem memberikan output berupa informasi kepada user.
2. Basis pengetahuan (knowledge base)
Basis pengetahuan dapat dikatakan sebagai kumpulan informasi dan pengalaman seorang ahli pada suatu bidang tertentu.
35
Akuisisi pengetahuan merupakan transformasi keahlian menyelesaikan masalah dari sumber pengetahuan kedalam program komputer.
4. Mesin inferensi
Mesin inferensi merupakan otak dari sistem pakar yang mengandung mekanisme fungsi berpikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar. Mesin inferensi bertindak sebagai penarik kesimpulan dan mengontrol mekanisme dari sistem pakar.
5. Daerah Kerja (Workplace)
Untuk merekam hasil sementara yang akan dijadikan sebagai keputusan dan untuk menjelaskan sebuah masalah yang terjadi, sistem pakar membutuhkan workplace, yaitu area pada memori yang berfungsi sebagai basis data.
6. Subsistem penjelasan (explanation subsystem)
Komponen ini adalah komponen tambahan yang akan meningkatkan kemampuan sistem pakar. Menggambarkan penalaran sistem kepada pemakai dengan cara menjawab banyak pertanyaan-pertanyaan.
7. Perbaikan pengetahuan
Pakar memiliki kemampuan untuk menganalisa dan meningkatkan kinerjanya serta kemampuan untuk belajar dari kinerjanya.
36
2.5 Algoritma Naïve Bayes
Algoritma Naïve Bayes merupakan salah satu algoritma yang terdapat pada teknik klasifikasi. Naïve Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman dimasa sebelumnya sehingga dikenal sebagai Teorema Bayes. Teorema tersebut dikombinasikan dengan Naïve dimana diasumsikan kondisi antar atribut saling bebas. Klasifikasi Naïve Bayes diasumsikan bahwa ada atau tidak ciri tertentu dari sebuah kelas tidak ada hubungannya dengan ciri dari kelas lainnya
Persamaan dari teorema Bayes adalah :
𝑃(𝐻|𝑋) = 𝑃 𝑋𝐻 .𝑃(𝐻) 𝑃(𝑋) ... (1) Keterangan :
X : Data dengan class yang belum diketahui
H : Hipotesis data X merupakan suatu class spesifik
P(H|X) :Probabilitas hipotesis H berdasar kondisi X (posteriori probability) P(H) : Probabilitas hipotesis H (prior probability)
P(X|H) : Probabilitas X berdasarkan kondisi pada hipotesis H P(X) : Probabilitas X
37
Untuk menjelaskan teorema Naïve Bayes, perlu diketahui bahwa proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi sampel yang dianalisis tersebut. Karena itu, teorema bayes di atas disesuaikan sebagai berikut :
Dimana Variabel C merepresentasikan kelas, sementara variabel F 1... Fn merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sampel karakteristik tertentu dalam kelas C (Posterior) adalah peluang munculnya kelas C (sebelum masuknya sampel tersebut, seringkali disebut prior), dikali dengan peluang kemunculan karakteristik – karakteristik sampel pada kelas C (disebut juga likelihood), dibagi dengan peluang kemunculan karakteristik – karakteristik sampel secara global ( disebut juga evidence). Karena itu, rumus diatas dapat pula ditulis secara sederhana sebagai berikut :
Posterior = 𝑃𝑟𝑖𝑜𝑟𝑥𝑙𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑒
Nilai Evidence selalu tetap untuk setiap kelas pada satu sampel. Nilai dari posterior tersebut nantinya akan dibandingkan dengan nilai – nilai posterior kelas lainnya untuk menentukan ke kelas apa suatu sampel akan diklasifikasikan. Penjabaran lebih lanjut rumus Bayes tersebut dilakukan dengan menjabarkan (C|F1, ... , Fn) menggunakan aturan perkalian sebagai berikut :
38
Dapat dilihat bahwa hasil penjabaran tersebut menyebabkan semakin banyak dan semakin kompleksnya faktor – faktor syarat yang mempengaruhi nilai probabilitas, yang hampir mustahil untuk dianalisa satu persatu. Akibatnya, perhitungan tersebut menjadi sulit untuk dilakukan. Disinilah digunakan asumsi independensi yang sangat tinggi (naif), bahwa masing – masing petunjuk (F1, F2 ... Fn) saling bebas (independen) satu sama lain. Dengan asumsi maka berlaku suatu kesamaan sebagai berikut :
Dari persamaan diatas dapat disimpulkan bahwa asumsi independensi naif tersebut membuat syarat peluang menjadi
sederhana, sehingga perhitungan menjadi mungkin untuk dilakukan. Selanjutnya, penjabaran P(C|F1, ... , Fn) dapat disederhanakan menjadi :
39
Persamaan diatas merupakan model dari teorema Naïve Bayes yang selanjutnya akan digunakan dalam proses klasifikasi. Untuk klasifikasi dengan data kontinyu digunakan rumus Densitas Gauss:
Keterangan : P : Peluang X : Atribut ke i xi : Nilai atribut ke i
Y : Sub kelas Y yang dicari yi : Sub kelas Y yang dicari
μ : Mean, menyatakan rata-rata dari seluruh atribut
σ : Deviasi standar, menyatakan varian dari seluruh atribut Adapun alur dari metode Naïve Bayes adalah sebagai berikut : 1. Baca data training
2. Hitung Jumlah dan probabilitas, namun apabila data numerik maka:
a. Cari nilai mean dan standar deviasi dari masing – masing parameter yang merupakan data numerik.
40
b. Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut.
3. Mendapatkan nilai dalam tabel mean, standart deviasi dan probabilitas.
2.6 Teori Bahasa pemograman
Teori program adalah teori yang menjelaskan bahasa pemograman yang di aplikasikan penulis dalam pembuatan Laporan Akhir.
2.6.1. Sejarah PHP
PHP pertama kali dibuat oleh Rasmus Ledorf pada tahun 1995 yang diberi nama FI (Form Interpreted) dan digunakan untuk mengelola form dan web. Pada perkembanganya, kode tersebut dirilis ke umum sehingga mulai banyak dikembangkan oleh programmer diseluruh dunia.
Pada tahun 1995 PHP 2.0 dirilis. Pada versi ini sudah terintegrasi dengan bahasa pemrograman C dan dilengkapi dengan modulnya sehingga kualitas kerja PHP meningkat secara signifikan. Pada tahun ini juga sebuah prusahaan yang bernama Zend merilis ulang PHP dengan lebih bersih, baik, dan cepat.
Pada tahun 1998 PHP 3.0 diluncurkan dan pada tahun 1999 PHP versi 4.0 dirilis. PHP versi ini paling banyak digunakan pada awal abad 21 karena sudah mampu membangun web komlplek dengan stabilitas kecepatan yang tinggi.
Pada tahun 2004 Zend merilis PHP versi 5.0. Dalam versi ini, inti dari interpreter PHP mengalami perubahan besar. Versi ini juga memasukkan model
41
pemrograman berorientasi objek ke dalam PHP untuk menjawab perkembangan bahasa pemrograman ke arah paradigma berorientasi objek. Pada versi 6 PHP sudah support untuk Unicode. Juga banyak fitur penting lainya yang telah ditambahkan ke dalam PHP 6, antara lain :
1. Support Unicode, dukungan terhadap penggunaan Unicode telah ditambahkan, sehingga lebih mudah untuk membangun dan memelihara aplikasi.
2. Perbaikan keamanan.
3. Fitur dan konstruksi baru, sejumlah fitur sintaks baru ditambahkan, seperti 64-bit integer type, membangun perulangan untuk array multidimensi, serta dukungan untuk labeled breaks.
2.6.2 Bahasa Pemograman PHP
PHP (Hypertext Preprocessor) adalah bahasa computer yang dibuat untuk pengembangan web dinamis. Pada umumnya PHP digunakan di server namun juga dapat berdiri sendiri sebagai aplikasi graphical.
Penggunaan PHP dan MySQL dipilih karena PHP dan MySQL memiliki beberapa kelebihan seperti dinyatakan oleh Nugroho, B (2008) kelebihannya sebagai berikut:
1. Bahasa pemograman PHP adalah sebuah bahasa script yang tidak melakukan sebuah kompilasi dalam penggunaannya.
42
2. Web Server yang mendukung PHP dapat ditemukan dimana-mana dari mulai IIS sampai dengan Apache dengan konfigurasi yang relatif mudah. 3. Dalam sisi pengembangan lebih mudah, karena banyaknya milis-milis dan
developer yang siap membantu dalam pengembangan.
4. Dalam sisi pemahaman, PHP adalah bahasa scripting yang paling mudah karena referensi yang banyak.
5. PHP adalah bahasa opensource yang dapat digunakan di berbagai mesin (Linux, Unix, Windows) dan dapat dijalankan secara runtime melalui console serta juga dapat menjalankan perintah-perintah sistem.
2.6.3 XAMPP
XAMPP merupakan sebuah tool yang menyediakan beberapa paket perangkat lunak ke dalam satu buah paket. Dengan menginstall XAMPP tidak perlu lagi melakukan instalasi dan konfigurasi web server Apache, PHP dan MySQL secara manual. XAMPP akan menginstalasi dan mengkonfigurasikannya secara otomatis.
XAMPP merupakan pengembangan dari LAMP (Linux Apache, MySQL, PHP and PERL), XAMPP ini merupakan project non-profit yang di kembangkan oleh Apache Friends yang didirikan Kai 'Oswalad' Seidler dan Kay Vogelgesang pada tahun 2002, project mereka ini bertujuan mempromosikan pengunaan Apache web server.
Dalam paket XAMPP sudah terdapat Apache (web server), MySQL (database), PHP (server side scripting), Perl, FTP server, Php MyAdmin dan berbagai pustaka bantu lainnya. Dengan menginstall XAMPP maka tidak perlu lagi melakukan
43
instalasi dan konfigurasi web server Apache, PHP dan MySQL secara manual. XAMPP akan menginstalasi dan mengkonfigurasi-kannya secara otomatis. XAMPP adalah sebuah web server. Asal kata dari XAMPP sendiri adalah:
1. (X): Program ini dapat dijalankan dibanyak sistem operasi. 2. (A): Apache merupakan suatu aplikasi web server.
3. (M): MySQL digunakan untuk aplikasi database server. 4. (P): PHP bahasa pemrograman yang dipakai.
5. (P): Perl bahasa pemrograman yang dipakai. Cara mengaktifkan XAMPP :
1. Instal XAMPP, lalu aktifkan web server Apache dan MySQL dari control panel XAMPP.
2. Jalankan browser (IE, Mozilla Firefox atau Opera) lalu ketikkan alamat web berikut : //http:phpmyadmin pada address bar lalu tekan Enter.
3. Apabila telah nampak interface (tampilan antar muka) phpMyAdmin bisa memulainya dengan mengetikkan nama database, nama tabel dan seterusnya.
2.5.4 Notepad++
Notepad++ adalah program aplikasi pengembang yang berguna untuk mengedit teks dan skrip kode pemrograman. Software Notepad++ dibuat dan dikembangkan oleh Tim Notepad++. Perangkat lunak komputer ini memiliki kelebihan pada peningkatan kemampuan sebuah program text editor, lebih dari sekedar program Notepad bawaan Windows. Notepad++ bisa mengenal tag dan kode dalam berbagai
44
bahasa pemrograman. Fitur pencarian tingkat lanjut dan pengeditan teks yang tersedia juga cukup ampuh, sangat membantu tugas seorang programmer atau developer dalam menyelesaikan skrip kode programnya. Program Notepad++ banyak diaplikasikan dan digunakan oleh kalangan pengguna komputer di bidang pemrograman aplikasi desktop dan web. Notepad++ merupakan software gratis (opensource). Notepad++ dapat dijalankan di sistem operasi Win2K, Windows XP, Vista, dan Windows 7.
2.6.5 Database yang digunakan MySQL
Menurut Betha Sidik (2012 : 333 – 334) MySQL merupakan database yang termasuk paling populer dilingkungan Linux, Kepopuleran ini karena ditunjang performansi query dari databasenya yang saat ini bisa dikatakan paling cepat dan jarang bermasalah. Database MySQL kini telah dimiliki Oracle. Pengembang MySQL kemudian mengembangkan database yang murni opensource dan freeware dengan nama MariaDB.
45
BAB III
METODE PENELITIAN
3.1 Tempat dan Waktu Penelitian
Penelitian dilakukan di Rumah Sakit Asri Medika Cikarang dengan narasumber Bidan Lulu Azhaari, selaku bidan praktek di Rumah Sakit Asri Medika waktu yang dibutuhkan selama proses wawancara yaitu 2 hari.
3.2 Objek Penelitian
Objek dalam penelitian ini adalah data Antenatal Care pasien Rumah Sakit Asri Medika Cikarang sebuah form data yang diisi oleh bidan atau dokter spesialis obstetri dan ginekologi untuk mencatat riwayat kesehatan ibu selama masa kehamilan. Field yang diambil di form Antenatal Care secara umum adalah : Identitas ibu (meliputi data usia ibu), Tekanan Darah (meliputi tekanan darah sistolik dan diastolik), Kenaikan Berat Badan, Edema, Usia Kehamilan, Proteinuria. Data Antenatal Care yang didapatkan adalah hasil dari pemeriksaan ibu hamil.
3.3 Perangkat Keras dan Perangkat Lunak Pendukung
Peralatan pendukung yang digunakan selama pengerjaan program adalah : 1. Laptop Asus X450C intel dual-core
2. Data Antenatal Care ibu hamil 3. Windows 8.1
46
4. Xampp V3.2.2 5. Notepade++
3.4 Tahapan Penelitian
Gambar 3.1 Diagram Alir Tahapan Penelitian Sumber : Hasil data primer
Studi Pustaka
Pengumpulan Data
Praproses Data
Perancangan Basis Data
Perancangan Diagram alir program
Perancangan Desain Antarmuka
47
3.4.1 Studi Pustaka
Peneliti melakukan studi pustaka sebagai langkah awal untuk melakukan tahapan penelitian selanjutnya. Pustaka yang dirujuk berasal dari sumber primer seperti jurnal dan buku referensi dan juga dari sumber sekunder seperti dari internet dan diskusi dengan pakar.
3.4.2 Pengumpulan Data
Adapun metode yang dilakukan dalam penelitian ini dibedakan mejadi 2 metode pengumpulan data, yaitu :
1. Wawancara
Wawancara dilakukan kepada Bidan Lulu Azhaari, Amd.Keb. Wawancara diharapkan akan menghasilkan pengetahuan mengenai bagaimana seorang pakar menentukan diagnosis terhadap penyakit preeklampsia berdasarkan gejala yang tampak.
2. Dokumen
Analisis dokumen dilakukan dengan pengambilan data melalui dokumen tertulis dari lembaga/institusi berupa data Antenatal Care ibu hamil yang digunakan untuk mendukung rancangan program sistem pakar yaitu sebagai data latih dan data uji serta diperlukan sebagai penunjang evaluasi.
48
3.4.3 Praproses Data
Tahapan praproses adalah sebuah proses awal dalam melakukan pengolahan data yaitu dengan menyiapkan data yang diperoleh dari hasil wawancara dan pembacaan dokumen Antenatal Care ibu hamil. Data yang telah diperoleh tersebut akan diseleksi menjadi beberapa informasi penting yang akan digunakan pakar dalam melakukan diagnosis yaitu dari kriteria diagnosis dan faktor resiko terkait Preeklampsia antara lain seperti Tekanan Darah (meliputi tekanan darah sistolik dan diastolik), Kenaikan Berat Badan, Edema, Usia Kehamilan, Proteinuria. Kriteria diagnosis tersebut selanjutnya digunakan sebagai data input untuk program sistem pakar. Penjelasan data input perangkat lunak diberikan sebagai berikut :
1. Atribut penyakit Preeklampsia 2. Nilai Atribut
Tabel 3.1 Atribut Penyakit Preeklampsia Kode Nama Atribut Status Atribut
A1 Usia Ibu Diketahui
A2 Usia Kehamilan Diketahui
A3 Tekanan Darah Sistolik Diketahui A4 Tekanan Darah Diastolik Diketahui
49
A6 Edema Diketahui
A7 Kenaikan Berat Badan Diketahui
A8 Preeklampsia Dicari
Sumber : Atribut pada buku KIA Tabel 3.2 Nilai Atribut
No Nama Atribut Nilai Atribut
1 Usia Ibu Muda ( < 25 tahun)
2 Usia Ibu Paruh Baya (25 – 40th)
3 Usia Kehamilan Trimester 1
4 Usia Kehamilan Trimester 3
5 Tekanan Darah Sistolik Normal 6 Tekanan Darah Sistolik Tinggi
7 Tekanan Darah Sistolik Sangat Tinggi 8 Tekanan Darah Diastolik Normal
9 Tekanan Darah Diastolik Tinggi
50
11 Kenaikan Berat Badan Normal 12 Kenaikan Berat Badan Tidak Normal
13 Protenuria Positif (+1)
14 Protenuria Negatif (0)
15 Edema Ada
16 Edema Tidak Ada
Sumber : Atribut pada buku KIA Ai = Representasi input anamnesis dan gejala klinis : A1 = Usia Ibu hamil muda > 25th
A2 =Usia Ibu hamil paruh baya 25 – 40th A3 = Usia Kehamilan TM1
A4 = Usia Kehamilan TM3
A5 = Tekanan Darah Sistolik 90 – 130 mmHg {Normal} A6 = Tekanan Darah diastolik 80 mmHg {Normal}
A7 = Kenaikan Berat Badan ≥ 2kg dalam satu bulan {Normal} A8 = Protenuria Negatif {Negatif}
51
Gejala khas preeklampsia ringan berupa :
A10 = Tekanan Darah Sistolik 140 - 150 mmHg {Tinggi} A11 = Tekanan Darah Diastolik 90 - 100 mmHg {Tinggi}
A12 = Kenaikan Berat Badan 3 kg atau lebih dalam seminggu {abnormal} A13 = Proteinuria positif +1 {positif}
Sedangkan gejala khas preeklampsia berat berupa :
A14 = Tekanan darah sistolik ≥160 mmHg {Sangat Tinggi} A15 = Tekanan darah diastolik ≥ 110 mmHg {Sangat Tinggi} A16 = Adanya Edema
Selanjutnya data-data tersebut akan tersimpan pada basis data akan diklasifikasikan oleh program sistem pakar ke dalam kelas diagnosis yang
direpresentasikan sebagai berikut :
Bi = Kemungkinan kelas diagnosis, yaitu: B1= Waspada Preeklampsia ringan B2= Bahaya Preeklampsia berat
3.4.4 Perancangan Basis Data
Basis data yang dibuat berupa tabel berisi baris jumlah data dan kolom kriteria diagnosis serta hasil diagnosis dari hasil praproses yang akan digunakan sebagai
52
data latih. Tabel ini berfungsi untuk menyimpan informasi berupa kriteria diagnosis preeklampsia. Data latih tersebut akan diolah pada program sistem pakar untuk diklasifikasikan dengan metode Naïve Bayes Classifier sehingga dihasilkan keluaran berupa keputusan atau diagnosis adanya dugaan preeklampsia yang diderita oleh ibu hamil, basis data akan dibagi menjadi data latih dan data uji.
Tabel perancangan basis data yang digunakan ditunjukkan pada tabel 3.3 Dalam basis data ini menggunakan tipe data varchar untuk id gejala sedangkan pada kolom gejala, usia ibu hamil, usia kehamilan, tekanan darah (meliputi tekanan darah sistolik dan diastolik), kenaikan berat badan, edema, proteinuria menggunakan tipe data varchar dengan lookup wizard tool sehingga dapat mengisikan pilihan ya atau tidak sebagai konfirmasi atas kejadian tersebut.
Tabel 3.3 Perancangan Basis Data
id_gejala Gejala tipe data
g1 usia ibu hamil muda varchar
g2 usia ibu hamil paruh baya varchar
g3 usia kehamilan trimester 1 varchar
g4 usia kehamilan trimester 3 varchar
g5 Tekanan Darah Sistolik 90 – 130 mmHg varchar
53
g7 Kenaikan Berat Badan ≥ 2kg dalam satu bulan varchar
g8 Protenuria Negatif varchar
g9 Tidak adanya Edema varchar
g10 Tekanan Darah Sistolik 140 - 150 mmHg varchar g11 Tekanan Darah Diastolik 90 - 100 mmHg varchar g12 Kenaikan Berat Badan 3 kg atau lebih dalam seminggu varchar
g13 Proteinuria positif +1 varchar
g14 Tekanan darah sistolik ≥160 mmHg varchar
g15 Tekanan darah diastolik ≥ 110 mmHg varchar
g16 Adanya Edema varchar
Sumber : Berdasarkan hasil pengolahan data pada buku KIA
3.4.5 Perancangan Diagram Alir Program
Diagram alir dari program sistem pakar diagnosa awal penyakit preeklampsia pada ibu hamil menggunakan metode Naïve Bayes Classifier ditunjukkan pada gambar 3.2 berikut :
54 Star Read Gejala Klasifikasi gejala menggunakan metode naive bayes Print hasil Update data Simpan ke basis data end
Gambar 3.2 diagram alir program Sumber : Hasil data primer
Saat program dijalankan maka sistem pakar akan meminta masukan dari pengguna berupa konfirmasi atas gejala-gejala awal preeklampsia berdasarkan riwayat kesehatan dari ibu hamil. Selanjutnya data masukan tersebut diolah menggunakan algoritma Naïve Bayes Classifier untuk mengklasifikasikan diagnosis ibu hamil ke dalam dua kelompok yaitu waspada preeklampsia ringan dan bahaya preeklampsia berat.
55
3.4.6 Perancangan Desain Antarmuka
Perancangan desain antarmuka dilakukan sebagai gambaran awal terhadap Graphic User Interface (GUI) yang akan digunakan oleh pengguna. Perancangan pada program sistem pakar sebagai bantu diagnosis ini menggunakan bahasa pemrograman PHP
Gambar 3.3 Tampilan Website Sumber : Hasil data primer
Gambar 3.4 Tampilan Form Login Sumber : Hasil data primer
3.4.7 Analisis Hasil Perhitungan
Perhitungan menggunakan metode Naïve Bayes Classifier bertujuan untuk mengklasifikasikan data uji melalui satu set data latih yang telah ada sebelumnya sehingga dapat mengetahui hubungan antara fitur data dengan variabel kelas yang
Home Tentang Preeklampsia Layanan Tes Preeklampsia Team Metode
Seputar Preeklampsia Image
Use User
56
dibentuk melalui probabilitas bagi setiap klasifikasinya dengan menggunakan asumsi independensi. Berikut ini merupakan tahap perhitungan menggunakan Naïve Bayes Classifier :
1. Mendefinisikan variabel dan kelas hasil klasifikasi
P(Bi|A) adalah variabel yang mewakili hasil klasifikasi untuk mengetahui hasil diagnosis penyakit yang diderita orang tersebut. Maka diperlukan perhitungan untuk mengetahui peluang terjadinya kelas diagnosis Bi jika diketahui gejala Ai. Nilai Bi adalah hasil kelas diagnosis dan Ai adalah gejala yang akan diperoleh probabilitasnya untuk mendiagnosis waspada preeklampsia ringan dan bahaya preeklampsia berat.
2. Perhitungan Probabilitas Prior
Perhitungan Probabilitas prior dengan cara menghitung peluang munculnya suatu kelas Bi. Probabilitas prior diperoleh dengan cara perhitungan munculnya suatu kelas dari data latih dibandingkan dengan jumlah total data latih. Perhitungan probabilitas prior untuk kemungkinan kelas Bi berdasarkan persamaan 3.1 berikut
𝑃(𝐵𝑖) = 𝐵𝑖 𝐵
P(Bi) : Probabilitas prior kemungkinan kelas Bi terjadi.
Bi : Kelas diagnosis yaitu waspada preeklamsia ringan dan bahaya preeklampsia berat.
57
B: Merupakan total jumlah data pada basis data latih. 3. Perhitungan probabilitas posterior
Perhitungan probabilitas posterior merupakan peluang kemunculan suatu hipotesis benar untuk sampel data A yang diamati menggunakan persamaan dasar Naïve Bayes yang ditunjukkan pada persamaan 3.2 dan 3.3 :
𝑃(𝐵|) = P(A|B)P(B)𝑃(𝐴)
Atau dapat juga ditulis sebagai
Perhitungan P(A|B) yang merupakan probabilitas kemunculan masing- masing fitur gejala input yang mempengaruhi munculnya kejadian B1 atau diagnosis preeklampsia ringan menggunakan persamaan 3.4 berikut :
Perhitungan P(A|B) yang merupakan probabilitas kemunculan masing- masing fitur gejala input yang mempengaruhi munculnya kejadian B2 atau diagnosis preeklampsia berat menggunakan persamaan 3.5 berikut :
58
4. Perhitungan kejadian kelas diagnosis
Perhitungan menggunakan persamaan lanjutan Naïve Bayes Classifier. Menggunakan asumsi independensi yang sangat tinggi seperti yang diperlihatkan pada persamaan 3.6 di bawah :
Sehingga penjabaran untuk setiap kemungkinan perhitungan P(A|Bi) sebagai berikut:
1) Mencari P(A|Bi) sebagai hasil kemungkinan kelas diagnosis preeklampsia ringan P(B1|A1,A2,A3,A4,A5,A6,A7,A8,A9,A10,A11,A12,A13,A14) =
P(A1)xP(A2)xP(A3)xP(A4)xP(A5)xP(A6)xP(A7)xP(A8)xP(A9)xP(A10)xP(A11) x P(A12)xP(A13)x P(A14)x(PA15)xP(A16)xP(B1)
2) Mencari P(A|Bi) sebagai hasil kemungkinan kelas diagnosis preeklampsia berat P(B2|A1,A2,A3,A4,A5,A6,A7,A8,A9,A10,A11,A12,A13,A14) =
P(A1)xP(A2)xP(A3)xP(A4)xP(A5)xP(A6)xP(A7)xP(A8)xP(A9)xP(A10)xP(A11) x P(A12)xP(A13)x P(A14)xP(A15)xP(A16)xP(B2)
Perhitungan probabilitas masing kriteria dilakukan dalam masing-masing kelas diagnosis yaitu nilai P(A|Bi) dihasilkan dari P(Bi|A) pada setiap kemungkinan akan dikalikan dengan hasil perhitungan P(Bi) pada setiap
59
kemungkinan. Selanjutnya mengikuti kaidah HMAP (Hypothesis Maximum Aposteriori Probability) untuk menginferensi hasil akhir keputusan kelas diagnosis. Oleh karena itu perhitungan P(A|Bi).P(Bi) yang digunakan sebagai hasil keputusan diagnosis adalah perhitungan nilai yang paling maksimum.
60
BAB IV
HASIL DAN PEMBAHASAN
4.1 Hasil Pengumpulan Data
Tahapan awal penelitian ini adalah pengumpulan data Antenatal Care ibu hamil sebagai objek penelitian. Data Antenatal Care yang digunakan adalah hasil dari pemeriksaan rutin ibu hamil yang diisi oleh pihak RS. Teknik pengumpulan data yang digunakan dalam penelitian ini adalah wawancara dan dokumen. Wawancara dilakukan dengan bidan sebagai seorang pakar yang mampu mendiagnosis preeklampsia ringan atau preeklampsia berat terhadap ibu hamil. Dalam wawancara yang dilakukan di RS Asri Medika diperoleh informasi berupa gejala apa saja yang menjadi dasar seorang pakar mendiagnosis preeklampsia terhadap ibu hamil.
kriteria diagnosis dan faktor resiko terkait Preeklampsia antara lain seperti Tekanan Darah (meliputi tekanan darah sistolik dan diastolik), Kenaikan Berat Badan, Edema, Usia Kehamilan, Proteinuria. Selanjutnya dilakukan pengumpulan data Antenatal Care ibu hamil preeklampsia ringan dan preeklampsia berat untuk memenuhi data kriteria diagnosis preeklampsia yang dibutuhkan berdasarkan hasil wawancara dengan pakar. Bentuk fisik dari dokumen Antenatal Care ditunjukkan pada gambar 4.1 Jumlah data Antenatal Care yang diperoleh adalah sebanyak 100 buah data dengan hasil diagnosis pakar 70 hamil normal dan 30 mengalami preeklampsia.
61
Gambar 4.1 Dokumen Antenatal Care
Sumber : Berdasarkan hasil pengolahan data pada buku KIA
4.2 Hasil Praproses Data
Dalam mendiagnosa ibu hamil mengalami preeklampsia ringan atau preeklampsia berat ada beberapa kriteria yang digunakan oleh tim medis di RS Asri Medika, kriteria yang digunakan adalah sebagai berikut:
Tabel 4.1 Nilai Atribut
No Nama Atribut Nilai Atribut
1 Usia Ibu Muda ( < 25 tahun)
62
3 Usia Kehamilan Trimester 1
4 Usia Kehamilan Trimester 3
5 Tekanan Darah Sistolik Normal 6 Tekanan Darah Sistolik Tinggi
7 Tekanan Darah Sistolik Sangat Tinggi 8 Tekanan Darah Diastolik Normal
9 Tekanan Darah Diastolik Tinggi
10 Tekanan Darah Diastolik Sangat Tinggi 11 Kenaikan Berat Badan Normal 12 Kenaikan Berat Badan Tidak Normal
13 Protenuria Positif (+1)
14 Protenuria Negatif (0)
15 Edema Ada
16 Edema Tidak Ada
Sumber : Hasil pemecahan nilai atribut pada buku KIA
4.3 Hasil Perancangan Basis Data
Perancangan basis data dilakukan pada phpMyAdmin dengan menggunakan tipe data varchar. Tipe data penggunaannya pada input program ditunjukkan pada tabel 3.3 Basis data tersebut menjadi tempat penyimpanan data masukan pengguna
63
yang akan dikoneksikan pada program sistem pakar pengolahan data. Basis data ini menyimpan data latih sebanyak 80% dari total data yaitu 30 buah data. Tampilan hasil rancangan basis data ditunjukkan pada gambar berikut.
Gambar 4.2 Hasil Tampilan Tabel Gejala Sumber : Hasil data primer
Gambar 4.3 Hasil Tampilan Tabel Admin Sumber : Hasil data primer
64
Gambar 4.4 Hasil Tampilan Tabel Basis Aturan Sumber : Hasil data primer
Gambar 4.5 Hasil Tampilan Tabel Nama Penyakit Sumber : Hasil data primer
Gambar 4.6 Hasil Tampilan Tabel Solusi Sumber : Hasil data primer
65
Antarmuka pengguna (user interface) pada sistem pakar ini dibuat menggunakan bahasa program PHP. Terdapat 6 buah halaman yaitu home, tentang preeklampsia, layanan kami, tes preeklampsia, team dan metode serta form login.
Gambar 4.7 Tampilan Halaman Home
Sumber : Berdasarkan tampilan website pada localhost
Gambar 4.8 Tampilan Halaman Tentang Preeklampsia Sumber : Berdasarkan tampilan website pada localhost
66
Gambar 4.9 Tampilan Halaman Layanan Sumber : Berdasarkan tampilan website pada localhost
Gambar 4.10 Tampilan Halaman Tes Preeklampsia Sumber : Berdasarkan tampilan website pada localhost
67
Gambar 4.11 Form Login
Sumber : Berdasarkan tampilan website pada localhost
Gambar 4.12 Tampilan Halaman Team
68
Gambar 4.13 Tampilan Halaman Metode Sumber : Berdsarkan tampilan website pada localhost
4.5 Analisa Hasil Perhitungan Naïve Bayes
Data yang digunakan sebagai data training adalah sebanyak 30 data (lampiran 3) yang diambil dari data Antenatal Care periode 2018 yang sudah ditentukan hasil diagnosanya.
4.5.1 Menghitung Probabilitas Kelas
Tahap pertama perhitungan untuk menentukan diagnosa dengan metode Naïve Bayes adalah dengan mencari probabilitas dari masing-masing kelas. Dalam diagnosa akan ditentukan 2 kelas yaitu kelas “ Preeklampsia Ringan” dan “Preeklampsia Berat”. Cara perhitungannya adalah dengan mencari berapa jumlah data yang mengalami preeklampsia ringan dan preeklampsia berat dari total keseluruhan data training, lalu membaginya dengan total keseluruhan data.
69
Tabel 4. 2 Probabilitas Kelas Kelas
Preeklampsia Ringan(PR) Preeklampsia Berat(PB)
PR 15/30 PB 15/30
Sumber : Hasil probabilitas data pada kasus ibu hamil preeklampsia
4.5.2 Menghitung Probabilitas masing-masing Atribut dan hasilnya
Cara mencari probabilitas suatu atribut adalah dengan membandingkan atribut dari data testing dengan atribut dari data training. Berapa jumlah atribut dengan kelas ”Preeklampsia Ringan” yang berada pada data training, kemudian bagi dengan probabilitas kelas “Preeklampsia Ringan”. Begitu juga dengan mencari probabilitas untuk kelas “Preeklampsia Berat”.
1. Usia Ibu / UI
Tabel 4.3 Atribut Usia Ibu P = UI "Muda" | Hasil "PR" = 13/15 = 0,87 P = UI "Muda" | Hasil "PB" = 7/15 = 0,47 P = UI "Paruh baya" | Hasil "PR" = 2/15 = 0,13 P = UI "Paruh baya" | Hasil "PB" = 8/15 = 0,53
Sumber : Hasil perhitungan kasus atas probabilitas menggunakan naive bayes 2. Usia Kehamilan (UK)
70
Tabel 4.4 Atribut Usia Kehamilan P = UK "TM1" | Hasil "PR" = 1/15 = 0,07
P = UK "TM1" | Hasil "PB" = 0/15 = 0 P = UK "TM3" | Hasil "PR" = 14/15 = 0,93 P = UK "TM3" | Hasil "PB" = 15/15 = 1
Sumber : Hasil perhitungan kasus atas probabilitas menggunakan naive bayes 3. Tekanan Darah Sistolik (TDS)
Tabel 4.5 Atribut Tekanan Darah Sistolik P = TDS "Normal | Hasil "PR" = 5/15 = 0,33 P = TDS "Normal | Hasil "PB" = 0/15 = 0 P = TDS "Tinggi | Hasil "PR" = 10/15 = 0,67 P = TDS "Tinggi | Hasil "PB" = 4/15 = 0,27 P = TDS "Sangat Tinggi | Hasil "PR" = 0/15 = 0 P = TDS "Sangat Tinggi | Hasil "PB" = 11/15 = 0,73
Sumber : Hasil perhitungan kasus atas probabilitas menggunakan naive bayes 4. Tekanan Darah Diastolik (TDD)
Tabel 4.6 Atribut Tekanan Darah Diastolik P = TDD "Normal" | Hasil "PR" = 3/15 = 0,2 P = TDD "Normal" | Hasil "PB" = 2/15 = 0,13 P = TDD "Tinggi" | Hasil "PR" = 9/15 = 0,6 P = TDD "Tinggi" | Hasil "PB" = 4/15 = 0,27
