METODE NAÏVE BAYES CLASSIFIER
SKRIPSI
Diajukan Oleh :
M. RIZAL PAHLEVI M
0534010053
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR
METODE NAÏVE BAYES CLASSIFIER
SKRIPSI
Diajukan Untuk Memenuhi Sebagai Persyaratan Dalam Memperoleh Gelar Sarjana Komputer
Program Studi Teknik Informatika
Diajukan Oleh :
M. RIZAL PAHLEVI M
0534010053
Kepada
JURUSAN TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INDUSTRI
UNIVERSITAS PEMBANGUNAN NASIONAL “VETERAN”
JAWA TIMUR
ii
Puji Syukur ke hadirat Tuhan Yang Maha Esa, karena atas rahmat dan hikmat-Nya yang diberikan sehingga penulis dapat menyelesaikan skripsi ini yang berjudul “Sistem Pendukung Keputusan Untuk Mendiagnosa Penyakit Tropis
yang Disebabkan Oleh Bakteri Menggunakan Metode Naive Bayes Classifier”
yang merupakan salah satu syarat untuk memperoleh gelar sarjana komputer Jurusan Teknik Informatika Universitas Pembangunan Nasional “Veteran” Jatim.
Penulis menyadari sepenuhnya bahwa sejak tahap awal hingga penyelesaian Sekripsi ini, penulis menerima banyak sekali bantuan dari berbagai pihak, baik secara langsung maupun tidak langsung. Oleh karena itu, pada kesempatan yang baik ini ingin disampaikan terima kasih yang sedalam-dalamnya dan setulus-tulusnya kepada yang terhormat:
1. Bapak Prof. Dr. Ir. Teguh Sudarto, MP Selaku Rektor Universitas Pembangunan Nasional “Veteran” Jawa Timur
2. Bapak Ir. Sutiyono, MT Selaku Dekan Fakultas Teknologi Industri Universitas Pembangunan Nasional “Veteran” Jawa Timur.
3. Bapak Basuki Rahmat, S.Kom, MSi Selaku ketua Jurusan Teknik Informatika Universitas Pembangunan Nasional “Veteran” Jawa Timur.
5. Ibu Fetty Tri Anggraini, S.Kom selaku dosen pembimbing pendamping yang telah meluangkan waktu untuk memberikan bimbingan Skripsi.
6. Bapak Ahmad Junaidi, S.Kom selaku dosen wali yang memberikan arahan pada judul skripsi saya.
7. Ayahanda Sueb tercinta yang selalu memberi motivasi spiritual dan material serta doa-doanya sehingga semua yang dikerjakan dapat berjalan lancar. 8. Ibunda Mas’ruah tercinta yang selalu memberi motivasi spiritual dan material
serta doa-doanya sehingga semua yang dikerjakan dapat berjalan lancar. 9. Dwi Teta yang selalu memberi motivasi berlebih untuk menyelesaikan tugas
akhir ini.
10. Pihak RS AL Dr. Ramelan yang membantu atau memudahkan dalam pencarian data rekam medis pasien.
11. Dr. N Puspita Sari yang bersedia meluangkan waktunya untuk uji coba aplikasi ini.
12. Bapak dan ibu Penguji yang dengan bijak memberi masukan-masukan atas Skripsi yang sudah dibuat sehingga tercipta skripsi yang baik.
13. Yogie, Chandika, Kiki, dan Deny serta Teman-teman lainnya yang membantu dalam pengerjaan tugas akhir ini, sehingga selesai tepat pada waktunya.
Saya menyadari bahwa dalam penyajian skripsi ini masih banyak kekurangan baik dalam pengelolahan data maupun dalam teknik penyusunan laporan skripsi dikarenakan pengetahuan dan kemampuan penulis masih kurang. Untuk itu penulis mengharapkan saran dan kritik yang membangun demi kesempurnaan tugas skripsi yang lain dimasa mendatang dan dapat ikut menunjang perkembangan ilmu pengetahuan, khususnya teknik informatika.
i
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENDIAGNOSA PENYAKIT TROPIS YANG DISEBABKAN OLEH BAKTERI
MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER.
Abstrak
Negara indonesia merupakan negara endemis penyakit tropis disebabkan karena indonesia merupakan suatu negara yang terletak di daerah tropis. Salah satu daerah endemis adalah daerah propinsi papua. Kondisi alam, minimnya pengetahuan, kurangnya ahli/pakar dalam penanganan penyakit tropis merupakan multiindikator terjadinya penyakit tropis. Dalam mendiagnosa penyakit tropis yang disebabkan oleh bakteri memerlukan penelitian dan pemeriksaan yang akurat, hal ini mengakibatkan pihak yang bekerja dalam bidang kesehatan penyakit tropis (calon dokter maupun dokter baru) mengalami kesulitan dan memerlukan waktu yang cukup lama dalam melakukan diagnosa terhadap penyakit tropis yang disebabkan oleh bakteri yang mengidap suatu penyakit dengan gejala tertentu. Hal ini di sebabkan kurangnya pengetahuan dan pengalaman di bidang kesehatan penyakit tropis. Tujuan penelitian ini adalah membuat aplikasi sistem pendukung keputusan yang dapat memberikan informasi berupa diagnosa penyakit dan gejala yang diperlukan oleh asisten penyakit tropis yang disebabkan oleh bakteri yang disertai dengan nilai probabilitasnya.
Subjek pada penelitian ini adalah Sistem Pendukung Keputusan untuk mendiagnosa penyakit tropis yang disebabkan oleh bakteri. Metode Pengambil keputusan adalah Naïve Bayes Classifier sedangkan Metode pengumpulan datanya adalah dengan metode kepustakaan, wawancara, metode observasi. Tahap pengembangan perangkat lunak sistem pakar ini meliputi : pengumpulan data dari berbagai sumber yang di representasikan dalam basis pengetahuan, pembuatan basis aturan, pembuatan dfd, entity relationship diagram, desain interface, analisis dan perancangan sistem, perancangan model data konseptual, perancangan tabel dan perancangan dialog implementasi program menggunakan visual studio .Net
2005, dan tahap akhir adalah menguji program.
Keluaran sistem berupa hasil penelusuran penyakit yang dilengkapi dengan nilai probabilitas yang diperoleh dengan menggunakan teorema bayes. Setealh diuji coba, program ini memiliki tingkat akurasi 77.5%. Aplikasi ini dapat membantu user untuk mendiagnosis penyakit tropis yang disebabkan oleh bakteri.
v
KATA PENGANTAR ... ii
DAFTAR ISI... v
DAFTAR GAMBAR ... ix
DAFTAR TABEL... xii
DAFTAR LAMPIRAN... xiii
BAB I ... 1
PENDAHULUAN ... 1
1.1. Latar Belakang Masalah ... 1
1.2. Perumusan Masalah ... 3
1.3. Batasan Masalah ... 3
1.4. Tujuan Penelitian ... 4
1.5. Manfaat Penelitian ... 5
1.6. Metodologi Penulisan ... 5
1.7. Sistematika Penulisan ... 6
BAB II... 8
TINJAUAN PUSTAKA ... 8
2.1. Machine Learning ... 8
2.2.1. Pengenalan Machine Learning... 8
2.2.1. Latar Belakang Machine Learning... 9
2.2.1. Data Training ... 9
2.2. Penyakit Tropis yang Disebabkan Oleh Bakteri ... 10
2.2.1. Thipus (Demam Thipoid) ... 10
2.2.2. Disentri Basiler / Shigellosis ... 11
2.2.4. Kolera (Cholerae) ... 13
2.3. Bakteri ... 13
2.4. Pengertian Sistem... 16
2.5. Sistem Pendukung Keputusan... 17
2.6. Naïve Bayes Classifier ... 20
2.7. HMAP ... 22
2.7.1. HMAP dari Data Training... 23
2.8. MySql 5.0... 24
2.9. Microsoft Visual Basic .Net 2005... 25
2.10. Power Designer 6 ... 27
BAB III ... 29
ANALISA DAN PERANCANGAN SISTEM ... 29
3.1. Proses Naïve Bayes ... 29
3.1.1. Algoritma Naïve Bayes Classifier... 29
3.1.2. Proses Penghitungan Probabilitas dan Penentuan Penyakit Tropis ... 30
3.2. Perancangan Sistem ... 34
3.2.1. Sistem Flow... 34
3.2.2. DFD (Data Flow Diagram) ... 38
3.2.2.1. Context Diagram ... 39
3.2.2.2. DFD Level 0... 40
3.2.2.3. DFD Level 1 Maintenance Data ... 41
3.2.2.4. DFD Level 1 Data Training ... 41
3.2.2.5. DFD Level 1 Proses Klasifikasi... 42
3.2.2.6. DFD Level 1 Pengolahan Data ... 43
3.2.3. ERD (Entity Relationship Diagram) ... 43
3.2.3.1. Conceptual Data Model (CDM)... 44
3.2.3.2. Physical Data Model (PDM)... 45
3.3. Perancangan Rabel ... 46
BAB IV ... 62
IMPLIMENTASI SISTEM... 62
4.1. Kebutuhan Sistem ... 62
4.1.1. Kebutuhan Perangkat Keras... 62
4.1.2. Kebutuhan Perangkat Lunak ... 63
4.2. Implementasi Program Dan Tampilan Antar Muka... 63
4.2.1. Form Login ... 63
4.2.2. Form Menu Utama ... 64
4.2.3. Form Data Admin ... 66
4.2.4. Form Pendaftaran Paramedis ... 67
4.2.5. Form Penyakit Tropis... 67
4.2.6. Form Premis/ Gejala ... 68
4.2.7. Form Pendaftaran Pasien... 69
4.2.8. Form Perubahan Data... 69
4.2.9. Form Ubah Account... 70
4.2.10. Form Data Training... 71
4.2.11. Form Diagnosa ... 71
4.2.12. Form Statistik ... 74
4.2.13. Form Histori Pasien ... 74
BAB V... 76
UJI COBA DAN EVALUASI ... 76
5.1. Uji Coba ... 76
5.2. Skenario Uji Coba ... 76
5.3. Pelaksanaan Uji Coba ... 77
5.3.1. Uji Coba User Admin ... 77
5.3.1.1. Uji Coba Login... 77
5.3.1.2. Uji Coba Admin ... 78
5.3.1.3. Uji Coba Paramedis ... 79
5.3.1.5. Uji Coba Premis atau Gejala ... 80
5.3.1.6. Uji Coba Data Training... 81
5.3.1.7. Uji Coba Ubah Data ... 82
5.3.2. Uji Coba User Paramedis ... 85
5.3.2.1. Uji Coba Diagnosa ... 85
5.3.2.2. Uji Coba Hystori Pasien... 87
5.3.2.3. Uji Coba Statistik ... 88
BAB VI ... 89
KESIMPULAN DAN SARAN... 89
6.1. Kesimpulan ... 89
6.2. Saran... 90
ix
Gambar 2.2. Model Sistem Penunjang Keputusan ... 18
Gambar 2.3. Probabilitas Bersyarat ... 21
Gambar 3.1. Flowchart Kegiatan Admin... 35
Gambar 3.2. Flowchart Kegiatan Paramedis ... 46
Gambar 3.3. Flowchart Proses Klasifikasi... 47
Gambar 3.4. Context Diagram ... 39
Gambar 3.5. DFD Level 0 ... 40
Gambar 3.6. DFD Level 1 Maintenance Data ... 41
Gambar 3.7. DFD Level 1 Proses Data Training... 41
Gambar 3.8. DFD Level 1 Proses Klasifikasi... 42
Gambar 3.9. DFD Level 1 Pengolahan Data ... 43
Gambar 3.10. CDM (Conceptual Data Model)... 44
Gambar 3.11. PDM (Physical Data Model) ... 45
Gambar 3.12. Design Form Login dengan Pemilihan User ... 50
Gambar 3.13. Design Form Login pada Button Paramedis dan Admin ... 50
Gambar 3.14. Design Form Menu Utama Default... 51
Gambar 3.15. Design Form Pendaftaran Admin ... 52
Gambar 3.16. Design Form Pendaftaran Paramedis ... 53
Gambar 3.17. Design Form Penyakit Tropis yang Disebabkan Oleh Bakteri ... 54
Gambar 3.18. Design Form Menambah Gejala Baru ... 55
Gambar 3.19. Design Form Input Data Training ... 56
Gambar 3.20. Design Form Pendaftaran Pasien Baru ... 57
Gambar 3.21. Design Form Perubahan Data, Cari Data... 58
Gambar 3.22. Design Form Perubahan Data, Ubah Data ... 58
Gambar 3.23. Design Form Diagnosa... 59
Gambar 3.24. Design Form Statistik... 59
Gambar 3.26. Design Form Perubahan Data Account... 61
Gambar 3.27. Design Form Histori Pasien ... 61
Gambar 4.1. Gambar Form Login... 64
Gambar 4.2. Gambar Form Menu Utama ... 65
Gambar 4.3. Gambar Form Pendaftaran Admin ... 66
Gambar 4.4. Gambar Form Paramedis ... 67
Gambar 4.5. Gambar Form Penyakit Tropis... 68
Gambar 4.6. Gambar Form Gejala... 68
Gambar 4.7. Gambar Form Pendafataran Pasien... 69
Gambar 4.8. Gambar Form Perubahan Data... 70
Gambar 4.9. Gambar Form Perubahan Account... 70
Gambar 4.10. Gambar Form Data Training... 71
Gambar 4.11. Gambar Form Diagnosa ... 73
Gambar 4.12. Gambar Form Statistik ... 74
Gambar 4.13. Gambar Form Histori Pasien... 75
Gambar 5.1. Uji Coba Login Admin ... 78
Gambar 5.2. Uji Coba Halaman Admin... 78
Gambar 5.3. Uji Coba Halaman Paramedis ... 79
Gambar 5.4. Uji Coba Halaman Penyakit Tropis ... 80
Gambar 5.5. Uji Coba Halaman Penyakit Tropis, Penambahan Gejala... 80
Gambar 5.6. Uji Coba Halaman Premis... 81
Gambar 5.7. Uji Coba Halaman Premis, Ubah Nama Premis ... 81
Gambar 5.8. Uji Coba Halaman Data Training... 82
Gambar 5.9. Uji Coba Halaman Ubah Data, Pencarian Data Admin ... 82
Gambar 5.10. Uji Coba Halaman Ubah Data, Admin... 83
Gambar 5.11. Uji Coba Halaman Ubah Data, Pencarian Data Paramedis... 83
Gambar 5.12. Uji Coba Halaman Ubah Data Paramedis... 84
Gambar 5.13. Uji Coba Halaman Ubah Data, Pencarian Penyakit Tropis ... 84
Gambar 5.14. Uji Coba Halaman Ubah Data Penyakit Tropis ... 85
xii
Tabel 2.2. Tabel Data Training Probabilitas Bersyarat... 21
Tabel 2.3. Tabel Data Training HMAP... 23
Tabel 3.1. Tabel Admin ... 46
Tabel 3.2. Tabel Paramedis ... 47
Tabel 3.3. Tabel Penyakit Tropis ... 47
Tabel 3.4. Tabel Pasien ... 48
Tabel 3.5. Tabel Premis ... 48
Tabel 3.6. Tabel Penyakit... 49
xiii Ramelan Surabaya
Lampiran 2. Tabel Data Survey Penyakit Thipus (Demam Thipoid) di RS. AL. Dr. Ramelan Surabaya
Lampiran 3. Tabel Data Survey Penyakit Disentri Basiler dan Kolera di RS. AL. Dr. Ramelan Surabaya
Lampiran 4. Tabel Fakta Hasil Pembelajaran dari data Survey pada Lampiran1, Lampiran 2, dan Lampiran 3.
1
Pada bab ini akan dibahas pendahuluan yang berhubungan dengan judul pada tugas akhir ini yaitu Sistem Pendukung Keputusan untuk Mendiagnosa Penyakit Tropis yang Disebabkan Oleh Bakteri, maka hal-hal yang akan dibahas meliputi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian dan sistematika penulisan.
1.1. Latar Belakang
Kesehatan merupakan hal yang begitu penting bagi manusia dikarenakan apabila kesehatan itu tidak terjaga maka akan menimbulkan suatu penyakit yang akan merusak kesehatan. Ironisnya banyak sekali penyakit-penyakit yang pada akhirnya terlambat didiagnosa sehingga mencapai tahap kronis yang membuatnya sulit untuk ditangani. Padahal penyakit sebelum mencapai tingkat kronis atau stadium tinggi umumnya menunjukkan gejala-gejala penyakit yang telah diderita oleh pasien akan tetapi masih dalam tahapan yang ringan.
terletak didaerah yang beriklim tropis. Disamping itu, keadaan Lingkungan kotor dan terkesan kumuh merupakan surga bagi wabah penyebab penyakit untuk berkembang biak dan menyebar menjadi penyakit yang menyerang manusia.
Wabah penyakit yang menyebabkan penyakit tropis banyak disebabkan oleh bakteri Patogen (bakteri yang merugikan) yang ukurannya tidak terlihat secara kasat mata dengan ukuran 0.5-5 µm dan keberadaannya tersebar dimana-mana. Bakteri sangat sulit diketahui keberadaannya oleh manusia kecuali dengan alat Bantu yang dinamakan mikroskop. Bakteri ada yang menguntungkan dan ada yang merugikan, diantara bakteri yang merugikan adalah Salmonella typhosa penyebab penyakit tifus (Demam Thipoid), Shigella dysenteriae penyebab penyakit Disentri Basiler, dsb.
Algoritma Naïve Bayes merupakan metode yang memanfaatkan nilai probabilitas dari data dokumen contoh sebelumnya. Penggunaan metode Naïve
Bayes dalam aplikasi ini dikarenakan hasil probabilitas nilai akurasi metode Naïve
Bayes Classifier yang mendekati nilai keakuratan para ahli. Metode ini juga
membutuhkan banyak data dokumen contoh untuk menghasilkan nilai akurasi penyakit tropis yang disebabkan oleh bakteri.
1.2. Perumusan Masalah
Berdasarkan latar belakang yang diuraikan sebelumnya, terdapat beberapa permasalahan yang akan diangkat dalam skripsi ini, antara lain :
1. Bagaimana merancang dan membangun sebuah aplikasi yang dapat digunakan untuk membantu kinerja seorang dokter dalam mendiagnosa suatu penyakit tropis yang disebabkan oleh bakteri sesuai dengan gejala-gejala yang diderita oleh pasien.
2. Bagaimana mengklasifikasi suatu penyakit tropis yang disebabkan oleh bakteri dari gejala-gejala yang dialami pasien dengan menggunakan Algoritma Naïve Bayes.
1.3. Batasan Masalah
Pada pembuatan aplikasi perlu didefinisikan batasan masalah mengenai sejauh mana pembuatan aplikasi ini akan dikerjakan. Beberapa batasan masalah tersebut antara lain :
1. Sistem pendukung keputusan (SPK) yang akan dirancang untuk komputer PC (stand alone)
2. Data yang digunakan adalah data seorang pasien yang berumur 15 s/d 70 tahun.
3. Pengambilan data dilakukan di RS. AL. Dr. Ramelan Surabaya. 4. Menggunakan Algoritma Naïve Bayes untuk menarik kesimpulan
dimana user akan diminta memilih gejala pada setiap daftar gejala berdasarkan kondisi pasien tersebut.
6. Jenis penyakit yang didiagnosa hanya penyakit yang umum terjadi di daerah tropis dan disebabkan oleh bakteri seperti Tipus, Tubercolosis (TBC), Kolera, dan Disentri Basiler.
7. Tidak terdapat komplikasi diantara gejala-gejala yang diderita oleh pasien. 8. Output yang dihasilkan dari aplikasi ini adalah jenis penyakit tropis yang
disebabkan oleh bakteri dan cara penangannya.
1.4. Tujuan Penelitian
Tujuan dari pembuatan Tugas Akhir ini adalah :
1. Merancang dan membuat sebuah aplikasi yang dapat digunakan untuk mengambil suatu keputusan dalam mendiagnosa suatu penyakit tropis yang disebabkan oleh bakteri dan dapat dikembangkan lebih lanjut sehingga memberikan kemudahan bagi si pemakai.
2. Mengklasifikasi penyakit tropis yang disebabkan oleh bakteri berdasarkan gejala-gejala yang dialami oleh pasien dengan menggunakan Algoritma
1.5. Manfaat Penelitian
Manfaat dari pembuatan Sistem Pendukung Keputusan Untuk Mendiagnosa Penyakit Tropis Yang Disebabkan Oleh Bakteri ini antara lain:
1. Dengan dibuatnya aplikasi sistem pendukung keputusan ini maka diharapkan dapat membantu seorang dokter untuk mendiagnosa penyakit tropis yang dialami pasien. Dan diharapkan dapat membantu seorang pasien untuk mengenali jenis-jenis penyakit tropis yang disebabkan oleh bakteri, mengetahui gejala-gejala yang ditimbulkan, solusi untuk pengobatan serta bagaimana tindakan selanjutnya atas penyakit yang diderita.
2. Proses klasisfikasi penyakit tropis yang disebabkan oleh bakteri dilakukan otomatis oleh komputer dengan menggunakan Algoritma Naïve Bayes.
1.6. Metodologi Penulisan
Langkah-Langkah yang digunakan dalam penyusunan Tugas Akhhir ini menggunakan metodologi penelitian sebagai berikut :
1. Studi Literatur
Pada tahap ini, literatur yang digunakan dengan menggunakan buku-buku internet, atau sumber-sumber lain yang menjelaskan mengenai Sistem Pengambilan Keputusan Diagnosa Penyakit Tropis Disebabkan Oleh Bakteri dan konsep teknologi yang nantinya akan digunakan.
2. Pengumpulan Data dan Analisa
3. Analisa dan Perancangan Sistem
Dari hasil studi literatur akan dibuat deskripsi umum sistem serta dilakukan analisa kebutuhan sistem, selain itu dilakukan perancangan model alur sistem dan model interface.
4. Coding (Pengkodean)
Pada tahap ini rancangan yang akan dibuat kemudian diimplementasikan ke dalam bentuk kode program Visual Basic.Net dan SQL Server 2000 sehingga menjadi suatu aplikasi Sistem Pendukung Keputusan.
5. Implementasi
Setelah proses coding selesai maka akan dilakukan proses pengujian terhadap program yang dihasilkan, untuk mengetahui apakah program sudah berjalan dengan benar dan sesuai dengan perancangan yang dilakukan.
1.7. Sistematika Penulisan
Penulisan Tugas Akhir ini disajikan dengan sistematika sebagai berikut : Bab I : Pendahuluan
Berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian, dan sistematika penelitian.
Bab II : Tinjauan Pustaka
Bab III : Analisa dan Perancangan Sistem
Bab ini berisi tentang analisa dari sistem yang akan dibuat dan perancangan sistem yang meliputi : deskripsi umum sistem, kebutuhan aplikasi, pemodelan sistem dengan DFD, dan perancangan interface aplikasi.
Bab IV : Perancangan Perangkat Lunak
Bab ini berisi hasil implementasi dari perancangan yang telah dibuat sebelumnya yang meliputi : implementasi proses dan implementasi aplikasi.
Bab V : Uji Coba dan Evaluasi
Pada bab ini berisi penjelasan lingkungan uji coba aplikasi, scenario uji coba, pelaksanaan uji coba, dan evaluasi dari hasil uju coba yang telah dilakukan untuk kelayakan pemakaian aplikasi.
Bab VI : Penutup
8
Pada bab ini akan dibahas dasar teori yang berhubungan dengan judul
pada tugas akhir ini yaitu Sistem Pendukung Keputusan Diagnosa Penyakit Tropis
Dikarenakan Bakteri Menggunakan Metode Naïve Bayes. Hal-hal yang akan
dibahas meliputi teori dasar-teori yang berkaitan dengan system pendukung
keputusan, reprensentasi pengetahuan, dan masih banyak teori lainnya.
2.1. Machine Learning
Machine learning merupakan salah satu disiplin ilmu dari computer
science yang mempelajari bagaimana membuat computer atau mesin itu
mempunyai suatu kecerdasan.
2.1.1. Pengenalan Machine Learning
Machine learning adalah salah satu disiplin ilmu dari Computer
Science yang mempelajari bagaimana membuat komputer atau mesin itu
mempunyai suatu kecerdasan. Oleh karena itu agar komputer atau mesin dapat
memiliki kecerdasan maka harus belajar. Proses pembelajaran itu terdiri dari :
1. Supervised Learning
- Learninng dari contoh-contoh.
- Didasari dari Theorema Naïve Bayes.
- Jawaban ditunjukkan oleh nilai probabilitas.
- Biasanya dipakai untuk fungsi-fungsi klasifikasi.
2. Unsupervised Learning
- Tidak melibatkan jawaban dalam data.
- Hanya membuat suatu klasifikasi tanpa label atau jawaban.
- Labelisasi (pemberian jawaban) menjadi tanggung jawab User.
3. Reinforcement Learning
- Learning dari percobaan.
- Memakai konsep reward dan punishment dalam proses
2.1.2. Latar Belakang Macine Learning
Latar belakang atau ide dasar konsep mesin pembelajaran atau
machine learning adalah adanya penyajian suatu keputusan berdasarkan
fakta-fakta yang ada dan ditarik suatu kesimpulan.
2.1.3. Data Training
Data Training merupakan data hasil pembelajaran dari suatu sistem
yang digunakan sebagai acuan dalam pengambilan hasil keputusan.
Berikut ini merupakan contoh dari data training dari tabel cuaca, ditunjukkan
Tabel 2.1 Tabel Training
Keterangan :
a. Atribut adalah kolom data, terdapat atribut itu sendiri dan target.
b. Instance adalah adalah isi dari atribut sebagai contoh seperti atribut cuaca
mempunyai instance “Cerah” dan “Hujan”, sering ditulis dengan cuaca =
{cerah,hujan}.
c. Record atau tuple adalah baris data.
2.2. Penyakit Tropis Yang Disebabkan Oleh Bakteri
Penyakit Tropis merupakan penyakit yang ada di wilayah iklim tropis.
Penyakit tropis yang disebabkan oleh bakteri mempunyai beberapa jenis, diantara
penyakit yang termasuk penyakit tropis disebabkan oleh bakteri sebagai berikut :
2.2.1. Tipus (Demam Tifoid)
Demam Tifoid sering disebut juga dengan tipus adalah penyakit infeksi
akut usus halus yang disebabkan oleh kuman Salmonela Thiposa. Penyakit ini
mudah menular dan dapat menyerang orang banyak, sehingga dapat
menimbulkan wabah. Dalam minggu pertama keluhan penyakit dan gejala
nyeri perut, nyeri otot, mimisan, diare, lidah kotor ditengah, tepi dan ujung
merah.
Pengobatan yang harus dilakukan adalah :
a. Perawatan di Rumah Sakit
b. Diet
c. Pemberian obat-obatan salah satunya yaitu Kloramfonikol, Tamfonikol,
Kotrimoksazol, Ampisilin, Amoksilin, Sefalosporin generasi ketiga, dan
Huarakmolon.
2.2.2. Disentri Basiler / Shigellosis
Disenti Basiler atau Shigellosis adalah penyakit akut radang colon
yang disebabkan oleh kuman Shigella Dysenteriae. Penyakit ini kadang-kadang
bersifat ringan dan kadang-kadang bersifat serius sekali. Secara klinis
mempunyai tanda-tanda sebagai berikut : demam, muntah, nyeri kepala, diare
sedikit atau terus, tinja bercampur darah dan lendir, nyeri perut hebat.
Prinsip dalam melakukan kesehatan adalah istirahat, mencegah atau
memperbaiki dehidrasi dengan cairan dan elekrolit. Pada kasus yang berat
diberikan antibiotik sebagai berikut : Sulfonamid, Tetrasiklin, Neomisin,
2.2.3. TBC Paru-Paru (Tubercolosis)
Tuberkulosis (TBC atau TB) adalah suatu penyakit infeksi yang
disebabkan oleh bakteri Mikobakterium Tuberkulosa. Bakteri ini merupakan
bakteri basil yang sangat kuat sehingga memerlukan waktu lama untuk
mengobatinya. Bakteri ini lebih sering menginfeksi organ paru-paru
dibandingkan bagian lain tubuh manusia.
Gejala-gejala penyakit TBC paru-paru, antara lain :
a. Batuk selama lebih dari 3 minggu terkadang disertai batuk dahak, dan batuk
berdarah.
b. Berat badan turun tanpa sebab.
c. Sesak Nafas.
d. Demam 36° s/d 39°.
e. Berkeringat dingin waktu malam.
f. Hilang nafsu makan.
g. Terkadang terjadi pusing, mual, muntah, dada sakit, dan tenggorokan sakit.
Cara pencegahan agar penyakit tubercolosis tidak sampai menular
pada tubuh kita, antara lain :
a. Minum vitamin secara teratur
b. Menutup mulut waktu bersin atau batuk.
2.2.4. Kolera (Cholerae)
Penyakit kolera (cholera) adalah penyakit infeksi saluran usus bersifat
akut yang disebabkan oleh bakteri vibrio cholerae, bakteri ini masuk kedalam
tubuh seseorang melalui makanan atau minuman yang terkontaminasi.
Gejala-gejala penyakit kolera, antara lain :
a. Diare yang encer dan banyak tanpa didahului oleh rasa mulas.
b. Kotoran atau tinja yang tidak berbau busuk.
c. Diare terjadi berkali-kali dan dalam jumlah yang cukup banyak.
Terjadinya muntah setelah didahului dengan diare yang terjadi, penderita
tidaklah merasakan mual sebelumnya.
d. Kejang otot perut bisa juga dirasakan dengan disertai nyeri yang hebat.
e. Banyaknya cairan yang keluar akan menyebabkan terjadinya dehidrasi
dengan tanda-tandanya seperti ; detak jantung cepat, mulut kering, lemah
fisik, mata cekung, hypotensi dan lain-lain yang bila tidak segera
mendapatkan penangan pengganti cairan tubuh yang hilang dapat
mengakibatkan kematian.
2.3. Bakteri
Bakteri berasal dari kata bakterion, dalam bahasa yunani yang berarti
batang kecil. Juga dari kata bacterium dalam bahasa latin yang berarti kelompok
raksasa dari organisme hidup. Mereka sangat kecil (mikroskopik) dan kebanyakan
uniseluler (bersel tunggal), dengan struktur sel yang relatif sederhana tanpa
Istilah "bakteri" telah diterapkan untuk semua prokariota atau untuk kelompok
besar mereka, tergantung pada gagasan mengenai hubungan mereka.
Bakteri adalah yang paling berkelimpahan dari semua organisme.
Mereka tersebar (berada di mana-mana) di tanah, air, dan sebagai simbiosis dari
organisme lain. Banyak patogen merupakan bakteri. Kebanyakan dari mereka
kecil, biasanya hanya berukuran 0,5-5 μm, meski ada jenis dapat menjangkau 0,3
mm dalam diameter (Thiomargarita). Mereka umumnya memiliki dinding sel,
seperti sel tumbuhan dan jamur, tetapi dengan komposisi sangat berbeda
(peptidoglikan). Banyak yang bergerak menggunakan flagela, yang berbeda
dalam strukturnya dari flagela kelompok lain.
Berdasarkan berntuknya, bakteri dibagi menjadi tiga golongan besar, yaitu:
1. Kokus (Coccus) dalah bakteri yang berbentuk bulat seperti bola, dan
mempunyai beberapa variasi sebagai berikut:
a. Mikrococcus, jika kecil dan tunggal.
b. Diplococcus, jka bergandanya dua-dua.
c. Tetracoccus, jika bergandengan empat dan membentuk bujursangkar.
d. Sarcina, jika bergerombol membentuk kubus.
e. Staphylococcus, jika bergerombol.
f. Streptococcus, jika bergandengan membentuk rantai
2. Basil (Bacillus) adalah kelompok bakteri yang berbentuk batang atau silinder,
dan mempunyai variasi sebagai berikut :
a. Diplobacillus, jika bergandengan dua-dua.
3. Spiril (Spirilum) adalah bakteri yang berbentuk lengkung dan mempunyai
variasi sebagai berikut :
a. Vibrio, (bentuk koma), jika lengkung kurang dari setengah lingkaran.
b. Spiral, jika lengkung lebih dari setengah lingkaran.
Bentuk tubuh bakteri dipengaruhi oleh keadaan lingkungan, medium dan
usia. Oleh karena itu untuk membandingkan bentuk serta ukuran bakteri,
kondisinya harus sama. Pada umumnya bakteri yang usianya lebih muda
ukurannya relatif lebih besar daripada yang sudah tua.
Gambar 2.1 Bentuk Bakteri (dengan alat bantu mikroskop)
Bakteri ada yang menguntungkan dan ada yang merugikan. Bakteri yang
merugikan biasa disebut bakteri patogen, bakteri ini adalah bakteri parasit yang
menimbulkan penyakit pada manusia, hewan, dan tumbuhan. Diantara bakteri
penyebab penyakit pada manusia, antara lain :
1. Salmonella Typhosa penyebab penyakit tifus.
2. Mycobacterium Tubercolosis penyebab penyakit TBC paru-paru
3. Vibrio Cholera penyebab penyakit Kolera
5. Shigella Dysenteriae penyebab penyakit disentri basiler
6. Pasteurella pestis penyebab penyakit pes, dsb.
Tindakan pencegahan dan pengobatan terhadap penyakit bakteri
1. Tindakan pencegahan dengan pemberian vaksin.
a. Misalnya vaksin BCG untuk pencegahan terhadap penyakit TBC.
b. Vaksin DPT untuk pencegahan penyakit difteri, pertusis dan tetanus.
2. Tindakan pengobatan :
a. Dapat dengan cara pemberian antibiotik.
2.4. Pengertian Sistem
Banyak pakar yang telah mendiskripsikan pengertian dari sistem.
Walaupun konsep-konsep yang diasumsikan berbeda, tetapi pada prinsipnya
mengarah ke satu tujuan dan pengertian, yaitu sama-sama berorientasi kepada
sistem informasi manajemen. Pendapat atau pertanyaan pada pakar tersebut antara
lain dikemukakan oleh :
1. Gordon B. Davis
Sistem dapat abstrak maupun fisik. Sistem abstrak adalah suatu susunan
teratur, gagasan atau konsepsi yang saling tergantung. Sistem fisik adalah
serangkaian unsur yang saling kerja sama untuk tujaun tertentu.
2. Henry C. Lucas
Sistem merupakan himpunan komponen atau variabel yang terorganisasi,
3. Tavri D. Mahyuzir
Sistem merupakan kumpulan elemen-elemen yang saling berkaitan dan
bertanggung jawab memproses masukan sehingga menghasilkan suatu
keluaran (output).
4. Robert dan Michael
Suatu kumpulan dari elemen yang saling berinteraksi membentuk suatu
kesatuan, dalam interaksi yang kuat maupun yang lemah dengan pembatas
sistem yang jelas.
Dari sejumlah pengertian diatas, dan dengan menggabungkan arti dari
informasi maka suatu sistem adalah seperangkat elemen yang saling berinteraksi,
yang membentuk kegiatan atau suatu prosedur yang mencari pencapaian suatu
tujuan atau tujuan-tujuan bersama dengan mengoperasikan data pada waktu
tertentu untuk menghasilkan informasi.
Suatu sistem mempunyai maksud tertentu. Ada yang menyebutkan
maksud dari suatu sistem adalah untuk mencapai suatu tujuan (goal) dan ada yang
menyebutkan untuk mencapai suatu sasaran (objectives).
Tujuan (goal) biasanya dihubungkan dengan ruang lingkup yang lebih
luas dan sasaran dalam ruang lingkup yang lebih sempit. Seringkali tujuan (goal)
2.5. Sistem Pendukung Keputusan
Sistem Pendukung Keputusan (Decision Support System disingkat
dengan DSS) didefinisikan sebagai suatu sistem berbasis komputer yang
interaktif, membantu pengambilan keputusan dengan menggunakan analisis
data-data dan model-model, guna memecahkan permasalahan yang semi terstruktur
maupun masalah yang tak terstruktur. Menurut konsep yang dikemukakan
Michael S. Scott Morton dengan istilah “Management Decision System” (Turban,
1995). Karakteristik sistem pendukung keputusan adalah sebagai sistem berbasis
komputer yang interaktif yang mendukung manajemen pengambil keputusan
melalui pemaanfaatan data dan model untuk mengambil keputusan mengenai
masalah yang semi terstruktur.
Dengan pengertian diatas dapat dijelaskan bahwa sistem pendukung
keputusan bukan alat pengambil keputusan melainkan sistem yang membantu
pengambil keputusan dengan mengungkapkan informasi dari data yang telah
diolah secara relevan dan diperlukan untuk membuat keputusan tentang suatu
masalah dengan lebih cepat dan lebih akurat, sehingga sistem ini tidak
dimaksudkan untuk menggantikan pengambil keputusan dan proses pembuatan
keputusan.
Dapat juga dikatakan sebagai sistem komputer yang mengolah data
menjadi informasi untuk mengambil suatu keputusan dari masalah
semi-terstruktur yang spesifik.
Menurut McLeod (2004), SPK terdiri dari kombinasi dari relational
database, knowledge base, dan multidimensional database. Ketiga jenis database
ini saling berkolaborasi untuk menghasilkan sebuah keputusan yang digunakan
oleh manager. Detail bagian dari SPK, dapat dilihat pada gambar 2.2.
Tahapan Sistem Pendukung Keputusan (SPK) :
1. Definisi Masalah
2. Pengumpulan Data atau Elemen informasi yang relevan
3. Pengolahan data menjadi informasi baik dalam bentuk laporan, grafik,
maupun tulisan.
4. Menentukan alternative-alternatif solusi (bisa dalam prosentase)
Tujuan dari Sistem Pendukung Keputusan (SPK), antara lain :
1. Membantu menyelesaikan masalah semi-terstruktur.
3. Meningkatkan efektifitas pengambilan suatu keputusan bukan efisiensi
dalam mengambil suatu keputusan.
Dalam prosesnya, Sistem Pendukung Keputusan (SPK) dapat
menggunakan bantuan dari sistem lain seperti kecerdasan buatan (artificial
intelligence), sistem pakar (expert systems), logika fuzzy (fuzzy logic), dll
(anonim, 18 juli 2007).
2.6. Naïve Bayes Clasifier
Teorema Bayes adalah sebuah pendekatan untuk sebuah ketidaktentuan
yang diukur dengan probabilitas. Teorema bayes dikemukakan oleh Thomas
Bayes. Thomas Bayes hidup pada abad 18 yang merupakan orang yang sangat
terkenal dalam bidang probabilitas.
Menurut Rachli Muhamad (2007) Bayesian Classification adalah proses
pencarian sekumpulan model atau fungsi yang menggambarkan dan membedakan
kelas data dengan tujuan agar model tersebut dapat digunakan untuk memprediksi
kelas dari suatu obyek yang belum diketahui kelasnya. Klasifikasi memiliki dua
proses yaitu membangun model klasifikasi dari sekumpulan kelas data yang sudah
didefinisikan sebelumnya (hasil pembelajaran model awal) dan menggunakan
model tersebut untuk klasifikasi tes data serta mengukur akurasi dari model.
Naïve Bayes Clasifier menurut Wibisono Yudi (2005) merupakan sebuah
algoritma yang dapat digunakan untuk melakukan klasifikasi dokumen dengan
memanfaatkan probabilitas bersyarat yang memanfaatkan theorema bayes dengan
dan stabil. Keuntungan menggunakan Naïve Bayes Classifier menurut Susanto
Sylvia dan Sensuse Indra Dana (2008) bahwa metode ini stabil dan membutuhkan
jumlah data contoh yang kecil untuk menentukan estimasi parameter yang
diperlukan dalam proses pengklasifikasian.
Gambar 2.3 Probabilitas bersyarat
Probabilitas X di dalam Y adalah probabilitas interseksi X dan Y dari
probabilitas Y, atau dengan bahasa lain P(X׀Y) adalah prosentase banyaknya X di
dalam Y. Kemudian didapatkan Rumus :
)
Tabel 2.2. Tabel Data Training Probabilitas Besyarat
# Cuaca Temperatur Kecepatan Angin Berolah-raga
1 Cerah Normal Pelan Ya
Banyaknya data berolah raga = ya adalah 4 dari 6 data maka dituliskan P (Olah
Banyaknya data cuaca = Cerah dan berolah raga = Ya adalah 4 dari 6 data maka
HMAP (Hypothesis Maximum Appropri Probability) menyatakan
hipotesa yang diambil berdasarkan nilai probabilitas berdasarkan kondisi prior
yang diketahui.
HMAP adalah model penyederhanaan dari metode bayes yang disebut
dengan Naive Bayes. HMAP inilah yang digunakan di dalam machine learning
sebagai metode untuk mendapatkan hipotesis untuk suatu keputusan.
Contoh : HMAP (Hypothesis Maximum Appropri Probability)
Diketahui hasil survey yang dilakukan sebuah lembaga kesehatan
menyatakan bahwa 30% penduduk di dunia menderita sakit paru-paru. Dari 90%
penduduk yang sakit paru-paru ini 60% adalah perokok, dan dari penduduk yang
tidak menderita sakit paru-paru 20% perokok.
Fakta ini bisa didefinisikan dengan: X = Sakit paru-paru & Y = Perokok.
Maka : P(X) = 0.9 dan P(~X) = 0.1
P(Y|X) = 0.6 P(~Y|X) = 0.4
Dengan metode naive bayes classifier dapat dihitung:
P({Y}|X) = P(Y|X).P(X) = (0.6) . (0.9) = 0.54
P({Y}|~X) = P(Y|~X) P(~X) = (0.2).(0.1) = 0.02
Bila diketahui seseorang merokok, maka dia menderita sakit paru-paru karana
P({Y}|X) lebih besar dari P({Y}|~X). HMAP diartikan mencari probabilitas
terbesar dari semua instance pada attribut target atau semua kemungkinan
keputusan. Pada persoalan keputusan diatas adalah sakit paru-paru atau tidak.
2.7.1. HMAP dari Data Training
Tabel 2.3. Tabel Data Training HMAP
# Cuaca Temperatur Kecepatan Angin Berolah-raga
1 Cerah Normal Pelan Ya
Apabila cuaca ”Cerah” dan kecepatan angin ”Kencang”, orang akan berolahraga?
Fakta : P(X1=cerah|Y=ya) = 1 dan P(X1=cerah|Y=tidak) = 0
P(X3=kencang|Y=ya) = 1/4 dan P(X3=kencang|Y=tidak) = 1/2
HMAP dari keadaan ini dapat dihitung dengan:
P( X1=cerah,X3=kencang | Y=ya )
= { P(X1=cerah|Y=ya).P(X3=kencang|Y=ya) } . P(Y=ya)
P( X1=cerah,X3=kencang | Y=tidak )
= { P(X1=cerah|Y=tidak).P(X3=kencang|Y=tidak) } . P(Y=tidak)
= { (0) . (1/2) } . (2/6) = 0
Keputusan akhir yang dapat diambil adalah BEROLAHRAGA = “YA”
2.8. MySql 5.0
Mysql 5.0 merupakan suatu sistem manajemen database yang
memberikan suatu cara untuk menyimpan dan mengelola informasi. Mysql 5.0
adalah suatu produk database relational, karena Mysql 5.0 mengijinkan kita
untuk menghubungkan data dari sumber-sumber yang berbeda. Dalam Mysql 5.0,
tabel-tabel yang digunakan untuk menyimpan informasi dan obyek-obyek
tambahan yang mewakili informasi dan bekerja sebagai bagian dari database.
Mysql 5.0 menyediakan berbagai fasilitas dan kemudahan dalam mengelola suatu
basis data yang memiliki record besar. Mysql 5.0 juga memiliki keamanan yang
baik dalam penyimpanan data.
Mysql 5.0 merupakan software yang digunakan untuk merancang
database dan mengelolah database dengan jumlah besar menjadi suatu informasi.
Selain itu, kemudahan yang akan diperoleh jika bekerja dengan software tersebut,
diantaranya dapat melakukan proses penyortiran dan pengaturan data, pembuatan
table serta pembuatan laporan.
Mysql 5.0 adalah mesin database client server yang berbeda dengan
bersama-sama (misal dBASE, Microsoft Jet, Microsoft Visual FoxPro). (Martina,
2003;11)
Mysql 5.0 merupakan bahasa pemrograman yang dirancang khusus
untuk komunikasi dengan database relasional guna mendukung aplikasi dengan
arsitektur client server (Yuswanto, Subari, 2005). Dengan kata lain Mysql 5.0
merupakan sebuah database relasional yang dirancang untuk mendukung aplikasi
dengan arsitektur client server, dimana database terdapat pada komputer pusat
yang disebut dengan server, dan informasi digunakan bersama-sama oleh
beberapa user yang menjalankan aplikasi didalam komputer lokalnya yang disebut
client. Arsitektur semacam ini memberikan integritas data yang cukup tinggi,
karena semua user berkerja dengan informasi yang sama. Arsitektur client server
sangat mengurangi lalu lintas network karena hanya memberikan data yang
diminta oleh user.
Database Mysql 5.0 dibagi ke dalam beberapa komponen logikal, seperti
misalnya table, view, dan elemen-elemen lain yang terlihat user. Elemen-elemen
ini secara fisik disimpan di dalam dua atau lebih file di dalam disk. Format file
atau lokasi di mana elemen-elemen logik ini ditulis, tidak diketahui oleh user
sistem. Apabila suatu database telah dibuat, user bisa memiliki izin akses yang
telah diberikan kepadanya. Hal ini membuat Mysql 5.0 dapat menyimpan
beberapa database dan membatasi akses ke masing-masing database ke user
2.9. Microsoft Visual Basic .Net 2005
Visual Basic.NET (VB.NET) merupakan pengembangan dari bahasa
pemrograman Visual Basic sebelumnya yaitu visual basic 6. beraneka program
bias dibuat dengan visual basic .Net 2005. Bahasa pemmrograman ini banyak
digunakan oleh banyak orang, yang pertama adalah karena mudah, dan yang
kedua adalah cepat.
Beberapa keunggulan VB.NET dengan VB versi sebelumnya :
1. Menyederhanakan Deployment
VB.NET mengatasi masalah seputar deployment dari aplikasi berbasis
Windows yaitu ‘DLL Hell” dan registrasi COM (Component Object Model).
Sehingga dapat mempermudah deployment aplikasi yang berbasis Windows.
2. Menyederhanakan Pengembangan Perangkat Lunak
VB.NET memiliki fitur compiler yang bekerja secara background real-time
dan daftar task untuk penanganan kesalahan/bug program sehingga
pengembang dapat secara langsung memperbaiki kesalahan kode program
yang terjadi.
3. Mendukung Penuh OOP
Dalam VB.NET kita dapat membuata kode class yang menggunakan secara
penuh konstruksi berbasis objek. Class-class tersebut reusable/dapat
digunakan kembali. VB.NET memiliki fitur bahasa pemrograman berorientasi
objek teramasuk implementasinya secara penuh : inheritance / pewarisan,
4. Mempermudah Pengembangan Aplikasi Berbasis Web
Untuk mengembangkan aplikasi Web disediakan desainer form Web, dimana
digunakan mekanisme “drag dan drop” untuk membangun Web. Sehingga kita
dapat membuat aplikasi thincilent (kebanyakan proses bisnis dilakukan oleh
server) yang secara cerdas dapat di-render pada browser apa saja, serta pada
platform apa saja dengan cara mudah.
5. Mempermudah Migrasi dari VB6 ke VB.NET
Interoperability COM menyediakan komunikasi dua arah antara aplikasi VB6
dengan VB.NET. Wizard upgrade pada VB.NET 2003 memungkinkan
pengembang dapat melakukan migrasi lebih dari 95% kode VB 6 menjadi
kode VB.NET.
2.10.Power Designer 6
Process Analyst Model atau disingkat dengan PAM merupakan
gambaran hasil analisis fungsional dari sebuah sistem informasi. Model ini
menganalisis fungsi-fungsi yang ditunjukkan oleh berbagai proses yang terjadi
didalam sistem. PAM merupakan komplemen dari Conceptual Data Model
(CDM). PAM menunjukkan dinamika diantara elemen-elemen yang terdapat
didalam system. Sedangkan CDM menggambarkan data statis yang berada pada
setiap elemen-elemen tersebut. Process Analyst menunjukkan aliran data dari satu
elemen ke elemen yang lain serta tranformasi data yang sedang terjadi.
Process Analyst Model didalam Power Designer versi 6.1 mendukung empat
1. The OMT functional model
OMT model merupakan metode yang paling banyak digunakan dan
merupakan tool analisis untuk menggambarkan struktur data dalam bentuk
Data Flow Diagram (DFD) yang paling powerful. OMT Model ini juga
memiliki lebih banyak cara untuk merepresentasikan aliran data dibandingkan
dengan metode lain.
2. Yourdon / DeMarco (data flow diagram)
Merupakan tool untuk menggambar Data Flow Diagram (DFD) dengan
menggunakan symbol dari Yourdon / DeMarco.
3. Gane & Sarson (data flow diagram)
Merupakan tool untuk menggambar Data Flow Diagram (DFD) dengan
menggunakan symbol dari Gane dan Sarson.
4. SSADM (data flow diagram)
Merupakan tool untuk menggambar Data Flow Diagram (DFD) dengan
29
Dalam bab ini dijelaskan tentang perancangan perangkat lunak dari
system, meliputi rancangan aturan untuk menentukan penyakit menggunakan
metode Naïve Bayes Classifier, perancangan proses, penjelasan mengenai
parameter, dengan desain alir system, dan struktur tabel serta design form aplikasi
penyakit tropis.
3.1. Proses Naïve Bayes
Proses Naïve Bayes Classifier dalam system ini merupakan proses yang
utama. Metode ini cukup baik untuk proses pengklasifikasian data untuk
menghasilkan suatu keputusan sebagai hasil diagnosis dengan menggunakan data
training sebagai data learning. Proses yang dilakukan oleh metode ini meliputi
proses penghitungan probabilitas dari setiap inputan data yang kemudian
dilanjutkan dengan membandingkan setiap hasilnya. Kemudian barulah dilakukan
pengambilan kesimpulan atau keputusan untuk menentukan diagnosis pasien.
3.1.1. Algoritma Naïve Bayes Classifier
Algoritma Naïve Bayes Classifier digunakan untuk mengetahui
bagaimana proses dari metode ini berjalan sehingga menghasilkan keputusan
Tahap-tahap dari pengambilan keputusan dengan Naïve Bayes adalah :
1. Memasukkan parameter atau input data yang akan diproses
2. Mencari nilai atribut hasil terakhit yang akan menjadi hasil diagnosis
kelompokkan sesuai dengan banyaknya yaitu Tubercolosis, Tipus, Kolera,
dan Disentri Basiler.
3. Mencari nilai Probabilitas dari setiap atribut berdasarkan pengelompokan
hasil akhir.
4. Melakukan pengelompokan (dalam hal ini melakaukan perkalian) pada
masing-masing probabilitas tiap-tiap atribut sesuai dengan jenis hasil
diagnosis.
5. Dari langkah no 5 kemudian mencari nilai probabilitas terbesar sehingga
dihasilkan kesimpulan atau keputusan diagnosisnya.
3.1.2. Proses Penghitungan Probabilitas dan Penentuan Penyakit Tropis
Proses penghitungan dalam system ini menggunakan metode Naïve
Bayes Classifier yang meliputi beberapa tahap seperti pengklasifikasian hasil
diagnosis, mencari probabilitas setiap atribut, serta mencari nilai terbesar untuk
menghasilkan keputusan sebagai diagnosis.
Untuk menghitung probabilitas dan menghasilkan suatu keputusan
Keterangan Parameter :
X1 = Batuk X12 = Nafsu Makan Menurun
X2 = Batuk Dahak X13 = Dada Sakit
X3 = Batuk Darah X14 = Lidah Kotor
X4 = Batuk < 2 bulan X15 = Nyeri di Ulu Hati
X5 = Sesak Nafas X16 = Diare
X6 = Demam < 37°C X17 = Nyeri Kepala
X7 = Berat Badan Turun X18 = Diare Encer dan Banyak
X8 = Pusing X19 = Diare Encer dan Sedikit
X9 = Mual. X20 = Tinja bercampur Darah / Lendir
X10 = Muntah X21 = Nyeri Perut Hebat
X11 = Malam Berkeringat Dingin X22 = Tinja Tidak Berbau Busuk
Contoh Proses Naïve Bayes untuk pengambilan suatu keputusan Diagnosa
Penyakit Tropis yang disebabkan oleh bakteri :
Seorang pasien mempunyai keluhan sebagai berikut :
1. Demam Tinggi disertai sesak nafas.
2. Batuk ± 3 minggu disertai dengan dahak.
3. Mual, Muntah dan Merasa pusing.
4. Nafsu makan dan berat badan turun.
5. Nyeri di ulu hati
6. Sakit perut hebat
Proses klasifikasi dengan Naïve Bayes Clasifier dari data lampiran 1, lampiran 2
dan lampiran 3, sebagai berikut :
… (2.1)
..
... (2.2)
Dari rumus (2.2) maka dapat dijabarkan dengan cara pada setiap kategori
ditentukan nilai dari setiap gejala yang masuk dalam data survey survey
berdasarkan data pembelajaran data survey yang sudah dibuat sebelumnya.
TBC = P(Vj). P(X1|C1). P(X2|C1). P(X3|C1). P(X4|C1). P(X5|C1). P(X6|C1).
P(X7|C1). P(X8|C1). P(X9|C1). P(X10|C1). P(X11|C1). P(X12|C1).
P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1).P(X13|C1).
P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1). P(X18|C1). P(X19|C1).
P(X20|C1). P(X21|C1). P(X22|C1)
= 20/60 *20/20 * 20/20 *5/20 *7/20 *16/20 *10/20 *18/20 *11/20
*14/20 *12/20 *5/20 *12/20 *12/20 *20/20 *19/20 *1/20 *10/20
*9/20 *20/20 *20/20 *1/20 *20/20
= 2.0738025E-08
Tipus = P(Vj). P(X1|C1). P(X2|C1). P(X3|C1). P(X4|C1). P(X5|C1). P(X6|C1).
P(X7|C1). P(X8|C1). P(X9|C1). P(X10|C1). P(X11|C1). P(X12|C1).
P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1).P(X13|C1).
P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1). P(X18|C1). P(X19|C1).
= 20/60 *12/20 * 5/20 *20/20 *4/20 *2/20 *20/20 *14/20 *15/20
*15/20 *14/20 *19/20 *12/20 *18/20 *8/20 *4/20 *10/20 *4/20
*18/20 *20/20 *20/20 *6/20 *20/20
= 1.4252679E-06
Kolera = P(Vj). P(X1|C1). P(X2|C1). P(X3|C1). P(X4|C1). P(X5|C1). P(X6|C1).
P(X7|C1). P(X8|C1). P(X9|C1). P(X10|C1). P(X11|C1). P(X12|C1).
P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1).P(X13|C1).
P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1). P(X18|C1). P(X19|C1).
P(X20|C1). P(X21|C1). P(X22|C1)
= 10/60 *3/10 * 1/10 *10/10 *0/10 *1/10 *5/10 *3/10 *4/10 *7/10
*9/10 *10/10 *6/10 *9/10 *10/10 *9/10 *10/10 *6/10 *1/10 *9/10
*4/10 *10/10 *1/10
= 0
Disentri Basiler = P(Vj). P(X1|C1). P(X2|C1). P(X3|C1). P(X4|C1). P(X5|C1).
P(X6|C1). P(X7|C1). P(X8|C1). P(X9|C1). P(X10|C1). P(X11|C1).
P(X12|C1). P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1).
P(X17|C1).P(X13|C1). P(X14|C1). P(X15|C1). P(X16|C1). P(X17|C1).
P(X18|C1). P(X19|C1). P(X20|C1). P(X21|C1). P(X22|C1)
= 10/60 *2/10 * 2/10 *10/10 *0/10 *1/10 *4/10 *3/10 *3/10
*9/10 *7/10 *10/10 *6/10 *9/10 *10/10 *8/10 *10/10 *6/10
*9/10 *1/10 *0/10 *10/10 *9/10
Sehingga ditemukan penyakit yang di derita pasien adalah penyakit yang
memiliki nilai terbesar yaitu Penyakit Thipus, dengan nilai perhitungan
1.4252679E-06.
3.2. Perancangan Sistem
Desain sistem awal yaitu dengan melihat system flow yang dibuat, maka
bisa digambarkan lebih detail lagi untuk proses pada masing-masing level dengan
membuat DFD (Data Flow Diagram). Data flow Diagram menggambarkan aliran
data yang bergerak dari dan ke dalam proses. Untuk membuat DFD penulis
menggunakan tools yaitu Power Designer 6 Process Analyst untuk mempermudah
pembuatan perancangan.
3.2.1. Sistem Flow
Bagan (chart) yang menunjukkan alir (flow) di dalam program atau
prosedur system secara logika. Digunakan untuk alat bantu komunikasi dan
untuk dokumentasi. Flowchart juga merupakan :
1. Bagan yang menunjukkan arus pekerjaan secara keseluruhan dari sistem.
2. Menjelaskan urutan-urutan dari prosedur-prosedur yang ada di dalam system
dan menunjukkan apa yang dikerjakan di system.
Tujuan utamanya penggunaan flowchart adalah untuk menggambarkan
suatu tahapan penyelesaian secara sederhana, terurai, rapi, dan jelas dengan
disajikan harus jelas, sederhana, efektif, dan tepat. Berikutnya ini adalah alur
flowchart pada proses pengisian data pada Petugas.
1. Petugas
Paramedis Pasien Data
Learning
Gambar 3.1. Flowchart Kegiatan Petugas
User Petugas mempunyai tugas untuk maintenance data pada aplikasi
diagnosa penyakit tropis dikarenakan oleh bakteri ini, diantaranya : data
paramedis, data pasien, data penyakit tropis, data premis (gejala), dan data
learning atau data training. Proses user petugas dimulai dengan memulai login,
apabila login user petugas memenuhi maka petugas akan maintenance data
2. Paramedis
Gambar 3.2. Flowchart Kegiatan Paramedis
Disini paramedis bertugas untuk memproses penyakit tropis yang
pasien dan hasil tes laboratorium jika ada. Dari gejala dan hasil tes laboratorium
kemudian akan diklasifikasi secara otomatis untuk menemukan penyakit tropis
yang dikarenakan bakteri apa yang diderita oleh si pasien.
3. Sistem Klasifikasi Naïve Bayes
Sistem flow yang dijabarkan dibawah ini alur perhitungan system
dibuat berdasarkan metode yang ada yaitu metode naïve bayes, untuk lebih
jelasnya alur system flownya adalah sebagai berikut :
Dimulai dari menentukan jumlah PVj yang didapat dari banyak data
training suatu penyakit tropis (Vj) dibagi dengan jumlah total data semua
penyakit tropis. Kemudian menentukan probabilitas setiap gejala penyakit, bila
tidak memenuhi maka penghitungan probabilitas akan dimulai dari awal
penghitungan probabilitas gejala apabila memenuhi maka akan dihitung besar
probabilitas penyakit tropis, apabila semua data sudah dihitung maka akan
diambil probabilitas penyakit tropis yang memiliki nilai probabilitas paling
besar. Penyakit yang memiliki nilai probabilitas tertinggi itulah yang menjadi
diagnosa penyakit tropis yang disebabkan oleh bakteri.
3.2.2. DFD (Data Flow Diagram)
Data Flow Diagram adalah berisi sekumpulan alur atau rangkaian
kerja dari suatu proses yang ada. Data Flow Diagram sangat dibutuhkan untuk
3.2.2.1. Context Diagram
laporan statistik dan hystori pasien info gejala pasien
diagnosa
data test
info hasil diagnosa pasien gejala
info obat dan pencegahan hasil diagnosa
laporan statistik dan histori pasien data petugas PENYAKIT TROPIS YANG DISEBABKAN OLEH BAKTERI
+
Petugas
Paramedis Pasien
Gambar 3.4 Context Diagram
Sistem pendukung keputusan diagnosa penyakit tropis memiliki 3
entitas yaitu petugas, paramedis, dan pasien. Aplikasi dimulai oleh entitas
petugas yang menginput beberapa data, diantaranya : data paramedis/ dokter,
data penyakit tropis yang disebabkan oleh bakteri, data gejala penyakit, data
petugas, dan data training sebagai data pembelajaran. Paramedis melakukan
diagnosa berdasarkan gejala yang diderita pasien dan mendapatkan hasil
diagnosa, disamping itu paramedis juga mendapat info gejala penyakit, info
statistik tahunan. Entitas pasien mendapatkan info hasil diagnosa dan info
3.2.2.2. DFD Level 0
info obat dan pencegahan
hasil diagnosa gejala
info gejala pasien
info hasil diagnosa pasien
laporan statistik dan hystori pasien
oran statistik dan histori pasien
diagnosa
Pada DFD level 0 proses terbagi menjadi 4 proses yaitu maintenance
data, training data, klasifikasi, dan pengolahan data. User petugas melakukan
proses maintenance data dan data training, paramedis melakukan proses
klasifikasi dan User pasien mendapatkan info hasil diagnosa. Pada level ini
juga terdapat 6 data store yaitu : paramedis, pasien, premis, penyakit tropis,
3.2.2.3. DFD Level 1 Maintenance Data
[data gejala] [dt gejala] [dt paramedis]
[data penyakit tropis] [dt penyakit tropis] Petugas
Gambar 3.6. DFD Level 1 Maintenance Data
DFD level 1 maintenance data terdiri dari 5 proses yaitu update data
petugas, update data pasien, update data penyakit tropis, update data paramedis
dan update data gejala. Terdapat 5 store untuk menyimpan masing-masing
proses update data. Pada level ini diketahui bahwa tugas dari user petugas
adalah maintenance data pada aplikasi diagnosa penyakit tropis ini.
3.2.2.4. DFD Level 1 Data Training
[data training]
DFD Level 1 data training terdiri dari 2 data store yaitu store premis
dan store penyakit tropis. Pada proses data training user petugas melakukan
penambahan data training dan akan merubah nilai PWKJ data premis dan PVJ
data penyakit tropis. PWKJ dan PVJ merupakan data yang akan digunakan
untuk mencari probabilitas penyakit tropis.
3.2.2.5. DFD Level 1 Proses Klasifikasi
[data test]
[ambil pvj tropis]
[dt diagnosa] [pwkj gejala]
[Diagnosa]
[info hasil diagnosa pasien]
probabilitas gejala
Gambar 3.8. DFD Level 1 Proses Klasifikasi
DFD level 1 proses klasifikasi terdiri dari 3 proses, yaitu proses
pengambilan nilai PVj, proses pengambilan nilai P(Xi│Vj), dan proses
klasifikasi itu sendiri. Pada level ini terdapat 2 entitas yaitu paramedis dan
pasien. DFD level 1 proses klasifikasi dimulai dari proses pengambilan data
probabilitas dari premis (PWKj) dan probabilitas dari penyakit tropis (PVj),
kemudian paramedis melakukan diagnosa penyakit dengan data yang
penyakit tropis data store dan P(WKj) dari premis data store. Kemudian hasil
dari proses klasifikasi akan disimpan pada data store histories pasien.
3.2.2.6. DFD Level 1 Pengolahan Data
[laporan statistik dan hystori pasien]
[data historis pasien] [laporan statistik dan hystori pasien]
[info gejala pasien] Paramedis
4.1
Data Hasil dan Grafik
6 hystori pasien Petugas
Gambar 3.9. DFD Level 1 Pengolahan Data
Pada DFD level 1 Pengolahan data, terdapat 2 entitas yaitu petugas,
dan paramedis. Petugas dan paramedis sama-sama mendapat info laporan
statistik dan hystori pasien yang diambil dari store.
3.2.3. ERD (Entity Relationship Diagram)
Entity Relationship adalah berisi kumpulan table, dimana setiap tabel
mempunyai nama dan strukutur yang unik. Dalam setiap tabel, masing-masing
record data diorganisasikan dalam struktur yang sama dan memiliki field kunci
yang akan menjadi penghubung antara tabel yang ada dan terkait satu sama
3.2.3.1. Conceptual Data Model (CDM)
Gambar 3.10. CDM (Conceptual Data Model)
Pada aplikasi sistem pendukung keputusan terdapat 6 entitas untuk
penyimpanan data, yaitu : Pasien, Penyakit Tropis, Penyakit, Historis pasien,
3.2.3.2. Physical Data Model (PDM)
Gambar 3.11. PDM (Physical Data Model)
Pada table Phisical Data Model (PDM) diatas diketahui atribut-atribut
pada setiap entitas yang digunakan sebagai penyimpanan data. Entitas
hystori_pasien mempunyai 3 foregin key yaitu foreign key dari tabel pasien
penyakit tropis sebagai hasil diagnosa penyakit apa yang diderita pasien. Pada
tabel paramedis terdapat 1 foreign key yaitu penyakit tropis digunakan sebagai
spesialisasi dokter pada salah satu penyakit tropis. Pada tabel pasien terdapat 1
foreign key yaitu admin digunakan sebagai operator yang menangani data
pasien baru.
3.3. Perancangan Tabel.
Dari model dataphisik dapat dilihat table-tabel apa saja yang nantinya
akan diguanakan oleh sistem untuk menyimpan data. Table-tabel itu antara lain :
1. Tabel Admin
Tabel admin adalah tabel untuk menyimpan data admin sebagai user.
Field admin bisa dilihat pada tabel 3.1 dibawah ini :
Tabel 3.1. Tabel Admin
No. Nama Fields Type Panjang Not Null Keterangan
2. Tabel Paramedis
Tabel paramedis adalah tabel untukmenyimpan data-data yang
dimiliki oleh paramedis yang akan digunakan untuk melakukan diagnosa
Tabel 3.2. Tabel Paramedis
6 Jenis_kelamin_dokter varchar 10 √
7 Alamat_dokter varchar 50 √
8 Phone_dokter varchar 12 √
9 Username_dokter varchar 10 √
10 Password_dokter varchar 8 √
3. Tabel Penyakit Tropis
Tabel penyakit tropis digunakan untuk menimpan data-data penyakit
tropis dan dengan hasil pvj dari suatu penyakit tropis. Field penyakit tropis
bisa dilihat pada tabel 3.3 dibawah ini :
Tabel 3.3. Tabel Penyakit Tropis
No. Nama Fields Type Panjang Not Null Keterangan
1 Id_penyakit varchar 15 √ Primary Key
4. Tabel Pasien
Tabel pasien adalah tabel untuk menyimpan data-data pribadi dari
Tabel 3.4. Tabel Pasien
No. Nama Fields Type Panjang Not Null Keterangan
1 Id_pasien varchar 15 √ Primary Key
2 Id_admin varchar 15 √ Foreign Key
3 Tgl_Registrasi_pasien datetime - √
4 Nama_pasien varchar 25 √
5 Tempat_Lahir_pasien varchar 20 √
6 Tgl_Lahir_pasien datetime √
7 Jenis_Kelamin_pasien varchar 10 √
8 Umur_pasien varchar 3 √
5. Tabel Premis
Tabel premis digunakan untuk menyimpan data premis, tabel ini juga
digunakan sebagai penyimpanan data training. Setiap id_penyakit mempunyai
gejala yang sama dengan dengan id_penyakit lain, sedangkan atribut PWKJ
adalah banyak data hasil_premis yang masuk. Field Premis bisa dilihat pada
tabel 3.5 dibawah ini :
Tabel 3.5. Tabel Premis
No. Nama Fields Type Panjang Not Null Keterangan
1 Id_penyakit Varchar 15 √ Foreign Key
2 Gejala_premis Varchar 30 √
3 Hasil_premis Varchar 10 √
6. Tabel Penyakit
Tabel penyakit digunakan untuk menyimpan semua nama penyakit tropis yang
disebabkan oleh bakteri. Foreign key id_penyakit, dan nama_penyakit. Field
Penyakit bisa dilihat pada tabel 3.6 dibawah ini :
Tabel 3.6. Tabel Penyakit
No. Nama Fields Type Panjang Not Null Keterangan
1 Id_penyakit varchar 15 √ Primary Key
2 Nama_penyakit varchar 30 √
7. Tabel Hystori Pasien
Tabel hystori pasien digunakan untuk menyimpan data kunjungan
pasien. Foreign key id_dokter digunakan sebagai id_dokter yang memeriksa,
id_penyakit digunakan sebagai penyakit pasien terdiagnosa, id_pasien
digunakan untuk pasien yang melakukan diagnosa. Field hystori pasien bisa
dilihat pada tabel 3.7 dibawah ini :
Tabel 3.7. Tabel Hystori Pasien
No. Nama Fields Type Panjang Not Null Keterangan
3.4. Desain Input / Output
Pada tahap ini dilakukan perancangan input/output untuk berinteraksi
antara user dengan sistem pendukung keputusan diagnosa penyakit tropis yang
disebabkan oleh bakteri ini. Desain antarmuka inii dibuat dengan menggunakan
database (meliputi insert, update, dan delete), form diagnosa penyakit tropis,
form data training, form login dan form user setting.
A. Form Login
Terdapat 2 pilihan user untuk masuk kedalam aplikasi ini. Jika
memilih dokter maka Terdapat 2 jenis user pada radiobutton, textbox username
dan password untuk login, user diminta login terlebih dahulu jika ingin
menggunakan aplikasi ini. Jika memilih pasien maka akan langsung menuju
form utama, pengisian username dan password ditiadakan. Form login
ditampilkan pada gambar 3.12 dan gambar 3.13 dibawah ini.
Gambar 3.12. Design form Login dengan pemilihan user
B. Form Utama
Adalah tampilan awal saat aplikasi pertama kali dijalankan. Menu–
menu dari aplikasi ini akan muncul secara keseluruhan, bila user sudah login
sesuai dengan perannya (dokter, admin, pasien) dengan memasukkan username
dan password yang sesuai dengan peran user. Content dari form menu Utama
apabila masuk sebagai user admin adalah file, pembelajaran, data training,
statistic, view, about, dan log out. Apabila masuk sebagai user dokter content
yang disediakan adalah Diagnosa, statistik, view, about, dan log out. Apabila
masuk sebagai pasien maka login tidak akan terjadi, dan file yang disediakan
adalah pembelajaran, statistik. Pada user admin menufile terdapat beberapa
subitem diantaranya penambahan data dan ubah data. Form utama seperti yang
ditampilkan pada gambar 3.14 dibawah ini.
C. Form Data Admin
Form ini digunakan untuk pengisian data admin baru, form data admin
hanya dapat diakses oleh user admin. Form data admin hanya digunakan
pengisian data admin baru ke dalam database. Form data admin seperti yang
ditampilkan pada gambar 3.15 dibawah ini.
Gambar 3.15. Design form Pendaftaran Admin
D. Form Data Paramedis/ Dokter
Form ini digunakan untuk pengisian data paramedis/ dokter baru, form
data paramedis hanya dapat diakses oleh user admin dan hanya digunakan
pengisian data paramedis baru ke dalam database. Form data paramedis seperti
Gambar 3.16. Design form Pendaftaran Paramedis
E. Form Penyakit Tropis
form ini digunakan untuk pengisian data penyakit tropis yang
disebabkan oleh bakteri yang baru, form penyakit tropis hanya dapat diakses
oleh user admin dan hanya digunakan sebagai pengisian data penyakit tropis
baru ke dalam database. Ketika form ini dijalankan dan data gejala prnyakit
tropis sudah ada pada database maka penyakit tropis baru akan secara otomatis
mengambil data gejala sebagai gejala penyakit tropis yang baru. Pada form ini
juga bisa dipakai untuk penambahan data premis akan tetapi user harus mengisi
data penyakit tropis dahulu. Form data penyakit tropis seperti yang ditampilkan
Gambar 3.17. Designform Penyakit Tropis disebabkan oleh bakteri baru.
F. Form Premis
Form ini digunakan untuk pengisian data gejala yang baru, pada setiap
gejala yang baru mempunyai hasil pemeriksaan ya atau tidak masing-masing
dengan nilai 1. Gejala penyakit baru akan menempel pada setiap penyakit tropis
oleh bakteri yang sudah ada. Ketika data gejala yang baru diinputkan dengan
nama gejala yang sudah ada maka akan mengalami error dan proses simpan
tidak dapat dilanjutkan. Form premis hanya dapat diakses oleh user admin dan
hanya digunakan untuk pengisian data gejala yang baru. Form premis seperti
Gambar 3.18. Design form menambah Gejala Baru
G. Form Data Training
Form ini digunakan untuk penambahan data training. Data training
digunakan sebagai data pembelajaran terhadap untuk menarik suatu kesimpulan
diagnosa penyakit tropis. Data gejala akan muncul secara acak dengan hasil
pemeriksaan ya atau tidak. Proses data training dimulai dari memilih data
penyakit yang sudah tersedia di dalam combobox, kemudian memilih hasil
pemeriksaan pada datagridview comboboxcolumn. Proses ini akan menambah
bobot nilai pvj pada penyakit tropis oleh bakteri yang sudah dipilih. Form data
training hanya dapat diakses oleh user admin dan hanya digunakan untuk
penambahan data training yang baru. Form data Training seperti yang
Gambar 3.19. Design Form Input data Training
H. Form Pasien Baru
Form ini digunakan untuk mendaftar pasien baru yang masuk
database. Ketika golongan pasien dipilih maka auto registrasi pasien akan
muncul berdasarkan golongan pasien, pada textbox umur akan auto value dari
tanggal sekarang dikurangi tanggal lahir yang diinputkan pada datetimepicker
tanggal lahir. Textbox keluarga dari dan NIP akan enabled dan disabled oleh
golongan pasien sesuai dengan kebutuhan. Design form Pendaftaran pasien