KOMPUTERISASI SISTEM PENJUALAN BARANG · PDF fileProgram Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer ... Pimpinan Pesantren AL BINAA IBS, Kepala Sekolah

DIAGNOSA PENYAKIT KULIT MENGGUNAKAN METODE

NAIVE BAYES PADA SMPIT AL BINAA

ISLAMIC BOARDING SCHOOL

SKRIPSI

Diajukan untuk memenuhi salah satu syarat kelulusan Strata Satu (S1)

MUHAMMAD IHROM

NIM: 11122703

Program Studi Sistem Informasi

Sekolah Tinggi Manajemen Informatika dan Komputer

NUSA MANDIRI

Jakarta

2016

LEMBAR PERSEMBAHAN

بسم اهلل الرحمان الرحيم

حمد هلل و الصالة و السالم على نبينا محمد، و على آله و صحبه أجمعين، أما بعد:ال

Allah „azza Wa Jalla berfirman: “Sesungguhnya Allah meninggikan

(derajat) orang-orang yang beriman di antara kalian dan para penuntut

ilmu beberapa derajat”. (Q.S. Al-Mujadilah:11).

Sebagai seorang penuntut ilmu, maka karya yang telah dibuat oleh hamba

Allah ta’ala ini seyogyanya dipersembahkan kepada:

a. Allah Subhanahu wa Ta’ala yang telah melimpahkan berbagai macam nikmat

dan karunianya sehingga peneliti dapat menyelesaikan penelitian ini dengan

baik.

b. Ibundaku, Ayahandaku, dan seluruh keluargaku yang tak kenal lelah dalam

memberi semangat, masukan, dan selalu memanjatkan doa pada Allah ta’ala

agar ananda ini dapat menjadi orang yang bermanfaat bagi nusa, bangsa, dan

negara Indonesia kelak.

c. Adikku yang rela waktunya tersita untuk mendukung abang nya dalam

menyelesaikan skripsi ini dan berbaik hati untuk selalu mendoakan yang

terbaik bagi abang nya ini.

d. Pimpinan Pesantren AL BINAA IBS, Kepala Sekolah SMAIT AL BINAA

IBS, Kepala Sekolah SMPIT AL BINAA IBS, serta Dewan Guru dan

Karyawan SMP-SMAIT AL BINAA IBS yang telah memberikan kesempatan

yang amat besar bagi peneliti untuk melakukan riset dan pengabdian kepada

sebuah institusi sehingga peneliti mendapatkan bahan-bahan yang dapat

dipergunakan untuk melengkapi kebutuhan penelitian ini.

e. Dosen Pembimbing I Ibu Nining Suryani, M.Kom dan Dosen Pembimbing II

ibu Eri Mardiani, M.Kom yang telah meluangkan waktu untuk peneliti dapat

berdiskusi dan membimbing peneliti dalam menyelesaikan skripsi ini.

f. Teman-teman di Jurusan Syariah Semester 4 Universitas Imam Muhammad bin

Suud (LIPIA) yang terus memberi dukungan bagi peneliti untuk terus berusaha

dalam menuntut ilmu serta selalu memanjatkan doa untuk masa depan yang

terbaik.

g. Teman-teman di kelas 12.6C.32 dan 11.7AC.07 yang selalu menemani peneliti

baik suka maupun duka dan tak henti-henti nya kalian mendukung peneliti baik

di kala susah maupun di kala mudah.

h. Teman-teman angkatan 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, dan 12 di SMP-SMAIT

AL BINAA IBS yang senantiasa mendoakan peneliti dan mendukung

pembuatan skripsi ini, baik secara moril maupun materil.

Pada akhirnya, perkenankan peneliti untuk mengakhiri lembar persembahan ini

dengan membawakan hadits Nabi Sholallahu ’alaihi Wassalam sebagai bentuk

persembahan bagi kaum muslimin khususnya dan bangsa Indonesia Umumnya,

yaitu:

Dari Abu Hurairah (Semoga Allah ta‟ala meridhoinya) berkata:

Bersabda Rasulullah Sholallahu ‟alaihi Was Salam: ”Jika anak Adam

meninggal akan terputus seluruh amalannya kecuali 3 hal: shodaqoh

jariyah atau ilmu yang bermanfaat atau anak yang sholeh yang

mendoakannya”. (HR. Muslim no. 1631)

SURAT PERNYATAAN KEASLIAN SKIPSI

Yang bertanda tangan di bawah ini:

Nama : Muhammad Ihrom

NIM : 11122703

Program Studi : Sistem Informasi

Perguruan Tinggi : STMIK Nusa Mandiri

Dengan ini menyatakan bahwa skripsi yang telah saya buat dengan judul:

“Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada SMPIT

AL BINAA Islamic Boarding School”, adalah asli (orisinil) atau tidak plagiat

(menjiplak) dan belum pernah diterbitkan/dipublikasikan di manapun dan dalam

bentuk apapun.

Demikianlah surat pernyataan ini saya buat dengan sebenar-benarnya tanpa ada

paksaan dari pihak manapun juga. Apabila di kemudian hari ternyata saya

memberikan keterangan palsu dan atau ada pihak lain yang mengklaim bahwa

skripsi yang telah saya buat adalah hasil karya milik seseorang atau badan

tertentu, saya bersedia diproses baik secara pidana maupun perdata dan kelulusan

saya dari Sekolah Tinggi Manajemen Informatika & Komputer Nusa

Mandiri dicabut/dibatalkan.

Dibuat di : Jakarta

Pada tanggal : 5 Februari 2016

Yang menyatakan,

Materai Rp 6000

Muhammad Ihrom

SURAT PERNYATAAN PERSETUJUAN PUBLIKASI KARYA

ILMIAH UNTUK KEPENTINGAN AKADEMIS

Yang bertanda tangan di bawah ini, saya:


NIM : 11122703

Perguruan Tinggi : STMIK Nusa Mandiri


Dengan ini menyetujui untuk memberikan ijin kepada pihak Sekolah Tinggi

Manajemen Informatika & Komputer Nusa Mandiri, Hak Bebas Royalti Non-

Eksklusif (Non-exclusive Royalti-Free Right) atas karya ilmiah kami yang

berjudul: “Diagnosa Penyakit Kulit Menggunakan Metode Naïve Bayes pada

SMPIT AL BINAA Islamic Boarding School”, beserta perangkat yang

diperlukan (apabila ada).

Dengan Hak Bebas Royalti Non-Eksklusif ini pihak Sekolah Tinggi

Manajemen Informatika & Komputer Nusa Mandiri berhak menyimpan,

mengalih-media atau format-kan, mengelolanya dalam pangkalan data (database),

mendistribusikannya dan menampilkan atau mempublikasikannya di internet atau

media lain untuk kepentingan akademis tanpa perlu meminta ijin dari kami selama

tetap mencantumkan nama kami sebagai penulis/pencipta karya ilmiah tersebut.

Saya bersedia untuk menanggung secara pribadi, tanpa melibatkan pihak Sekolah

Tinggi Manajemen Informatika & Komputer Nusa Mandiri, segala bentuk

tuntutan hukum yang timbul atas pelanggaran Hak Cipta dalam karya ilmiah saya

ini.

Demikian pernyataan ini saya buat dengan sebenarnya.

Dibuat di : Jakarta

Pada tanggal : 5 Februari 2016

Yang menyatakan,

Materai Rp 6000

Muhammad Ihrom

PERSETUJUAN DAN PENGESAHAN SKRIPSI

Skripsi ini diajukan oleh :


NIM : 11122703


Jenjang : Strata Satu (S1)

Judul Skripsi : Diagnosa Penyakit Kulit Menggunakan Metode Naïve

Bayes pada SMPIT AL BINAA Islamic Boarding School

Untuk dipertahankan pada Periode II-2015 di hadapan penguji dan diterima

sebagai bagian persyaratan yang diperlukan untuk memperoleh Sarjana Ilmu

Komputer (S.Kom) pada Program Strata Satu (S1) Program Studi Sistem

Informasi di Sekolah Tinggi Manajemen Informatika & Komputer Nusa Mandiri.

Jakarta, 5 Februari 2016

PEMBIMBING SKRIPSI

Dosen Pembimbing I : Nining Suryani, M.Kom ..................................

Dosen Pembimbing II : Eri Mardiani, M.Kom ..................................

D E W A N P E N G U J I

Penguji I : ……………………………….. .............................

Penguji II : ……………………………….. .............................

PERSETUJUAN DAN PENGESAHAN SKRIPSI

Skripsi ini diajukan oleh:


NIM : 11122703


Jenjang : Strata Satu (S1)

Judul Skripsi : Diagnosa Penyakit Kulit Menggunakan Metode Naïve

Bayes pada SMPIT AL BINAA Islamic Boarding School

Telah dipertahankan pada Periode II-2015 di hadapan penguji dan diterima

sebagai bagian persyaratan yang diperlukan untuk memperoleh Sarjana Ilmu

Komputer (S.Kom) pada Program Strata Satu (S1) Program Studi Sistem

Informasi di Sekolah Tinggi Manajemen Informatika & Komputer Nusa Mandiri.


PEMBIMBING SKRIPSI

Dosen Pembimbing I : Nining Suryani, M.Kom ................................

Dosen Pembimbing II : Eri Mardiani, M.Kom ................................

D E W A N P E N G U J I

Penguji I : ……………………………….. ..............................

Penguji II : ……………………………….. ...............................

KATA PENGANTAR

حمد هلل و الصالة و السالم على نبينا محمد، و على آله و صحبه أجمعين، أما بعد:ال

Berkat rahmat dan karunia Allah Subhanahu wa Ta’ala peneliti dapat

menyelesaikan skripsi ini dengan baik. Adapun judul penelitian skripsi yang

diambil oleh peneliti adalah sebagai berikut: “DIAGNOSA PENYAKIT KULIT

MENGGUNAKAN METODE NAIVE BAYES PADA SMPIT AL BINAA

ISLAMIC BOARDING SCHOOL”.

Tujuan penelitian skripsi ini dibuat sebagai salah satu syarat kelulusan

Program Strata Satu (S1) pada STMIK Nusa Mandiri. Sebagai bahan penelitian,

peneliti mengambil data berdasarkan observasi, wawancara, dan studi pustaka

yang mendukung tulisan ini. Peneliti menyadari sepenuhnya bahwa penelitian

skripsi ini tidak akan berjalan dengan lancar tanpa bantuan, petunjuk, bimbingan

dan saran-saran dari berbagai pihak. Oleh karena itu, pada kesempatan ini peneliti

ingin mengucapkan terima kasih kepada yang terhormat :

1. Ketua STMIK Nusa Mandiri.

2. Pembantu Ketua I STMIK Nusa Mandiri.

3. Ketua Program Studi Sistem Informasi STMIK Nusa Mandiri.

4. Ibu Nining Suryani, M.Kom selaku Dosen Pembimbing I skripsi.

5. Ibu Eri Mardiani, M.Kom selaku Dosen Pembimbing II skripsi.

6. Seluruh Staff, Karyawan, Dosen, dan Instruktur di lingkungan STMIK Nusa

Mandiri.

7. Orang Tua dan seluruh keluarga tercinta yang telah memberikan dukungan

moril, materil maupun spiritual.

8. Ustadz Aslam Muhsin Abidin, Lc. selaku Pimpinan Pesantren AL BINAA

IBS.

9. Ustadz Agung Wahyu Adhy, Lc. selaku Kepala Sekolah SMAIT AL BINAA

IBS.

10. Ustadz Hasyim, S.Pd. selaku Kepala Sekolah SMPIT AL BINAA IBS.

11. Bapak Ade Darsono selaku Petugas Kesehatan di Pesantren AL BINAA IBS.

12. Dewan Guru dan Karyawan SMP-SMAIT AL BINAA IBS.

13. Teman-teman kelas 12.6C.32 dan 11.7AC.07 di STMIK Nusa Mandiri.

14. Teman-teman angkatan 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, dan 12 di SMP-SMAIT

AL BINAA IBS.

Serta semua pihak yang tidak bisa disebutkan satu persatu karena

keterbatasan waktu dan tempat penulisan skripsi ini. Peneliti menyadari bahwa

dalam penyusunan skripsi ini masih jauh dari sempurna, karena keterbatasan ilmu

dan kemampuan peneliti. Oleh karena itu, dengan segala kerendahan hati peneliti

memohon maaf atas kekurangan dalam penyusunan skripsi ini. Selain itu, kritik

dan saran yang sifatnya membangun, juga peneliti harapkan untuk dijadikan

pengalaman dan pembelajaran bagi penelitian dimasa yang akan datang.

Akhir kata, semoga skripsi ini dapat bermanfaat bagi peneliti khususnya

dan para pembaca yang berminat pada umumnya, khususnya rekan-rekan

mahasiswa STMIK Nusa Mandiri.


Muhammad Ihrom

ABSTRAK

Muhammad Ihrom (11122703), Diagnosa Penyakit Kulit Menggunakan

Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School

Pesantren merupakan tempat para santri atau siswa belajar dan bertempat tinggal

sementara. Namun, kebersihan lingkungan kurang diperhatikan di beberapa

pesantren. Akibat dari kurangnya perhatian terhadap kebersihan dapat

menimbulkan masalah, salah satunya timbulnya penyakit kulit. Gejala yang

ditimbulkan penyakit kulit berupa: kulit kemerahan, vesikel atau bintik-bintik,

gatal, luka, panas, dan infeksi. Pada penelitianini, penyakit kulit akan

dikategorikan menjadi 2, yaitu: penyakit kulit yang termasuk dermatitis dan

penyakit kulit yang tidak termasuk dermatitis. Pengkategorian penyakit ini

menggunakan metode naïve bayes dengan mengolah 228 data yang berkaitan

dengan penyakit kulit yang berasaldari data arsip rekam medik SMPIT AL

BINAA IBS. Sampel data yang diambil untukpenghitunganmetode naivebayes

secara manual berjumlah 165 data dengan sampel pengujian sebanyak 1 data.

Pengambilan sampel ditujukan untuk membuat model penghitungan metode naïve

bayes secara manual. Hasil dari penghitungan metode naïve bayes menunjukkan

bahwa seluruh data dapat diklasifikasi dengan tingkat akurasi 100% dan memiliki

kecepatan penghitungan selama 0 detik serta tidak ada satupun data yang

diklasifikasikan secara tidaktepat pada penelitian ini.

Kata Kunci :Diagnosa penyakit kulit, Metode Naïve Bayes

DAFTAR ISI

Halaman

Lembar Judul Skripsi .............................................................................................. i

Lembar Persembahan .............................................................................................. ii

Lembar Pernyataan Keaslian Skripsi ...................................................................... iv

Lembar Pernyataan Persetujuan Publikasi Karya Ilmiah ........................................ v

Lembar Persetujuan dan Pengesahan Skripsi .......................................................... vi

Lembar Panduan Penggunaan Hak Cipta ................................................................ vii

Kata Pengantar ........................................................................................................ viii

Abstraksi ................................................................................................................. x

Daftar Isi.................................................................................................................. xii

Daftar Gambar ......................................................................................................... xiv

Daftar Tabel ............................................................................................................ xv

Daftar Lampiran ...................................................................................................... xvi

BAB I PENDAHULUAN 1.1 Latar Belakang Masalah .................................................................. 1

1.2 Identifikasi Masalah ........................................................................ 2

1.3 Maksud dan Tujuan ......................................................................... 2

1.4 Metode Penelitian ............................................................................ 2

A. Observasi .................................................................................... 3

B. Wawancara................................................................................. 4

C. Studi Pustaka............................................................................... 4

1.5 Ruang Lingkup ................................................................................ 4

1.6 Hipotesis .......................................................................................... 5

BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka ............................................................................. 6

2.1.1 Penyakit Kulit ........................................................................ 6

2.1.2 Populasi dan Sampel .............................................................. 9

2.1.3 Data Mining ........................................................................... 10

2.1.4 Metode Naïve Bayes............................................................... 18

2.1.5 Software Rapidminer.............................................................. 20

2.2 Penelitian Terkait .............................................................................. 21

2.3 Tinjauan Organisasi atau Objek Penelitian ..................................... 22

2.3.1 Sejarah Organisasi.................................................................. 22

2.3.2 Visi dan Misi .......................................................................... 24

2.3.3 Struktur Organisasi ................................................................ 24

2.3.4 Objek Penelitian ..................................................................... 27

BAB III METODOLOGI PENELITIAN 3.1 Tahapan Penelitian .......................................................................... 29

3.2 Instrument Penelitian ....................................................................... 33

3.3 Metode Pengumpulan Data, Populasi, dan Sampel Penelitian ........ 34

3.4 Metode Analisis Data ....................................................................... 36

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

4.1 Implementasi Penelitian .................................................................. 64

4.2 Analisa Data Menggunakan Software Rapidminer ......................... 65

4.2.1 Distribution Model ................................................................. 53

4.2.2 Example Set ............................................................................ 68

4.2.3 Performance Vector ............................................................... 70

BAB V PENUTUP

5.1 Kesimpulan ...................................................................................... 72

5.2 Saran ................................................................................................ 73

DAFTAR PUSTAKA

DAFTAR RIWAYAT HIDUP

LEMBAR KONSULTASI BIMBINGAN

LAMPIRAN

Lampiran A.1 Tabel Data Arsip Rekam Medik

Lampiran A.2 Tabel Sampel 165 Data Arsip Rekam Medik

Lampiran A.3 Tabel Data Arsip Rekam Medik Untuk Diproses Dengan

Software Rapidminer

Lampiran B.1 Penghitungan Manual Diagnosa Penyakit Kulit

Menggunakan Metode Naïve Bayes

Lampiran C.1 Catatan Anekdot

Lampiran C.2 Laporan Wawancara

ABSTRACT

Muhammad Ihrom (11122703), The Diagnosis of Skin Disease using Naïve

Bayes Method at AL BINAA JUNIOR HIGH ISLAMIC BOARDING SCHOOL

The boarding school is the place which the students study and live for a moment.

But, if the cleanliness here is not be interested, it can make some problems,

example: skin disease. The skin disease symptom is skin redness, vesicle,

itchiness, wound, fever, and infection. In this research, the skin disease will be

categorized to: include dermatitis and not include dermatitis. The data have taken

by archive document of diseases in AL BINAA JUNIOR HIGH ISLAMIC

BOARDING SCHOOL. Naïve bayes method will categorize the skin disease using

228 data from archive document. The 165 data sampling is used to make a model

with manually calculating of naïve bayes method and 1 other data will used to

exam this model. The result of this research is naïve bayes method has 100% of

accuracy to classify skin disease with 0 second of timing this classification and

this research has not a missing data.

Keywords: diagnosis of skin disease, naïve bayes method.

DAFTAR SIMBOL

A. Entity Relation Diagram

ENTITAS

Adalah Suatu Objek yang dapat di

identifikasi dalam Lingkungan pemakai.

RELASI

Menunjukan adanya hubungan diantara

sejumlah Entitas yang berbeda.

ATRIBUT

Berfungsi Mendeskripsikan karakter

Entitas atribut yang berfungsi sebagai

key di berigaris bawah

GARIS

Sebagai Penghubung antara relasi

dengan entitas, relasi dan Entitas dengan

atribut.

DAFTAR SIMBOL

B. Logical Relational Struktur

ENTITAS

Adalah Suatu Objek yang terdapat nama

tabel dan field-field nya.

TABEL

FIELD

PRIMARY KEY

field kunci / utama dari suatu tabel.

FOREIGN KEY

Kunci penghubung kedua tabel dan

melengkapi satu relationship (hubungan)

terhadap kunci utama

GARIS

Sebagai Penghubung Primary Key

dengan Foreign Key antar fiel-field.

DAFTAR SIMBOL

C. Struktur Navigasi

PAGE

Adalah bagian dari halaman sebuah

website.

GARIS

Sebagai Penghubung antar halaman

sebuah website sesuai arah tanda panah

DAFTAR GAMBAR

Halaman

1. Gambar II.1. Bidang Ilmu Data Mining .......................................................... 12

2. Gambar II.2. Persamaan umum teorema bayes................................................ 19

3. Gambar II.3. Penerapan teorema bayes dalam klasifikasi ............................... 19

4. Gambar II.4. Persamaan yang dipakai dalam naïve bayes classification ........ 20

5. Gambar II.5. Struktur organisasi SMPIT AL BINAA IBS ............................. 25

6. Gambar III.1. Arsip Data Rekam Medik Asli .................................................. 37

7. Gambar III.2. Data Primer Arsip Data Rekam Medik Setelah Penulisan ulang

.......................................................................................................................... 38

8. Gambar III.3. Sampel Data Pengujian Nomor Data 166 ................................. 38

9. Gambar III.4. Halaman Depan Software Rapidminer 5.3 ............................... 39

10. Gambar III.5. Gambar 25 Data Teratas Setelah Pengubahan Atribut .............. 40

11. Gambar III.6. Proses Impor Data Excel pada Rapidminer 5.3 ........................ 41

12. Gambar III.7. Proses Pemilihan Data Excel ................................................... 41

13. Gambar III.8. Pembacaan Data Oleh Software Rapidminer ........................... 42

14. Gambar III.9. Pemberian Label dan Atribut Pada Software Rapidminer ....... 43

15. Gambar III.10. Penempatan Data yang Telah Diimpor .................................. 44

16. Gambar III.11. Metode Naïve Bayes Pada Software Rapidminer .................... 45

17. Gambar III.12. Tools Pengukur Akurasi Dari Model Naïve Bayes ................. 45

18. Gambar III.13. Hasil Pemrosesan Data Impor oleh Software Rapidminer ...... 46

19. Gambar IV.1. Proses Penempatan Data yang Telah Diimpor ......................... 50

20. Gambar IV.2. Penempatan Data Transformation, Modelling, dan Evaluation

pada Utility ............................................................................... 51

21. Gambar IV.3. Hasil Pemrosesan Data Menggunakan Software Rapidminer .. 52

22. Gambar IV.4. Model Distribusi Data Arsip Rekam Medik Berdasarkan Kelas

yang Terbentuk ......................................................................... 53

23. Gambar IV.5. Hasil Distribusi Gejala-Gejala pada Kolom Y dan Kelas N ..... 55

24. Gambar IV.6. Hasil Distribusi Gejala Kulit Kemerahan ................................. 56

25. Gambar IV.7. Hasil Distribusi Gejala Vesikel atau Bintik-Bintik ................... 58

26. Gambar IV.8. Hasil Distribusi Gejala Gatal .................................................... 60

27. Gambar IV.9. Hasil Distribusi Gejala Luka ..................................................... 62

28. Gambar IV.10. Hasil Distribusi Gejala Panas ................................................. 64

29. Gambar IV.11. Hasil Distribusi Gejala Infeksi ................................................ 66

30. Gambar IV.12. Pengelompokkan Data Berdasarkan Gejala ............................ 68

31. Gambar IV.13. Hasil Akurasi Pemrosesan Data Dengan Metode Naïve Bayes

.......................................................................................................................... 70

32. Gambar IV.14. Waktu yang Dibutuhkan Untuk Mengklasifikasi Data ........... 71

33. Gambar Lampiran B.1.1 Sampel Data Pengujian ............................................ 111

DAFTAR GAMBAR

Halaman

1. Gambar II.1. Bidang Ilmu Data Mining .......................................................... 12

2. Gambar II.2. Persamaan umum teorema bayes................................................ 19

3. Gambar II.3. Penerapan teorema bayes dalam klasifikasi ............................... 19

4. Gambar II.4. Persamaan yang dipakai dalam naïve bayes classification ........ 20

5. Gambar II.5. Struktur organisasi SMPIT AL BINAA IBS ............................. 25

6. Gambar III.1. Arsip Data Rekam Medik Asli .................................................. 37

7. Gambar III.2. Data Primer Arsip Data Rekam Medik Setelah Penulisan ulang

.......................................................................................................................... 38

8. Gambar III.3. Sampel Data Pengujian Nomor Data 166 ................................. 38

9. Gambar III.4. Halaman Depan Software Rapidminer 5.3 ............................... 39

10. Gambar III.5. Gambar 25 Data Teratas Setelah Pengubahan Atribut .............. 40

11. Gambar III.6. Proses Impor Data Excel pada Rapidminer 5.3 ........................ 41

12. Gambar III.7. Proses Pemilihan Data Excel ................................................... 41

13. Gambar III.8. Pembacaan Data Oleh Software Rapidminer ........................... 42

14. Gambar III.9. Pemberian Label dan Atribut Pada Software Rapidminer ....... 43

15. Gambar III.10. Penempatan Data yang Telah Diimpor .................................. 44

16. Gambar III.11. Metode Naïve Bayes Pada Software Rapidminer .................... 45

17. Gambar III.12. Tools Pengukur Akurasi Dari Model Naïve Bayes ................. 45

18. Gambar III.13. Hasil Pemrosesan Data Impor oleh Software Rapidminer ...... 46

19. Gambar IV.1. Proses Penempatan Data yang Telah Diimpor ......................... 50

20. Gambar IV.2. Penempatan Data Transformation, Modelling, dan Evaluation

pada Utility ............................................................................... 51

21. Gambar IV.3. Hasil Pemrosesan Data Menggunakan Software Rapidminer .. 52

22. Gambar IV.4. Model Distribusi Data Arsip Rekam Medik Berdasarkan Kelas

yang Terbentuk ......................................................................... 53

23. Gambar IV.5. Hasil Distribusi Gejala-Gejala pada Kolom Y dan Kelas N ..... 55

24. Gambar IV.6. Hasil Distribusi Gejala Kulit Kemerahan ................................. 56

25. Gambar IV.7. Hasil Distribusi Gejala Vesikel atau Bintik-Bintik ................... 58

26. Gambar IV.8. Hasil Distribusi Gejala Gatal .................................................... 60

27. Gambar IV.9. Hasil Distribusi Gejala Luka ..................................................... 62

28. Gambar IV.10. Hasil Distribusi Gejala Panas ................................................. 64

29. Gambar IV.11. Hasil Distribusi Gejala Infeksi ................................................ 66

30. Gambar IV.12. Pengelompokkan Data Berdasarkan Gejala ............................ 68

31. Gambar IV.13. Hasil Akurasi Pemrosesan Data Dengan Metode Naïve Bayes

.......................................................................................................................... 70

32. Gambar IV.14. Waktu yang Dibutuhkan Untuk Mengklasifikasi Data ........... 71

33. Gambar Lampiran B.1.1 Sampel Data Pengujian ............................................ 111

DAFTAR TABEL

Halaman

1. Tabel III.1. Tabel Relasi Gejala dan Penyakit ................................................. 44

DAFTAR LAMPIRAN

Halaman

1. Lampiran A.1. Tabel Data Arsip Rekam Medik .............................................. 68

2. Lampiran A.2. Tabel Sampel 165 Data Arsip Rekam Medik .......................... 68

3. Lampiran A.3. Tabel Data Arsip Rekam Medik Untuk Diproses Dengan

Software Rapidminer ................................................................ 69

4. Lampiran B.1. Penghitungan Manual Diagnosa Penyakit Kulit

Menggunakan Metode Naïve Bayes ......................................... 70

5. Lampiran C.1. Catatan Anekdot ...................................................................... 70

6. Lampiran C.2. Laporan Wawancara ................................................................ 71

BAB I

PENDAHULUAN

1.1 Latar Belakang Masalah

Kulit adalah salah satu organ tubuh yang terletak di bagian luar yang

mencerminkan kesehatan dan kebersihan seseorang, sehingga bagian tubuh ini

rentan terhadap risiko penyakit kulit (Azizah, 2014:147).

Bahkan, data yang didapat pada tahun 2005 yang berasal dari Pondok

Pesantren Kabupaten Lamongan, menunjukkan bahwa ada sekitar 64,2% santri

menderita scabies (Kurniawan, 2012:30).

Scabies merupakan salah satu penyakit kulit yang termasuk lima

penyakit terbanyak pada penelitian di RS Karitas, Sumba Barat Daya (Azizah,

2014:147).

Berdasarkan data tersebut, peneliti menduga bahwa pondok pesantren

merupakan tempat yang sering terjadi kejadian penyakit kulit. Oleh karena itu,

peneliti membuat suatu penelitian yang bertempat di sebuah pesantren di Jawa

Barat yang bernama SMPIT AL BINAA Islamic Boarding School atau yang lebih

dikenal dengan SMPIT AL BINAA IBS. Sekolah ini merupakan sebuah pesantren

modern yang terletak di daerah persawahan. Saat berkunjung ke pesantren ini,

peneliti mendapatkan informasi tentang banyaknya keluhan tentang penyakit kulit

dari petugas medis setempat, oleh karena itu peneliti mencoba menelusuri

kebenaran informasi tersebut. Setelah melakukan pencarian data, maka peneliti

menemukan data yang terkait dengan permasalahan penyakit kulit mencapai 228

data. Oleh karena itu, peneliti merasa perlu untuk melakukan penelitian ini untuk

mendapatkan pengetahuan tentang gejala-gejala yang dapat menyebabkan

penyakit kulit berdasarkan data yang telah didapat, kemudian membuat klasifikasi

terhadap penyakit tersebut berdasarkan gejala-gejala yang dialami pasien.

Berdasarkan latar belakang tersebut, maka peneliti memberikan judul

pada penelitian ini dengan judul: “Diagnosa Penyakit Kulit Menggunakan

Metode Naïve Bayes pada SMPIT AL BINAA ISLAMIC BOARDING

SCHOOL”.

1.2 Identifikasi Masalah

Setelah melaksanakan riset di SMPIT AL BINAA IBS tersebut, peneliti

pada akhirnya menemukan ada 228 kasus yang ditemukan pada kasus penyakit

kulit di pesantren ini yang dimulai dari tahun 2013-2015. Oleh karena itu, peneliti

merangkum permasalahan pada penyakit kulit di pesantren ini sebagai berikut:

1. Bagaimana mengklasifikasi penyakit kulit berdasarkan gejala-gejala yang

dialami pasien dengan menggunakan metode naïve bayes?

2. Bagaimana tingkat akurasi teknik klasifikasi data mining dengan menggunakan

metode naïve bayes dalam mengklasifikasi penyakit kulit?

1.3 Maksud dan Tujuan

Maksud dari penelitian ini adalah sebagai berikut:

1. Mengetahui klasifikasi penyakit kulit berdasarkan gejala-gejala

yang dialami oleh pasien dengan menggunakan metode naïve

bayes.

2. Mengetahui tingkat akurasi teknik klasifikasi data mining dengan

menggunakan metode naïve bayes dalam mengklasifikasi penyakit

kulit.

Tujuan dari penelitian ini adalah untuk memenuhi salah satu syarat

yang telah ditentukan dalam mencapai kelulusan Program Strata Satu (S-1)

Program Studi Sistem Informasi pada Sekolah Tinggi Manajemen Informatika

dan Komputer Nusa Mandiri (STMIK Nusa Mandiri).

1.4 Metode Penelitian

Pada penelitian ini, peneliti menggunakan metode deskriptif atau

pengamatan langsung dengan menggunakan teknik pengumpulan data sebagai

berikut:

A. Observasi

Teknik ini digunakan oleh peneliti untuk mendapatkan data di

lapangan dengan cara mengamati langsung kejadian penyakit kulit

yang terjadi di SMPIT AL BINAA IBS dan meneliti data-data yang

telah direkam oleh pihak medis setempat terkait penyakit tersebut.

Pada penelitian ini, peneliti mengidentifikasi data-data yang telah

diarsipkan oleh bagian kesehatan dari pihak sekolah, melalui bantuan

petugas medis setempat yang bernama Bapak Ade Darsono yang biasa

dipanggil Bapak Ade. Setelah peneliti berkonsultasi dengan beliau,

peneliti menemukan data-data yang berkaitan dengan penyakit kulit

dan menemukan beberapa kasus yang dilakukan dengan pengamatan

langsung pada pasien penderita penyakit kulit yang ditangani langsung

oleh Bapak Ade. Setelah berkonsultasi dan melakukan pengamatan,

Bapak Ade memberikan kepada peneliti data-data penyakit kulit yang

telah diarsipkan tersebut.

B. Wawancara

Teknik ini digunakan oleh peneliti untuk mendapatkan informasi

tentang kejadian penyakit kulit pada sekolah tersebut. Oleh karena itu,

peneliti mewawancarai pihak medis setempat yang diwakili oleh

Bapak Ade selaku petugas kesehatan di sekolah tersebut. Setelah

mengamati dan meneliti kejadian penyakit kulit pada pesantren

tersebut, peneliti mewawancara Bapak Ade dengan beberapa

pertanyaan yang berkaitan dengan penyakit kulit. Setelah

diwawancarai, Bapak Ade memberikan sampel kasus beserta cara

penanganannya di depan peneliti.

C. Studi Pustaka

Teknik ini dimanfaatkan oleh peneliti untuk mendapatkan informasi

yang lebih mendetail tentang kejadian penyakit kulit, gejala-gejala

penyakit kulit, dan ciri-ciri dari penyakit tersebut.

1.5 Ruang Lingkup

Pada penelitian ini, peneliti membatasi ruang lingkup penelitian ini

dengan mengkaji metode naïve bayes dan penggunaannya terhadap diagnosa

penyakit kulit yang terjadi di SMPIT AL BINAA IBS berdasarkan gejala-gejala

yang ditimbulkan dengan objek penelitian yang terdiri dari siswa, guru, dan

karyawan selama kurun waktu 2013-2015. Berdasarkan gejala-gejala penyakit

kulit tersebut, penyakit kulit akan dikategorikan menjadi 2 kategori, yaitu:

kategori penyakit kulit yang termasuk dermatitis dan kategori penyakit kulit yang

tidak termasuk dermatitis menggunakan metode naïve bayes.

1.6 Hipotesis

Hipotesis dari penelitian ini adalah sebagai berikut:

1. H0= Teknik klasifikasi data mining dengan menggunakan metode naïve

bayes tidak mempunyai akurasi yang tepat dalam memprediksi penyakit

kulit.

2. H1= Teknik klasifikasi data mining dengan menggunakan metode naïve

bayes mempunyai akurasi yang tepat dalam memprediksi penyakit kulit.

BAB II

LANDASAN TEORI

2.1. Tinjauan Pustaka

2.1.1. Penyakit Kulit

Penyakit kulit menurut Wijaya dkk (2015:13) “merupakan penyakit

yang sering ditemukan dalam praktik sehari-hari”. Penyakit ini, menyerang salah

satu organ tubuh, yaitu: kulit.

Ada beberapa faktor yang dapat menyebabkan seseorang terkena

penyakit kulit menurut Wijaya dkk (2015:3), yaitu:

1. Bakteri

Bakteri yang menyebabkan infeksi pada kulit manusia dapat berupa kuman

positif, seperti Staphylococcus sp., maupun kuman negative, seperti

Treponema pallidum (Wijaya dkk, 2015:1).

Pasien yang menderita penyakit ini akan menjelaskan keluhan dan kelainan

pada kulitnya (Wijaya dkk, 2015:1).

Salah satu ciri kelainan kulit yang disebabkan oleh bakteri adalah munculnya

abses atau bengkak (Wijaya dkk, 2015:3).

Oleh karena itu, seorang dokter akan memeriksa terlebih dahulu bagian-

bagian tubuh yang dikeluhkan oleh pasien tersebut. Setelah prosedur

pemeriksaan dilakukan oleh seorang dokter, maka seorang dokter akan

memberikan diagnosa (menentukan jenis penyakit berdasarkan gejala yang

timbul) kepada pasien beserta cara mengobatinya.

Contoh dari penyakit kulit yang termasuk golongan ini adalah furunkel atau

yang lebih dikenal dengan sebutan bisul (Wijaya dkk, 2015:22).

2. Jamur

Menurut Wijaya dkk (2015:51) “penyakit jamur pada kulit atau

dermatomikosis adalah penyakit pada kulit, kuku, rambut, dan mukosa

(lendir) yang disebabkan infeksi jamur”.

Beberapa jenis jamur dapat menyebabkan penyakit pada manusia, Seperti

Candida sp. (Wijaya dkk, 2015:51).

Infeksi jamur ini dapat menyebabkan kebotakan pada rambut dan dapat

menyebabkan perubahan warna kuku (Wijaya dkk, 2015:51).

3. Virus

Penyakit kulit dapat disebabkan oleh virus yang penyebarannya dapat melalui

udara, kontak langsung, ataupun dengan hubungan badan (Wijaya dkk,

2015:37).

Contoh penyakit kulit yang termasuk golongan ini adalah: Herpes simpleks

dan Herpes zoster (Wijaya dkk, 2015:42).

4. Parasit

Infeksi parasit pada manusia menurut Wijaya dkk (2015:63) “dapat

bermanifestasi di kulit, subkutan, dan mukosa”.

Infeksi parasit pada kulit manusia dapat menular kepada orang lain melalui

kontak kulit langsung, maupun dengan perantara sisir, bantal, dan kasur

(Wijaya dkk, 2015:63).

Contoh penyakit kulit yang termasuk golongan ini adalah: skabies, penyakit

ini disebabkan oleh Sarcoptes scabiei yang menyebabkan seseorang merasa

gatal pada sekujur tubuhnya, kecuali bagian muka (Wijaya dkk, 2015:63).

5. Penyakit Kulit Inflamatorik Non-Infeksi

Menurut Wijaya dkk (2015:71) “penyakit kulit inflamasi (peradangan) non-

infeksi disebabkan reaktivitas sel T, reaktivitas humoral, ataupun autoimun”.

Contoh dari penyakit kulit yang termasuk dalam golongan ini adalah:

dermatitis.

Dermatitis menurut Wijaya dkk (2015:71) adalah “peradangan kulit akut

maupun kronik yang secara umum ditandai dengan efloresensi polimorfik

(ruam yang beragam bentuk) dan keluhan gatal”. Maksudnya, dermatitis

merupakan penyakit kulit yang memiliki gejala munculnya ruam-ruam pada

bagian tubuh dalam bentuk yang beragam yang disertai dengan gatal-gatal

pada bagian tersebut.

6. Tumor Kulit.

Tumor kulit menurut Wijaya dkk (2015:89) adalah “suatu pertumbuhan

abnormal pada kulit yang dapat dikategorikan menjadi jinak atau ganas”.

Tumor jinak memiliki progresivitas yang rendah, tidak menyebar ataupun

merusak jaringan sekitarnya, seperti: kista (Wijaya dkk, 2015:89).

Sedangkan, tumor ganas ditandai dengan pertumbuhan sel-sel kulit yang tidak

terkendali, dapat merusak jaringan di sekitarnya, dan menyebar ke bagian

tubuh yang lain, seperti: kanker kulit (Wijaya dkk, 2015:89).

2.1.2. Populasi dan Sampel

Populasi menurut Sugiyono (2007:90) “adalah wilayah generalisasi

yang terdiri atas: obyek/subyek yang mempunyai kualitas dan karakteristik

tertentu yang ditetapkan oleh peneliti untuk dipelajari dan kemudian ditarik

kesimpulannya”.

Berdasarkan pengertian tersebut, maka populasi tidak hanya terbatas

pada makhluk hidup, melainkan obyek atau subyek yang berupa benda-benda mati

pun dapat dikategorikan sebagai sebuah populasi (Sugiyono, 2007:90).

Selain itu, populasi tidak hanya dilihat dari jumlah suatu obyek atau

subyek yang diamati, tapi populasi diamati juga berdasarkan karakteristik atau

sifat yang dimiliki oleh subyek atau obyek tersebut (Sugiyono, 2007:90).

Setelah menjelaskan teori tentang populasi, maka peneliti akan

menjelaskan teori tentang sampel.

Sampel menurut Sugiyono (2007:91) “adalah bagian dari jumlah dan

karakteristik yang dimiliki oleh populasi tersebut”.

Sampel diperlukan untuk mewakili populasi dengan jumlah yang besar

dan peneliti memiliki keterbatasan dana, tenaga, dan waktu. Sampel yang

dipelajari dan menghasilkan kesimpulan, maka kesimpulan tersebut akan berlaku

untuk populasi dari sampel tersebut (Sugiyono, 2007:91).

Pada penelitian ini, peneliti menggunakan teknik probability sampling

dengan metode simple random sampling untuk mendapatkan sampel dari populasi

yang ada.

Probability sampling menurut Sugiyono (2007:92) “adalah teknik

pengambilan sampel yang memberikan peluang yang sama bagi setiap unsur

(anggota) populasi untuk dipilih menjadi anggota sampel”.

Sedangkan metode simple random sampling yang merupakan bagian

dari teknik probability sampling merupakan teknik pengambilan sampel secara

acak tanpa memperhatikan strata yang ada dalam populasi tersebut dan anggota

populasi dianggap homogen (Sugiyono, 2007:93).

Ukuran sampel yang akan diambil dari populasi didapat dengan

menerapkan rumus berikut menurut Isaac dan Michael dalam Sugiyono (2007:98):

S = ---------------------------------------

Dimana S merupakan jumlah sampel, kemudian λ2 dengan dk = 1

dengan taraf kesalahan bisa 1%, 5%, 10% dan seterusnya. Kemudian P = Q = 0,5

dan d = 0,05 (Sugiyono, 2007:98).

Pada penelitian ini, peneliti mendapatkan populasi data penyakit kulit

sebanyak 228 data. Populasi data tersebut akan diambil sampel berdasarkan rumus

tersebut dengan taraf kesalahan 1%.

Berdasarkan tabel yang telah dibuat oleh Sugiyono untuk menentukan

jumlah sampel dari populasi data tersebut, maka untuk mendapatkan taraf

kesalahan 1%, peneliti mengambil sampel sebesar 165 data (Sugiyono, 2007:99).

2.1.3. Data Mining

Data Mining mulai dikenal sejak tahun 1990 saat pekerjaan pada zaman

tersebut menuntut untuk memanfaatkan data pada berbagai sektor (Prasetyo,

2014:1).

Salah satu contoh pekerjaan yang memanfaatkan data adalah penawaran

kartu kredit, yang menuntut pihak bank untuk menawarkan kredit kepada

nasabahnya yang berjumlah banyak (Prasetyo, 2014:1).

Apabila bank menawarkan kepada 100.000 ribu nasabah dan hanya 50

orang saja yang tertarik untuk mengambil kredit tersebut, maka hal ini termasuk

dalam pemborosan yang dapat merugikan bank tersebut. Oleh karena itu, data

mining dibutuhkan untuk menghindari kerugian yang ditimbulkan pada masalah

tersebut (Prasetyo, 2014:1-2).

Menurut Kusrini dan Luthfi (2009:3) “data mining adalah suatu istilah

yang digunakan untuk menguraikan penemuan pengetahuan di dalam database”.

Sedangkan, menurut Larose dalam Kusrini dan Luthfi (2009:3) “data

mining merupakan bidang dari beberapa bidang keilmuan yang menyatukan

teknik dari pembelajaran mesin, pengenalan pola, statistik, database, dan

visualisasi untuk penanganan permasalahan pengambilan informasi dari database

yang besar”.

Karena, data mining berkaitan dengan pengumpulan data dari database

yang besar, maka data mining juga dikenal dengan nama knowledge-discovery in

databases (KDD) (Widodo dkk, 2013:3).

Walaupun istilah KDD dan data mining sebenarnya memiliki konsep

yang berbeda, karena data mining merupakan salah satu tahapan dari keseluruhan

proses KDD (Kusrini dan Luthfi, 2009:6).

Berdasarkan definisi tersebut, data mining merupakan gabungan dari

beberapa bidang ilmu seperti yang digambarkan pada gambar di bawah ini:

Gambar II.1 Bidang Ilmu Data Mining (Kusrini dan Luthfi, 2009:6)

Pada gambar ini, ada 4 bidang ilmu yang menjadi akar dari data mining

menurut Kusrini dan Luthfi (2009:6), yaitu:

1. Statistik

Sebenarnya, ilmu statistik merupakan akar bidang ilmu dari data mining yang

paling tua, apabila statistik tidak ditemukan, maka data mining tidak akan

ditemukan juga (Prasetyo, 2014:2).

Hal ini disebabkan, data mining memiliki hubungan dengan pengolahan data

dalam jumlah yang banyak dan dapat diperlihatkan hasil pengolahan data

tersebut dalam bentuk yang mudah dipahami (Prasetyo, 2014:3).

Hal tersebut merupakan dasar dari ilmu statistik dalam mengolah data dan

menganalisanya yang lebih dikenal sebagai exploratory data analysis (EDA)

(Prasetyo, 2014:2).

2. Artificial Intelligent (AI) atau Kecerdasan Buatan

Teori yang dibangun untuk membuat suatu aplikasi berbasis AI, merupakan

teknik pengolahan informasi berdasarkan pada model penalaran manusia

(Prasetyo, 2014:3).

Hal ini bertujuan agar aplikasi yang berhubungan dengan komputer dapat

dibangun dengan kemampuan yang sama dengan kecerdasan manusia.

3. Pencarian Informasi

Hal ini bertujuan untuk mendapatkan data dan mengolah data tersebut untuk

mendapatkan pola tertentu yang menghasilkan suatu informasi yang

bermanfaat (Prasetyo, 2014:3).

Akan tetapi, harus dibedakan antara pencarian informasi yang termasuk data

mining dengan pencarian informasi yang tidak termasuk data mining

(Prasetyo, 2014:4).

Contoh pencarian informasi yang tidak termasuk data mining adalah

pencarian informasi tertentu via internet, karena pencarian informasi tersebut

tidak berdasarkan pengelompokkan dengan pola tertentu (Prasetyo, 2014:4).

Namun, apabila mengelompokkan informasi tertentu yang memiliki

kesamaan konteks pada hasil pencarian, maka pencarian informasi model ini

termasuk data mining, karena adanya pengelompokkan berdasarkan pola

tertentu (Prasetyo, 2014:4).

Oleh karena itu, tidak semua pencarian informasi termasuk dalam akar bidang

ilmu dari data mining.

4. Database atau Sistem Basis Data

Bidang ilmu ini merupakan bagian yang menyediakan informasi berupa data

yang akan digali menggunakan metode-metode tertentu (Prasetyo, 2014:3).

Manfaat data mining dapat kita temukan dalam kehidupan sehari-hari.

Salah satu contoh dari manfaat data mining adalah memprediksi penyakit dari

gejala-gejala yang ditimbulkan yang memudahkan petugas kesehatan dalam

menentukan penyakit serta pengobatan penyakit tersebut dengan benar dan tepat

(Prasetyo, 2014:4).

Data mining memiliki langkah proses dalam pelaksanaannya menurut

Gorunescu dalam Widodo dkk (2013:4), yaitu:

1. Eksplorasi Data.

Proses ini meliputi pembersihan data, integrasi data, seleksi data, dan

transformasi data (Meilani dan Susanti, 2014:2).

2. Membuat Model dan Pengujian Validitas Model.

Pada proses ini, akan dipilih model yang sesuai dengan data yang telah

dieksplorasi (Widodo dkk, 2013:4).

Pada proses ini pula, akan dilakukan proses mining yang merupakan proses

utama dalam menemukan informasi berharga dari informasi tersebut dan

dilakukan pula evaluasi pola untuk mengidentifikasi pola yang ditemukan

(Meilani dan Susanti, 2014:2).

3. Penerapan Model Dengan Data Baru.

Pada proses ini, model yang telah dibuat akan diuji dengan data baru (Widodo

dkk, 2013:4).

Kemudian, model yang telah diuji akan divisualisasikan untuk memperoleh

pengetahuan yang diperoleh pengguna (Meilani dan Susanti, 2014:2).

Setelah melakukan langkah-langkah proses pada data mining, maka

data mining dapat dibedakan menjadi 6 kelompok menurut Kusrini dan Luthfi

(2009:10) berdasarkan tugas yang dapat dilakukan, yaitu:

1. Deskripsi

Kelompok ini ditujukan agar pengguna data mining mudah dalam melihat

pola yang dihasilkan oleh sejumlah data yang ada (Widodo dkk, 2013:5).

Deskripsi dari pola tersebut akan menghasilkan suatu informasi yang

bermanfaat dan berguna bagi pengguna (Kusrini dan Luthfi, 2009:11).

Contoh dari kelompok ini adalah: melakukan pengelompokan gejala-gejala

dari suatu penyakit dan mengetahui pola-pola yang ditimbulkan untuk

menentukan jenis penyakit berdasarkan pola-pola tersebut (Widodo dkk,

2013:10).

2. Estimasi

Kelompok ini merupakan kelompok yang hampir sama dengan klasifikasi,

namun pada estimasi, variabel targetnya lebih ke arah numerik (Kusrini dan

Luthfi, 2009:10).

Contoh dari kelompok ini adalah: estimasi Indeks Prestasi Kumulatif (IPK)

mahasiswa program pasca sarjana dengan melihat IPK mahasiswa tersebut

pada saat mengikuti program sarjana (Kusrini dan Luthfi, 2009:11).

3. Prediksi

Kelompok ini hampir sama dengan kelompok klasifikasi, namun kelompok

ini lebih mengarah ke arah kategori dan dapat memprediksi nilai dari hasil

yang akan ada pada masa yang akan datang (Kusrini dan Luthfi, 2009:10-11).

Contoh dari kelompok ini adalah: prediksi harga beras dalam tiga bulan

kedepan (Kusrini dan Luthfi, 2009:11).

4. Klasifikasi

Kelompok ini memiliki komponen-komponen utama menurut Widodo dkk

(2013:5-6), yaitu:

a. Kelas

Merupakan variabel tidak bebas, misalnya: kelas loyalitas pelanggan

(Widodo dkk, 2013:5).

b. Prediktor

Merupakan variabel bebas dari model yang didasarkan dari karakteristik

atribut data yang dikelompokkan, misalnya: merokok atau tidak merokok

(Widodo dkk, 2013:5).

c. Set Data Pelatihan

Menurut Prasetyo (2014:7) set data merupakan “kumpulan data-data”.

Sedangkan set data pelatihan menurut Widodo dkk (2013:6) “merupakan

sekumpulan data lengkap yang berisi kelas dan prediktor untuk dilatih agar

model dapat mengelompokkan ke dalam kelas yang tepat”.

Contoh dari komponen ini adalah: grup pasien yang diuji terhadap

serangan jantung (Widodo dkk, 2013:6).

d. Set Data Uji

Komponen ini berisi data-data baru yang akan diuji oleh model, untuk

mengetahui akurasi dari model yang dibuat (Widodo dkk, 2013:6).

Contoh dari model atau metode yang telah dikembangkan untuk

menyelesaikan kasus klasifikasi adalah: pohon keputusan, pengklasifikasi

bayes atau naïve bayes, dan pengklasifikasi k-nearest neighbour (Widodo

dkk, 2013:7).

5. Pengklusteran

Menurut Kusrini dan Luthfi (2009:11) “pengklusteran merupakan

pengelompokan record, pengamatan, atau memperhatikan dan membentuk

kelas objek-objek yang memiliki kemiripan”.

Pada pengklusteran tidak ada variabel target dan melakukan pembagian

terhadap keseluruhan data menjadi kelompok-kelompok yang memiliki

kemiripan antar record dalam kelompok tersebut (Kusrini dan Luthfi,

2009:12).

Contoh dari kelompok ini adalah: melakukan pemisahan terhadap perilaku

finansial antara sikap baik dengan sikap mencurigakan pada audit akuntansi

(Kusrini dan Luthfi, 2009:12).

6. Asosiasi

Menurut Kusrini dan Luthfi (2009:12) “asosiasi adalah menemukan atribut

yang muncul dalam satu waktu. Dalam dunia bisnis lebih umum disebut

analisis keranjang belanja”.

Contoh dari kelompok ini adalah: menemukan barang dalam supermarket

yang dibeli secara bersamaan dan barang yang tidak pernah dibeli secara

bersamaan (Kusrini dan Luthfi, 2009:12).

Setelah melaksanakan seluruh proses data mining, maka model tersebut

akan diuji kevalidannya dengan teknik k-fold cross-validation atau yang lebih

dikenal dengan validasi silang. Sebelum menggunakan teknik ini, data akan dibagi

menjadi 2 bagian, yaitu: data pelatihan dan data pengujian (Prasetyo, 2014:264).

Setelah dibagi 2, data tersebut akan diuji berdasarkan model yang telah

dibuat, setelah diuji, data pelatihan diubah menjadi data uji dan begitu pula data

pengujian akan menjadi data pelatihan pada uji kedua (Widodo dkk, 2013:143).

Pada pengujian ini, menurut Tan dalam Prasetyo (2014:264) “setiap

data akan berkesempatan satu kali menjadi data uji dan satu kali menjadi data

latih. Pendekatan seperti ini, lebih dikenal dengan two-fold cross-validation”.

2.1.4. Metode Naïve Bayes

Metode ini diperkenalkan oleh Thomas Bayes untuk memprediksi

kemungkinan yang akan terjadi di masa yang akan datang berdasarkan

pengalaman di masa lalu (Meiliani dan Susanti, 2014:3).

Metode ini menurut Kusrini dan Luthfi (2009:189) “adalah

pengklasifikasian statistik yang dapat digunakan untuk memprediksi probabilitas

keanggotaan suatu class”.

Metode ini menggunakan pendekatan statistik untuk mengenal pola-

pola yang ditimbulkan dari suatu data yang lebih dikenal dengan pattern

recognition (Santosa, 2007:77).

Bentuk umum dari naïve bayes atau yang lebih dikenal dengan teorema

bayes menurut Kusrini dan Luthfi (2009:189) adalah sebagai berikut:

Gambar II.2 Persamaan umum teorema bayes (Kusrini dan Luthfi,

2009:189)

Penjelasan dari teorema bayes ini menurut Kusrini dan Luthfi

(2009:189) adalah sebagai berikut:

1. X= Data dengan class yang belum diketahui

2. H= Hipotesis data X merupakan suatu class spesifik

3. P(H|X)= Kemungkinan hipotesis H berdasarkan kondisi X (Posterior

Probability)

4. P(H)= Kemungkinan hipotesis H (Prior Probability)

5. P(X|H)= Kemungkinan kondisi X berdasarkan kondisi hipotesis H

6. P(X)= Kemungkinan dari kondisi X

Teorema bayes dapat diterapkan dalam klasifikasi yang lebih dikenal

dengan naïve bayes classification dengan bentuk umum menurut Santosa

(2007:79) adalah:

Gambar II.3 Penerapan teorema bayes dalam klasifikasi (Santosa, 2007:79)

Apabila persamaan tersebut didasarkan pada asumsi penyederhanaan

bahwa nilai atribut secara kondisional saling bebas jika diberikan nilai output,

maka penerapan tersebut akan menjadi sebuah persamaan baru menurut Santosa

(2007:79), yaitu:

Gambar II.4 Persamaan yang dipakai dalam naïve bayes classification

(Santosa, 2007:80)

Dimana merupakan nilai output hasil klasifikasi naïve bayes

(Santosa, 2007:80).

2.1.5. Software Rapidminer

Salah satu tools atau alat yang digunakan untuk mengolah data adalah

software rapidminer.

Menurut Dewi (2013:1) rapidminer menyediakan prosedur data mining

dan machine learning.

Prosedur tersebut memudahkan pengguna untuk mendapatkan pola dari

suatu data dalam jumlah besar yang diproses menggunakan metode tertentu

(Dewi, 2013:1).

Rapidminer memiliki beberapa fungsi menu menurut Dewi (2013:1),

yaitu:

1. Process Control

Fungsi ini digunakan untuk mengontrol aliran proses, seperti: looping.

2. Utility

Fungsi ini digunakan untuk mengumpulkan subprocess.

3. Repository Access

Fungsi ini digunakan untuk membaca dan menulis repository.

4. Import

Fungsi ini digunakan untuk membaca dari berbagai format eksternal.

5. Export

Fungsi ini digunakan untuk menulis data ke berbagai format eksternal.

6. Data Transformation

Fungsi ini digunakan untuk mentransformasi data.

7. Modelling

Fungsi ini digunakan untuk proses data mining, sepert: klasifikasi.

8. Evaluation

Fungsi ini digunakan untuk menghitung kualitas dari suatu model.

2.2. Penelitian Terkait

Pada penelitian ini, peneliti mengutip beberapa penelitian terdahulu

yang terkait dengan pembahasan penelitian ini, yaitu:

1. Menurut Azizah (2014:147) ”Tingginya frekuensi penyakit kulit infeksi di

SBD (Sumba Barat Daya) mencerminkan rendahnya tingkat sanitasi dan

pendidikan masyarakat”.

Oleh sebab itu, menurut Azizah (2014:147) ”Perlu dilakukan edukasi

terhadap masyarakat mengenai kebersihan dan hubungannya dengan

pencegahan penyakit infeksi, khususnya infeksi kulit”.

2. Menurut Nirmawati dalam Kurniawan dan Ramadhan (2012:30) ”Penelitian

yang dilakukan pada 4 pesantren di Kota Bandung didapatkan sebanyak

10,3% santri menderita scabies”.

Selain itu menurut Kurniawan dan Ramadhan (2012:30) ”Didapatkan sekitar

64,2% santri di pondok pesantren Kabupaten Lamongan yang menderita

scabies”.

Menurut Kurniawan dan Ramadhan (2012:30) ”berdasarkan data Departemen

Kesahatan RI prevalensi scabies di puskesmas seluruh Indonesia pada tahun

1986 adalah 4,6%-12,95% dan penyakit ini menduduki urutan ketiga dari 12

penyakit terbanyak”.

Berdasarkan data-data tersebut, menurut Kurniawan dan Ramadhan

(2012:30)”penyakit kulit masih merupakan masalah kesehatan masyarakat”.

3. Menurut Meilani dan Susanti (2014:1) ”data mining merupakan cara untuk

menemukan informasi dengan mencari pola atau aturan tertentu dari data

dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut”.

Salah satu algoritma yang digunakan untuk memproses data mining menurut

Meilani dan Susanti (2014:1) ”adalah algoritma naïve bayes”.

Menurut Meilani dan Susanti (2014:1) ”Proses pada aplikasi ini ada 2 macam,

yaitu: proses analisa pola data yang telah ada sebelumnya berdasarkan

atribut-atribut yang diujikan dan proses dari analisa pola data baru yang

diujikan berdasarkan pola data yang telah ada”.

2.3. Tinjauan Organisasi atau Objek Penelitian

2.3.1. Sejarah Organisasi

SMPIT AL BINAA IBS adalah sebuah sekolah menengah pertama atau

yang disingkat dengan SMP yang berbasis islam terpadu yang bernama SMPIT

AL BINAA Islamic Boarding School (IBS). Sekolah ini merupakan sebuah

pesantren yang terletak di Kabupaten Bekasi, Jawa Barat.

SMPIT AL BINAA IBS didirikan oleh sebuah yayasan yang bernama

Yayasan Binaaul Ukhuwwah yang melihat pendidikan sebagai sarana untuk

membentuk masyarakat yang cerdas secara intelektual dan unggul dalam ilmu

agama. Nama SMPIT AL BINAA IBS sendiri diambil dari kependekan nama

yayasan tersebut. Sekolah ini dibangun di atas tanah seluas 6 hektar yang

diwakafkan oleh Almarhum Bapak Haji Muhammad Yasin. Setelah seluruh

bangunan sekolah dan kelengkapannya selesai dibangun, maka pihak yayasan

membuat acara peresmian SMPIT AL BINAA IBS yang dihadiri dan diresmikan

secara langsung oleh Wakil Presiden Indonesia saat itu, yaitu: Bapak DR. H.

Hamzah Haz pada tanggal 5 Jumadil Ula 1425 H yang bertepatan dengan 23 Juni

2004 M dengan motto: “Membina Iman, Ilmu, dan Akhlak”. SMPIT AL BINAA

IBS dibuat dan dikemas dalam bentuk boarding school atau yang dikenal dengan

pesantren dengan pertimbangan bahwa siswa akan mempelajari 2 kurikulum

sekaligus, yaitu: kurikulum DIKNAS atau KTSP saat ini dan kurikulum Ma’had

AL BINAA (inti pesantren). Hal ini akan sulit terwujud apabila sekolah tidak

menerapkan sistem berasrama.

Ada 3 tujuan mendasar dari didirikannya SMPIT AL BINAA IBS,

yaitu:

1. Terwujudnya lembaga pendidikan islam yang bersumber pada Al Qur’an dan

As Sunnah.

2. Terbinanya aktifitas dan kegiatan pendidikan yang secara terencana, sistematis,

dan berkesinambungan untuk melahirkan anak yang shalih dan shalihah

sebagai pewaris Nabi.

3. Membina peserta didik agar selalu menghadirkan nilai iman dalam setiap

aktifitasnya, istiqomah dalam kebenaran, gemar dan disiplin dalam beribadah,

ikhlas dan selalu bersyukur, memiliki daya juang dan daya kreasi yang tinggi,

inovatif, kritis dan penuh inisiatif.

2.3.2. Visi dan Misi

Visi SMPIT AL BINAA IBS adalah: ”Menuju Generasi Yang Shalih

Dalam Bingkai Tauhidullah”.

Untuk mencapai visi tersebut, dibutuhkan misi untuk menentukan

langkah-langkah yang harus diambil agar visi tersebut dapat terwujud, yaitu:

1. Menjadikan SMPIT AL BINAA IBS sebagai gerbang iman dan intelektual.

2. Menjadikan SMPIT AL BINAA IBS sebagai gerbang penerus dan penerjemah

nilai-nilai islam.

3. Menjadikan SMPIT AL BINAA IBS sebagai lembaga pendidikan yang

memelihara nilai islam berdasarkan Al Qur’an dan As Sunnah.

4. Menjadikan SMPIT AL BINAA IBS sebagai lembaga pendidikan islam yang

profesional berfokus pada pembinaan aqidah, akhlaq, dan ibadah sesuai dengan

Sunnah Rasulullah.

2.3.3. Struktur Organisasi

Struktur Organisasi SMPIT AL BINAA IBS adalah sebagai berikut:

Setiap jabatan dari struktur organisasi tersebut memiliki fungsi masing-

masing, yaitu:

1. Pimpinan Pesantren

Merupakan pimpinan yayasan yang berfungsi mengontrol sistem yang berjalan

pada yayasan tersebut dan mengevaluasi kinerja sistem yayasan yang telah

dijalankan. Saat ini pimpinan pesantren di SMPIT AL BINAA IBS adalah:

Ustadz Aslam Muhsin Abidin, Lc.

2. Komite Sekolah

Komite sekolah atau yang disebut dengan forum orang tua pada SMPIT AL

BINAA IBS berfungsi sebagai pengawas seluruh program yang

diselenggarakan oleh SMPIT AL BINAA IBS. Saat ini ketua komite sekolah

SMPIT AL BINAA IBS adalah: Bapak Herman Kadir.

3. Kepala Sekolah

Kepala sekolah merupakan jabatan yang mengatur tugas pokok SMPIT AL

BINAA IBS dan menjalankan fungsi sistem yang diterapkan di SMPIT AL

Gambar II.5 Struktur Organisasi SMPIT AL BINAA IBS

BINAA IBS. Saat ini kepala sekolah SMPIT AL BINAA IBS dijabat oleh

Ustadz Hasyim, S.Pd.

4. Bagian Kesehatan

Bagian kesehatan adalah bagian yang mengawasi dan memberikan penyuluhan

kesehatan bagi para siswa atau santri, para guru, dan para karyawan yang

berada di lingkungan SMPIT AL BINAA IBS. Saat ini bagian kesehatan

diketuai oleh Bapak Ade Darsono.

5. PKS Kesiswaan

Pembantu kepala sekolah atau yang disingkat dengan PKS bagian kesiswaan

berperan dalam mengawasi perkembangan siswa dan bertanggung jawab dalam

menyelenggarakan kegiatan-kegiatan yang berhubungan dengan siswa atau

santri. Saat ini PKS Kesiswaan dijabat oleh Ustadz Ishak Sopanudin, S.Ag.

6. PKS Kurikulum

PKS bagian kurikulum berfungsi sebagai pengembang proses belajar mengajar

dan bertanggung jawab dalam perkembangan kurikulum, baik kurikulum

KTSP maupun kurikulum inti pesantren. Saat ini PKS Kurikulum dipegang

oleh Ustadz Indra Gunawan, S.Pd.

7. PKS Ekstrakurikuler

PKS Ekstrakurikuler berfungsi sebagai penyelenggara kegiatan penunjang

kreatifitas dan berperan dalam menyalurkan bakat siswa atau santri, baik di

bidang olahraga, komputer, dan ilmu agama. Saat ini PKS Ekstrakurikuler

dijabat oleh Ustadz Yudi Firmansah, S.Pd.

8. Dewan Guru

Dewan guru merupakan pelaksana amanat tugas untuk mengajarkan siswa atau

santri di setiap pelajaran pada bidangnya. Setiap guru, mempunyai spesialisasi

di bidangnya, baik ilmu agama maupun ilmu umum. Saat ini jumlah guru di

SMPIT AL BINAA IBS mencapai 88 orang.

9. Siswa atau Santri

Siswa atau santri merupakan objek pembelajaran dan pengembangan kreatifitas

dan bakat yang dimiliki oleh setiap individu. Setiap siswa berhak mendapatkan

pengajaran yang berkualitas dengan pengembangan bakat yang mumpuni. Saat

ini jumlah siswa atau santri SMPIT AL BINAA IBS mencapai kurang lebih

540 siswa.

2.3.4. Objek Penelitian

SMPIT AL BINAA IBS memiliki kurang lebih 180 siswa atau santri

pada setiap angkatan dan memiliki 3 angkatan dari 3 jenjang kelas, yaitu: kelas 7,

kelas 8, dan kelas 9. Sehingga, total santri saat ini kurang lebih ada 540 santri

yang mengikuti kegiatan belajar mengajar (KBM) di SMPIT AL BINAA IBS.

Seluruh siswa atau santri pada SMPIT AL BINAA IBS berjenis kelamin laki-laki.

Hal ini disebabkan pesantren ini memiliki aturan bahwa hanya santri putra atau

yang berjenis kelamin laki-laki yang boleh mengikuti KBM di SMPIT AL

BINAA IBS. Begitu pula dengan karyawan dan guru yang bekerja di SMPIT AL

BINAA IBS seluruhnya berjenis kelamin laki-laki yang berjumlah sekitar 88

orang.

Pada penelitian ini, peneliti mewawancarai Bapak Ade Darsono yang

biasa dipanggil Bapak Ade selaku petugas kesehatan di SMPIT ALBINAA IBS

untuk mendapatkan informasi tentang kejadian penyakit kulit yang terjadi di

SMPIT AL BINAA IBS, dengan model wawancara bebas terpimpin.

Pada wawancara tersebut, Bapak Ade menjelaskan bahwa kejadian

penyakit kulit tidak hanya terjadi di kalangan siswa atau santri, melainkan terjadi

pula pada karyawan dan guru SMPIT AL BINAA IBS. Hal ini disebabkan tempat

tinggal dan tempat bekerja karyawan dan guru letaknya berdekatan dengan tempat

tinggal dan tempat belajar para siswa atau santri.

Berdasarkan informasi yang peneliti dapat dari dokumentasi arsip

rekam medik petugas kesehatan SMPIT AL BINAA IBS, terdapat 228 data yang

merupakan populasi data kejadian penyakit kulit dari jumlah keseluruhan keluarga

besar SMPIT AL BINAA IBS yang berjumlah sekitar 628 orang yang dijadikan

objek penelitian. Hal ini menurut Bapak Ade, disebabkan karena faktor sanitasi

atau kebersihan yang kurang diperhatikan, air yang digunakan di SMPIT AL

BINAA IBS memiliki kualitas yang kurang baik dikarenakan lokasi SMPIT AL

BINAA IBS berada di daerah persawahan yang menurut Bapak Ade memiliki

kualitas yang rendah, faktor cuaca yang menyebabkan kelembapan yang tinggi

yang memudahkan penyebaran penyakit kulit terutama di saat musim penghujan,

dan kebiasaan para santri, para karyawan, dan juga para guru yang kurang

memperhatikan kebersihan dari lingkungan sekitar.

BAB III

METODOLOGI PENELITIAN

3.1. Tahapan Penelitian

Pada penelitian ini, peneliti membuat tahapan-tahapan penelitian

sebagai berikut:

1. Pengajuan Surat Riset

Pada bulan Juli 2015, peneliti mengajukan surat riset yang dibuat oleh pihak

kampus STMIK Nusa Mandiri kepada kepala sekolah SMPIT AL BINAA

IBS, yaitu: Bapak Hasyim, S.Pd. Bapak Hasyim selaku kepala sekolah

SMPIT AL BINAA IBS, menerima surat riset peneliti pada tanggal 2 Agustus

2015 dan mengizinkan peneliti untuk memulai penelitian di SMPIT AL

BINAA IBS. Peneliti melakukan penelitian ini sampai dengan tanggal 16

Agustus 2015.

2. Observasi

Setelah mendapatkan izin untuk memulai penelitian, peneliti melakukan

pengamatan langsung di lapangan terhadap kejadian penyakit kulit di SMPIT

AL BINAA IBS. Peneliti melampirkan catatan anekdot yang berkaitan

dengan observasi yang telah dilakukan peneliti di SMPIT AL BINAA IBS

pada lampiran C.1. Observasi dilakukan oleh peneliti untuk melihat secara

langsung objek penelitian, yaitu: pasien penderita penyakit kulit,

mendapatkan keterangan dari pasien tersebut tentang gejala-gejala yang

dirasakan saat menderita penyakit kulit, dan mengamati faktor-faktor yang

menyebabkan terjadinya penyakit kulit.

3. Wawancara

Setelah melakukan observasi, peneliti melakukan wawancara bebas terpimpin

dengan responden adalah Petugas Kesehatan SMPIT AL BINAA IBS, yaitu:

Bapak Ade yang dilaksanakan pada 5 Agustus 2015. Wawancara ini

dilakukan oleh peneliti untuk mendapatkan keterangan tentang kejadian

penyakit kulit di SMPIT AL BINAA IBS, mendapatkan informasi tentang

waktu terbanyak pasien dengan keluhan penyakit kulit, mendapatkan

informasi tentang faktor-faktor yang dapat menyebabkan penyakit kulit, dan

mendapatkan informasi tentang gejala-gejala yang berkaitan dengan penyakit

kulit. Hasil wawancara dilampirkan di lampiran C.2.

4. Pengumpulan Data

Setelah melakukan wawancara, peneliti meminta kesedian Bapak Ade untuk

menunjukkan arsip atau dokumen yang berkaitan dengan data rekam medis

yang telah diarsipkan oleh Bapak Ade. Setelah Bapak Ade bersedia dan

memberikan arsip data rekam medis dari tahun 2013 hingga tahun 2015

kepada peneliti, peneliti melakukan dokumentasi terhadap data rekam medis

tersebut.

5. Eksplorasi Data

Pada tahap ini, peneliti melakukan pembersihan data rekam medis tersebut

terlebih dahulu. Hal ini dilakukan untuk memisahkan data yang telah terekam

dengan baik dengan data yang tidak terekam baik pada data rekam medis

tersebut. Kemudian, peneliti memisahkan data yang berkaitan dengan

penyakit kulit dengan data yang tidak berkaitan dengan penyakit kulit.

Kemudian, peneliti melakukan pemilihan data yang berkaitan dengan

penelitian ini, yaitu: memilih jenis penyakit yang berkaitan dengan penyakit

kulit. Setelah memilih data, peneliti melakukan transformasi data dengan

mengubah data rekam medis tersebut yang ditulis tangan menjadi data rekam

medis yang dibuat dalam bentuk tabel dengan menggunakan software Ms.

Excel. Setelah tabel data rekam medis dibuat, peneliti memasukkan data-data

rekam medis tersebut ke dalam masing-masing kolom. Kemudian, peneliti

mengurangi atribut gejala berdasarkan data-data rekam medis tersebut dan

hasil observasi dan wawancara dengan petugas kesehatan menjadi 6 atribut,

yaitu: atribut kulit kemerahan, atribut vesikel atau bintik, atribut gatal, atribut

luka, atribut panas, dan atribut infeksi. Kemudian, peneliti mengubah data

pada atribut gejala pada rekam medis yang bertuliskan gejala-gejala dari

penyakit tersebut menjadi bilangan biner yang ditempatkan pada kolom-

kolom yang menunjukkan gejala tersebut, seperti: kolom kulit kemerahan

diberi nilai 1 bila data tersebut menunjukkan pada gejala tersebut dan diberi

nilai 0 bila data tersebut tidak menunjukkan pada gejala tersebut. Setelah itu,

peneliti melakukan hal yang sama terhadap data rekam medis yang lain

hingga terkumpul sebanyak 228 data rekam medis yang berkaitan dengan

penyakit kulit. Dari 228 data tersebut, peneliti menggunakan teknik simple

random sampling untuk mengambil sebanyak 165 data yang akan dijadikan

set data pelatihan untuk penghitungan metode naïve bayes secara manual.

Karena seluruh data bersifat homogen, maka akan diambil 165 data teratas

untuk dijadikan set data pelatihan. Kemudian, peneliti akan mengambil 1 set

data, yaitu: data ke-166 untuk dijadikan data set pengujian dari penghitungan

metode naïve bayes secara manual.

6. Membuat Model

Setelah mengeksplorasi data, peneliti menentukan model dari model-model

yang telah dikembangkan untuk melakukan pengklasifikasian penyakit kulit

berdasarkan data rekam medis yang telah didapat.

Salah satu model yang telah dikembangkan oleh para peneliti untuk

menyelesaikan masalah klasifikasi adalah model atau metode naïve bayes.

Model naïve bayes dipilih karena model tersebut dapat digunakan untuk

memprediksi kemungkinan suatu data masuk dalam kelas tertentu

berdasarkan data-data sebelumnya.

Oleh karena itu, peneliti menentukan model naïve bayes yang akan digunakan

untuk mengklasifikasi penyakit kulit berdasarkan data rekam medis yang

diarsipkan oleh petugas kesehatan SMPIT AL BINAA IBS.

7. Pengujian Validitas Model

Setelah menentukan model naïve bayes sebagai model yang akan digunakan

pada penelitian ini, peneliti menguji validitas model tersebut dengan

menggunakan teknik validasi silang atau cross-validation dengan bantuan

software rapidminer 5.3.

Tujuan dari validasi silang adalah adalah memberikan kesempatan bagi set

data pelatihan menjadi set data pengujian dan memberikan kesempatan pula

bagi set data pengujian menjadi set data pelatihan agar dihasilkan model yang

valid berdasarkan data rekam medis tersebut.

8. Analisis Hasil

Setelah melakukan proses pembuatan model dan pengujian validitas model,

maka peneliti akan menganalisa hasil yang dihasilkan pada perhitungan

manual untuk memastikan kevalidan data yang dihasilkan dari model

tersebut. Kemudian, peneliti akan menganalisa hasil yang dihasilkan dari

proses komputasi software rapidminer 5.3 dalam memproses model naïve

bayes beserta akurasi yang dihasilkan dari model tersebut.

9. Kesimpulan

Pada tahap ini, peneliti akan menarik kesimpulan dari hasil yang dihasilkan

oleh penerapan model naïve bayes secara manual maupun penerapan model

naïve bayes secara komputasi dengan bantuan tools software rapidminer.

Kemudian, penulis akan menentukan hipotesa yang valid dari 2 hipotesa yang

telah dibuat berdasarkan hasil yang dihasilkan oleh penerapan model naïve

bayes, baik secara manual maupun secara komputasi.

3.2. Instrument Penelitian

Pada penelitian ini, peneliti menggunakan instrumen penelitian yang

dijelaskan sebagai berikut:

1. Instrumen Pedoman Observasi

Pada metode ini, peneliti menggunakan instrumen pedoman observasi berupa

catatan anekdot yang dilampirkan pada lampiran C.1. Instrumen ini dibuat

dengan mencatat segala informasi dan kejadian yang berkaitan dengan

penelitian ini. Catatan anekdot tersebut berupa daftar catatan observasi yang

dilakukan oleh peneliti selama melakukan riset di SMPIT AL BINAA IBS.

Daftar catatan tersebut dibuat oleh peneliti sebanyak 4 buah catatan observasi.

2. Instrumen Pedoman Wawancara

Pada metode ini, peneliti menggunakan instrumen pedoman wawancara yang

dilampirkan pada lampiran C.2. Instrumen pedoman wawancara ini dibuat

dalam bentuk daftar pertanyaan. Peneliti membuat 3 pertanyaan yang dijawab

langsung oleh responden, yaitu: Bapak Ade pada masing-masing pertanyaan.

Seluruh pertanyaan tersebut diajukan untuk mendapatkan informasi langsung

dari tenaga ahli yang menangani penyakit kulit pada penelitian ini.

3. Instrumen Arsip dan Studi Pustaka

Pada metode ini, peneliti menggunakan instrumen arsip data rekam medik

dari tahun 2013 sampai tahun 2015 yang diarsipkan oleh Bapak Ade selaku

petugas kesehatan SMPIT AL BINAA IBS. Peneliti juga menggunakan

instrumen studi pustaka terhadap buku-buku dan jurnal-jurnal yang berkaitan

dengan penelitian ini.

3.3. Metode Pengumpulan Data, Populasi, dan Sampel Penelitian

Pada penelitian ini, peneliti menggunakan 3 metode pengumpulan data

untuk menunjang penelitian ini, yaitu:

1. Observasi atau Pengamatan Langsung

Metode ini dimulai oleh peneliti pada 2 Agustus 2015 setelah mendapatkan

izin dari kepala sekolah SMPIT AL BINAA IBS, yaitu: Bapak Hasyim, S.Pd.

Metode ini dilaksanakan oleh peneliti selama 3 hari yang dimulai pada 2

Agustus 2015 sampai 4 Agustus 2015. Pada observasi di SMPIT AL BINAA

IBS, peneliti mencatat 4 catatan observasi yang berkaitan dengan penelitian

ini yang dilampirkan pada lampiran C.1. Catatan tersebut berkaitan dengan

objek penelitian dan kejadian penyakit kulit yang terjadi di SMPIT AL

BINAA IBS. Metode ini digunakan peneliti ketika Bapak Ade menangani

langsung pasien penderita penyakit kulit dan menunjukkan gejala-gejala yang

timbul pada salah satu bagian tubuh pasien penderita penyakit kulit tersebut.

Gejala umum yang ditimbulkan oleh penyakit kulit, terutama dermatitis

berdasarkan observasi yang dilakukan, yaitu: kulit yang berwarna kemerahan

dan rasa gatal pada bagian yang terkena penyakit kulit tersebut.

2. Wawancara

Metode ini dilakukan oleh peneliti pada 5 Agustus 2015 yang bertempat di

unit kesehatan siswa atau UKS SMPIT AL BINAA IBS. Wawancara ini

berlangsung dengan metode tanya jawab dengan 3 pertanyaan yang diajukan

untuk dijawab oleh responden. Responden pada penelitian ini adalah: Bapak

Ade selaku petugas kesehatan di SMPIT AL BINAA IBS.

3. Dokumentasi

Metode ini dilakukan oleh peneliti untuk mendapatkan arsip data rekam

medik yang telah disimpan oleh Bapak Ade selaku petugas kesehatan di

SMPIT AL BINAA IBS. Setelah mendapatkan arsip data rekam medik

tersebut, peneliti mempelajari buku-buku yang menunjang penelitian ini, baik

buku penunjang tentang penyakit kulit maupun buku penunjang tentang data

mining.

Populasi dari penelitian ini adalah seluruh keluarga besar SMPIT AL

BINAA IBS yang berjumlah 628 orang. Kemudian, peneliti mempelajari arsip

data rekam medik petugas kesehatan di SMPIT AL BINAA IBS untuk mengambil

data rekam medik yang berkaitan dengan penyakit kulit. Setelah mempelajari data

rekam medik tersebut, peneliti memisahkan data yang memiliki diagnosa penyakit

kulit dengan data yang memiliki diagnosa selain penyakit kulit. Pada proses

pemisahan data ini, peneliti menemukan 228 data yang memiliki diagnosa

penyakit kulit yang merupakan populasi data penyakit kulit. Kemudian, peneliti

mengambil 165 data dari populasi data tersebut untuk dijadikan sampel set data

pelatihan dan 1 set data untuk dijadikan sampel set data pengujian pada

penghitungan metode naïve bayes secara manual. Untuk penghitungan metode

naïve bayes menggunakan software rapidminer, maka peneliti menggunakan

seluruh populasi data penyakit tersebut untuk diolah dan diproses menggunakan

metode naïve bayes.

3.4. Metode Analisis Data

Pada penelitian ini, peneliti menggunakan arsip data rekam medik dari

tahun 2013 sampai dengan tahun 2015 yang diarsipkan oleh petugas kesehatan di

SMPIT AL BINAA IBS, yaitu: Bapak Ade untuk dilakukan klasifikasi

berdasarkan metode naïve bayes. Arsip data rekam medik tersebut dapat dilihat

pada gambar berikut ini:

Gambar IIIII.1 Arsip Data Rekam Medik Asli

Arsip data rekam medik tersebut masih berupa catatan tangan atau

manual, sehingga peneliti menulis ulang 228 data yang berkaitan dengan penyakit

kulit dari arsip data rekam medik tersebut dalam bentuk tabel dengan bantuan

software Ms. Excel, setelah melakukan proses eksplorasi data. Pada penulisan

ulang 228 data tersebut, peneliti mengubah tulisan gejala pada arsip data rekam

medik asli menjadi kolom-kolom gejala yang telah ditentukan berdasarkan

observasi, wawancara dengan petugas kesehatan, dan dokumentasi arsip data

rekam medik tersebut yang merupakan gejala-gejala umum yang dapat

menyebabkan penyakit kulit. Kolom-kolom gejala tersebut adalah: Kolom kulit

kemerahan, kolom vesikel (bintik-bintik), kolom gatal, kolom luka, kolom panas,

dan kolom infeksi. Kolom-kolom gejala tersebut merupakan atribut-atribut yang

akan digunakan dalam proses data mining. Hasil dari penulisan ulang seperti

yang diperlihatkan oleh gambar berikut:

Gambar IVI.2 Data Primer Arsip Data Rekam Medik Setelah

Penulisan Ulang

Seluruh data primer arsip data rekam medik tersebut, dilampirkan pada

lampiran A.1. Setelah melakukan penulisan ulang, peneliti mengambil sampel

sebanyak 165 data dari total keseluruhan populasi data pada arsip data rekam

medik tersebut yang berjumlah 228 data. Sampel yang akan diambil adalah 165

data teratas yang terdapat pada data primer hasil penulisan ulang yang

dilampirkan pada lampiran A.2.

Setelah melakukan pengambilan sampel data, peneliti mengambil 1 data

yang akan dijadikan set data pengujian untuk menguji model yang telah terbentuk.

1 set data pengujian tersebut diambil dari data primer arsip data rekam medik

tersebut dengan nomor data 166 yang diperlihatkan pada gambar berikut ini:

Gambar III.3 Sampel Data Pengujian Nomor Data 166

Sampel data pengujian dengan nomor data 166 dipilih untuk menguji

kelas yang menunjukkan bahwa gejala-gejala tersebut merupakan gejala penyakit

kulit yang termasuk dermatitis.

Setelah melakukan pengambilan sampel, sampel data pelatihan akan

dilakukan proses data mining dengan metode naïve bayes berdasarkan 1 set data

pengujian secara manual dengan menggunakan persamaan naïve bayes classifier,

yaitu:

Dimana merupakan nilai output hasil klasifikasi naïve bayes yang

berasal dari perhitungan prior probability dengan suatu probabilitas yang

berdasarkan pada kondisi suatu hipotesa.

Setelah proses data mining secara manual telah dilaksanakan, maka

peneliti menggunakan tools berupa software untuk mendapatkan perbandingan

antara data yang dihasilkan oleh perhitungan data mining dengan metode naïve

bayes secara manual dengan data yang dihasilkan oleh perhitungan data mining

dengan metode naïve bayes secara komputerisasi atau komputasi. Tools yang akan

digunakan adalah Software rapidminer 5.3 yang memiliki halaman depan

sebagaimana diperlihatkan oleh gambar berikut:

Gambar III.4 Halaman Depan Software Rapidminer 5.3

Kemudian, peneliti akan mengimpor data primer arsip rekam medik

yang telah ditulis ulang untuk diproses oleh software rapidminer. Sebelum

melakukan proses impor data, peneliti akan mengubah atribut-atribut yang telah

ditulis ulang menjadi bentuk yang dapat diproses oleh software rapidminer.

Kolom nama, kolom umur, dan kolom diagnosa akan dihapus pada proses

pengubahan atribut-atribut ini. Kemudian, kolom class_dermatitis akan diubah

menjadi bentuk huruf, yaitu: Y dan N. Y mewakili kelas penyakit kulit yang

termasuk dermatitis, sedangkan N mewakili kelas penyakit kulit yang tidak

termasuk dermatitis. Hasil dari proses ini digambarkan oleh gambar berikut:

Gambar III.5 Gambar 25 Data Teratas Setelah Pengubahan Atribut

Peneliti memberikan gambar 25 data teratas yang akan diproses dengan

menggunakan metode naïve bayes dengan tools software rapidminer 5.3.

Kemudian seluruh data yang telah diubah atributnya dilampirkan pada lampiran

A.3.

Setelah melakukan perubahan atribut, peneliti mengimpor data dari

software Ms. Excel pada software rapidminer 5.3, sebagaimana yang

diperlihatkan oleh gambar berikut:

Gambar III.6 Proses Impor Data Excel pada Rapidminer 5.3

Peneliti memilih impor data excel sheet karena penulisan ulang arsip

data rekam medik menggunakan software Ms. Excel. Kemudian, software

rapidminer ini akan menunjukkan kepada anda data yang mana yang akan

diimpor sebagaimana yang diperlihatkan oleh gambar berikut:

Gambar III.7 Proses Pemilihan Data Excel

Pada proses ini, peneliti memilih untuk menggunakan data sekunder,

yaitu: data yang telah diubah atribut-atributnya yang berasal dari data primer yang

ditulis ulang dari arsip data rekam medik tersebut. Setelah melakukan pemilihan

terhadap data yang akan diproses oleh software rapidminer, maka peneliti

memasuki tahap pembacaan data yang telah diimpor oleh software rapidminer

sebagaimana yang diperlihatkan oleh gambar berikut:

Pada tahap pembacaan data oleh software rapidminer, data yang berupa

bilangan, akan diberi angka tambahan dibelakang bilangan tersebut secara

otomatis berupa titik dan angka 0, hal ini untuk memastikan bahwa bilangan

tersebut bukanlah bilangan desimal. Setelah melakukan pembacaan data, software

rapidminer akan menanyakan kepada pengguna untuk menentukan data-data yang

Gambar III.8 Pembacaan Data Oleh Software Rapidminer

akan dijadikan atribut dan data-data yang akan dijadikan label sebagai patokan

hasil akhir seperti yang diperlihatkan oleh gambar berikut ini:

Setelah data-data yang telah diimpor tersebut diberikan label, maka

peneliti memasuki tahap penyimpanan data yang telah diimpor di tempat yang

telah ditentukan oleh software rapidminer, yaitu: Local Repository seperti yang

diperlihatkan oleh gambar berikut ini:

Gambar III.9 Pemberian Label dan Atribut Pada Software Rapidminer

Setelah data impor ditempatkan di Local Repository, maka peneliti akan

menerapkan data impor tersebut dengan metode naïve bayes. Sebelum penerapan

data impor tersebut dengan metode naïve bayes, peneliti membuat tabel relasi

gejala dan penyakit untuk menelusuri gejala-gejala yang berkaitan dengan

penyakit kulit yang termasuk dermatitis dan menelusuri gejala-gejala yang

berkaitan dengan penyakit kulit yang tidak termasuk dermatitis. Peneliti memberi

angka 1 apabila gejala tersebut merupakan gejala dari penyakit tersebut dan

memberi angka 0 apabila gejala tersebut bukan merupakan gejala dari penyakit

tersebut. Tabel tersebut digambarkan sebagai berikut:

Tabel III.1 Tabel Relasi Gejala dan Penyakit

Gejala Dermatitis Non-Dermatitis

Kulit Kemerahan 1 0

Vesikel (Bintik-Bintik) 0 1

Gatal 1 1

Luka 0 1

Panas 0 1

Gambar III.10 Penempatan Data yang Telah Diimpor

Infeksi 0 1

Tabel ini dibuat berdasarkan observasi di SMPIT AL BINAA IBS,

wawancara dengan petugas kesehatan di SMPIT AL BINAA IBS, dan

dokumentasi dari arsip data rekam medik petugas kesehatan di SMPIT AL

BINAA IBS.

Setelah tabel relasi gejala dan penyakit dibuat, maka peneliti akan

memproses data yang telah diimpor oleh software rapidminer dengan

menggunakan metode naïve bayes. Tools metode naïve bayes pada software

rapidminer digambarkan sebagai berikut:

Setelah tools metode naïve bayes dibuat, maka data yang telah diimpor

tersebut disambungkan dengan metode naïve bayes tersebut. Setelah

disambungkan, peneliti akan menyambungkan juga data yang telah disambung

dengan metode naïve bayes tersebut dengan tools pengukur tingkat akurasi dari

model naïve bayes yang diberi nama oleh software rapidminer sebagai: apply

model and performance yang digambarkan oleh gambar berikut:

Setelah menyambungkan data yang telah diimpor dengan tools metode

naïve bayes beserta tools pengukur akurasinya, maka software rapidminer akan

Gambar III.11 Metode Naïve Bayes Pada Software Rapidminer

Gambar III.12 Tools Pengukur Akurasi Dari Model Naïve Bayes

dijalankan dan menghasilkan nilai akurasi dari model atau metode naïve bayes

tersebut yang akan dianalisa oleh peneliti untuk menarik kesimpulan dari hasil

analisa tersebut dan menentukan hipotesa yang valid dari 2 hipotesa yang telah

disebutkan pada subbab hipotesa di bab 1 pendahuluan. Hasil dari input data

impor tersebut yang telah dijalankan oleh software rapidminer adalah sebagai

berikut:

Pada gambar tersebut, tabel distribution model akan menjelaskan

jumlah kelas “Y” yang merupakan kelas penyakit kulit yang termasuk dermatitis

sebanyak berapa persen dari 100% data berdasarkan model yang telah dibuat.

Begitu juga dengan jumlah kelas “N” yang merupakan kelas penyakit kulit yang

tidak termasuk dermatitis sebanyak berapa persen dari 100% data akan dijelaskan

pada tabel ini. Software Rapidminer akan memberikan hasil dalam bentuk

bilangan desimal, karena nilai maksimal dari hasil tersebut adalah 1, sedangkan

nilai terendah dari hasil tersebut adalah 0.

Gambar III.13 Hasil Pemrosesan Data Impor oleh Software Rapidminer

Tabel example set merupakan tabel yang bertujuan untuk menguji

validitas data dengan menggunakan teknik cross-validation. Sehingga, data yang

awalnya digunakan sebagai data pelatihan akan diubah menjadi data pengujian.

Begitu juga data pengujian akan diubah menjadi data pelatihan. Hal ini

dimaksudkan agar data yang tidak valid, dapat ditemukan dan dipisahkan dari data

yang valid.

Tabel performance vector merupakan tabel yang akan menjelaskan

akurasi dari metode naïve bayes dalam memproses data yang telah diimpor

tersebut. Tingkat akurasi metode naïve bayes tersebut menunjukkan kemampuan

metode naïve bayes dalam mengklasifikasi data impor tersebut secara tepat dan

sesuai dengan kelas yang sesungguhnya.

BAB IV

HASIL PENELITIAN DAN PEMBAHASAN

4.1. Implementasi Penelitian

Pada tanggal 2 Agustus 2015, peneliti memulai melakukan riset di

SMPIT AL BINAA IBS. Peneliti melakukan pengamatan langsung terhadap

kejadian penyakit kulit di SMPIT AL BINAA IBS yang dimulai pada tanggal 2

Agustus 2015 hingga 4 Agustus 2015 untuk mendapatkan informasi langsung dari

objek penelitian tersebut. Setelah melakukan observasi dan mendapatkan

informasi tentang kejadian penyakit kulit, maka peneliti melanjutkan riset di

SMPIT AL BINAA IBS dengan mewawancarai petugas kesehatan SMPIT AL

BINAA IBS, yaitu: Bapak Ade. Setelah melakukan wawancara, peneliti meminta

kesediaan Bapak Ade untuk menunjukkan arsip data rekam medik pada SMPIT

AL BINAA IBS yang berisi catatan medis yang telah ditangani oleh petugas

kesehatan yang dimulai pada 4 November 2013 sampai 4 Agustus 2015.

Kemudian, peneliti menulis ulang arsip rekam medik tersebut yang menggunakan

tulisan tangan dengan menggunakan software Ms.Excel. Peneliti membuat 6

kolom gejala yang masing-masing kolom diberi nilai berupa angka 1 apabila

gejala tersebut dikeluhkan oleh pasien pada data arsip rekam medis tersebut dan

diberi nilai 0 apabila gejala tersebut tidak dikeluhkan oleh pasien pada data arsip

rekam medik tersebut. Data arsip data rekam medik yang telah ditulis ulang

dengan bantuan software Ms.Excel dilampirkan pada lampiran A.1.

Setelah melakukan penulisan ulang, peneliti akan mengimpor data arsip

rekam medik tersebut ke dalam software rapidminer. Sebelum diimpor, data arsip

rekam medik tersebut dieksplorasi menjadi bentuk yang dapat diproses oleh

software rapidminer dengan menghilangkan kolom nama, kolom umur, dan

kolom diagnosa yang diperlihatkan pada lampiran A.3.

Setelah dilakukan eksplorasi data, peneliti mengambil 165 data arsip

rekam medik tersebut untuk dijadikan sampel data pelatihan yang akan digunakan

untuk penghitungan metode klasifikasi naïve bayes secara manual beserta 1

sampel data pengujian untuk menguji metode klasifikasi naïve bayes tersebut.

Sampel data arsip rekam medik tersebut yang telah dieksplorasi tersebut

diperlihatkan pada lampiran A.2. Kemudian, penghitungan sampel data pengujian

dengan metode naïve bayes secara manual dijelaskan pada lampiran B.1. Sampel

data pengujian yang akan digunakan untuk melakukan penghitungan metode

klasifikasi naïve bayes secara manual adalah data ke-166 pada data arsip rekam

medik yang dilampirkan pada lampiran B.1.

Hasil dari penghitungan metode klasifikasi naïve bayes secara manual

adalah sebagai berikut:

1. P(X|class_dermatitis=”Yes”)P(class_dermatitis=”Yes”) = 0,532 X 0,618 =

0,329

2. P(X|class_dermatitis=”No”)P(class_dermatitis=”No”) = 0,009 X 0,382 =

0,003

Karena nilai hasil penghitungan

P(X|class_dermatitis=”Yes”)P(class_dermatitis=”Yes”) lebih besar dari

P(X|class_dermatitis=”No”)P(class_dermatitis=”No”), maka sampel data ke-166

pada data arsip rekam medik merupakan sampel yang termasuk ke dalam kelas

penyakit kulit yang termasuk dermatitis.

Setelah menghitung sampel data pelatihan dan sampel data pengujian

secara manual, maka peneliti mengimpor data arsip rekam medik tersebut dalam

bentuk yang sudah dieksplorasi ke dalam software rapidminer untuk dilakukan

penghitungan metode klasifikasi naïve bayes secara komputerisasi dan

ditempatkan pada bagian repository access. Data yang telah diimpor tersebut akan

ditempatkan di bagian main process yang merupakan fungsi process control pada

software rapidminer untuk diproses sebagaimana yang diperlihatkan oleh gambar

berikut:

Gambar IV.1 Proses Penempatan Data yang Telah Diimpor

Kemudian, data yang telah diimpor tersebut akan disambungkan dengan

utility yang digambarkan dengan kotak validation pada gambar di atas. Di dalam

utility tersebut, terdapat 2 kolom. Kolom pertama dinamakan dengan kolom

training. Kolom kedua dinamakan kolom testing. Kedua kolom tersebut

diperlihatkan pada gambar berikut:

Pada utility tersebut, model atau metode naïve bayes akan ditempatkan

pada bagian training, karena model naïve bayes akan mengolah data dengan

metode yang telah ditetapkan oleh teorema bayes. Kemudian, fungsi data

transformation yang diwakilkan oleh kotak apply model dan fungsi evaluation

yang diwakilkan oleh kotak performance ditempatkan pada bagian testing. Data

transformation bertujuan agar data yang telah dimodelkan dengan model naïve

bayes dapat diproses oleh software rapidminer dan menghasilkan informasi

berupa penempatan kelas berdasarkan data arsip rekam medik yang telah diimpor

sebelumnya. Informasi tersebut juga mengandung perhitungan-perhitungan yang

Gambar IV.2 Penempatan Data Transformation, Modelling, dan Evaluation Pada Utility

telah diproses berdasarkan metode naïve bayes. Kemudian, informasi tersebut

akan diuji dengan cross-validation dengan menggunakan fungsi evaluation yang

digambarkan dengan kotak performance. Fungsi ini bertujuan untuk mendapatkan

nilai akurasi dari model naïve bayes dalam memproses data yang telah diimpor

sebelumnya.

Setelah fungsi utility telah dipersiapkan dan data yang telah diimpor

sebelumnya telah disambungkan dengan fungsi utility, maka proses penghitungan

data dapat dijalankan dan menghasilkan informasi seperti yang ditunjukkan oleh

gambar berikut:

Pada gambar tersebut ada 3 informasi yang dihasilkan, yaitu:

distribution model, example set, dan performance vector.

Gambar IV.3 Hasil Pemrosesan Data Menggunakan Software Rapidminer

4.2. Analisa Data Menggunakan Software Rapidminer

Berdasarkan hasil implementasi penelitian pada subbab sebelumnya,

maka peneliti mendapatkan 3 informasi yang berkaitan dengan proses

penghitungan data arsip rekam medik dengan metode naïve bayes yang telah

dihasilkan oleh software rapidminer setelah dijalankan.

4.2.1 Distribution Model

Distribution model menjelaskan distribusi data-data yang telah diimpor

pada proses penempatan kelas menggunakan metode naïve bayes sebagaimana

yang diperlihatkan oleh gambar berikut ini:

Pada gambar tersebut, terdapat 2 kelas yang terbentuk berdasarkan hasil

pemrosesan data dengan metode naïve bayes, yaitu: kelas Y dan kelas N.

Kelas Y merupakan kelas penyakit kulit yang berdasarkan gejala-gejala

yang ditimbulkan termasuk dermatitis, sedangkan kelas N merupakan kelas

Gambar IV.4 Model Distribusi Data Arsip Rekam Medik Berdasarkan Kelas yang Terbentuk

penyakit kulit yang berdasarkan gejala-gejala yang ditimbulkan tidak termasuk

dermatitis. Setiap kelas, mempunyai 6 distribusi yang merupakan gejala-gejala

yang telah diinput berdasarkan data arsip rekam medik yang telah diimpor

sebelumnya.

Angka yang ditunjukkan oleh setiap kelas, merupakan hasil dari

penghitungan teorema bayes, yaitu: prior probability dari setiap kelas. Prior

probability pada kelas penyakit kulit yang termasuk dermatitis didapat dengan

membagi jumlah data penyakit kulit yang termasuk dermatitis, yaitu: 157 data

dengan jumlah keseluruhan data yang ada, yaitu: 228 data. Begitu juga dengan

prior probability dari kelas penyakit kulit yang tidak termasuk dermatitis didapat

dengan membagi jumlah data penyakit kulit yang tidak termasuk dermatitis, yaitu:

71 data dengan jumlah keseluruhan yang ada, yaitu: 228 data. Penghitungan

masing-masing kelas tersebut adalah:

P(class_dermatitis = ”Y”) = 157/228 = 0,689.

P(class_dermatitis = ”N”) = 71/228 = 0,311.

Hasil tersebut akan digunakan untuk menarik kesimpulan apakah suatu

sampel tertentu yang merupakan gejala-gejala penyakit kulit yang ditimbulkan,

termasuk penyakit kulit yang termasuk dermatitis atau termasuk penyakit kulit

yang tidak termasuk dermatitis.

Setelah mendapatkan informasi tentang distribusi gejala-gejala yang

dimasukkan dalam kelas tertentu, maka distribution model menjelaskan

bagaimana kedua kelas tersebut dapat terbentuk berdasarkan gejala-gejala yang

telah diinput pada data arsip rekam medik sebagaimana yang diperlihatkan oleh

gambar berikut:

Pada tabel distribusi gejala-gejala tersebut, terdapat angka-angka yang

merupakan hasil dari penghitungan berdasarkan metode naïve bayes. Angka-

angka tersebut akan dijadikan suatu diagram batang yang mewakili setiap

distribusi untuk mempermudah analisa data seperti yang diperlihatkan pada

gambar berikut ini:

Gambar IV.5 Hasil Distribusi Gejala-Gejala pada Kelas Y dan Kelas N

Pada diagram atau grafik tersebut, batang berwarna merah

menunjukkan kelas N. Sedangkan, batang berwarna biru menunjukkan kelas Y.

Angka 1 menunjukkan keluhan terhadap gejala kulit kemerahan, sedangkan angka

0 menunjukkan tidak ada keluhan terhadap gejala kulit kemerahan.

Diagram tersebut didapat dengan menghitung seluruh kemungkinan,

baik adanya gejala kulit kemerahan atau tidak adanya gejala kulit kemerahan yang

dapat menyebabkan penyakit kulit, baik termasuk dermatitis atau tidak termasuk

dermatitis. Gejala kulit kemerahan yang termasuk kelas Y sebanyak 157 data yang

dibagi dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala kulit

kemerahan yang termasuk kelas N sebanyak 16 data yang dibagi dengan jumlah

data pada kelas N, yaitu: 71 data.

Setelah mengetahui jumlah data gejala kulit kemerahan, maka peneliti

menghitung jumlah data gejala bukan kulit kemerahan. Gejala bukan kulit

kemerahan yang termasuk kelas Y sebanyak 0 data yang dibagi dengan jumlah

Gambar IV.6 Hasil Distribusi Gejala Kulit Kemerahan

data pada kelas Y, yaitu: 157 data. Sedangkan, gejala bukan kulit kemerahan yang

termasuk kelas N sebanyak 55 data yang dibagi dengan jumlah data pada kelas N,

yaitu: 71 data. Kemudian, Penghitungan dari masing-masing batang pada diagram

batang tersebut adalah sebagai berikut:

P(kulit_kemerahan = ”1” | class_dermatitis = ”Y”) = 157/157 = 1.

P(kulit_kemerahan = ”1” | class_dermatitis = ”N”) = 16/71 = 0,225.

P(kulit_kemerahan = ”0” | class_dermatitis = ”Y”) = 0/157 = 0.

P(kulit_kemerahan = ”0” | class_dermatitis = ”N”) = 55/71 = 0,775.

Berdasarkan penghitungan tersebut, dapat peneliti simpulkan bahwa

penyakit kulit yang termasuk dermatitis memiliki gejala kulit kemerahan. Hal ini

ditunjukkan dari penghitungan tersebut bahwa tidak ada kelas Y yang tidak

memiliki gejala kulit kemerahan. Apabila gejala kulit kemerahan tidak dikeluhkan

oleh pasien, maka berdasarkan penghitungan ini, gejala tersebut tidak termasuk

gejala penyakit kulit yang termasuk dermatitis.

Unknown pada diagram tersebut menunjukkan kelas yang tidak dapat

diprediksi dengan tepat oleh metode naïve bayes. Karena, pada diagram ini tidak

terdapat kelas yang tidak diketahui penempatannya, maka gejala kulit kemerahan

dapat diklasifikasi oleh metode naïve bayes secara tepat.

Setelah menganalisa data gejala kulit kemerahan, maka peneliti

menganalisa gejala vesikel atau bintik-bintik yang diperlihatkan oleh gambar

berikut:



Angka 1 menunjukkan keluhan terhadap gejala vesikel, sedangkan angka 0

menunjukkan tidak ada keluhan terhadap gejala vesikel.


baik adanya gejala vesikel atau tidak adanya gejala vesikel yang dapat

menyebabkan penyakit kulit, baik termasuk dermatitis atau tidak termasuk

dermatitis. Gejala vesikel yang termasuk kelas Y sebanyak 0 data yang dibagi

dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala vesikel yang


yaitu: 71 data.

Setelah mengetahui jumlah data gejala vesikel, maka peneliti

menghitung jumlah data gejala bukan vesikel. Gejala bukan vesikel yang

termasuk kelas Y sebanyak 157 data yang dibagi dengan jumlah data pada kelas

Gambar IV.7 Hasil Distribusi Gejala Vesikel atau Bintik-Bintik

Y, yaitu: 157 data. Sedangkan, gejala bukan vesikel yang termasuk kelas N

sebanyak 55 data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data.

Kemudian, Penghitungan dari masing-masing batang pada diagram batang

tersebut adalah sebagai berikut:

P(vesikel = ”1” | class_dermatitis = ”Y”) = 0/157 = 0.

P(vesikel = ”1” | class_dermatitis = ”N”) = 16/71 = 0,225.

P(vesikel = ”0” | class_dermatitis = ”Y”) = 157/157 = 1.

P(vesikel = ”0” | class_dermatitis = ”N”) = 55/71 = 0,775.


penyakit kulit yang termasuk dermatitis tidak memiliki gejala vesikel atau bintik-

bintik. Hal ini ditunjukkan pada perhitungan tersebut bahwa tidak ada kelas Y

yang memiliki gejala vesikel atau bintik-bintik. Apabila gejala vesikel tidak

dikeluhkan oleh pasien, maka berdasarkan penghitungan ini, gejala tersebut ada

kemungkinan termasuk gejala penyakit kulit yang termasuk dermatitis tergantung

kepada gejala lain yang menyertai gejala tersebut.



terdapat kelas yang tidak diketahui penempatannya, maka gejala vesikel dapat

diklasifikasi oleh metode naïve bayes secara tepat.

Setelah menganalisa data gejala vesikel, maka peneliti menganalisa

gejala gatal yang diperlihatkan oleh gambar berikut:



Angka 1 menunjukkan keluhan terhadap gejala gatal, sedangkan angka 0

menunjukkan tidak ada keluhan terhadap gejala gatal.


baik adanya gejala gatal atau tidak adanya gejala gatal yang dapat menyebabkan

penyakit kulit, baik termasuk dermatitis atau tidak termasuk dermatitis. Gejala

gatal yang termasuk kelas Y sebanyak 157 data yang dibagi dengan jumlah data

pada kelas Y, yaitu: 157 data. Sedangkan, gejala gatal yang termasuk kelas N


Setelah mengetahui jumlah data gejala gatal, maka peneliti menghitung

jumlah data gejala bukan gatal. Gejala bukan gatal yang termasuk kelas Y

sebanyak 0 data yang dibagi dengan jumlah data pada kelas Y, yaitu: 157 data.

Sedangkan, gejala bukan gatal yang termasuk kelas N sebanyak 53 data yang

Gambar IV.8 Hasil Distribusi Gejala Gatal

dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Kemudian, Penghitungan

dari masing-masing batang pada diagram batang tersebut adalah sebagai berikut:

P(gatal = ”1” | class_dermatitis = ”Y”) = 157/157 = 1.

P(gatal = ”1” | class_dermatitis = ”N”) = 18/71 = 0,254.

P(gatal = ”0” | class_dermatitis = ”Y”) = 0/157 = 0.

P(gatal = ”0” | class_dermatitis = ”N”) = 53/71 = 0,746.


penyakit kulit yang termasuk dermatitis memiliki gejala gatal. Hal ini ditunjukkan

dari penghitungan tersebut bahwa tidak ada kelas Y yang tidak memiliki gejala

gatal. Apabila gejala gatal tidak dikeluhkan oleh pasien, maka berdasarkan

penghitungan ini, gejala tersebut tidak termasuk gejala penyakit kulit yang

termasuk dermatitis.



terdapat kelas yang tidak diketahui penempatannya, maka gejala gatal dapat


Setelah menganalisa data gejala gatal, maka peneliti menganalisa gejala

luka yang diperlihatkan oleh gambar berikut:



Angka 1 menunjukkan keluhan terhadap gejala luka, sedangkan angka 0

menunjukkan tidak ada keluhan terhadap gejala luka.


baik adanya gejala luka atau tidak adanya gejala luka yang dapat menyebabkan


luka yang termasuk kelas Y sebanyak 26 data yang dibagi dengan jumlah data

pada kelas Y, yaitu: 157 data. Sedangkan, gejala luka yang termasuk kelas N


Setelah mengetahui jumlah data gejala luka, maka peneliti menghitung

jumlah data gejala bukan luka. Gejala bukan luka yang termasuk kelas Y


Sedangkan, gejala bukan luka yang termasuk kelas N sebanyak 26 data yang

Gambar IV.9 Hasil Distribusi Gejala Luka



P(luka = ”1” | class_dermatitis = ”Y”) = 26/157 = 0,166.

P(luka = ”1” | class_dermatitis = ”N”) = 45/71 = 0,634.

P(luka = ”0” | class_dermatitis = ”Y”) = 131/157 = 0,834.

P(luka = ”0” | class_dermatitis = ”N”) = 26/71 = 0,366.


penyakit kulit yang termasuk dermatitis dapat memiliki gejala luka. Apabila gejala

luka tidak dikeluhkan oleh pasien, maka berdasarkan penghitungan ini, gejala

tersebut ada kemungkinan termasuk gejala penyakit kulit yang termasuk

dermatitis tergantung pada gejala lain yang menyertainya. Hal ini, disebabkan

oleh penderita dermatitis yang merasakan gatal dan menggaruk anggota badan

yang gatal tersebut, sehingga menyebabkan luka. Peneliti mendapatkan

pernyataan ini setelah melakukan observasi langsung.



terdapat kelas yang tidak diketahui penempatannya, maka gejala luka dapat


Setelah menganalisa data gejala luka, maka peneliti menganalisa gejala

panas yang diperlihatkan oleh gambar berikut:



Angka 1 menunjukkan keluhan terhadap gejala panas, sedangkan angka 0

menunjukkan tidak ada keluhan terhadap gejala panas.


baik adanya gejala panas atau tidak adanya gejala panas yang dapat menyebabkan


panas yang termasuk kelas Y sebanyak 0 data yang dibagi dengan jumlah data

pada kelas Y, yaitu: 157 data. Sedangkan, gejala panas yang termasuk kelas N


Setelah mengetahui jumlah data gejala panas, maka peneliti menghitung

jumlah data gejala bukan panas. Gejala bukan panas yang termasuk kelas Y


Sedangkan, gejala bukan panas yang termasuk kelas N sebanyak 67 data yang

Gambar IV.10 Hasil Distribusi Gejala Panas



P(panas = ”1” | class_dermatitis = ”Y”) = 0/157 = 0.

P(panas = ”1” | class_dermatitis = ”N”) = 4/71 = 0,056.

P(panas = ”0” | class_dermatitis = ”Y”) = 157/157 = 1.

P(panas = ”0” | class_dermatitis = ”N”) = 67/71 = 0,944.


penyakit kulit yang termasuk dermatitis tidak memiliki gejala panas. Hal ini

ditunjukkan dari penghitungan tersebut bahwa tidak ada kelas Y yang memiliki

gejala panas. Apabila gejala panas tidak dikeluhkan oleh pasien, maka

berdasarkan penghitungan ini, gejala tersebut ada kemungkinan termasuk gejala

penyakit kulit yang termasuk dermatitis tergantung kepada gejala lain yang

menyertai gejala tersebut.



terdapat kelas yang tidak diketahui penempatannya, maka gejala panas dapat


Setelah menganalisa data gejala panas, maka peneliti menganalisa

gejala gatal yang diperlihatkan oleh gambar berikut:



Angka 1 menunjukkan keluhan terhadap gejala infeksi, sedangkan angka 0

menunjukkan tidak ada keluhan terhadap gejala infeksi.


baik adanya gejala infeksi atau tidak adanya gejala infeksi yang dapat

menyebabkan penyakit kulit, baik termasuk dermatitis atau tidak termasuk

dermatitis. Gejala infeksi yang termasuk kelas Y sebanyak 38 data yang dibagi

dengan jumlah data pada kelas Y, yaitu: 157 data. Sedangkan, gejala infeksi yang


yaitu: 71 data.

Setelah mengetahui jumlah data gejala infeksi, maka peneliti

menghitung jumlah data gejala bukan infeksi. Gejala bukan infeksi yang termasuk

kelas Y sebanyak 119 data yang dibagi dengan jumlah data pada kelas Y, yaitu:

Gambar IV.11 Hasil Distribusi Gejala Infeksi

157 data. Sedangkan, gejala bukan infeksi yang termasuk kelas N sebanyak 42

data yang dibagi dengan jumlah data pada kelas N, yaitu: 71 data. Kemudian,

Penghitungan dari masing-masing batang pada diagram batang tersebut adalah

sebagai berikut:

P(Infeksi = ”1” | class_dermatitis = ”Y”) = 38/157 = 0,242.

P(Infeksi = ”1” | class_dermatitis = ”N”) = 29/71 = 0,408.

P(Infeksi = ”0” | class_dermatitis = ”Y”) = 119/157 = 0,758.

P(Infeksi = ”0” | class_dermatitis = ”N”) = 42/71 = 0,592.


penyakit kulit yang termasuk dermatitis dapat memiliki gejala infeksi. Apabila

gejala infeksi tidak dikeluhkan oleh pasien, maka berdasarkan penghitungan ini,

gejala tersebut ada kemungkinan termasuk gejala penyakit kulit yang termasuk

dermatitis tergantung pada gejala lain yang menyertainya. Hal ini, disebabkan

oleh penderita dermatitis yang merasakan gatal dan menggaruk anggota badan

yang gatal tersebut, sehingga menyebabkan luka. Kemudian, luka tersebut tidak

cepat diobati sehingga kuman atau bakteri akan menyebabkan luka tersebut

infeksi. Peneliti mendapatkan pernyataan ini setelah melakukan observasi

langsung.



terdapat kelas yang tidak diketahui penempatannya, maka gejala infeksi dapat


4.2.2 Example Set

Pada bagian ini, data akan dikelompokkan berdasarkan gejala yang

terjadi pada data arsip data rekam medik tersebut secara keseluruhan sebagaimana

yang diperlihatkan oleh gambar berikut:

Gambar IV.12 Pengelompokkan Data Berdasarkan Gejala

Pada tabel di gambar berikut ini, ada 228 data yang kita gunakan untuk

membuat penghitungan menggunakan metode naïve bayes. Dari 228 data tersebut,

data-data akan dikelompokkan berdasarkan atribut-atribut yang telah disediakan

secara keseluruhan. Ada 6 atribut yang merupakan gejala-gejala dari penyakit

kulit dan 1 label untuk menyatakan kelas dari penyakit kulit yang termasuk

dermatitis dan menyatakan kelas dari penyakit kulit yang tidak termasuk

dermatitis.

Pada label hasil, terdapat 2 kelas, yaitu: kelas Y dan kelas N yang.

Kelas Y yang berjumlah 157 data merupakan kelas yang beranggotakan penyakit

kulit yang termasuk dermatitis. Sedangkan, kelas N yang berjumlah 71 data

merupakan kelas yang beranggotakan penyakit kulit yang tidak termasuk

dermatitis.

Pada atribut gejala kulit kemerahan, terdapat 173 data yang

menunjukkan bahwa pasien tersebut menderita gejala kulit kemerahan.

Sedangkan, 55 data yang lain menunjukkan bahwa pasien tersebut tidak menderita

gejala kulit kemerahan.

Pada atribut gejala vesikel atau bintik-bintik, terdapat 212 data yang

tidak menunjukkan bahwa pasien tersebut menderita gejala vesikel. Sedangkan,

16 data yang lain menunjukkan bahwa pasien tersebut menderita gejala vesikel.

Pada atribut gejala gatal, terdapat 175 data yang menunjukkan bahwa

pasien tersebut menderita gejala gatal. Sedangkan, 53 data yang lain menunjukkan

bahwa pasien tersebut tidak menderita gejala gatal.

Pada atribut gejala luka, terdapat 157 data yang menunjukkan bahwa

pasien tersebut tidak menderita gejala luka. Sedangkan, 71 data yang lain

menunjukkan bahwa pasien tersebut menderita gejala luka.

Pada atribut gejala panas, terdapat 224 data yang menunjukkan bahwa

pasien tersebut tidak menderita gejala panas. Sedangkan, 4 data yang lain

menunjukkan bahwa pasien tersebut menderita gejala panas.

Pada atribut gejala infeksi, terdapat 161 data yang menunjukkan bahwa

pasien tersebut tidak menderita gejala infeksi. Sedangkan, 67 data yang lain

menunjukkan bahwa pasien tersebut menderita gejala infeksi.

4.2.3 Performance Vector

Pada bagian ini, data akan diukur kecepatan pembacaan data dan

akurasi ketepatan klasifikasi dengan menggunakan metode naïve bayes. Bagian

ini merupakan bagian pengujian model. Setelah data diproses, maka hasil

pengujian dari data arsip rekam medik digambarkan sebagai berikut:

Gambar IV.13 Hasil Akurasi Pemrosesan Data Dengan Metode Naïve Bayes

Pada gambar ini, akurasi yang dihasilkan adalah 100%. Hal ini

disebabkan tidak adanya kelas yang salah atau tidak sesuai berdasarkan gejala-

gejala yang telah diinput pada data arsip rekam medik. Artinya, seluruh gejala

telah dikelompokkan oleh metode klasifikasi naïve bayes secara tepat.

Selain itu, metode naïve bayes memiliki kecepatan yang tinggi dalam

mengklasifikasi data-data yang telah diimpor tersebut. Hal ini diperlihatkan oleh

gambar berikut:

Gambar IV.14 Waktu Yang Dibutuhkan Untuk Mengklasifikasi Data

Pada gambar tersebut, waktu yang dibutuhkan oleh metode naïve bayes

dalam mengklasifikasi data adalah 0 detik. Hal ini menunjukkan bahwa metode

naïve bayes memiliki kecepatan yang tinggi dalam mengklasifikasi data.

BAB V

PENUTUP

5.1. Kesimpulan

Pada penelitian ini, peneliti mengakhiri penghitungan klasifikasi

penyakit kulit yang termasuk dermatitis dengan penyakit kulit yang tidak

termasuk dermatitis menggunakan metode naïve bayes dengan kesimpulan

sebagai berikut:

1. Metode naïve bayes memiliki kecepatan yang tinggi dalam mengklasifikasikan

penyakit kulit berdasarkan gejala-gejala yang ditimbulkan. Hal ini dibuktikan

dengan waktu tempuh untuk mengklasifikasi penyakit kulit pada penelitian ini

selama 0 detik. Selama diproses, metode naïve bayes menghasilkan diagram

batang pengklasifikasian berdasarkan data rekam medik penyakit kulit yang

memberikan informasi tentang gejala-gejala yang merupakan gejala penyakit

kulit, baik yang termasuk dermatitis maupun yang tidak termasuk dermatitis.

2. Metode naïve bayes memiliki akurasi yang tinggi dalam mengklasifikasi

penyakit kulit berdasarkan gejala-gejala yang ditimbulkan pada penelitian ini.

Hal ini dibuktikan dengan tingkat akurasi yang mencapai 100% saat data arsip

rekam medik penyakit kulit diproses menggunakan software rapidminer.

5.2. Saran

Setelah melaksanakan penelitian ini, maka peneliti memberi saran bagi

penelitian selanjutnya agar penelitian ini dapat dikembangkan di kemudian hari.

Saran tersebut adalah:

1. Peneliti menyarankan untuk meriset objek penelitian yang meliputi jenis

kelamin laki-laki dan perempuan. Hal ini dimaksudkan untuk mendapatkan

perbandingan antara gejala-gejala penyakit kulit yang ditimbulkan pada laki-

laki dengan gejala penyakit kulit yang ditimbulkan oleh perempuan.

2. Peneliti membuat penelitian ini dengan menggunakan metode klasifikasi naïve

bayes untuk mendiagnosa penyakit kulit yang termasuk dermatitis dan

mendiagnosa penyakit kulit yang tidak termasuk dermatitis. Kemudian, peneliti

menyarankan untuk menggunakan metode algoritma C4.5 untuk menemukan

informasi yang berkaitan dengan kriteria-kriteria yang dapat menyebabkan

terjadinya suatu penyakit kulit dan digambarkan dalam bentuk pohon

keputusan.

3. Kejadian penyakit kulit yang terjadi di SMPIT AL BINAA IBS disebabkan

oleh faktor cuaca terutama saat musim hujan, kualitas air yang rendah, dan

kebersihan lingkungan yang kurang terjaga. Pada penelitian selanjutnya, riset

dapat dilakukan di pesantren-pesantren tradisional yang merupakan tempat-

tempat para siswa atau santri belajar ilmu agama, terutama pesantren-pesantren

yang berada di daerah yang kebersihan lingkungan pesantren tersebut kurang

terawat. Hal ini dimaksudkan untuk mendapatkan perbandingan antara

pesantren modern yang telah diteliti pada penelitian ini dengan pesantren

tradisional pada penelitian selanjutnya.

4. SMPIT AL BINAA IBS merupakan pesantren modern yang seyogyanya

menjadi contoh pesantren yang mengajarkan kebersihan lingkungan dengan

mendidik para siswa atau santri, para guru, dan juga para karyawan untuk

menjaga kebersihan lingkungan pada SMPIT AL BINAA IBS untuk mencegah

penularan penyakit kulit pada sekolah tersebut.

DAFTAR PUSTAKA

Azizah, Fitri. 2014. Frekuensi Penyakit Kulit di RS Karitas, Sumba Barat Daya

September 2014. Jakarta: eJKI Vol.2, No. 3 Desember 2014:147-150.

Dewi, Yusnita. 2013. Eksplorasi Data Mining Software (Rapid Miner). Diambil

dari:http://yusnitadewi.ilearning.me20131001eksplorasi-data-mining-

software-rapid-miner. (8 Januari 2016).

Kurniawan, Rio dan Akbar Ramadhan. 2012. Perancangan Sistem Pakar Dengan

Menggunakan Certainty Factor dan Implementasi Metode Jaringan Syaraf

Tiruan Backpropagation Untuk Membantu Diagnosis Penyakit Kulit.

Bandung: Jurnal LPKIA Vol.1, No. 2 Desember 2012:30-35.

Kusrini dan Emha Taufiq Luthfi. 2009. Algoritma Data Mining. Yogyakarta:

Andi Offset.

Meilani, Budanis Dwi dan Nofi Susanti. 2014. Aplikasi Data Mining Untuk

Menghasilkan Pola Kelulusan Siswa Dengan Metode Naïve Bayes. ISSN:

1858-4667. Surabaya: Jurnal LINK Vol.21, No. 2 September 2014:1-6.

Prasetyo, Eko. 2014. Data Mining-Mengolah Data Menjadi Informasi

Menggunakan Matlab. Yogyakarta: Andi offset.

Riduwan. 2012. Skala Pengukuran Variabel-variabel Penelitian. Bandung:

Penerbit ALFABETA.

Santosa, Budi. 2007. Data Mining: Teknik Pemanfaatan Data untuk Keperluan

Bisnis. Yogyakarta: Graha Ilmu.

Sugiyono. 2007. Metode Penelitian Administrasi Dilengkapi dengan Metode

R&D. Bandung: Penerbit ALFABETA.

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

Penerapan Data Mining Dengan Matlab. Bandung: Penerbit Rekayasa Sains.

http://yusnitadewi.ilearning.me20131001eksplorasi-data-mining-software-rapid-miner/

http://yusnitadewi.ilearning.me20131001eksplorasi-data-mining-software-rapid-miner/

Wijaya, Lorettha, Ricky Fernando, dan Stefanus Lembar. 2015. Pemeriksaan

Penunjang dan Laboratorium pada Penyakit Kulit dan Kelamin. Jakarta:

Penerbit Universitas Katolik Indonesia Atma Jaya.

DAFTAR RIWAYAT HIDUP

I. Biodata Mahasiswa

NIM : 11122703

Nama Lengkap : Muhammad Ihrom

Tempat & Tanggal Lahir : Jakarta, 26 Mei 1993

Alamat lengkap : Jl. Kucica I Blok JG 4 no.2 Bintaro Sektor IX

Tangerang Selatan Banten

II. Pendidikan a. Formal

1. TK Islam An-Nur di Bekasi Jawa Barat, lulus tahun 1999

2. SD Islam Asy-Syafi’iyah 02 di Jakarta Timur, lulus tahun 2005

3. SMPIT AL BINAA IBS di Jawa Barat, lulus tahun 2008

4. SMAIT AL BINAA IBS di Jawa Barat, lulus tahun 2011

5. Persiapan Bahasa Arab LIPIA di Jakarta Selatan, lulus tahun 2013 6. Pemantapan Bahasa Arab LIPIA di Jakarta Selatan, lulus tahun 2014

b. Non Formal

1. Kursus Bahasa Inggris (Pronounciation and Speaking) di Pare Jawa

Timur, lulus tahun 2012.

2. Kursus Pengembangan Pembelajaran Bahasa Arab di Bekasi Jawa

Barat, lulus tahun 2013.

III. Riwayat Pengalaman Berorganisasi atau Pekerjaan

1. Sekretaris Organisasi Siswa Intra Sekolah (OSIS) SMAIT AL BINAA IBS

, Jawa Barat Tahun 2010.

2. Sekretaris Organisasi Islam Nidaul Haq, Jakarta Selatan Tahun 2012


Muhammad Ihrom

3 X 4

NIM : 11122703


Dosen Pembimbing I : Nining Suryani, M.Kom

Judul Skripsi : Diagnosa Penyakit Kulit Menggunakan Metode

Naïve Bayes pada SMPIT AL BINAA Islamic

Boarding School.

Catatan untuk Dosen Pembimbing I

Bimbingan Skripsi

Dimulai pada tanggal : 30 Oktober 2015

Diakhiri pada tanggal : 5 Februari 2016

Jumlah pertemuan bimbingan : 8 (Delapan) Pertemuan

Disetujui oleh,

Dosen Pembimbing I

(Nining Suryani, M.Kom)

LEMBAR KONSULTASI BIMBINGAN SKRIPSI

SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER

NUSA MANDIRI

No. Tanggal

Bimbingan Pokok Bahasan

Paraf Dosen

Pembimbing I

1 30 Oktober 2015 Bimbingan Perdana

2 27 November 2015 Pengajuan Bab I

3 4 Desember 2015 Koreksi Bab I

4 8 Januari 2016 Acc Bab I dan Pengajuan Bab IV

5 15 Januari 2016 Koreksi Bab IV

6 22 Januari 2016 Acc Bab IV dan Pengajuan Bab V

7 29 Januari 2016 Koreksi Bab V

8 5 Februari 2016 Review Bab I, Bab IV, dan Bab V

LEMBAR KONSULTASI BIMBINGAN SKRIPSI

SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER

NUSA MANDIRI

NIM : 11122703


Dosen Pembimbing II : Eri Mardiani, M.Kom

Judul Skripsi : Diagnosa Penyakit Kulit Menggunakan Metode


Boarding School.

No

.

Tanggal

Bimbingan Pokok Bahasan

Paraf Dosen

Pembimbing II

1 23 November 2015 Konsultasi Bab II

2 30 November 2015 Revisi Bab II

3 8 Januari 2016 Acc Bab II

4 15 Januari 2016 Konsultasi Bab III

5 20 Januari 2016 Revisi Bab III

6 31 Januari 2016 Acc Bab III

7 5 Februari 2016 Review Bab II dan Bab III

Catatan untuk Dosen Pembimbing II

Bimbingan Skripsi

Dimulai pada tanggal : 23 November 2015

Diakhiri pada tanggal : 5 Februari 2016

Jumlah pertemuan bimbingan : 7 (Tujuh) Pertemuan

Disetujui oleh,

Dosen Pembimbing II

(Eri Mardiani, M.Kom)

LAMPIRAN

Lampiran A.1.

Tabel Data Arsip Rekam Medik

No Nama Umur Gejala

Diagnosa Kulit Kemerahan Vesikel (bintik) Gatal Luka Panas Infeksi Class_dermatitis

1 Andra 12 1 0 1 0 0 0 1 Dermatitis

2 Fikrul 13 1 0 1 0 0 0 1 Dermatitis

3 Ruli 14 0 0 1 0 0 1 0 tineapedise

4 Aman 14 1 1 1 0 1 0 0 Varicela

5 wildan 12 1 0 1 1 0 1 1 Dermatitis

6 Dede 10 1 0 1 0 0 1 1 Dermatitis

7 Santri 12 1 1 1 0 1 0 0 Varicela

8 Fauzi 15 1 0 1 1 0 1 1 Dermatitis

9 Sulthan 12 1 1 1 0 1 0 0 Varicela

10 Abdul Hadi 16 1 1 1 0 0 0 0 Alergi

11 Uga 7 1 0 0 1 0 1 0 Abses(bengkak)

12 Gusti 10 1 0 1 0 0 0 1 Dermatitis

13 Nabil 10 1 0 1 1 0 1 1 Dermatitis

14 Sopian 13 1 0 1 0 0 1 1 Dermatitis


16 Miswanto 13 0 0 0 1 0 1 0 Abses(bengkak)

17 Syafiq 12 1 0 0 1 0 1 0 Implamantori (radang)

18 Billy 10 1 0 1 0 0 1 1 Dermatitis

19 Diki 8 1 0 1 0 0 1 1 Dermatitis

20 Akbar 10 0 0 0 1 0 1 0 Abses(bengkak)


22 Asgar 10 1 0 1 1 0 0 1 Dermatitis

23 Dani 9 1 0 1 1 0 0 1 Dermatitis

24 Supian 13 1 0 1 0 0 0 1 Dermatitis

25 Salman 12 1 0 1 0 0 1 1 Dermatitis

26 Fatan 10 1 0 1 0 0 1 1 Dermatitis


28 Khaerul 11 1 0 1 0 0 0 1 Dermatitis

29 Andi 30 1 0 1 0 0 0 1 Dermatitis

30 Robbi 11 1 0 1 0 0 0 1 Dermatitis


32 Ahnap 12 1 0 1 1 0 0 1 Dermatitis

33 Ahmad Najib 13 1 0 1 1 0 0 1 Dermatitis

34 Abbas 13 0 0 0 1 0 1 0 Abses(bengkak)

35 Genta 11 0 1 0 0 0 0 0 Kutil

36 Sandri 15 1 0 1 0 0 0 1 Dermatitis

37 Fatah 10 1 0 1 1 0 0 1 Dermatitis


39 Genta 11 0 0 0 1 0 1 0 Abses(bengkak)

40 Akbar 9 1 0 1 0 0 0 1 Dermatitis


42 Gusti 11 0 0 0 1 0 1 0 Infeksi

43 Hasan 11 0 0 0 1 0 1 0 Infeksi

44 Fikrul 13 0 0 0 1 0 1 0 Infeksi

45 Noval 14 0 0 0 1 0 1 0 Abses(bengkak)

46 Dimas 14 0 0 1 0 0 0 0 Alergi

47 Uga 7 1 1 1 0 1 0 0 Varicela

48 Luthfi 10 0 0 0 1 0 1 0 Infeksi

49 Noval 14 0 0 0 1 0 0 0 Luka

50 Rivaldi 16 0 0 0 1 0 1 0 Infeksi

51 Nacep 30 0 0 0 1 0 1 0 Infeksi



54 Zaky 12 1 0 1 1 0 1 1 Dermatitis


56 Sulthan 12 1 0 1 0 0 0 1 Dermatitis


58 Levy 12 1 0 1 0 0 0 1 Dermatitis

59 Faza 13 1 0 1 0 0 1 1 Dermatitis

60 Rifky 16 1 0 1 0 0 0 1 Dermatitis

61 Kholid 13 0 0 1 0 0 0 0 Avlesratum(luka)

62 Ismail 7 1 0 0 1 0 0 0 Luka

63 Aziz 16 1 0 1 0 0 0 1 Dermatitis


65 Qohar 15 1 0 1 0 0 0 1 Dermatitis

66 Iqbal 14 1 0 1 0 0 0 1 Dermatitis


68 Dwi 14 0 0 0 1 0 0 0 luka

69 Iman 14 0 0 0 1 0 0 0 luka

70 Dwi 14 0 0 0 1 0 0 0 Avlesratum

71 Haris 17 0 0 0 1 0 0 0 Avlesratum

72 Nanda 12 0 0 0 1 0 0 0 luka

73 Aldi 13 1 0 1 0 0 1 1 Dermatitis


75 Abul 12 1 1 1 1 0 0 0 Herpes

76 Syahid 12 1 1 1 0 0 0 0 Alergi

77 Fatun 13 1 0 0 0 0 1 0 Infeksi

78 Iqbal 14 0 0 0 1 0 0 0 Luka


80 Anggih 9 0 0 0 1 0 1 0 Infeksi

81 Faza 12 0 0 1 0 0 0 0 Alergi

82 Iqbal 14 0 0 0 1 0 0 0 Luka

83 Raka 13 1 0 1 0 0 0 1 Dermatitis

84 Panji 12 0 0 0 1 0 0 0 Avlesratum

85 Firdaus 15 1 0 1 0 0 0 1 Dermatitis

86 Ardan 12 1 0 1 0 0 0 1 Dermatitis

87 Rizky 17 1 0 1 0 0 0 1 Dermatitis

88 Hudzaifah 17 0 0 1 1 0 1 0 Alergi

89 Rohmat 11 1 0 1 0 0 0 1 Dermatitis

90 Luthfi 11 1 0 1 0 0 0 1 Dermatitis

91 Rifky 9 0 0 0 1 0 0 0 Avlesratum

92 Rivaldo 11 1 0 1 0 0 1 1 Dermatitis

93 Firas 16 0 0 0 1 0 0 0 Luka

94 Billi 11 1 0 1 1 0 1 1 Dermatitis

95 Yan 12 1 0 1 1 0 1 1 Dermatitis

96 Catur 17 1 0 1 1 0 1 1 Dermatitis

97 Fahmi 12 1 0 1 0 0 0 1 Dermatitis

98 Yoyo 40 1 0 1 0 0 0 1 Dermatitis

99 Farhan 11 1 0 1 0 0 0 1 Dermatitis

100 Asgar 9 0 0 0 1 0 0 0 Luka

101 Akbar 9 0 0 0 1 0 0 0 Luka

102 Ikhsan 9 0 0 0 1 0 0 0 Luka


104 Zainal 14 0 0 1 1 0 1 0 Alergi

105 Rizal 12 0 0 0 0 0 1 0 Alergi

106 Asep 13 1 0 1 0 0 0 1 Dermatitis

107 Faza 14 0 1 0 0 0 0 0 Kutilan

108 Wildan 13 1 0 1 0 0 0 1 Dermatitis

109 Dede 11 1 0 1 0 0 0 1 Dermatitis

110 Xasump 13 1 0 1 0 0 0 1 Dermatitis

111 Rifky 13 0 0 0 1 0 1 0 Infeksi

112 Rofik 14 0 0 0 0 0 1 0 Abses(bengkak)

113 Irfan 30 1 0 1 0 0 0 1 Dermatitis

114 Rosyid 30 0 0 1 0 0 0 0 Alergi

115 Arif 14 0 0 0 1 0 0 0 Avlesratum

116 Suhendi 16 1 0 1 0 0 0 1 Dermatitis

117 Abdurrohman 14 1 0 1 1 0 1 1 Dermatitis

118 Supriadi 14 0 0 0 1 0 0 0 Luka

119 Saka 12 1 0 1 1 0 0 1 Dermatitis

120 Lukman 14 1 0 0 0 0 0 0 Alergi

121 Tarmidzi 30 1 0 1 0 0 0 1 Dermatitis

122 Kholid 14 1 0 1 0 0 0 1 Dermatitis

123 Agus 17 1 0 1 0 0 0 1 Dermatitis

124 Fahri 17 1 0 1 0 0 0 1 Dermatitis

125 najmuddin 13 0 0 0 1 0 0 0 Luka

126 Hamzah 13 1 0 0 0 0 0 0 Alergi

127 Isya 30 1 0 1 0 0 0 1 Dermatitis

128 Aldo 12 0 0 0 1 0 0 0 Avlesratum

129 Azam 13 1 0 1 1 0 1 1 Dermatitis

130 Yusuf 13 1 0 1 0 0 1 1 Dermatitis

131 Tama 11 1 0 1 0 0 0 1 Dermatitis

132 Jufri 13 1 0 1 0 0 1 1 Dermatitis

133 Ghiyyats 13 1 0 1 1 0 1 1 Dermatitis

134 Dzikri 13 1 0 1 0 0 0 1 Dermatitis

135 Agam 13 1 0 1 0 0 1 1 Dermatitis

136 Ical 14 1 0 1 0 0 0 1 Dermatitis

137 wimpi 13 1 0 1 0 0 0 1 Dermatitis


139 Thoriq 14 1 0 1 0 0 0 1 Dermatitis

140 Tono 40 1 0 1 0 0 0 1 Dermatitis

141 Zubair 10 1 0 1 0 0 0 1 Dermatitis

142 Aldi 11 1 0 1 0 0 0 1 Dermatitis

143 Dede Ali 11 1 0 1 0 0 0 1 Dermatitis

144 Shomad 30 0 0 0 1 0 1 0 Infeksi

145 Tono 30 1 0 1 0 0 0 1 Dermatitis

146 Dzaky 13 0 0 0 1 0 0 0 Luka

147 Bayu 10 1 0 1 0 0 1 1 Dermatitis

148 Isya 30 1 0 1 0 0 0 1 Dermatitis

149 Figo 13 0 0 0 1 0 0 0 Avlesratum

150 Dede 11 1 0 1 0 0 1 1 Dermatitis


152 Ahmad 30 1 0 1 0 0 0 1 Dermatitis

153 Samsir 30 0 0 0 1 0 1 0 Infeksi

154 Hasyim 40 1 0 1 0 0 0 1 Dermatitis

155 Gani 13 0 0 1 0 0 0 0 Alergi

156 Ando 15 0 0 0 1 0 0 0 Luka

157 Sultan 19 1 0 1 0 0 0 1 Dermatitis

158 Rofik 12 1 0 1 0 0 1 1 Dermatitis

159 Andi 17 0 1 0 0 0 0 0 Kutilan

160 Heri 30 1 0 1 0 0 1 1 Dermatitis

161 Diaz 13 1 0 1 0 0 0 1 Dermatitis

162 Kaab 13 1 0 1 0 0 1 1 Dermatitis


164 Guntur 40 1 0 1 0 0 0 1 Dermatitis

165 Raka 14 0 1 1 0 0 0 0 Alergi


167 Hanif 15 1 0 1 0 0 0 1 Dermatitis

168 Irfan 14 0 1 0 0 0 1 0 Infeksi

169 Raka 14 1 0 1 0 0 0 1 Dermatitis

170 Bayu 10 1 0 1 0 0 0 1 Dermatitis

171 Hafizh 13 1 0 1 0 0 0 1 Dermatitis

172 Miftah 15 1 0 1 0 0 0 1 Dermatitis

173 Azmi 12 1 0 1 0 0 0 1 Dermatitis

174 Karim 13 1 0 1 0 0 0 1 Dermatitis

175 Fawwaz 12 1 1 1 1 0 0 0 Herpes

176 Ibnu 13 1 0 0 0 0 1 0 Infeksi

177 Mudiram 12 1 0 1 0 0 0 1 Dermatitis

178 Adit 15 1 1 1 0 0 0 0 Alergi



181 Osama 13 1 0 1 0 0 0 1 Dermatitis

182 Hanif 15 1 0 1 0 0 0 1 Dermatitis

183 Hisyam 12 1 0 1 0 0 0 1 Dermatitis

184 Aqwam 13 1 0 1 0 0 0 1 Dermatitis

185 Alif 12 1 0 1 0 0 0 1 Dermatitis


187 Afif 13 1 0 1 0 0 0 1 Dermatitis

188 Haidar 13 1 0 1 0 0 0 1 Dermatitis

189 Haidar 13 1 0 1 0 0 1 1 Dermatitis

190 King 13 1 0 1 0 0 0 1 Dermatitis

191 Azman 13 1 0 1 0 0 0 1 Dermatitis

192 Jafar 13 0 1 0 0 0 1 0 Infeksi

193 Hari 30 1 0 1 0 0 0 1 Dermatitis

194 Jafar 13 1 0 1 1 0 0 1 Dermatitis

195 Akmal 13 0 1 0 0 0 1 0 Infeksi

196 Kiki 12 1 0 1 0 0 1 1 Dermatitis

197 Hamzah 13 1 0 1 0 0 0 1 Dermatitis

198 Mikail 30 1 0 1 0 0 1 1 Dermatitis

199 Bayu 10 1 0 1 0 0 0 1 Dermatitis


201 Qurdis 13 1 0 1 0 0 0 1 Dermatitis

202 Rizan 12 0 0 0 1 0 1 0 Infeksi

203 Figo 13 1 0 1 0 0 1 1 Dermatitis

204 Acil 13 0 0 0 1 0 1 0 Abses(bengkak)


206 Uga 8 1 0 1 0 0 1 1 Dermatitis

207 Gilang 11 1 0 1 0 0 0 1 Dermatitis

208 Nafis 12 1 0 1 0 0 0 1 Dermatitis

209 Zainal 12 1 0 1 0 0 0 1 Dermatitis

210 Ihrom 13 1 0 1 0 0 0 1 Dermatitis

211 Robi 12 1 0 1 0 0 0 1 Dermatitis

212 Bayu 10 1 0 1 0 0 0 1 Dermatitis

213 Isya 30 1 0 1 0 0 0 1 Dermatitis

214 Rafa 13 1 0 1 0 0 0 1 Dermatitis

215 Zaky 13 1 0 1 0 0 0 1 Dermatitis

216 Azhar 13 1 0 1 0 0 1 1 Dermatitis

217 Arfani 13 1 0 1 0 0 0 1 Dermatitis

218 Alif 13 1 0 1 0 0 0 1 Dermatitis

219 Zulfan 13 1 0 1 0 0 1 1 Dermatitis

220 Tono 30 1 0 1 0 0 0 1 Dermatitis

221 Budi 30 1 0 1 0 0 0 1 Dermatitis

222 Bokrum 30 1 0 1 0 0 0 1 Dermatitis

223 Syarif 30 1 0 1 0 0 0 1 Dermatitis

224 Kholidi 30 1 0 1 0 0 0 1 Dermatitis


226 Miarso 50 1 0 1 0 0 0 1 Dermatitis

227 Kiki 12 1 0 1 0 0 0 1 Dermatitis


Keterangan:

0 = Gejala tidak dikeluhkan oleh pasien

1 = Gejala dikeluhkan oleh pasien

Lampiran A.2.

Tabel Sampel 165 Data Arsip Rekam Medik

No Nama Umur Gejala

Diagnosa Kulit Kemerahan Vesikel(bintik) Gatal Luka Panas Infeksi Class_dermatitis

1 Andra 12 1 0 1 0 0 0 1 Dermatitis


3 Ruli 14 0 0 1 0 0 1 0 tineapedise

4 Aman 14 1 1 1 0 1 0 0 Varicela

5 wildan 12 1 0 1 1 0 1 1 Dermatitis

6 Dede 10 1 0 1 0 0 1 1 Dermatitis

7 Santri 12 1 1 1 0 1 0 0 Varicela


9 Sulthan 12 1 1 1 0 1 0 0 Varicela

10 Abdul Hadi 16 1 1 1 0 0 0 0 Alergi

11 Uga 7 1 0 0 1 0 1 0 Abses(bengkak)



14 Sopian 13 1 0 1 0 0 1 1 Dermatitis


16 Miswanto 13 0 0 0 1 0 1 0 Abses(bengkak)

17 Syafiq 12 1 0 0 1 0 1 0 Implamantori (radang)

18 Billy 10 1 0 1 0 0 1 1 Dermatitis

19 Diki 8 1 0 1 0 0 1 1 Dermatitis

20 Akbar 10 0 0 0 1 0 1 0 Abses(bengkak)



23 Dani 9 1 0 1 1 0 0 1 Dermatitis

24 Supian 13 1 0 1 0 0 0 1 Dermatitis


26 Fatan 10 1 0 1 0 0 1 1 Dermatitis


28 Khaerul 11 1 0 1 0 0 0 1 Dermatitis


30 Robbi 11 1 0 1 0 0 0 1 Dermatitis


32 Ahnap 12 1 0 1 1 0 0 1 Dermatitis

33 Ahmad Najib 13 1 0 1 1 0 0 1 Dermatitis

34 Abbas 13 0 0 0 1 0 1 0 Abses(bengkak)

35 Genta 11 0 1 0 0 0 0 0 Kutil

36 Sandri 15 1 0 1 0 0 0 1 Dermatitis

37 Fatah 10 1 0 1 1 0 0 1 Dermatitis


39 Genta 11 0 0 0 1 0 1 0 Abses(bengkak)



42 Gusti 11 0 0 0 1 0 1 0 Infeksi

43 Hasan 11 0 0 0 1 0 1 0 Infeksi

44 Fikrul 13 0 0 0 1 0 1 0 Infeksi

45 Noval 14 0 0 0 1 0 1 0 Abses(bengkak)

46 Dimas 14 0 0 1 0 0 0 0 Alergi

47 Uga 7 1 1 1 0 1 0 0 Varicela

48 Luthfi 10 0 0 0 1 0 1 0 Infeksi

49 Noval 14 0 0 0 1 0 0 0 Luka

50 Rivaldi 16 0 0 0 1 0 1 0 Infeksi

51 Nacep 30 0 0 0 1 0 1 0 Infeksi



54 Zaky 12 1 0 1 1 0 1 1 Dermatitis


56 Sulthan 12 1 0 1 0 0 0 1 Dermatitis


58 Levy 12 1 0 1 0 0 0 1 Dermatitis

59 Faza 13 1 0 1 0 0 1 1 Dermatitis


61 Kholid 13 0 0 1 0 0 0 0 Avlesratum(luka)

62 Ismail 7 1 0 0 1 0 0 0 Luka

63 Aziz 16 1 0 1 0 0 0 1 Dermatitis


65 Qohar 15 1 0 1 0 0 0 1 Dermatitis

66 Iqbal 14 1 0 1 0 0 0 1 Dermatitis


68 Dwi 14 0 0 0 1 0 0 0 luka

69 Iman 14 0 0 0 1 0 0 0 luka

70 Dwi 14 0 0 0 1 0 0 0 Avlesratum

71 Haris 17 0 0 0 1 0 0 0 Avlesratum

72 Nanda 12 0 0 0 1 0 0 0 luka

73 Aldi 13 1 0 1 0 0 1 1 Dermatitis


75 Abul 12 1 1 1 1 0 0 0 Herpes

76 Syahid 12 1 1 1 0 0 0 0 Alergi

77 Fatun 13 1 0 0 0 0 1 0 Infeksi

78 Iqbal 14 0 0 0 1 0 0 0 Luka


80 Anggih 9 0 0 0 1 0 1 0 Infeksi

81 Faza 12 0 0 1 0 0 0 0 Alergi

82 Iqbal 14 0 0 0 1 0 0 0 Luka

83 Raka 13 1 0 1 0 0 0 1 Dermatitis

84 Panji 12 0 0 0 1 0 0 0 Avlesratum


86 Ardan 12 1 0 1 0 0 0 1 Dermatitis


88 Hudzaifah 17 0 0 1 1 0 1 0 Alergi

89 Rohmat 11 1 0 1 0 0 0 1 Dermatitis


91 Rifky 9 0 0 0 1 0 0 0 Avlesratum

92 Rivaldo 11 1 0 1 0 0 1 1 Dermatitis

93 Firas 16 0 0 0 1 0 0 0 Luka

94 Billi 11 1 0 1 1 0 1 1 Dermatitis

95 Yan 12 1 0 1 1 0 1 1 Dermatitis

96 Catur 17 1 0 1 1 0 1 1 Dermatitis

97 Fahmi 12 1 0 1 0 0 0 1 Dermatitis

98 Yoyo 40 1 0 1 0 0 0 1 Dermatitis


100 Asgar 9 0 0 0 1 0 0 0 Luka

101 Akbar 9 0 0 0 1 0 0 0 Luka

102 Ikhsan 9 0 0 0 1 0 0 0 Luka


104 Zainal 14 0 0 1 1 0 1 0 Alergi

105 Rizal 12 0 0 0 0 0 1 0 Alergi

106 Asep 13 1 0 1 0 0 0 1 Dermatitis

107 Faza 14 0 1 0 0 0 0 0 Kutilan

108 Wildan 13 1 0 1 0 0 0 1 Dermatitis

109 Dede 11 1 0 1 0 0 0 1 Dermatitis

110 Xasump 13 1 0 1 0 0 0 1 Dermatitis

111 Rifky 13 0 0 0 1 0 1 0 Infeksi

112 Rofik 14 0 0 0 0 0 1 0 Abses(bengkak)


114 Rosyid 30 0 0 1 0 0 0 0 Alergi

115 Arif 14 0 0 0 1 0 0 0 Avlesratum

116 Suhendi 16 1 0 1 0 0 0 1 Dermatitis

117 Abdurrohman 14 1 0 1 1 0 1 1 Dermatitis

118 Supriadi 14 0 0 0 1 0 0 0 Luka

119 Saka 12 1 0 1 1 0 0 1 Dermatitis

120 Lukman 14 1 0 0 0 0 0 0 Alergi

121 Tarmidzi 30 1 0 1 0 0 0 1 Dermatitis

122 Kholid 14 1 0 1 0 0 0 1 Dermatitis

123 Agus 17 1 0 1 0 0 0 1 Dermatitis

124 Fahri 17 1 0 1 0 0 0 1 Dermatitis

125 najmuddin 13 0 0 0 1 0 0 0 Luka

126 Hamzah 13 1 0 0 0 0 0 0 Alergi

127 Isya 30 1 0 1 0 0 0 1 Dermatitis

128 Aldo 12 0 0 0 1 0 0 0 Avlesratum

129 Azam 13 1 0 1 1 0 1 1 Dermatitis


131 Tama 11 1 0 1 0 0 0 1 Dermatitis

132 Jufri 13 1 0 1 0 0 1 1 Dermatitis

133 Ghiyyats 13 1 0 1 1 0 1 1 Dermatitis

134 Dzikri 13 1 0 1 0 0 0 1 Dermatitis

135 Agam 13 1 0 1 0 0 1 1 Dermatitis

136 Ical 14 1 0 1 0 0 0 1 Dermatitis

137 wimpi 13 1 0 1 0 0 0 1 Dermatitis


139 Thoriq 14 1 0 1 0 0 0 1 Dermatitis

140 Tono 40 1 0 1 0 0 0 1 Dermatitis

141 Zubair 10 1 0 1 0 0 0 1 Dermatitis

142 Aldi 11 1 0 1 0 0 0 1 Dermatitis

143 Dede Ali 11 1 0 1 0 0 0 1 Dermatitis

144 Shomad 30 0 0 0 1 0 1 0 Infeksi

145 Tono 30 1 0 1 0 0 0 1 Dermatitis

146 Dzaky 13 0 0 0 1 0 0 0 Luka

147 Bayu 10 1 0 1 0 0 1 1 Dermatitis

148 Isya 30 1 0 1 0 0 0 1 Dermatitis

149 Figo 13 0 0 0 1 0 0 0 Avlesratum

150 Dede 11 1 0 1 0 0 1 1 Dermatitis



153 Samsir 30 0 0 0 1 0 1 0 Infeksi

154 Hasyim 40 1 0 1 0 0 0 1 Dermatitis

155 Gani 13 0 0 1 0 0 0 0 Alergi

156 Ando 15 0 0 0 1 0 0 0 Luka

157 Sultan 19 1 0 1 0 0 0 1 Dermatitis

158 Rofik 12 1 0 1 0 0 1 1 Dermatitis

159 Andi 17 0 1 0 0 0 0 0 Kutilan

160 Heri 30 1 0 1 0 0 1 1 Dermatitis

161 Diaz 13 1 0 1 0 0 0 1 Dermatitis

162 Kaab 13 1 0 1 0 0 1 1 Dermatitis


164 Guntur 40 1 0 1 0 0 0 1 Dermatitis

165 Raka 14 0 1 1 0 0 0 0 Alergi

Keterangan:

0 = Gejala tidak dikeluhkan oleh pasien

1 = Gejala dikeluhkan oleh pasien

Lampiran A.3.

Tabel Data Arsip Rekam Medik Untuk Diproses Dengan Software Rapidminer No Kemerahan Vesikel gatal luka panas infeksi class_dermatitis

1 1 0 1 0 0 0 Y

2 1 0 1 0 0 0 Y

3 0 0 1 0 0 1 N

4 1 1 1 0 1 0 N

5 1 0 1 1 0 1 Y

6 1 0 1 0 0 1 Y

7 1 1 1 0 1 0 N

8 1 0 1 1 0 1 Y

9 1 1 1 0 1 0 N

10 1 1 1 0 0 0 N

11 1 0 0 1 0 1 N

12 1 0 1 0 0 0 Y

13 1 0 1 1 0 1 Y

14 1 0 1 0 0 1 Y

15 1 0 1 1 0 0 Y

16 0 0 0 1 0 1 N

17 1 0 0 1 0 1 N

18 1 0 1 0 0 1 Y

19 1 0 1 0 0 1 Y

20 0 0 0 1 0 1 N

21 1 0 1 0 0 1 Y

22 1 0 1 1 0 0 Y

23 1 0 1 1 0 0 Y

24 1 0 1 0 0 0 Y

25 1 0 1 0 0 1 Y

26 1 0 1 0 0 1 Y

27 1 0 1 0 0 0 Y

28 1 0 1 0 0 0 Y

29 1 0 1 0 0 0 Y

30 1 0 1 0 0 0 Y

31 1 0 1 1 0 0 Y

32 1 0 1 1 0 0 Y

33 1 0 1 1 0 0 Y

34 0 0 0 1 0 1 N

35 0 1 0 0 0 0 N

36 1 0 1 0 0 0 Y

37 1 0 1 1 0 0 Y

38 1 0 1 1 0 0 Y

39 0 0 0 1 0 1 N

40 1 0 1 0 0 0 Y

41 1 0 1 0 0 0 Y

42 0 0 0 1 0 1 N

43 0 0 0 1 0 1 N

44 0 0 0 1 0 1 N

45 0 0 0 1 0 1 N

46 0 0 1 0 0 0 N

47 1 1 1 0 1 0 N

48 0 0 0 1 0 1 N

49 0 0 0 1 0 0 N

50 0 0 0 1 0 1 N

51 0 0 0 1 0 1 N

52 1 0 1 1 0 1 Y

53 1 0 1 1 0 1 Y

54 1 0 1 1 0 1 Y

55 1 0 1 0 0 1 Y

56 1 0 1 0 0 0 Y

57 1 0 1 1 0 0 Y

58 1 0 1 0 0 0 Y

59 1 0 1 0 0 1 Y

60 1 0 1 0 0 0 Y

61 0 0 1 0 0 0 N

62 1 0 0 1 0 0 N

63 1 0 1 0 0 0 Y

64 1 0 1 0 0 0 Y

65 1 0 1 0 0 0 Y

66 1 0 1 0 0 0 Y

67 1 0 1 1 0 0 Y

68 0 0 0 1 0 0 N

69 0 0 0 1 0 0 N

70 0 0 0 1 0 0 N

71 0 0 0 1 0 0 N

72 0 0 0 1 0 0 N

73 1 0 1 0 0 1 Y

74 1 0 1 0 0 0 Y

75 1 1 1 1 0 0 N

76 1 1 1 0 0 0 N

77 1 0 0 0 0 1 N

78 0 0 0 1 0 0 N

79 1 0 1 0 0 0 Y

80 0 0 0 1 0 1 N

81 0 0 1 0 0 0 N

82 0 0 0 1 0 0 N

83 1 0 1 0 0 0 Y

84 0 0 0 1 0 0 N

85 1 0 1 0 0 0 Y

86 1 0 1 0 0 0 Y

87 1 0 1 0 0 0 Y

88 0 0 1 1 0 1 N

89 1 0 1 0 0 0 Y

90 1 0 1 0 0 0 Y

91 0 0 0 1 0 0 N

92 1 0 1 0 0 1 Y

93 0 0 0 1 0 0 N

94 1 0 1 1 0 1 Y

95 1 0 1 1 0 1 Y

96 1 0 1 1 0 1 Y

97 1 0 1 0 0 0 Y

98 1 0 1 0 0 0 Y

99 1 0 1 0 0 0 Y

100 0 0 0 1 0 0 N

101 0 0 0 1 0 0 N

102 0 0 0 1 0 0 N

103 1 0 1 0 0 0 Y

104 0 0 1 1 0 1 N

105 0 0 0 0 0 1 N

106 1 0 1 0 0 0 Y

107 0 1 0 0 0 0 N

108 1 0 1 0 0 0 Y

109 1 0 1 0 0 0 Y

110 1 0 1 0 0 0 Y

111 0 0 0 1 0 1 N

112 0 0 0 0 0 1 N

113 1 0 1 0 0 0 Y

114 0 0 1 0 0 0 N

115 0 0 0 1 0 0 N

116 1 0 1 0 0 0 Y

117 1 0 1 1 0 1 Y

118 0 0 0 1 0 0 N

119 1 0 1 1 0 0 Y

120 1 0 0 0 0 0 N

121 1 0 1 0 0 0 Y

122 1 0 1 0 0 0 Y

123 1 0 1 0 0 0 Y

124 1 0 1 0 0 0 Y

125 0 0 0 1 0 0 N

126 1 0 0 0 0 0 N

127 1 0 1 0 0 0 Y

128 0 0 0 1 0 0 N

129 1 0 1 1 0 1 Y

130 1 0 1 0 0 1 Y

131 1 0 1 0 0 0 Y

132 1 0 1 0 0 1 Y

133 1 0 1 1 0 1 Y

134 1 0 1 0 0 0 Y

135 1 0 1 0 0 1 Y

136 1 0 1 0 0 0 Y

137 1 0 1 0 0 0 Y

138 1 0 1 0 0 0 Y

139 1 0 1 0 0 0 Y

140 1 0 1 0 0 0 Y

141 1 0 1 0 0 0 Y

142 1 0 1 0 0 0 Y

143 1 0 1 0 0 0 Y

144 0 0 0 1 0 1 N

145 1 0 1 0 0 0 Y

146 0 0 0 1 0 0 N

147 1 0 1 0 0 1 Y

148 1 0 1 0 0 0 Y

149 0 0 0 1 0 0 N

150 1 0 1 0 0 1 Y

151 1 0 1 1 0 0 Y

152 1 0 1 0 0 0 Y

153 0 0 0 1 0 1 N

154 1 0 1 0 0 0 Y

155 0 0 1 0 0 0 N

156 0 0 0 1 0 0 N

157 1 0 1 0 0 0 Y

158 1 0 1 0 0 1 Y

159 0 1 0 0 0 0 N

160 1 0 1 0 0 1 Y

161 1 0 1 0 0 0 Y

162 1 0 1 0 0 1 Y

163 1 0 1 0 0 0 Y

164 1 0 1 0 0 0 Y

165 0 1 1 0 0 0 N

166 1 0 1 0 0 0 Y

167 1 0 1 0 0 0 Y

168 0 1 0 0 0 1 N

169 1 0 1 0 0 0 Y

170 1 0 1 0 0 0 Y

171 1 0 1 0 0 0 Y

172 1 0 1 0 0 0 Y

173 1 0 1 0 0 0 Y

174 1 0 1 0 0 0 Y

175 1 1 1 1 0 0 N

176 1 0 0 0 0 1 N

177 1 0 1 0 0 0 Y

178 1 1 1 0 0 0 N

179 1 0 1 0 0 0 Y

180 1 0 1 0 0 0 Y

181 1 0 1 0 0 0 Y

182 1 0 1 0 0 0 Y

183 1 0 1 0 0 0 Y

184 1 0 1 0 0 0 Y

185 1 0 1 0 0 0 Y

186 1 0 1 0 0 0 Y

187 1 0 1 0 0 0 Y

188 1 0 1 0 0 0 Y

189 1 0 1 0 0 1 Y

190 1 0 1 0 0 0 Y

191 1 0 1 0 0 0 Y

192 0 1 0 0 0 1 N

193 1 0 1 0 0 0 Y

194 1 0 1 1 0 0 Y

195 0 1 0 0 0 1 N

196 1 0 1 0 0 1 Y

197 1 0 1 0 0 0 Y

198 1 0 1 0 0 1 Y

199 1 0 1 0 0 0 Y

200 1 0 1 0 0 0 Y

201 1 0 1 0 0 0 Y

202 0 0 0 1 0 1 N

203 1 0 1 0 0 1 Y

204 0 0 0 1 0 1 N

205 1 0 1 1 0 0 Y

206 1 0 1 0 0 1 Y

207 1 0 1 0 0 0 Y

208 1 0 1 0 0 0 Y

209 1 0 1 0 0 0 Y

210 1 0 1 0 0 0 Y

211 1 0 1 0 0 0 Y

212 1 0 1 0 0 0 Y

213 1 0 1 0 0 0 Y

214 1 0 1 0 0 0 Y

215 1 0 1 0 0 0 Y

216 1 0 1 0 0 1 Y

217 1 0 1 0 0 0 Y

218 1 0 1 0 0 0 Y

219 1 0 1 0 0 1 Y

220 1 0 1 0 0 0 Y

221 1 0 1 0 0 0 Y

222 1 0 1 0 0 0 Y

223 1 0 1 0 0 0 Y

224 1 0 1 0 0 0 Y

225 1 0 1 0 0 0 Y

226 1 0 1 0 0 0 Y

227 1 0 1 0 0 0 Y

228 1 0 1 0 0 0 Y

Keterangan:

Y = Penyakit Kulit Yang Termasuk Dermatitis

N = Penyakit Kulit Yang Tidak Termasuk Dermatitis

Lampiran B.1.

Penghitungan Manual Diagnosa Penyakit Kulit Menggunakan

Metode Naïve Bayes

Pada penghitungan manual, peneliti membutuhkan satu sampel set data

pengujian untuk mendapatkan penghitungan metode klasifikasi naïve bayes.

Sampel tersebut merupakan sampel yang diambil dari populasi data yang

berjumlah 228 data. Sampel tersebut adalah sampel data ke-166 yang

diperlihatkan oleh gambar berikut:

Sampel tersebut, mempunyai karakteristik gejala kulit kemerahan dan gatal,

oleh karena itu, peneliti membuat penghitungan dari 165 sampel yang telah

peneliti lampirkan di lampiran A.2 berdasarkan gejala-gejala tersebut.

1. Mencari nilai prior probability untuk class_dermatitis=”Yes” dan

class_dermatitis=”No”, yaitu:

a. P(class_dermatitis=”Yes”) = 102/165 = 0,618

b. P(class_dermatitis=”No”) = 63/165 = 0,382

2. Setelah prior probability ditemukan, maka peneliti akan menghitung nilai dari

masing-masing atribut gejala berdasarkan gejala-gejala yang dialami oleh

sampel tersebut pada kelas-kelas dermatitis.

a. P(kulit_kemerahan = 1 | class_dermatitis=”Yes”) = 102/102 = 1

b. P(kulit_kemerahan = 1 | class_dermatitis=”No”) = 13/63 = 0,206

c. P(vesikel = 0 | class_dermatitis=”Yes”) = 102/102 = 1

d. P(vesikel = 0 | class_dermatitis=”No”) = 52/63 = 0,825

Gambar Lampiran B.1.1 Sampel Data Pengujian

e. P(gatal = 1 | class_dermatitis=”Yes”) = 102/102 = 1

f. P(gatal = 1 | class_dermatitis=”No”) = 16/63 = 0,254

g. P(luka = 0 | class_dermatitis=”Yes”) = 78/102 = 0,765

h. P(luka = 0 | class_dermatitis=”No”) = 21/63 = 0,333

i. P(panas = 0 | class_dermatitis=”Yes”) = 102/102 = 1

j. P(panas = 0 | class_dermatitis=”No”) = 59/63 = 0,937

k. P(infeksi = 0 | class_dermatitis=”Yes”) = 71/102 = 0,696

l. P(infeksi = 0 | class_dermatitis=”No”) = 40/63 = 0,635

3. Setelah mendapatkan nilai dari seluruh atribut pada masing-masing kelas, maka

peneliti membuat penghitungan nilai keseluruhan atribut dari masing-masing

kelas:

a. P(X| class_dermatitis=”Yes”) = 1 X 1 X 1X 0,765 X 1 X 0,696 = 0,532

b. P(X| class_dermatitis=”No”) = 0,206 X 0,825 X 0,254 X 0,333 X 0,937 X

0,635 = 0,009

4. Setelah menemukan hasil penghitungan nilai keseluruhan atribut dari masing-

masing kelas, maka peneliti membuat penghitungan nilai dari setiap kelas yang

dihasilkan berdasarkan nilai keseluruhan atribut dari masing-masing kelas

dengan nilai prior probability yang telah dihitung sebelumnya:

a. P(X| class_dermatitis=”Yes”)P(class_dermatitis=”Yes”) = 0,532 X 0,618 =

0,329

b. P(X| class_dermatitis=”No”)P(class_dermatitis=”No”) = 0,009 X 0,382 =

0,003

5. Maka, berdasarkan hasil penghitungan pada poin keempat didapatkan hasil:

P(X| class_dermatitis=”Yes”)P(class_dermatitis=”Yes”) > P(X|

class_dermatitis=”No”)P(class_dermatitis=”No”). Artinya, gejala-gejala

yang ditimbulkan dari sampel data ke-166 merupakan gejala-gejala penyakit

kulit yang termasuk dermatitis.

Lampiran C.1.

Catatan Anekdot

Nama Sekolah : SMPIT AL BINAA IBS

Tanggal Pengamatan : 2-4 Agustus 2015

Objek penelitian : Siswa, Guru, dan Karyawan

Catatan:

1

Terdapat 2 orang siswa yang saat itu menderita penyakit kulit yang termasuk

dermatitis, dengan ciri-ciri: kulit kemerahan dan gatal

2

Kualitas air di SMPIT AL BINAA IBS kurang baik, karena sekolah tersebut

terletak di daerah persawahan yang pada umumnya kualitas air di tempat

tersebut rendah.

3

Ada siswa yang jarang mengganti pakaiannya dalam satu hari, sehingga

keringat pada pakaian tersebut akan menempel pada pakaian tersebut dan

menyebabkan kemunculan bakteri.

4

Lingkungan SMPIT AL BINAA IBS yang mengharuskan seluruh siswa untuk

berasrama memudahkan penularan penyakit kulit secara cepat.

Lampiran C.2.

Laporan Wawancara

Nama Pewawancara/NIM :Muhammad Ihrom/11122703

Program Studi :Sistem Informasi

Keperluan :Untuk penelitian dalam skripsi

Judul Skripsi :Diagnosa Penyakit Kulit Menggunakan Metode


Boarding School

Nama Responden : Bapak Ade Darsono (Bapak Ade)

Jabatan : Petugas Kesehatan SMPIT AL BINAA IBS

Tanggal : 5 Agustus 2015

No Pertanyaan Jawaban

1

Apa penyebab-penyebab kejadian

penyakit kulit yang terjadi di

SMPIT AL BINAA IBS?

Ada beberapa penyebab yang menyebabkan kejadian

penyakit kulit terjadi di SMPIT AL BINAA IBS,

yaitu:

1. Beberapa siswa kurang memperhatikan kesehatan

pakaian mereka, sehingga mereka jarang

mengganti pakaian mereka. Idealnya, siswa

mengganti pakaian mereka setelah mereka mandi

atau 2 kali sehari.

2. Beberapa siswa memiliki kulit yang sensitif yang

menyebabkan kulit mereka mudah terkena

penyakit kulit. Hal ini disebabkan tempat asal

mereka memiliki kualitas air yang bagus,

sedangkan di SMPIT AL BINAA IBS memiliki

kualitas air yang rendah. Oleh karena itu, kulit

mereka akan beradaptasi dengan air di lingkungan

sekolah ini, walaupun berakibat seringnya terkena

penyakit kulit yang masih dapat diantisipasi.

3. Kamar asrama yang kotor, akan menyebabkan

penumpukan debu. Debu merupakan tempat yang

nyaman untuk bakteri tinggal dan dapat masuk ke

dalam pori-pori manusia yang menyebabkan

terjadinya berbagai macam penyakit kulit.

4. Musim hujan merupakan musim yang keluhan

terhadap penyakit kulit lebih tinggi dari musim-

musim yang lain. Hal ini disebabkan tingginya

kelembapan pada musim tersebut. Cuaca yang

lembap akan memudahkan pertumbuhan bakteri,

jamur, dan virus yang dapat menyebabkan

penyakit kulit. Oleh karena itu, sebisa mungkin

pakaian harus terjaga kebersihannya dan tidak

lembap untuk mencegah penyebaran penyakit

kulit.

2 Bagaimana Bapak Ade berusaha

untuk mencegah penularan

penyakit ini?

Ada beberapa hal yang telah dilakukan untuk

mencegah penyakit kulit ini menyebar sehingga

terjadi epidemi, yaitu:

1. Memberikan penyuluhan tentang pendidikan

kesehatan yang harus diketahui oleh seluruh

keluarga besar SMPIT AL BINAA IBS.

Sehingga, seluruh keluarga besar SMPIT AL

BINAA IBS mengetahui hal-hal yang harus

dilakukan dan hal-hal yang harus dihindari untuk

mencegah penyakit kulit ini menyebar.

2. Menggunakan sabun anti bakteri atau lebih

dikenal dengan sabun yang mengandung TCC

(Triclosan). Sabun ini diharapkan dapat

meminimalisir angka kejadian penyakit kulit

karena sifatnya yang membunuh bakteri.

3. Penyuluhan untuk sering mengganti pakaian yang

telah dipakai selama satu hari. Hal ini disebabkan

sifat pakaian yang menyerap keringat yang

menyebabkan pakaian tersebut lembap.

Kelembapan pada pakaian dapat menyebabkan

bakteri tumbuh subur. Oleh karena itu,

penggantian pakaian yang lebih sering akan

meminimalkan kejadian penyakit kulit pada siswa

atau guru atau karyawan tersebut.

3 Apa saja gejala penyakit kulit

pada umumnya?

Hal ini bergantung pada penyakit kulit yang diderita

oleh pasien tersebut. Saya berikan contoh:

1. Dermatitis

Pada penyakit ini, akan ditemui kulit yang

berwarna kemerahan dan rasa gatal pada daerah

tersebut. Hal ini disebabkan peradangan pada

bagian kulit tersebut yang berasal dari bagian

dalam tubuh kita.

2. Varicela

Pada penyakit ini, pasien akan mengalami demam

dan muncul bintik-bintik yang berisi air serta

bintik-bintik tersebut semakin membesar hingga

fase penyembuhan. Penyakit ini disebabkan oleh

virus varicela yang dapat menular melalui udara,

sehingga penderita penyakit ini harus dikarantina.

3. Panu atau Kutu Air

Penyakit ini ditandai dengan adanya sisik atau

bagian tubuh yang berwarna putih yang disertai

rasa gatal. Penyebab penyakit ini disebabkan oleh

salah satu species jamur yang dapat tumbuh di

tubuh manusia. Akibat dari pertumbuhan jamur

tersebut di tubuh manusia, menyebabkan

kerusakan jaringan pada bagian tubuh manusia

tersebut yang ditandai dengan warna keputihan

dan rasa gatal pada bagian tersebut.

4. Infeksi

Penyakit ini muncul sebagai akibat dari luka yang

terkontaminasi dengan bakteri yang menyebabkan

sel darah putih melawan bakteri tersebut. Akibat

dari perlawanan sel darah putih tersebut, maka sel

darah putih yang mati akan membentuk sebuah

cairan berwarna kuning yang disebut nanah.

Apabila nanah tersebut menumpuk pada salah

satu anggota tubuh, akan menyebabkan bakteri

tumbuh dan menimbulkan abses (bengkak). Oleh

karena itu, perawatan pertama saat terjadi luka

dibutuhkan untuk menghindari infeksi tersebut,

yaitu: dengan memberikan cairan rivanol atau

cairan povidone iodine (betadine) untuk

membunuh kuman-kuman yang akan masuk ke

dalam luka yang terbuka.

PANDUAN PENGGUNAAN HAK CIPTA

Skripsi sarjana yang berjudul “Diagnosa Penyakit Kulit Menggunakan

Metode Naïve Bayes pada SMPIT AL BINAA Islamic Boarding School”

adalah hasil karya tulis asli MUHAMMAD IHROM dan bukan hasil terbitan

sehingga peredaran karya tulis hanya berlaku dilingkungan akademik saja, serta

memiliki hak cipta. Oleh karena itu, dilarang keras untuk menggandakan baik

sebagian maupun seluruhnya karya tulis ini, tanpa seizin penulis.

Referensi kepustakaan diperkenankan untuk dicatat tetapi pengutipan

atau peringkasan isi tulisan hanya dapat dilakukan dengan seizin penulis

dan disertai ketentuan pengutipan secara ilmiah dengan menyebutkan

sumbernya.

Untuk keperluan perizinan pada pemilik dapat menghubungi informasi

yang tertera di bawah ini:

Nama : MUHAMMAD

IHROM

Alamat : JL. Kucica I, Blok JG.4

no.2, Bintaro Sektor IX, Tangerang

Selatan, Banten, 15229

No. Telp : 0852186861815 (Konfirmasi

dengan SMS atau WhatsApp dengan

menyebutkan nama dan kampus)

E-mail :

[email protected]

Media Sosial : Facebook.com/muhihrom, twitter: @muhammad_ihrom_

mailto:[email protected]

Documents

KOMPUTERISASI SISTEM PENJUALAN BARANG · PDF fileProgram Studi Sistem Informasi Sekolah Tinggi Manajemen Informatika dan Komputer ... Pimpinan Pesantren AL BINAA IBS, Kepala Sekolah