KLASIFIKASI FAKTOR PENENTU WANITA BERPOTENSI DIABETES MENGGUNAKAN DECISION TREE CHAID
|
|
- Hartono Sumadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 KLASIFIKASI FAKTOR PENENTU WANITA BERPOTENSI DIABETES MENGGUNAKAN DECISION TREE CHAID Muhammad Maulana Ramadhan 1, Irwan Budiman 2, Heru Kartika Chandra 3 1,2,3Prodi Ilmu Komputer FMIPA ULM Jl. A. Yani Km 36 Banjarbaru, Kalimantan selatan maulanammm@gmail.com Abstract A diabetic women should have condition that influenced by some factors. Based on the results of data training PIMA Indian Diabetes dataset by UCI process using CHAID found the most influential diabetic wowen determinant factor with the highest significaty value is glucose level and decision tree pattern that classify potentially diabetic women into 6 class. First class, women with 140 glucose level and > 27 body mass index with 70,05% diabetic positive; second class, women with <140 glucose level, > 27 body mass index dan have > 2 pregnancy with 36,5% diabetic positive; third class is women with 140 glucose level and 18,5-27 body mass index with 45,8% diabetic positive; fourth class, women with with < 140 glucose level and body mass index with 4,2% diabetic; fifth class, women with <140 glucose level, > 27 body mass index, have 0-2 pregnancy and 80,1-100 diastolic blood pressure with 40% diabetic positive; sixth class is women with < 140 glucose level, > 27 body mass index, have 0-2 pregnant and diastolic blood pressure with 17,5% diabetic positive. Classification rule that was obtained from CHAID algorithm decision tree then compared with data testing from Kelayan Dalam Banjarmasin Medical Center. The result is classification rule of CHAID decision tree got 85,92% compability percentage then the conclution is classification rule is have great enough accuracy when applied to the diabetics women case in Indonesia. Keywords : Decsion tree, Chi-squared Automatic Interaction Detection, Diabetes melitus, Dataset PIMA Indians Diabetes Abstrak Seorang wanita yang menderita diabetes tentu memiliki kondisi yang diperngaruhi faktor tertentu. Berdasarkan hasil pengolahan data training yaitu dataset PIMA Indians Diabetes yang diperoleh dari UCI dengan algoritma CHAID ditemukan bahwa faktor yang paling berpengaruh terhadap wanita berpotensi diabetes dengan nilai signifikansi terbesar adalah kadar glukosa dan didapatkan pola decision tree yang mengklasifikasikan wanita berpotensi diabetes menjadi 6 macam. Pertama, wanita dengan kadar glukosa 140 dan massa indeks tubuh > 27 dengan persentase 70.05% positif diabetes; kedua wanita dengan kadar glukosa < 140, massa indeks tubuh > 27 dan jumlah kehamilan > 2 dengan persentase 36.5% positif diabetes; ketiga wanita Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 40
2 dengan kadar glukosa 140 dan massa indeks tubuh dengan persentase 45.8% positif diabetes; keempat Wanita dengan kadar glukosa < 140 dan memiliki massa indeks tubuh dengan persentase 4.2% positif diabetes; kelima wanita dengan kadar glukosa <140, massa indeks tubuh > 27, jumlah kehamilan 0 2 dan tekanan darah diastolic dengan persentase 40% positif diabetes; keenam wanita dengan kadar glukosa <140, massa indeks tubuh > 27, jumlah kehamilan 0 2 dan tekanan darah diastolic dengan persentase 17.5% positif diabetes. Aturan klasifikasi yang dihasilkan tersebut kemudian dibandingkan dengan data testing wanita penderita diabtetes yang diperoleh dari Puskesmas Kelayan Dalam Banjarmasin. Dari hasil perbandingan aturan klasifikasi pohon keputusan CHAID dan data testing diperoleh kecocokan dengan persentase sebesar 85,92%; dan dapat disimpulkan aturan klasifikasi yang telah didapatkan memiliki akurasi cukup besar saat diterapkan pada kasus diabetes pada wanita Indonesia. Kata kunci : Decsion tree, Chi-squared Automatic Interaction Detection, Diabetes melitus, Dataset PIMA Indians Diabetes 1. PENDAHULUAN Berdasarkan analisis antara jenis kelamin dengan kejadian Diabetes melitus, Kementrian Kesehatan Indonesia dalam InfoDATIN 2014[1] menuliskan bahwa proporsi wanita dengan toleransi gula terganggu (TGT) dan diabetes melitus lebih tinggi daripada laki laki. Berdasarkan penelitian milik Igusti Made Geria Jelantik dan Hj. Erna Haryati menyimpulkan bahwa pada wilayah kerja puskesmas mataram tahun 2013 kasus diabetes melitus lebih banyak dialami oleh perempuan dimana terdapat 32 kejadian diabtes melitus dari 60 responden [2]. Pada penelitian Irawan (2010) menyebutkan, wanita lebih berisiko mengidap diabetes karena secara fisik wanita memiliki peluang peningkatan indeks masa tubuh yang lebih besar [3]. Seorang wanita tentunya memiliki kondisi tertentu saat positif menderita diabetes. Dari beberapa artikel dan penelitian klinis tentang daibetes diakatan gula darah tinggi dan obesitas (MIT berlebihan) merupakan faktor yang paling berpengruh saat seseorang menderita daibetes. Namun tidak menutup kemungkinan ada faktor lain yang berpengaruh saar seseorang wanita positif diabetes, seperti jumlah kehamilan, tekanan darah diastolic, umur dan riwayat diabetes. Di sisi lain, penyakit diabetes merupakan penyakit preventif yang dapat dicegah, sehingga dengan mengetahui faktor apa saja yang berpengaruh akan lebih mudah dilakukan pencegahan. Dalam penelitian ini data mining menggunakan algoritma CHAID diharapkan mampu menemukan hubungan dan pola diantara faktor faktor yang mungkin berpengaruh terhadap diabetes. Hasil yang diperoleh dari poses data mining ini dapat dijadikan refensi untuk melakukan tindakan medis dalam penanganan kasus diabetes kedepannya bahkan dapat menjadi referensi untuk menghindari penyakit diabtese tersebut. Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 41
3 Data training yang digunakan adalah dataset PIMA Indian diabetes yang diperoleh dari UCI untuk menemukan faktor yang paling mempengaruhi diabetes dan pola klasifikasi pohon keputusan faktor yang mempengaruhi tersebut. Data testing yang digunakan adalah data wanita penderita diabetes yang diperoleh dari Puskesmas Kelayan Dalam Banjarmasin tahun , dimana dengan data ini akan dilihat bagaimana kesesuaian pola pohon keputusan yang diperoleh terhadap kasus diabetes aktual yang terjadi. 2. METODE PENELITIAN Pada penelitian ini metode yang digunakan adalah Knowledge Discovery Database (KDD). Berdasarkan buku Jiawei Han, Micheline Kamber dan Jian Pei Terdapat beberapa tahap dalam metode ini yaitu Data cleaning, Data integration, Data selection, Data transformation, Data mining, pattern evaluation dan knowledge presentation [4]. Data yang digunakan sebagai data training yaitu dataset PIMA Indian diabetes yang diperoleh dari UCI sebanyak 769 data dan data yang digunakan sebaagai data testing adalah data wanita penderita diabetes Puskesmas Kelayan Dalam Banjarmasin tahun sebanyak 71 data. Data training akan diuji dengan algoritma CHAID untuk menemukan faktor yang paling berpengaruh terhadap wanita berpotensi diabetes dan pola klasifikasi faktor yang berpengaruh terhadap wanita berpotensi diabetes, kemudian data testing akan diuji dengan pola klasifikasi yang sudah diperoleh agar diketahui kesesuaiannya terhadap kasus diabetes aktual yang terjadi. 2.1 Penentuan dataset Dataset dalam penelitian kali ini adalah dataset PIMA Indians diabetes. Data ini diperoleh dari UCI yang aslinya dimiliki oleh National Institute of Diabetes and Digestive and Kidney Diseases sebagai dataset yang diberikan secara bebas kepada siapa saja yang ingin melakukan penelitian, adapun variabel yang terdapat pada data training terlihat sepeti pada tabel 1. Tabel 1. Variabel dataset PIMA Indians diabetes Nama Tipe data keterangan Jumlah kehamilan Kontinu Independen Kadar glukosa (mg/dl) Kontinu Independen Tekanan darah diastolic (mm Hg) Kontinu Independen Keletabalan kulit pada trisep (mm) kontinu Independen serum insulin (mu U/ml) kontinu Independen Massa indeks tubuh (kg/ m^2) Kontinu Independen Fungsi riwayat diabetes Kontinu Independen Umur (tahun) kontinu Independen Positif diabetes (0 atau 1) Nominal dependen Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 42
4 2.2 Data cleaning Dalam tahapan ini dilkukan filter terhadap data training untuk menemukan nilai 0 atau null. Pada tahap ini ditemukan hasil filter dan perlakuan terhadap data seperti tedapat pada tabel 2. Tabel 2. Hasil filter nilai 0 pada data training Variabel hasil perlakukan Jumlah kehamilan 111 nilai 0 dilakukan apa apa Kadar glukosa (mg/dl) 5 nilai 0 Hapus data dengan nilai 0 Tekanan darah diastolic (mm Hg) 35 nilai 0 Hapus data dengan nilai 0 Keletabalan kulit pada trisep (mm) 227 nilai 0 Variabel tidak dipakai serum insulin (mu U/ml) 374 nilai 0 Variabel tidak dipakai Massa indeks tubuh (kg/ m^2) 11 nilai 0 Hapus data dengan nilai 0 Fungsi riwayat diabetes ada dilakukan apa apa Umur (tahun) ada dilakukan apa apa Positif diabetes (0 atau 1) - - Dari tabel 2 tersebut diperoleh hasil data cleaning yaitu variabel yang dipakai pada penelitian ini adalag jumlah kehamilan, kadar glukosa, tekanan darah diastolic, massa indeks tubuh, fungsi riwayat diabetes dan umur sebagai variabel independen dan positif diabetes sebagai variabel dependen. Ketebalan kulit pada trisep dan serum insulin tidak digunakan karena data dengan nilai 0 atau null terlalu banyak dimana hal ini akan menurunkan kualitas hasil data mining. Jumlah data yang tersisa dari tahap ini yaitu 724 data. 2.3 Data integration Data integration tidak di terapkan, berkaitan dengan bentuk dataset yang digunakan yaitu dataset tunggal. 2.4 Data selection Data yang dipilih untuk dimasukkan ke tahap selanjutnya yaitu seluruh data yang diperoleh dari hasil tahap data cleaning. 2.5 Data transformation Data yang digunakan diubah kebentuk yang paling sesuai untuk algoritma CHAID, yaitu data independen yang berbentuk kontinu dibubah menjadi data berbentuk kategori. Berikut hasil transformasi dari setiap variabel. Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 43
5 Tabel 3. Hasil transformasi data untuk variabel kehamilan berdasarkan ilmu kebidanan Kategori Range banyaknya data Positif Total Nulligravida Primigravida Secungravida Multigravida > Tabel 4. Hasil transformasi data untuk variabel kadar glukosa berdasarkan diabetesmealplans.com Kategori Range banyaknya data Positif Total Normal < Tinggi Tabel 5. Hasil transformasi data untuk variabel tekanan darah diastolic berdasarkan ketetapan WHO Kategori Range banyaknya data Positif Total Rendah Normal Agak Tinggi Tinggi Tabel 6. Hasil transformasi data untuk variabel massa indeks tubuh berdasarkan ketetapan WHO Kategori Range banyaknya data Positif Total Kekurangan Normal Berlebihan Sangat berlebihan > Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 44
6 Tabel 7. Hasil transformasi data untuk variabel umur berdasarkan ketetapan Dinas Kesehatan Indonesia Kategori Range banyaknya data Positif Total Produktif Tua > Tabel 8. Hasil transformasi data untuk variabel riwayat diabetes berdasarkan penelitian Jack W. Smith, BS dan kawan kawan Kategori Range banyaknya data Positif Total Sangat rendah Rendah Sedang Tinggi Sangat tinggi > Setelah dilakukan transformasi pada setiap variabel kemudian data dengan bentuk baru ini dimasukkan ke tahap data mining. 2.6 Data mining Algoritma CHAID memiliki tiga tahapan utama dalam setiap iterasinya yaitu penggabungan, pemisahan dan penghentian. Pada setiap iterasi dilakukan uji nilai chi-square menggunakan tabel kontingensi pada setiap variabel untuk mendapatkan nilai chi-square paling signifikan, sehingga dapat diketahui pengaruh setiap variabel independen terhadap variabel dependennya. Tahap penggabungan iterasi pertama menghasilkan nilai chi-square untuk tiap variabel seperti terlihat pada tabel 9. Tabel 9. Hasil uji chi-square setiap variabel tahap penggabungan iterasi pertama Variabel Nilai chi-square p value Jumlah Kehamilan Kadar Glukosa Tekanan darah diastolic Massa indeks tubuh Umur Riwayat diabetes Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 45
7 Kadar glukosa merupakan variabel dengan nilai chi-square paling signifikan sehingga dipilih untuk masuk ke tahap pemisahan. Kadar glukosa dipilih untuk membagi wanita berpotensi diabetes (node 0) menjadi dua yaitu kadar glukosa <140 (node 1) dan kadar glukosa 140 (node 2). Tahap penggabungan iterasi kedua menghasilkan nilai chi-square untuk tiap variabel seperti pada tabel 10. Tabel 10. Hasil uji chi-square setiap variabel tahap penggabungan iterasi kedua Jumlah Kehamilan Tekanan darah diastolic Massa indeks tubuh Umur Riwayat diabetes Pada iterasi kedua massa indeks tubuh merupakan variabel terpilih dengan nilai chi-square paling signifikan. Variabel massa indeks tubuh dimasukkan ke tahap pemisahan membagi kategori kadar glukosa < 140 (node 1) dengan dua kategori yang didapatkan dari tahap penggabungan yaitu massa indeks tubuh (node 3) dan massa indeks tubuh > 27 (node 4). Tahap penggabungan iterasi ketiga menghasilkan nilai chi-square untuk tiap variabel seperti pada tabel 11. Tabel 11. Hasil uji chi-square setiap variabel tahap penggabungan iterasi ketiga Jumlah Kehamilan Tekanan darah diastolic Massa indeks tubuh Umur Riwayat diabetes Pada iterasi ketiga didapatkan massa indeks tubuh juga merupakan variabel dengan nilai chi-square paling signifikan. Massa indeks tubuh dipilij untuk memasuki tahap pemisahan, membagi kategori kadar glukosa 140 (node 2) menjadi dua kategori yang diperoleh pada saat tahap penggabungan yaitu massa indeks tubuh (node 5) dan massa indeks tubuh > 27 (node 6). Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 46
8 Tahap penggabungan iterasi keempat menghasilkan nilai chi-square untuk tiap variabel seperti pada tabel 12. Tabel 12. Hasil uji chi-square setiap variabel tahap penggabungan iterasi keempat Jumlah Kehamilan Tekanan darah diastolic Riwayat diabetes Pada iterasi ke empat didapatkan variabel jumlah kehamilan memiliki nilai chi-square paling signifikan. Variabel ini dipilih untuk masuk ke tahap pemisahan, membagi kategori massa indeks tubuh > 27 (node 4) menjadi dua kategori yang diperoleh selama tahap penggabungan yaitu kategori kehamilan 0 2 (node 7) dan kehamilan > 2 (node 8). Tahap penggabungan iterasi kelima menghasilkan nilai chi-square untuk tiap variabel seperti pada tabel 13. Tabel 13. Hasil uji chi-square setiap variabel tahap penggabungan iterasi kelima Jumlah Kehamilan Tekanan darah diastolic Riwayat diabetes Pada iterasi kelima tidak ada variabel dengan nilai chi-square signifikan. Maka tidak ada yang dapat membagi kategori massa indeks tubuh (node 3), sehingga node 3 masuk ketahap penghentian dan disebut node terminal. Tahap penggabungan iterasi keenam menghasilkan nilai chi-square untuk tiap variabel seperti pada tabel 14. Tabel 14. Hasil uji chi-square setiap variabel tahap penggabungan iterasi keenam Jumlah Kehamilan Tekanan darah diastolic Riwayat diabetes Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 47
9 Pada iterasi keenam tidak ada variabel dengan nilai chi-square signifikan. Maka tidak ada yang dapat membagi kategori massa indeks tubuh (node 5), sehingga node 5 masuk ketahap penghentian dan disebut node terminal. Tahap penggabungan iterasi ketujuh menghasilkan nilai chi-square untuk tiap variabel seperti pada tabel 15. Tabel 15. Hasil uji chi-square setiap variabel tahap penggabungan iterasi ketujuh Jumlah Kehamilan Tekanan darah diastolic Umur Riwayat diabetes Pada iterasi ketujuh tidak ada variabel dengan nilai chi-square signifikan. Maka tidak ada yang dapat membagi kategori massa indeks tubuh > 27 (node 6), sehingga node 6 masuk ketahap penghentian dan disebut node terminal. Tahap penggabungan iterasi kedelapan menghasilkan nilai chi-square untuk tiap variabel seperti pada tabel 16. Tabel 16. Hasil uji chi-square setiap variabel tahap penggabungan iterasi kedelapan Tekanan darah diastolic Riwayat diabetes Pada iterasi kedelapan ditemukan variabel tekanan darah diastolic memiliki nilai chi-square paling signifikan. Variabel tekanan darah diastolic dipilih untuk dimasukkan ke tahap pemisahan, untuk membagi kategori kehamilan 0-2 (node 7) dengan dua kategori yang diperoleh saat tahap penggabungan yaitu kategori tekanan darah diastolic (node 9) dan kategori tekanan darah diastolic (node 10). Tahap penggabungan iterasi kesembilan menghasilkan nilai chi-square untuk tiap variabel seperti pada tabel 17. Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 48
10 Tabel 17. Hasil uji chi-square setiap variabel tahap penggabungan iterasi kesembilan Tekanan darah diastolic Riwayat diabetes Pada iterasi kesembilan tidak ada variabel dengan nilai chi-square signifikan. Maka tidak ada yang dapat membagi kategori kehamilan > 2 (node 8), sehingga node 8 masuk ketahap penghentian dan disebut node terminal. Tahap penggabungan iterasi kesepuluh menghasilkan nilai chi-square untuk tiap variabel seperti pada tabel 18. Tabel 18. Hasil uji chi-square setiap variabel tahap penggabungan iterasi kesepuluh Riwayat diabetes Pada iterasi kesepuluh variabel riwayat diabetes memiliki nilai chisquare signifikan namun nilai p value nya > 0,5. Maka tidak ada yang dapat membagi kategori tekanan darah diastolic (node 9), sehingga node 9 masuk ketahap penghentian dan disebut node terminal. Tahap penggabungan iterasi kesebelas menghasilkan nilai chi-square untuk tiap variabel seperti pada tabel 19. Tabel 19. Hasil uji chi-square setiap variabel tahap penggabungan iterasi kesebelas Riwayat diabetes Pada iterasi kesebelas tidak ada variabel dengan nilai chi-square signifikan. Maka tidak ada yang dapat membagi kategori tekanan darah diastolic (node 10), sehingga node 10 masuk ketahap penghentian dan disebut node terminal. Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 49
11 3. HASIL DAN PEMBAHASAN 3.1 Pattern evaluation Gambar 1. Pohon keputusan algoritma CHAID Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 50
12 Pada tahap sebelumnya data training yaitu dataset PIMA Indians diabetes telah dimasukkan ke dalam tahap data mining. Pada tahap tersebut dataset melalui sub tahapan sehingga diperoleh nilai uji chi-square setiap variabel independen terhadap variabel dependennya. Dari tahap tersebut juga diketahui pengaruh setiap variabel berdasarkan nilai chi-square nya, sehingga dapat dibuat pohon keputusan seperti pada gambar 1. Pada pohon keputusan tersebut dapat dilihat bahwa faktor yang paling mempengaruhi wanita berpotensi diabetes node 0 pada dataset yang digunakan dalam penelitian ini adalah kadar glukosa, dengan nilai chi-square sebesar 124,147. faktor ini membagi wanita berpotensi daibetes kedalam dua kategori yaitu kategori normal (< 140) node 1 dan tinggi ( 140) node 2. Kemudian wanita berpotensi diabetes dengan kadar glukosa normal (< 140) node 1 dibagi oleh faktor berikutnya yaitu massa indeks tubuh normal, berlebihan, kekurangan (17 27) node 3 dan sangat berlebihan (> 27) node 4, faktor ini memiliki nilai chi-square sebesar untuk wanita berpotensi diabetes dengan kadar glukosa antara node 2 dibagi oleh faktor massa indeks tubuh dengan nilai chi-square sebesar 5.795, faktor ini membagi kadar glukosa berlebihan ( 140) node 2 kedalam dua kategori yaitu normal, berlebihan ( ) node 4 dan sangat berlebihan ( > 27) node 5. kemudian faktor massa indeks tubuh sangat berlebihan (> 27) node 4 dibagi oleh jumlah kehamilan dengan nilai chi-square sebesar , jumlah kehamilan membagi massa indeks tubuh sangat berlebihan (> 27) node 4 dengan jumlah kehamilan nulligravida, primigravida, secungravida (0 2) node 7 dan multigravida (> 2) node 8. Node 3, node 5 dan node 6 merupakan node terminal karena tidak memiliki faktor dengan nilai chi-square signifikan yang dapat membagi node tersebut. Kemudian jumlah kehamilan nulligravida, primigravida, secungravida (0 2) node 7 dibagi oleh faktor tekanan darah diastolic yang memiliki nilai chi-square sebesar yaitu rendah, normal (40 80) node 9 dan tinggi, sangat tinggi ( ) node 10. Node 8 kategori multigravida (kehamilan > 2) tidak memiliki faktor dengan nilai chi-square signifikan yang dapat membagi faktor tersebut sehingga menjadi node terminal. Node 9 tekanan darah diastolic rendah, normal (40 80) node 9 dan node 10 tekanan darah diastolic tinggi, sangat tinggi ( ) juga merupakan node terminal karena faktor yang tersisa tidak bisa membagi kedua node tersebut. 3.2 Knowledge presentation Berdasarkan pohon klasifikasi pada gambar 1 dapat dibentuk beberapa klasifiaksi faktor wanita berpotensi diabetes seperti pada tabel 20 Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 51
13 Tabel 20. Pola klasifikasi faktor wanita berpotensi diabetes berdasarkan pohon keputusan algortima CHAID No Faktor wanita berpotensi diabetes Persentase Klasifikasi 1 Wanita dengan kadar glukosa 140 Dari 166 respondeden yang Berpotensi dan massa indeks tubuh > 27 terklasifikasi 70.5 % positif diabetes 2 Wanita dengan kadar glukosa < 140, massa indeks tubuh > 27 dan jumlah kehamilan > 2 3 Wanita dengan kadar glukosa 140 dan massa indeks tubuh Wanita dengan kadar glukosa < 140 dan memiliki massa indeks tubuh Wanita dengan kadar glukosa <140, massa indeks tubuh > 27, jumlah kehamilan 0 2 dan tekanan darah diastolic Wanita dengan kadar glukosa <140, massa indeks tubuh > 27, jumlah kehamilan 0 2 dan tekanan darah diastolic diabetes dan 29.5 % tidak Dari 203 responden yang terklasifikasi 36.5% positif diabetes dan 63.5% tidak Dari 24 responden 45.8% positif diabetes dan 54.2% tidak Dari 142 responden yang terklasifikasi 4.2% positif diabetes dan 95.8% tidak Dari 35 responden yan terklasifikasi 40% positif diabetes dan 60% tidak Dari 154 responden yang treklasifikasi 17.5% positif diabetes dan 82.5% tidak berpotensi diabetes berpotensi diabetes berpotensi diabetes berpotensi diabetes berpotensi diabetes Kemudian klasifikasi yang sudah didapatkan dari pohon keputusan algoritma chaid diperiksa perbandingannya dengan kasus diabetes yang digunakan sebagai data testing pembanding yaitu dataset kasus wanita diabetes Puskesmas Kelayan Dalam Banjarmasin. Hasil dari perbandingan tersebut dapat dilihat pada tabel 21. Tabel 21. Hasil perbandingan klasifikasi dengan dataset diabetes puskesmas kelayan dalam banjarmasin klasifikasi jumlah Persentase % Keterangan klasifikasi ke ,92 Positif klasifikasi ke klasifikasi ke 3 klasifiaksi ke 4 klasifikasi ke klasifiaksi ke Total , 92% positif; 14,08% tidak Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 52
14 Seperti yang dapat dilihat pada tabel 21 terdapat 85,92% wanita yang masuk kedalam klasifikasi positif diabetes. Sedangkan terdapat 14,08% wanita yang termasuk tidak positif diabetes. Pohon klasifikasi yang terbentuk dari algoritma CHAID ini sudah memiliki persentase kesesuaian yang cukup besar, walaupun masih ada wanita yang positif diabetes pada data testing namun termasuk tidak positif pada klasifiaksi pohon keputusan. 4. SIMPULAN Dari penelitian yang sudah dilakukan, maka kesimpulan yang dapat diambil adalah sebagai berikut: a. Faktor yang berpengaruh pada kondisi seorang wanita yang berpotensi mengalami diabetes berdasarkan data training yang digunakan pada penelitian ini diurutkan berdasarkan nilai chi-square nya seperti berikut 1) Kadar glukosa dengan nilai chi-square sebesar ) Massa indeks tubuh dengan nilai chi-square sebesar ) Jumlah kehamilan dengan nilai chi-square sebesar ) Tekanan darah diastolik dengan nilai chi-square sebesar b. Pola decision tree dari faktor faktor yang mempengaruhi kondisi wanita tersebut yaitu 1) Wanita dengan Wanita dengan kadar glukosa 140 dan massa indeks tubuh > 27; wanita dengan kondisi ini 70,5% berpotensi diabetes. 2) Wanita dengan kadar glukosa < 140; massa indeks tubuh > 27 dan jumlah kehamilan > 2; wanita dengan kondisi ini 36,5% berpotensi daibetes. 3) Wanita dengan kadar glukosa 140 dan massa indeks tubuh 18,5 27; wanita dengan kondisi ini 45,8% berpotensi diabetes. 4) Wanita dengan kadar glukosa < 140 dan memiliki massa indeks tubuh 17 27; wanita dengan kondisi ini 4,2% berpotensi diabetes. 5) Wanita dengan kadar glukosa <140; massa indeks tubuh > 27; jumlah kehamilan 0 2 dan tekanan darah diastolic 80,1 100; wanita dengan kondisi ini 40% berpotensi diabetes. 6) Wanita dengan kadar glukosa <140, massa indeks tubuh > 27; jumlah kehamilan 0 2 dan tekanan darah diastolic 40 80; wanita dengan kondisi ini 17,5% berpotensi diabetes Dari pola decision tree berdasarkan data training ini, kesesuaian dengan kasus diabetes yang terdata pada Puskesmas Kelayan Dalam memiliki persentase sebesar 85,92% Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 53
15 DAFTAR PUSTAKA [1] Kementerian Kesehatan RI, InfoDATIN Situati dan Analisis Diabetes, Kementerian Kesehatan RI, [2] Jelantik, Igusti, M.G, dan Haryati, E., Hubungan Faktor Risiko Umur, Jenis Kelamin, Kegemukan dan Hipertensi dengan Kejadian Diabetes Mellitus Tipe II di Wilayah Kerja Puskesmas Mataram. Jurnal Penelitian. Volume 8, No. 1, ISSN No , Februari [3] Irawan, Dedi, Prevalensi dan Faktor Risiko Kejadian Diabetes melitus Tipe 2 di Daerah Urban Indonesia (Analisa Data Sekunder Riskesdas 2007), Thesis, Universitas Indonesia, [4] Han, Jiawei dan Kamber, Micheline, Data mining: Concepts and Techniques Second Edition, Elsevier, [5] Ramadhan, M.,M., Klasifikasi Faktor Penentu Wanita Berpotensi Diabetes Dengan Decision tree Menggunakan Algoritma Chi- Squared Automatic Interaction Detection (Chaid), Skripsi Program Studi Ilmu Komputer, Universitas Lambung Mangkurat, Banjarbaru, Klasifikasi Faktor Penentu Wanita Diabetes (Muhammad Maulana Ramadhan) 54
BAB III METODE PENELITIAN
BAB III METODE PENELITIAN Penelitian ini adalah penelitian eksperimen dengan langkah-langkah atau metode penelitian sebagai berikut: 1. Penentuan Masalah Penentuan masalah ini diperoleh dari studi literature
Lebih terperinciKLASIFIKASI PENYAKIT DIABETES MELITUS DENGAN METODE CHAID (CHI SQUARE AUTOMATIC INTERACTION DETECTION) DAN CART (CLASSIFICATION AND REGRESSION TREE)
Surabaya, 3 Juli 2013 Seminar Hasil Tugas Akhir KLASIFIKASI PENYAKIT DIABETES MELITUS DENGAN METODE (CHI SQUARE AUTOMATIC INTERACTION DETECTION) DAN (CLASSIFICATION AND REGRESSION TREE) Dosen Pembimbing
Lebih terperinciPENGEMBANGAN DECISION TREE J48 UNTUK DIAGNOSIS PENYAKIT DIABETES MELLITUS
PENGEMBANGAN DECISION TREE J48 UNTUK DIAGNOSIS PENYAKIT DIABETES MELLITUS I Putu Dody Lesmana Jurusan Teknologi Informasi, Politeknik Negeri Jember, PO Box 164, Jember 68101 E-mail : dody@polije.ac.id
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK MENDIAGNOSIS DIABETES MENGGUNAKAN C4.5
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENDIAGNOSIS DIABETES MENGGUNAKAN C4.5 Muhammad Fakhrurrifqi 1,Anifuddin Aziz 2 Program Diploma Komsi Sekolah Vokasi UGM 1,2 mfrifqi@gmail.com 1 anifudin@ugm.ac.id 2 ABSTRAK
Lebih terperinciPenerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi
IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: 1978-1520 39 Penerapan Fungsi Data Mining Klasifikasi untuk Prediksi Masa Studi Mahasiswa Tepat Waktu pada Sistem Informasi Akademik Perguruan Tinggi Irwan
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciKLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART
KLASIFIKASI STATUS KERJA PADA ANGKATAN KERJA KOTA SEMARANG TAHUN 2014 MENGGUNAKAN METODE CHAID DAN CART SKRIPSI Disusun Oleh : NOVIE ERISKA ARITONANG 24010211140081 JURUSAN STATISTIKA FAKULTAS SAINS DAN
Lebih terperinciGAMBARAN KADAR GLUKOSA DARAH SEWAKTU PADA PETUGAS AVIATION SECURITY BANDARA JUWATA TARAKAN DENGAN INDEKS MASSA TUBUH kg/m 2
GAMBARAN KADAR GLUKOSA DARAH SEWAKTU PADA PETUGAS AVIATION SECURITY BANDARA JUWATA TARAKAN DENGAN INDEKS MASSA TUBUH 17-27 kg/m 2 Agung Setiyawan MahasiswaPeminatanEpidemiologidanPenyakitTropik FakultasKesehatanMasyarakatUniversitasDiponegoro
Lebih terperinciBAB 2 LANDASAN TEORI
6 BAB 2 LANDASAN TEORI Pada tinjauan pustaka ini akan dibahas tentang konsep dasar dan teori-teori yang mendukung pembahasan yang berhubungan dengan sistem yang akan dibuat. 2.1 Basis Data (Database) Database
Lebih terperinciPREDIKSI JUMLAH PENDUDUK MISKIN DENGAN METODE DOUBLE EXPONENTIAL SMOOTHING DAN MULTIPLE LINEAR REGRESSION
PREDIKSI JUMLAH PENDUDUK MISKIN DENGAN METODE DOUBLE EXPONENTIAL SMOOTHING DAN MULTIPLE LINEAR REGRESSION Putra Angga Nugraha 1, Fatma Indriani 2, Irwan Budiman 3 1,2,3 Prodi Ilmu Komputer FMIPA ULM Jl.
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Garis-garis Besar Haluan Negara (GBHN) telah menetapkan bahwa tujuan pembangunan nasional mengarah kepada peningkatan kualitas sumber daya manusia. Kualitas sumber
Lebih terperinciBAB I. PENDAHULUAN. A. Latar Belakang. tubuh dan menyebabkan kebutaan, gagal ginjal, kerusakan saraf, jantung, kaki
5 BAB I. PENDAHULUAN A. Latar Belakang melitus (DM) merupakan penyakit yang sangat berbahaya karena dapat menyebabkan komplikasi yang dapat mengakibatkan kerusakan organ-organ tubuh dan menyebabkan kebutaan,
Lebih terperinciHUBUNGAN IMT PADA DM TIPE II DENGAN KEJADIAN DISFUNGSI SEKSUAL PADA WANITA USIA SUBUR (15-49 TAHUN) DI PUSKESMAS BROMO MEDAN
HUBUNGAN IMT PADA DM TIPE II DENGAN KEJADIAN DISFUNGSI Melza Tatiana, et al. HUBUNGAN IMT PADA DM TIPE II DENGAN KEJADIAN DISFUNGSI Melza Tatiana 1, Heru Santosa, Taufik Ashar 3 1 Mahasiswa Program Magister
Lebih terperinciABSTRAK HUBUNGAN ANTARA INDEKS MASSA TUBUH DENGAN KADAR GLUKOSA DARAH PUASA DI PUSKESMAS JAGASATRU CIREBON
ABSTRAK HUBUNGAN ANTARA INDEKS MASSA TUBUH DENGAN KADAR GLUKOSA DARAH PUASA DI PUSKESMAS JAGASATRU CIREBON Daniel Hadiwinata, 2016 Pembimbing Utama : Hendra Subroto, dr.,sppk. Pembimbing Pendamping: Dani,
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Tinjauan Pustaka 2.1.1 Klasifikasi Klasifikasi merupakan proses untuk menemukan model atau fungsi yang menjelaskan atau membedakan konsep atau kelas data, dengan tujuan untuk
Lebih terperinciBAB I PENDAHULUAN. terbesar di dunia. Menurut data dari International Diabetes Federation (IDF)
BAB I PENDAHULUAN A. Latar Belakang Diabetes Mellitus (DM) merupakan salah satu masalah kesehatan yang terbesar di dunia. Menurut data dari International Diabetes Federation (IDF) tahun 2013, didapatkan
Lebih terperinciImplementasi Metode Chi-Squared Automatic Interaction Detection pada Klasifikasi Indeks Prestasi Kumulatif Mahasiswa FMIPA UNIROW
Implementasi Metode Chi-Squared Automatic Interaction Detection pada Klasifikasi Indeks Prestasi Kumulatif Mahasiswa FMIPA UNIROW Kresna Oktafianto Program Studi Matematika FMIPA Universitas Ronggolawe
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Data mining adalah salah satu teknik dan proses untuk menemukan suatu pola dan pengetahuan dari data yang berjumlah besar (Han dkk., 2011). Proses yang dilakukan
Lebih terperinciBAB I PENDAHULUAN. kesejahteraan masyarakat semakin meningkat. Salah satu efek samping
BAB I PENDAHULUAN 1.1 LATAR BELAKANG Dewasa ini, keberhasilan pembangunan ekonomi di Indonesia telah membuat kesejahteraan masyarakat semakin meningkat. Salah satu efek samping berhasilnya pembangunan
Lebih terperinciBAB I PENDAHULUAN. di hampir semua negara tak terkecuali Indonesia. Penyakit ini ditandai oleh
BAB I PENDAHULUAN A. Latar Belakang Diabetes Mellitus (DM) atau lebih dikenal dengan istilah kencing manis atau diabetes merupakan salah satu penyakit kronis yang paling sering ditemui di hampir semua
Lebih terperinciBAB III METODE CHI-SQUARED AUTOMATIC INTERACTION DETECTION
BAB III METODE CHI-SQUARED AUTOMATIC INTERACTION DETECTION 3.1 Analisis CHAID Metode CHAID pertama kali diperkenalkan G. V. Kass 1980, metode CHAID merupakan teknik yang lebih awal dikenal sebagai Automatic
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 237-246 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3) UNTUK MENGIDENTIFIKASI
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 4, Nomor 2, Tahun 2015, Halaman 383-392 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian IDENTIFIKASI FAKTOR-FAKTOR YANG MEMPENGARUHI TERJADINYA PREEKLAMPSIA
Lebih terperinciAplikasi Metode Naive Bayes dalam Prediksi Risiko Penyakit Jantung. Naive Bayes Method for a Heart Risk Disease Prediction Application
Aplikasi Metode Naive Bayes dalam Prediksi Risiko Penyakit Jantung Naive Bayes Method for a Heart Risk Disease Prediction Application M. Sabransyah, Yuki Novia Nasution, dan Fidia Deny Tisna Amijaya 3
Lebih terperinciBAB I PENDAHULUAN. Penyakit degeneratif merupakan transisi epidemiologis dari era penyakit
BAB I PENDAHULUAN A. Latar Belakang Masalah Penyakit degeneratif merupakan transisi epidemiologis dari era penyakit infeksi (communicable disease) yang sempat mendominasi di negara-negara sedang berkembang
Lebih terperinciSOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA
SOLUSI PREDIKSI MAHASISWA DROP OUT PADA PROGRAM STUDI SISTEM INFORMASI FAKULTAS ILMU KOMPUTER UNIVERSITAS BINA DARMA Ade Putra Fakultas Vokasi, Program Studi Komputerisasi Akuntansi Universitas Bina Darma
Lebih terperinciABSTRAK GAMBARAN PENDERITA DIABETES MELITUS TIPE 2 DI UPT PUSKESMAS PASUNDAN KOTA BANDUNG PERIODE
ABSTRAK GAMBARAN PENDERITA DIABETES MELITUS TIPE 2 DI UPT PUSKESMAS PASUNDAN KOTA BANDUNG PERIODE 2016 Jones Vita Galuh Syailendra, 2014 Pembimbing 1 : Dani, dr., M.Kes. Pembimbing 2 : Budi Widyarto, dr.,
Lebih terperinciGAMBARAN PENGETAHUAN PASIEN DIABETES MELITUS TENTANG PENANGANANNYA DI RUMAH SAKIT PAHLAWAN MEDICAL CENTER KANDANGAN, KAB
ABSTRAK GAMBARAN PENGETAHUAN PASIEN DIABETES MELITUS TENTANG PENANGANANNYA DI RUMAH SAKIT PAHLAWAN MEDICAL CENTER KANDANGAN, KAB. HULU SUNGAI SELATAN, KALIMANTAN SELATAN Raymond Sebastian Tengguno, 2016
Lebih terperinciBAB I PENDAHULUAN. darah, hal ini dapat terjadi akibat jantung kekurangan darah atau adanya
BAB I PENDAHULUAN A. Latar Belakang Penyakit kardiovaskuler adalah gangguan fungsi jantung dan pembuluh darah, hal ini dapat terjadi akibat jantung kekurangan darah atau adanya penyempitan pembuluh darah
Lebih terperinciBAB I PENDAHULUAN. Diabetes mellitus dapat menyerang warga seluruh lapisan umur dan status
BAB I PENDAHULUAN A. Latar Belakang Menurut WHO menyatakan bahwa gizi adalah pilar utama dari kesehatan dan kesejahteraan sepanjang siklus kehidupan (Soekirman, 2000). Di bidang gizi telah terjadi perubahan
Lebih terperinciFAKTOR FAKTOR YANG BERHUBUNGAN DENGAN KEJADIAN DIABETES MELLITUS TIPE 2 PADA ORANG DEWASA DI KOTA PADANG PANJANG TAHUN 2011 OLEH:
FAKTOR FAKTOR YANG BERHUBUNGAN DENGAN KEJADIAN DIABETES MELLITUS TIPE 2 PADA ORANG DEWASA DI KOTA PADANG PANJANG TAHUN 2011 OLEH: RORO UTAMI ADININGSIH No BP : 0910335075 PROGRAM STUDI ILMU KESEHATAN MASYARAKAT
Lebih terperinciMENGIDENTIFIKASI DATA REKAM MEDIS. (Studi Kasus Penyakit Diabetes Mellitus di Balai Kesehatan Kementerian. Perindustrian, Jakarta) SKRIPSI
ALGORITMA ITERATIVE DICHOTOMISER 3 (ID3) UNTUK MENGIDENTIFIKASI DATA REKAM MEDIS (Studi Kasus Penyakit Diabetes Mellitus di Balai Kesehatan Kementerian Perindustrian, Jakarta) SKRIPSI Oleh: AVIA ENGGARTYASTI
Lebih terperinciBAB I PENDAHULUAN. dan merupakan salah satu masalah kesehatan masyarakat yang banyak
BAB I PENDAHULUAN A. Latar Belakang Hipertensi adalah istilah medis untuk penyakit tekanan darah tinggi, dan merupakan salah satu masalah kesehatan masyarakat yang banyak diderita di seluruh dunia, termasuk
Lebih terperinciANALISIS FAKTOR RISIKO KEJADIAN GOUTHY ARTHRITIS
ANALISIS FAKTOR RISIKO KEJADIAN GOUTHY ARTHRITIS DI WILAYAH KERJA PUSKESMAS BAHU KOTA MANADO TAHUN 2015 Meike N. R. Toding*, Budi T. Ratag*, Odi R. Pinontoan* *Fakultas Kesehatan Masyarakat Universitas
Lebih terperinciABSTRAK PENGARUH DAN HUBUNGAN ANTARA BMI (BODY MASS INDEX) DENGAN KADAR GLUKOSA DARAH PUASA DAN KADAR GLUKOSA DARAH 2 JAM POST PRANDIAL
ABSTRAK PENGARUH DAN HUBUNGAN ANTARA BMI (BODY MASS INDEX) DENGAN KADAR GLUKOSA DARAH PUASA DAN KADAR GLUKOSA DARAH 2 JAM POST PRANDIAL Levina Stephanie, 2007. Pembimbing I : dr. Hana Ratnawati, M.Kes.
Lebih terperinciBAB I PENDAHULUAN. yang serius dan merupakan penyebab yang penting dari angka kesakitan,
BAB I PENDAHULUAN A. Latar Belakang Diabetes mellitus dan komplikasinya telah menjadi masalah masyarakat yang serius dan merupakan penyebab yang penting dari angka kesakitan, kematian, dan kecacatan di
Lebih terperinciBAB I PENDAHULUAN. tipe 2. Diabetes tipe 1, dulu disebut insulin dependent atau juvenile/childhoodonset
BAB I PENDAHULUAN 1.1 Latar Belakang Diabetes melitus (DM) atau disebut diabetes saja merupakan penyakit gangguan metabolik menahun akibat pankreas tidak memproduksi cukup insulin atau tubuh tidak dapat
Lebih terperinciBAB 1 PENDAHULUAN. seseorang lebih tinggi dari normal tetapi tidak cukup tinggi untuk didiagnosis
BAB 1 PENDAHULUAN 1.1.Latar Belakang Pradiabetes merupakan kendala yang terjadi jika kadar glukosa darah seseorang lebih tinggi dari normal tetapi tidak cukup tinggi untuk didiagnosis diabetes. Orang dengan
Lebih terperinciBAB 1 : PENDAHULUAN. 1.1 Latar Belakang American Diabetes Association (ADA) menyatakan bahwa Diabetes melitus
BAB 1 : PENDAHULUAN 1.1 Latar Belakang American Diabetes Association (ADA) menyatakan bahwa Diabetes melitus merupakan suatu kelompok penyakit metabolik dengan karakteristik hiperglikemia yang terjadi
Lebih terperinciBAB III BAHAN DAN METODE
3.1. BAHAN BAB III BAHAN DAN METODE Sampel penelitian bersumber dari basis data dalam Sistem Informasi Manajemen Rumah Sakit Pusat Pertamina dan Sistem Informasi Laboratorium Rumah Sakit Pusat Pertamina.
Lebih terperinciABSTRAK PREVALENSI DIABETES MELITUS TIPE 2 DENGAN HIPERTENSI DI RSUP SANGLAH DENPASAR TAHUN 2015
ABSTRAK PREVALENSI DIABETES MELITUS TIPE 2 DENGAN HIPERTENSI DI RSUP SANGLAH DENPASAR TAHUN 2015 Diabetes melitus tipe 2 didefinisikan sebagai sekumpulan penyakit metabolik dengan karakteristik hiperglikemik
Lebih terperinciABSTRAK GAMBARAN KARAKTERISTIK PASIEN RAWAT INAP DIABETES MELITUS TIPE 2 DI RUMAH SAKIT IMMANUEL BANDUNG PERIODE 1 JANUARI DESEMBER 2012
ABSTRAK GAMBARAN KARAKTERISTIK PASIEN RAWAT INAP DIABETES MELITUS TIPE 2 DI RUMAH SAKIT IMMANUEL BANDUNG PERIODE 1 JANUARI 2012-31 DESEMBER 2012 Erfina Saumiandiani, 2013 : Pembimbing I : dr. Dani,M.Kes.
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang
1 BAB I PENDAHULUAN A. Latar Belakang Diabetes mellitus (DM) merupakan salah satu penyakit degeneratif kronis yang semakin meningkat prevalensinya (Setiawati, 2004). DM mempunyai karakteristik seperti
Lebih terperinciPenerapan Dizcretization dan Teknik Bagging Untuk Meningkatkan Akurasi Klasifikasi Berbasis Ensemble pada Algoritma C4.5 dalam Mendiagnosa Diabetes
Penerapan Dizcretization dan Teknik Bagging Untuk Meningkatkan Akurasi Klasifikasi Berbasis Ensemble pada Algoritma C4.5 dalam Mendiagnosa Diabetes Mirqotussa adah a1, Much Aziz Muslim a2, Endang Sugiharti
Lebih terperinciPERBANDINGAN KINERJA DECISION TREE J48 DAN ID3 DALAM PENGKLASIFIKASIAN DIAGNOSIS PENYAKIT DIABETES MELLITUS
PERBANDINGAN KINERJA DECISION TREE J48 DAN ID3 DALAM PENGKLASIFIKASIAN DIAGNOSIS PENYAKIT DIABETES MELLITUS I Putu Dody Lesmana Jurusan Teknologi Informasi, Politeknik Negeri Jember Abstract Discovery
Lebih terperinciBAB I PENDAHULUAN. metabolik dengan karakteristik hiperglikemia yang terjadi karena kelainan
BAB I PENDAHULUAN A. Latar Belakang Masalah Diabetes mellitus (DM) merupakan suatu kelompok penyakit metabolik dengan karakteristik hiperglikemia yang terjadi karena kelainan sekresi insulin, kerja insulin
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Jenis Penelitian Penelitian ini merupakan jenis penelitian survei deskriptif yang dilakukan untuk mendeskripsikan atau menggambarkan suatu kejadian yaitu menggambarkan
Lebih terperinciFUZZY DECISION TREE DENGAN ALGORITMA C4.5 PADA DATA DIABETES INDIAN PIMA
Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011 KNS&I 11-047 FUZZY DECISION TREE DENGAN ALGORITMA C4.5 PADA DATA DIABETES INDIAN PIMA Ahmad Saikhu, Joko Lianto, dan Umi Hanik Jurusan
Lebih terperinciPEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA QUEST (QUICK, UNBIASED, AND EFFICIENT STATISTICAL TREE) PADA DATA PASIEN LIVER
PEMBENTUKAN POHON KLASIFIKASI BINER DENGAN ALGORITMA QUEST (QUICK, UNBIASED, AND EFFICIENT STATISTICAL TREE) PADA DATA PASIEN LIVER SKRIPSI Disusun oleh MUHAMMAD ROSYID ABDURRAHMAN 24010210120036 JURUSAN
Lebih terperinciCIRI-CIRI KARAKTERISTIK PENDERITA DIABETES MELITUS DENGAN OBESITAS DI POLIKLINIK ENDOKRIN RSUP DR KARIADI SEMARANG LAPORAN HASIL KARYA TULIS ILMIAH
CIRI-CIRI KARAKTERISTIK PENDERITA DIABETES MELITUS DENGAN OBESITAS DI POLIKLINIK ENDOKRIN RSUP DR KARIADI SEMARANG LAPORAN HASIL KARYA TULIS ILMIAH Disusun untuk memenuhi sebagian persyaratan guna mencapai
Lebih terperinciBAB I PENDAHULUAN. kencing manis semakin mengkhawatirkan. Menurut WHO pada tahun 2000
BAB I PENDAHULUAN 1.1 Latar Belakang Kenaikan jumlah penduduk dunia yang terkena penyakit diabetes atau kencing manis semakin mengkhawatirkan. Menurut WHO pada tahun 2000 jumlah penduduk dunia yang menderita
Lebih terperinciTedy Candra Lesmana. Susi Damayanti
TINGKAT PENGETAHUAN TENTANG Diabetes mellitus DAN DETEKSI DINI DENGAN MINAT DETEKSI DINI PADA MASYARAKAT DI DESA DRONO KECAMATAN NGAWEN KABUPATEN KLATEN 1 Tedy Candra Lesmana 2 Susi Damayanti 1,2 Dosen
Lebih terperinciBAB 1 PENDAHULUAN. rendah, terlalu banyak lemak, tinggi kolesterol, terlalu banyak gula, terlalu
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Kemajuan teknologi dewasa ini, terbukti membawa dampak negatif dalam hal kesehatan. Orang-orang masa kini, cenderung memiliki kesadaran yang rendah terhadap
Lebih terperinciBAB 3 KERANGKA KONSEP DAN DEFINISI OPERASIONAL
28 BAB 3 KERANGKA KONSEP DAN DEFINISI OPERASIONAL 3.1. Kerangka Konsep Penelitian Berdasarkan tujuan penelitian yang telah disebutkan sebelumnya, maka kerangka konsep pada penelitian ini adalah: Variabel
Lebih terperinciIMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA
IMPLEMENTASI ALGORITMA K-NEAREST NEIGHBOUR UNTUK PREDIKSI WAKTU KELULUSAN MAHASISWA Irwan Budiman 1, Dodon Turianto Nugrahadi 2, Radityo Adi Nugroho 3 Universitas Lambung Mangkurat 1,2,3 irwan.budiman@unlam.ac.id
Lebih terperinciABSTRAK GAMBARAN PENYAKIT DIABETES MELITUS PADA ORANG DEWASA YANG DIRAWAT INAP DIRUMAH SAKIT IMMANUEL BANDUNG PERIODE JANUARI DESEMBER 2014
ABSTRAK GAMBARAN PENYAKIT DIABETES MELITUS PADA ORANG DEWASA YANG DIRAWAT INAP DIRUMAH SAKIT IMMANUEL BANDUNG PERIODE Evan Anggalimanto, 2015 Pembimbing 1 : Dani, dr., M.Kes Pembimbing 2 : dr Rokihyati.Sp.P.D
Lebih terperinciHubungan Nilai Antropometri dengan Kadar Glukosa Darah
Hubungan Nilai Antropometri dengan Kadar Glukosa Darah Dr. Nur Indrawaty Lipoeto, MSc, PhD; Dra Eti Yerizel, MS; dr Zulkarnain Edward,MS, PhD dan Intan Widuri, Sked Fakultas Kedokteran Universitas Andalas
Lebih terperinciAnalisis faktor yang berhubungan dengan kadar gula darah sewaktu pada ibu hamil di kota Manado
Jurnal e-biomedik (ebm), Volume 4, Nomor 2, Juli-Desember 2016 Analisis faktor yang berhubungan dengan kadar gula darah sewaktu pada ibu hamil di kota Manado 1 Kosanto H. Vincent 2 Nelly Mayulu 2 Shirley
Lebih terperinciBAB 1 PENDAHULUAN. serius karena termasuk peringkat kelima penyebab kematian di dunia.sekitar 2,8 juta
BAB 1 PENDAHULUAN 1.1. Latar Belakang Obesitas merupakan masalah kesehatan yang perlu mendapatkan perhatian yang serius karena termasuk peringkat kelima penyebab kematian di dunia.sekitar 2,8 juta orang
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Penyakit Hipertensi atau yang lebih dikenal penyakit darah tinggi adalah suatu keadaan dimana tekanan darah seseorang adalah >140 mm Hg (tekanan sistolik) dan/ atau
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang Obesitas adalah salah satu faktor yang paling umum menyebabkan umur harapan hidup (UHH) lebih pendek dan beberapa
BAB I PENDAHULUAN A. Latar Belakang Obesitas adalah salah satu faktor yang paling umum menyebabkan umur harapan hidup (UHH) lebih pendek dan beberapa penyakit. Strategi untuk mencegah kenaikan berat badan
Lebih terperinciBAB I PENDAHULUAN. kurang 347 juta orang dewasa menyandang diabetes dan 80% berada di negara-negara
BAB I PENDAHULUAN A. Latar Belakang World Health Organization (WHO) memperkirakan bahwa terdapat lebih kurang 347 juta orang dewasa menyandang diabetes dan 80% berada di negara-negara berkembang, salah
Lebih terperinciANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret)
ANALISA KONSISTENSI POLA PEMINJAMAN BUKU MENGGUNAKAN ALGORITMA FP-GROWTH (Studi Kasus: UPT Perpustakaan Universitas Sebelas Maret) Miranda Nur Qolbi Aprilina 1, Wiranto 2,Widodo 3 1,2 Program Studi Informatika,
Lebih terperinci- PERTEMUAN 1 - KNOWLEGDE DISCOVERY
DATA WAREHOUSE - PERTEMUAN 1 - KNOWLEGDE DISCOVERY in DATABASE (KDD) Penemuan Pengetahuan di Database Tujuan : Mahasiswa Dapat memahami konsep KDD yang merupakan tujuan akhir dari Data Warehouse dan Data
Lebih terperinciHUBUNGAN RIWAYAT KELUARGA, OBESITAS DAN KEBIASAAN MEROKOK DENGAN KEJADIAN DIABETES MELITUS TIPE II. Siti Novianti, Nur Lina RINGKASAN
Draft Jurnal HUBUNGAN RIWAYAT KELUARGA, OBESITAS DAN KEBIASAAN MEROKOK DENGAN KEJADIAN DIABETES MELITUS TIPE II Siti Novianti, Nur Lina RINGKASAN Diabetes Melitus (DM) Tipe 2 merupakan penyakit tidak menular
Lebih terperinciBAB I PENDAHULUAN. lahir adalah Angka Kematian Bayi (AKB). Angka tersebut merupakan indikator
BAB I PENDAHULUAN A. Latar Belakang Masalah Salah satu indikator angka kematian yang berhubungan dengan bayi baru lahir adalah Angka Kematian Bayi (AKB). Angka tersebut merupakan indikator yang memiliki
Lebih terperinciBAB I PENDAHULUAN. Sebanyak 90% penderita diabetes di seluruh dunia merupakan penderita
BAB I PENDAHULUAN A. Latar Belakang Prevalensi penyakit diabetes secara global diderita oleh sekitar 9% orang dewasa berusia 18 tahun ke atas pada tahun 2014. Diabetes menjadi penyebab besarnya jumlah
Lebih terperinciBAB I PENDAHULUAN. A. Latar Belakang Masalah Millennium Development Goals (MDG) telah menjadi tujuan milenium
BAB I PENDAHULUAN A. Latar Belakang Masalah Millennium Development Goals (MDG) telah menjadi tujuan milenium selama 15 tahun. MDG berakhir pada tahun 2015. Selanjutnya, MDG digantikan oleh Sustainable
Lebih terperinciABSTRACT ABSTRAK RIWAYAT PENYAKIT KELUARGA DENGAN KEJADIAN DIABETES MELLITUS
51 RIWAYAT PENYAKIT KELUARGA DENGAN KEJADIAN DIABETES MELLITUS Arif Nurma Etika 1, Via Monalisa 2 Program Studi Ilmu Keperawatan, Universitas Kadiri e-mail: arif_etika@yahoo.com ABSTRACT Diabetes Mellitus
Lebih terperinciANALISIS WAKTU KELULUSAN MAHASISWA DENGAN METODE CHAID (STUDI KASUS: FMIPA UNIVERSITAS UDAYANA)
ANALISIS WAKTU KELULUSAN MAHASISWA DENGAN METODE CHAID (STUDI KASUS: FMIPA UNIVERSITAS UDAYANA) IDA AYU SRI PADMINI 1, NI LUH PUTU SUCIPTAWATI 2, MADE SUSILAWATI 3 1,2,3, Jurusan Matematika, Fakultas MIPA,
Lebih terperinciPHARMACONJurnal Ilmiah Farmasi UNSRAT Vol. 4 No. 4 NOVEMBER 2015 ISSN
HUBUNGAN ANTARA PENGGUNAAN KONTRASEPSI PIL DAN RIWAYAT KELUARGA DENGAN HIPERTENSI PADA WANITA PASANGAN USIA SUBUR DI WILAYAH KERJA PUSKESMAS PANIKI BAWAH KECAMATAN MAPANGET KOTA MANADO Ceidy Silva Tamunu
Lebih terperinciALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN
ALGORITMA NEAREST NEIGHBOR UNTUK MENENTUKAN AREA PEMASARAN PRODUK BATIK DI KOTA PEKALONGAN Devi Sugianti Program Studi Sistem Informasi,STMIK Widya Pratama Jl. Patriot 25 Pekalongan Telp (0285)427816 email
Lebih terperinciPENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN
PENERAPAN ALGORITMA C4.5 DALAM PEMILIHAN BIDANG PEMINATAN PROGRAM STUDI SISTEM INFORMASI DI STMIK POTENSI UTAMA MEDAN Fina Nasari 1 1 Sistem Informasi, STMIK Potensi Utama 3 Jalan K.L. Yos Sudarso KM.
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Diabetes Mellitus (DM) didefinisikan sebagai suatu penyakit atau gangguan metabolisme kronis dengan multi etiologi yang ditandai dengan tingginya kadar gula darah
Lebih terperinciPERBANDINGAN KINERJA ALGORITME C4.5 DAN NAÏVE BAYES MENGKLASIFIKASI PENYAKIT DIABETES
PERBANDINGAN KINERJA ALGORITME C4.5 DAN NAÏVE BAYES MENGKLASIFIKASI PENYAKIT DIABETES Hendra Marcos 1, Hengky Setiawan Utomo 2 1,2 Program Studi Teknik Informatika, STMIK Amikom Purwokerto Jl. Pol. Soemarto
Lebih terperinciBAB I PENDAHULUAN. sebagai masalah kesehatan global terbesar di dunia. Setiap tahun semakin
BAB I PENDAHULUAN A. Latar Belakang Masalah Diabetes Melitus merupakan salah satu jenis penyakit tidak menular yang mengalami peningkatan pada setiap tahunnya. Penyakit ini lebih dikenal sebagai silent
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN. DM tipe 2 di Puskesmas Banguntapan 2 Bantul yang telah menjalani
BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Karakteristik Responden Responden yang menjadi sampel dalam penelitian ini adalah pasien DM tipe 2 di Puskesmas Banguntapan 2 Bantul yang telah menjalani pengobatan
Lebih terperinciBAB 1 PENDAHULUAN. suatu kumpulan gejala yang timbul pada seseorang karena adanya
BAB 1 PENDAHULUAN 1.1 Latar Belakang Diabetes melitus adalah penyakit metabolisme yang merupakan suatu kumpulan gejala yang timbul pada seseorang karena adanya peningkatan kadar glukosa darah di atas nilai
Lebih terperinciBAB I PENDAHULUAN. Salah satu masalah yang dapat timbul akibat perkembangan jaman. adalah gaya hidup tidak sehat yang dapat memicu munculnya penyakit
BAB I PENDAHULUAN A. Latar Belakang Salah satu masalah yang dapat timbul akibat perkembangan jaman adalah gaya hidup tidak sehat yang dapat memicu munculnya penyakit degeneratif, yang salah satunya adalah
Lebih terperinciBAB I PENDAHULUAN. (2014), mencatat dalam World Health Statistics Indonesia. meningkatnya tekanan darah sistolik diatas 140 mmhg dan
BAB I PENDAHULUAN 1.1. Latar Belakang Penyakit hipertensi menjadi salah satu faktor resiko utama penyakit jantung dan pembuluh darah, selain hiperkolesterolemia dan diabetes melitus. Pada saat ini, hipertensi
Lebih terperinciProses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer
Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer Mewati Ayub Jurusan Teknik Informatika, Fakultas Teknologi Informasi Universitas Kristen Maranatha, Bandung Email : mewati.ayub@eng.maranatha.edu
Lebih terperinciKlasifikasi Variabel Penentu Kelulusan Mahasiswa FMIPA Unpatti Menggunakan Metode CHAID
Statistika, Vol. 15 No. 1, 1 6 Mei 2015 Klasifikasi Variabel Penentu Kelulusan Mahasiswa FMIPA Unpatti Menggunakan Metode CHAID Ferry kondo lembang 1, Meiga Fendjalang 2 1,2Jurusan Matematika Fakultas
Lebih terperinciBAB I PENDAHULUAN. penyakit gula. DM memang tidak dapat didefinisikan secara tepat, DM lebih
BAB I PENDAHULUAN A. Latar Belakang Diabetes Melitus (DM) sering juga dikenal dengan nama kencing manis atau penyakit gula. DM memang tidak dapat didefinisikan secara tepat, DM lebih merupakan kumpulan
Lebih terperinciHubungan Derajat Obesitas dengan Kadar Gula Darah Puasa pada Masyarakat di Kelurahan Batung Taba dan Kelurahan Korong Gadang, Kota Padang
707 Artikel Penelitian Hubungan Derajat Obesitas dengan Kadar Gula Darah Puasa pada Masyarakat di Kelurahan Batung Taba dan Kelurahan Korong Gadang, Kota Padang Andi Fadilah Yusran Putri 1, Eva Decroli
Lebih terperinciBAB III METODE PENELITIAN. retrospektif yaitu suatu penelitian yang bertujuan untuk menjelaskan
BAB III METODE PENELITIAN A. Jenis dan rancangan penelitian Penelitian ini merupakan jenis penelitian survei analitik retrospektif yaitu suatu penelitian yang bertujuan untuk menjelaskan masalah penelitian
Lebih terperinciBAB III METODE PENELITIAN
20 BAB III METODE PENELITIAN A. Lokasi Dan Waktu Penelitian Penelitian dilaksanakan di Puskesmas Boyolali III, Puskesmas Ampel I, Puskesmas Ampel II, Puskesmas Sambi I, Puskesmas Andong, Puskesmas Selo
Lebih terperinciPREVALENSI DAN FAKTOR RISIKO PENYAKIT JANTUNG KORONER PADA PENDERITA DIABETES MELITUS TIPE 2 DI RUMAH SAKIT IMMANUEL BANDUNG PERIODE JANUARI DESEMBER
ABSTRAK PREVALENSI DAN FAKTOR RISIKO PENYAKIT JANTUNG KORONER PADA PENDERITA DIABETES MELITUS TIPE 2 DI RUMAH SAKIT IMMANUEL BANDUNG PERIODE JANUARI DESEMBER 2010 Shiela Stefani, 2011 Pembimbing 1 Pembimbing
Lebih terperinciBAB I PENDAHULUAN. dari sepuluh masalah kesehatan utama di dunia dan kelima teratas di negara
BAB I PENDAHULUAN A. LATAR BELAKANG Dewasa ini obesitas telah menjadi masalah kesehatan masyarakat dunia, baik di negara maju ataupun negara berkembang. Menurut data World Health Organization (WHO) obesitas
Lebih terperinci2 Penyakit asam urat diperkirakan terjadi pada 840 orang dari setiap orang. Prevalensi penyakit asam urat di Indonesia terjadi pada usia di ba
1 BAB 1 : PENDAHULUAN 1.1 Latar Belakang Perubahan gaya hidup masyarakat menjadi pola hidup tidak sehat telah mendorong terjadinya berbagai penyakit yang mempengaruhi metabolisme tubuh. Penyakit akibat
Lebih terperinci3.1 Metode Pengumpulan Data
BAB 3 METODE PENELITIAN 3.1 Metode Pengumpulan Data Sebuah penelitian memerlukan pengumpulan data dan metode pengumpulan data karena sangat berpengaruh terhadap akurasi dan kualitas data yang digunakan
Lebih terperinciBAB I PENDAHULUAN. dunia. Profil kesehatan masyarakat di negara-negara industri telah berubah secara
BAB I PENDAHULUAN 1.1 Latar Belakang PJK (PJK) merupakan penyebab kematian utama bagi masyarakat Indonesia dan dunia. Profil kesehatan masyarakat di negara-negara industri telah berubah secara dramatis
Lebih terperinciStudent Clustering Based on Academic Using K-Means Algoritms
Student Clustering Based on Academic Using K-Means Algoritms Hironimus Leong, Shinta Estri Wahyuningrum Faculty of Computer Science, Faculty of Computer Science Unika Soegijapranata marlon.leong@gmail.com
Lebih terperinciPENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO
PENERAPAN ALGORITMA C5.0 DALAM PENGKLASIFIKASIAN DATA MAHASISWA UNIVERSITAS NEGERI GORONTALO Wandira Irene, Mukhlisulfatih Latief, Lillyan Hadjaratie Program Studi S1 Sistem Informasi / Teknik Informatika
Lebih terperinciSISTEM KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN)
SISTEM KLASIFIKASI PENYAKIT DIABETES MELLITUS MENGGUNAKAN METODE K-NEAREST NEIGHBOR (K-NN) Fitri Yunita Fakultas Teknik dan Ilmu Komputer, Universitas Islam Indragiri Email:Fitriyun@gmail.com Abstrak Diabetes
Lebih terperinciBAB I PENDAHULUAN A. LATAR BELAKANG. berpenghasilan rendah dan menengah. Urbanisasi masyarakat
BAB I PENDAHULUAN A. LATAR BELAKANG Penyakit tidak menular (Non-Communicable diseases) terdiri dari beberapa penyakit seperti jantung, kanker, diabetes, dan penyakit paru-paru kronis. Pada tahun 2008,
Lebih terperinciBAB 1 : PENDAHULUAN. 1.1 Latar Belakang Penyakit Jantung Koroner (PJK) merupakan kelainan pada satu atau lebih pembuluh
BAB 1 : PENDAHULUAN 1.1 Latar Belakang Penyakit Jantung Koroner (PJK) merupakan kelainan pada satu atau lebih pembuluh darah arteri koroner dimana terdapat penebalan dalam dinding pembuluh darah disertai
Lebih terperinciBAB I PENDAHULUAN A. Latar Belakang
BAB I PENDAHULUAN A. Latar Belakang Pembangunan kesehatan di Indonesia pada saat ini menghadapi permasalahan ganda berupa kasus-kasus penyakit menular yang masih belum terselesaikan sekaligus peningkatan
Lebih terperinciBAB I PENDAHULUAN. menular (PTM) yang meliputi penyakit degeneratif dan man made diseases.
BAB I PENDAHULUAN 1.1 Latar Belakang Transisi epidemiologi yang terjadi di Indonesia mengakibatkan perubahan pola penyakit yaitu dari penyakit infeksi atau penyakit menular ke penyakit tidak menular (PTM)
Lebih terperinciBAB 1 : PENDAHULUAN. utama masalah kesehatan bagi umat manusia dewasa ini. Data Organisasi Kesehatan
BAB 1 : PENDAHULUAN 1.1 Latar Belakang Penyakit Tidak Menular (PTM) merupakan ancaman serius dan tantangan utama masalah kesehatan bagi umat manusia dewasa ini. Data Organisasi Kesehatan Dunia (WHO) Global
Lebih terperinciPROBABILISTIC NEURAL NETWORK BERBASIS GUI MATLAB UNTUK KLASIFIKASI DATA REKAM MEDIS
PROBABILISTIC NEURAL NETWORK BERBASIS GUI MATLAB UNTUK KLASIFIKASI DATA REKAM MEDIS (Studi Kasus: Penyakit Diabetes Melitus di Balai Kesehatan Kementerian Perindustrian Jakarta) SKRIPSI Disusun oleh: JOHAN
Lebih terperinci