1 1.1 Latar Belakang Masalah
Pemantauan kondisi janin merupakan hal penting dalam pengawasan janin, terutama pada saat persalinan. Dukungan teknologi sangat berperan dalam kemajuan pemantauan janin, hal ini tampak nyata setelah era 1960an. Sayangnya, data epidemiologis menunjukkan hanya sekitar 10% kasus serebral palsi yang disebabkan oleh gangguan intrapartum dapat dideteksi dengan pemantauan elektronik tersebut.
Angka morbiditas dan mortalitas perinatal merupakan indikator kualitas pelayanan obstetric disuatu tempat atau negara. Angka mortalitas perinatal diindonesia masih jauh diatas rata-rata negara maju, yaitu 60-170 berbanding kurang dari 10 per 1.000 kelahiran hidup (Arma & Yanti, 2015).
Menurut data World Helth Organization tahun 2015 dalam Krisnanik & Yuni (2018:13) angka kematian janin di dunia di perkirakan sekitar 3,82 – 22,14 juta jiwa.
Kematian janin dalam rahim termasuk dalam masalah perinatal dan merupakan indikator kesehatan yang saat ini sangat sensitif karena berhubungan dengan kesehatan ibu dan anak. Angka kematian perinatal menyumbang sekitar 77% dari kematian neonatal, dimana untuk kematian neonatal menyumbang 58% dari total kematian bayi.
Di Indonesia angka kematian bayi adalah 32 kematian per 1000 kelahiran hidup (25,2%). Dan diantara negara ASEAN Indonesia merupakan negara dengan angka kematian perinatal tertinggi (putri &Prabowo, 2017).
Banyak cara yang dapat dipakai untuk melakukan pemantauan kesejahteraan janin, dari cara sederhana hingga yang canggih. Salah satu cara yang biasa digunakan yaitu dengan Cardiotocography (CTG). Cardiotocography merupakan metode investigasi yang paling disukai, dalam pemerhati penggunaan kesejahteraan janin yang praktis. Informasi yang diperoleh dari cardiotocography digunakan untuk mengidentifikasi awal keadaan patologis (gangguan pada janin atau hipoksia dan lain- lain) dan dapat membantu dokter kandungan untuk mengantisipasi masa depan janin sebelum ada gangguan permanen pada janin (Sahin & Subasi, 2015).
Cardiotocography (CTG) adalah representasi grafis yang membentuk gerakan janin, denyut janin (FHR), dan kegiatan kontraksi uterus (UC). Pemantauan janin secara elektronik membuat lebih mudah dalam memastikan kondisi kesejahteraan janin dan memungkinkan untuk pemantauan kondisi janin secara terus menerus(Comert & Kocamaz, 2017).
Perkembangan teknologi informasi telah memberikan kontribusi pada cepatnya pertumbuhan jumlah data yang dikumpulkan dan disimpan dalam basis data berukuran besar (gunung data). Ekstrasi informasi yang berguna dari gunungan data menjadi pekerjaan yang menantang, sering kali alat dan teknik analisis data tradisional tidak dapat digunakan dalam mengekstrak informasi dari data berukuran besar (Widayu et al, 2017). Salah satu metode atau teknik yang bisa digunakan untuk mengklasifikasikan hasil dari cardiotocography adalah dengan menggunakan data mining.
Data mining adalah teknologi yang merupakan campuran metode-metode analisis data dengan algoritma-algoritma untuk memperoses data berukuran besar dan data mining ini telah banyak diaplikasikan dalam berbagai bidang diantaranya dalam bidang kedokteran dan bidang bisnis (Widayu et al, 2017). Dalam bidang kedokteran,
salah satu teknik data mining digunakan untuk diagnosa suatu penyakit, pemantauan kejadian atau masalah kesehatan (Kurniawan, 2009). Penggunaan teknik data mining diharapkan dapat memberikan pengetahuan-pengetahuan yang sebelumnya tersembunyi didalam gudang data sehingga menjadi informasi yang berharga (Huda, 2010).
Backward elimination merupakan metode yang dapat menghilangkan atribut yang tidak signifikan dari model. Untuk prosedur backward elimination, model dimulai dengan semua atribut yang ada di dalamnya, dan atribut dengan nilai terkecil akan dihapus (Byana & Anisa, 2018). Dengan adanya seleksi fitur diharapkan dapat meningkatkan kinerja analisis data dalam pengklasifikasian. Pengurangan suatu fitur dapat berpengaruh besar terhadap hasil klasifikasi. Pengaruh ini bisa menjadi hal baik tetapi juga bisa menjadi kendala dalam proses klasifikasi. Untuk menghindari terjadinya kesalahan pemilihan fitur maka dilakukan seleksi fitur untuk hasil pengklasifikasi (Dewi, 2014).
Metode klasifikasi yang kini banyak dikembangkan dan diterapkan adalah Naïve Bayes. Menurut Han, J & Kamber dalam Hermawanti (2015:44) Naïve Bayes merupakan metode pengklasifikasian statistic yang dapat digunakan untuk memprediksi probabilitas keanggotaan dari suatu class. Naïve bayes terbukti memiliki akurasi dan kecepatan yang tinggi saat diaplikasikan ke dalam database besar (Ammar, 2009).
Berdasarkan penelitian sebelumnya yang dilakukan Comert et al (2016) dalam penelitian classification and comparison of cardiotocography signals with artificial neural network and extreme learning machine menghasilkan nilai akurasi masing- masing sebesar 91,84% dan 93,42%. Pada penerapan algoritma neural network untuk klasifikasi kardiotokografi manghasilkan nilai akurasi sebasar 99,15% (Ramdhani et
al, 2018). Dalam penelitian mengenai prediksi keputusan klien telemarketing untuk deposito pada bank menggunakan algoritma naïve bayes berbasis backward elimination, akurasi yang dihasilkan dari naïve bayes sebesar 89,08% sedangkan naïve bayes berbasis backward elimination sebesar 90,69% (Sulaehani,2016). Kemudian penelitian mengenai penggabungan algoritma backward elimination dan naïve bayes untuk mendiagnosis penyakit kanker payudara, akurasi yang diperoleh dari naïve bayes sebesar 96,14% sedangkan naïve bayes berbasis backward elimination sebesar 97,00% (Hermawanti, 2015).
Oleh karena itu, dalam penelitian ini, penulis melakukan klasifikasi kondisi janin menggunakan algoritma naïve Bayes dengan backward elimination berdasarkan data cardiotocography untuk mencari nilai akurasi dari naïve bayes dengan backward elimination apakah mempunyai nilai akurasi yang lebih tinggi. Dataset ini memiliki atribut sebanyak 39, 1 label dan 2.126 record data yang penulis tuangkan dalam skripsi berjudul “Algoritma Naïve Bayes dan Metode Backward Elimination untuk Meningkatkan Nilai Akurasi Klasifikasi Kondisi Janin”.
1.2 Identifikasi Masalah
Berdasarkan latar belakang permasalahan diatas, maka penelitian ini mengidentifikasikan permasalahan sebagai berikut:
1. Belum diketahui cara untuk klasifikasi kondisi janin apakah dalam keadaan normal, suspect, atau pathologic.
2. Belum diterapkannya algoritma naïve bayes dengan optimasi backward elimination untuk klasifikasi kondisi janin.
3. Belum diketahui besarnya nilai akurasi algoritma naïve bayes dan seleksi fitur backward elimination dalam mengklasifikasikan kondisi janin.
1.3 Maksud dan Tujuan
Maksud dari penulisan skripsi ini adalah sebagai berikut:
1. Untuk memudahkan dalam mengidentifikasi kondisi janin dengan melakukan klasifikasi data mining.
2. Untuk menerapkan algoritma naïve bayes dengan seleksi fitur backward elimination pada klasifikasi kondisi janin.
3. Untuk mengetahui besarnya nilai akurasi klasifikasi kondisi janin dengan menggunakan algoritma naïve bayes dan seleksi fitur backward elimination.
Tujuan dari penulisan skripsi ini adalah sebagai salah satu syarat kelulusan Program Stata Satu (S1) Fakultas Teknik Jurusan Sistem Informasi pada Universitas BSI Bandung.
1.4 Metode Penelitian
Metode penelitian ini guna memperoleh data-data sebagai bahan penulisan penelitian, penulis mengumpulkan data yang dibutuhkan untuk membuat hasil penelitian dengan menggunakan metode pengumpulan data. Ada dua metode yang penulis gunakan untuk mengumpulkan data dalam penelitian ini, diantaranya :
1. Observasi
Observasi atau pengumpulan data dilakukan dengan mencari sumber-sumber data yang akan digunakan untuk penelitian ini. Pencarian data berfokus pada data Cardiotocography yang diperoleh dari website UCI repository public dataset (Sai et al, 2010).
2. Studi Pustaka
Studi kepustakaan dalam penelitian ini digunakan dalam rangka memperoleh data sekunder yang merupakan usaha pengumpulan informasi yang berhubungan dengan teori-teori yang berkaitan dengan permasalahan dalam penelitian. Studi literature ini didapat daru berbagai referensi buku, jurnal, artikel ilmiah, dan website.
1.5 Ruang Lingkup
Dalam penulisan skripsi imi, penulis membatasi ruang lingkup penulisan. Berikut batasan masalah dalam penelitian ini :
1. Didalam penelitian ini hanya mengklasifikasikan kondisi janin apakah normal, suspect atau pathologic menggunakan data sekunder cardiotocography.
2. Mengklasifikasikan kondisi janin menggunakan algoritma naïve bayes.
3. Mengetahui nilai akurasi algoritma naïve bayes dengan backward elimination dalam klasifikasi kondisi janin.
4. Untuk perhitungan dataset menggunakan tools Rapid Miner.
1.6 Hipotesis
Untuk menghasilkan suatu rule penelitian yang sukses, peneliti melakukan pengujian hipotesis sesuai dengan permasalahan. Hal ini sejalan dengan yang dikemukakan Yusuf (2017:136) bahwa “Hipotesis merupakan dugaan yang kuat atau jawaban yang bersifat tentatif terhadap suatu masalah. Sebagai suatu dugaan yang kuat dan mungkin benar, serta perlu dibuktikan, maka hipotesis seyogianya bersandar pada teori yang telah mempunyai kekuatan pengakuan masyarakat ilmiah”. Rumusan hipotesis dalam penelitian ini adalah:
H0 : Algoritma naïve bayes dengan backward elimination tidak mempengaruhi tingkat akurasi klasifikasi kondisi janin.
H1 : Algoritma naïve bayes dengan backward elimination mempengaruhi tingkat akurasi klasifikasi kondisi janin.
