BAB III ANALISA DAN PERANCANGAN SISTEM Bab ini menguraikan tentang analisa dan perancangan sistem untuk mengimplementasikan metode Double Exponential Smoothing (DES) pada aplikasi prediksi jumlah pasien rawat inap. Proses perancangan sistem dilaksanakan berdasarkan metode waterfall, dimulai dari analisa sistem, analisa masalah, analisa kebutuhan fungsional dan non-fungsional sistem, dilanjutkan dengan pembuatan Business Process, Analisa Perhitungan, Usecase Diagram, Scenario, Sequence Diagram, Activity Diagram, Class Diagram, dan User Interface. 3.1 Analisa Sistem Sebagaimana yang telah dijelaskan pada bab pendahuluan, aplikasi yang akan dibangun pada penelitian tugas akhir ini adalah aplikasi yang berbasis web. Sistem ini dibuat untuk memprediksikan pasien dan ICD10 pada periode yang akan datang. Dengan adanya sistem ini pihak rekam medik akan mendapatkan informasi prediksi pada periode berikutnya. Aplikasi ini menerapkan metode Double Exponential Smoothing untuk melakukan sebuah prediksi. Sistem ini akan memgambil data pasien selama dua tahun untuk menghasilkan sebuah prediksi. Data yang diolah adalah data pasien dan data ICD10. Data akan diinputkan oleh staff rekam medik dan kepala staff rekam medik akan melihat data yang telah diinputkan dan melihat hasil prediksi. 3.1.1 Analisa Masalah RSUD Sumbawa Besar merupakan salah satu rumah sakit milik pemerintahan kabupaten Sumbawa Besar. Rumah Sakit ini melayani rawat inap, rawat jalan, dan penunjang medik lainnya. Jumlah pasien rawat inap di rumah sakit ini selalu mengalami peningkatan, sehingga terkadang pasien rawat inap tidak mendapatkan pelayanan yang maksimal seperti tidak tersedianya ruangan, kekurangan stok obat dan kurangnya stok alat-alat medis lainnya. Prediksi bisa dijadikan sebagai alat bantu dalam mewujudkan perencanaan yang efektif dan efisien. Melihat keaadaan di rumah sakit masih belum mempunyai suatu aplikasi yang dapat membantu untuk memprediksi jumlah pasien rawat inap 14
dimasa mendatang, sehingga mutu pelayanan kurang efisien. Selain itu, manajemen rumah sakit juga kesulitan dalam membuat keputusan untuk mengatasi fluktuasi pasien rawat inap. 3.1.2 Analisa Kebutuhan Fungsional Kebutuhan fungsional adalah kebutuhan yang berisi proses-proses apa saja yang natinya dilakukan oleh sistem. Ada kebutuhan utama yang diperlukan sistem agar dapat berjalan dengan lancar. Kebutuhan ini menjadi inti dari sistem dimana jika kebutuhan ini tidak terpenuhi, maka sistem tidak dapat berjalan dengan baik. Berikut adalah kebutuhan fungsional dari sistem: a. Sistem dapat memanajemen data user. b. Sistem dapat memanajemen data kode ICD 10 serta jenis penyakitnya. c. Sistem dapat memanajemen data pasien. d. Sistem dapat memprediksi data ICD10 pada tiga bulan berikutnya. e. Sistem dapat memprediksi data pasien pada tiga bulan berikutnya. 3.1.3 Analisa Kebutuhan Non-Fungsional Kebutuhan non-fungsional adalah sebuah pelengkap yang menunjang kinerja sebua sistem dan mempunyai pengaruh yang tidak langsung. Berikut adalah kebutuhan non fungsional yang ada dalam sistem: a. Tampilan sistem yang user friendly untuk memudahkan pengguna dalam mengoperasikannya. b. Sistem tidak bisa diakses oleh pengguna yang tidak memiliki username dan password. c. Hanya kepala rekam medik yang memiliki hak akses untuk membuat user baru, mengubah peranan user, dan menghapus user. d. Sistem berbasis web. 3.1.4 Analisa Perhitungan Metode Double Exponential Smoothing (DES) Analisa perhitungan disini menjelaskan perhitungan sampai mendapatkan nilai prediksi. Perhitungan disini mengunakan contoh kasus data pengeluaran obat. Data pengeluaran obat yang akan diproses menggunakan perhitungan metode Double Exponential Smoothing (DES) dapat dilihat pada tabel 3.1. 15
Tabel 3.1 Data Jumlah Pengeluaran Obat Periode Pengeluaran Obat Jan 2015 80 Feb 2015 91 Mar 2015 110 Aprl 2015 88 Mei 2015 85 Juni 2015 122 Juli 2015 141 Agust 2015 157 Sept 2015 130 Langkah pertama perhitungan metode Double Exponential Smoothing adalah mencari nilai pemulusan eksponensial pertama diberi simbol (S t). S t = α. Xt + (1 α) S t-1.. (1) Tabel 3.2 Perhitungan Nilai Pemulusan Eksponensial Pertama (α = 0,1) α. Xt + ( 1 α ) S t-1 S t S 1 80 S 2 0,1 (91) + (0,9) (80) = 9,1 + 72 = 81,1 S 3 0,1 (110) + (0,9) (81,1) = 11 + 72,99 = 83,99 S 4 0,1 (88) + (0,9) (83,99) = 8,8 + 75,591 = 84,391 S 5 0,1 (85) + (0,9) (84,391) = 8,5 + 75,9519 = 84,4519 S 6 0,1 (122) + (0,9) (84,4519) = 12,2 + 76,00671 = 88,20671 S 7 0,1 (141) + (0,9) (88,20671) = 14,1 + 79,386039 = 93,486039 S 8 0,1 (157) + (0,9) (93,486039) = 15,7 + 84,1374351 = 99,8374351 S 9 0,1 (130) + (0,9) (99,8374351) = 13 + 89,85369159 = 102,8536916 Setelah mendapatkan nilai pemulusan eksponensial pertama (S t) maka langkah selanjutnya adalah menghitung nilai pemulusan eksponensial kedua (S"t). S"t = α. S t + (1 α) S"t-1.. (2) 16
Tabel 3.3 Perhitungan Nilai Pemulusan Eksponensial Kedua (α = 0,1) S"t α. S t + (1 α) S"t-1 S"1 80 S"2 0,1(81,1) + (0,9) (80) = 8,11 + 72 = 80,11 S"3 0,1(83,99) + (0,9) (80,11) = 8,399 + 72,099 = 80,498 S"4 0,1(84,391) + (0,9) (80,498) = 8,4391 + 72,4482 = 80,8873 S"5 0,1(84,4519) + (0,9) (80,8873) = 8,44519 + 72,79857 = 81,24376 S"6 0,1(88,20671) + (0,9) (81,24376) = 8,820671 + 73,119384 = 81,940055 S"7 0,1(93,486039) + (0,9) (81,940055) = 9,3486039 + 73,7460495 = 83,0946534 S"8 0,1(99,8374351) + (0,9) (83,0946534) = 9,98374351 + 74,78518806 = 84,76893157 S"9 0,1(102,8536916)+(0,9) (84,76893157) = 10,28536916 + 76,29203841 = 86,57740757 Langkah selanjutnya adalah menghitung nilai konstanta (α). Nilai konstanta periode pertama adalah 0 karena belum memiliki nilai eksponensial. α t = 2 S t - S"t.. (3) Tabel 3.4 Perhitungan Nilai Konstanta ( α t ) α t 2 S t S"t α 1 0 α 2 2(81,1) 80,11 = 162,2-80,11 = 82,09 α 3 2(83,99) 80,498 = 167,98-80,498= 87,482 α 4 2(84,391) 80,887 = 168,782 80,887 = 87,895 α 5 2(84,4519) 81,24376 = 168,9038-81,24376 = 87,66 α 6 2(88,20671) 81,940055 = 176,41342-81,940055 = 94,473 α 7 2(93,486039) 83,0946534 = 186,972078-83,0946534 = 103,877 α 8 2(99,8374351) 84,76893157 = 199,6748702-84,76893157 = 114,906 α 9 2 (102,8536916) 86,57740757 = 205,7073832-86,57740757 = 119,13 17
Setelah mendapatkan nilai konstanta (α) maka langkah selanjutnya adalah menghitung nilai slope (b). Nilai slope periode pertama adalah 0 karena periode pertama belum memiliki nilai eksponensial pertama dan kedua. b t = α 1 α (S t S"t ) (4) b t b 1 0 b 2 b 3 b 4 b 5 b 6 Tabel 3.5 Perhitungan Nilai Slope ( b t ) a 1 a (S t S"t) 0,1 0,9 0,1 0,9 0,1 0,9 0,1 0,9 0,1 0,9 b 7 0,1 0,9 b 8 0,1 0,9 b 9 0,1 0,9 (81,1 80,11) = 0,11 (83,99 80,498) = 0,388 (84,391 80,8873) = 0,389 (84,4519 81,24376) = 0,356 (88,20671 81,940055) = 0,696 (93,486039 83,0946534) = 1,155 (99,8374351 84,76893157) = 1.674 (102,8536916 86,57740757) = 1,808 Setelah nilai konstanta (α) dan nilai slope (b) didapatkan, maka langkah selanjutnya adalah menghitung nilai prediksi (Ft + m). Nilai prediksi di mulai dari periode 3 karena nilai konstanta dan nilai slope periode 2 yang digunakan untuk menghitung nilai prediksi periode 3. Pada perhitungan nilai prediksi awal terhadap data aktual nilai (m) ditetapkan bernilai (1). Ft+m = α t + b t (m).. (5) Tabel 3.6 : Perhitungan Nilai Prediksi ( Ft + m ) ( Ft + m ) α t + b t (m) F 3 82,09 + 0,11 = 82,2 F 4 87,482 + 0,388 = 87,87 18
F 5 87,895 + 0,389 = 88,284 F 6 87,66 + 0,356 = 88,016 F 7 94,473+ 0,696 = 95,169 F 8 103,877 + 1,155 = 105,032 F 9 114,906 + 1.674 = 116,58 Selanjutnya menghitung nilai kesalahan prediksi menggunakan MAPE. Perhitungan MAPE dilakukan dengan menghitung rata-rata dari nilai sesisih yaitu selisih antara data aktual dengan data hasil prediksi. Kemudian hasil rata-rata tersebut dibagi dengan banyaknya jumlah periode dan dikalikan dengan seratus. Nilai MAPE dimulai dari periode 3 karena nilai prediksi terdapat pada periode 3. Data aktual (Ft+m) / Data aktual.. (6) Tabel 3.7 Hasil Perhitungan MAPE dengan (α = 0,1) manual Periode Data aktual (Ft+m) / Data aktual 3 (110-82,2)/110 = 0,253 4 (88-87,87)/88 = 0,001 5 (85-88,284)/85 = 0,039 6 (122-88,016)/122 = 0,279 7 (141-95,169)/141 = 0,325 8 (157-105,032)/157 = 0,331 9 (130-116,58)/130 = 0,103 Total / MAPE = (1,331:7)*100=19,01% Dengan menggunakan perhitungan yang sama maka dapat ditentukan hasil perhitungan metode Double Exponential Smoothing dan prediksi jumlah pengeluaran obat pada periode berikutnya untuk α = 0,2 sampai dengan α = 0,9. Tabel 3.8 Hasil Perhitungan Prediksi Metode DES (α = 0,2) Manual Periode Data Aktual S t S"t α t b t Ft+m MAPE Jan 80 80 80 0 0 0 Feb 91 82,2 80,44 83,96 0,44 0 Mar 110 87,76 81,904 93,61 1,464 84,4 0,233 19
Aprl 88 87,808 83,0848 92,53 1,181 95,08 0,08 Mei 85 87,2464 83,91712 90,57 0,832 93,71 0,102 Jun 122 94,1971 85,97312 102,4 2,056 91,40 0,251 Jul 141 103,55 89,490035 117,6 3,517 104, 0,259 Agust 157 114,246 94,441259 134,0 4,951 121,1 0,228 Sept 130 117,396 99,032392 135,7 4,591 139,0 0,069 TOTAL 17,46% Tabel 3.9 Hasil Perhitungan Prediksi Metode DES (α = 0,3) Manual Periode Data Aktual S t S"t α t b t Ft+m MAPE Jan 80 80 80 0 0 0 Feb 91 83,3 80,99 85,61 0,99 0 Mar 110 91,31 84,086 98,534 3,096 86,6 0,213 Aprl 88 90,317 85,9553 94,679 1,869 101,63 0,155 Mei 85 88,7219 86,78528 90,659 0,83 96,548 0,136 Jun 122 98,70533 90,36129 107,04 3,576 91,489 0,25 Jul 141 111,393 96,67102 126,11 6,31 110,62 0,215 Agust 157 125,075 105,1924 144,95 8,521 132,42 0,157 Sept 130 126,5529 111,6005 141,50 6,408 153,48 0,181 TOTAL 18,67% Tabel 3.10 Hasil Perhitungan Prediksi Metode DES (α = 0,4) Manual Periode Data Aktual S t S"t α t b t Ft+m MAPE Jan 80 80 80 0 0 0 Feb 91 84,4 81,76 87,04 1,76 0 Mar 110 94,64 86,912 102,36 5,152 88.8 0,193 Aprl 88 91,984 88,9408 95,027 2,029 107,52 0,222 Mei 85 89,1904 89,04064 89,34 0,1 97,056 0,142 Jun 122 102,314 94,35008 110,27 5,309 89,44 0,267 Jul 141 117,788 103,7254 131,85 9,375 115,87 0,18 Agust 157 133,473 115,6245 151,32 11,899 141,22 0,1 Sept 130 132,083 122,208 141,95 6,584 163,22 0,256 TOTAL 19,43% Tabel 3.11 Hasil perhitungan prediksi metode DES (α = 0,5) manual Periode Data Aktual S t S"t α t b t Ft+m MAPE Jan 80 80 80 0 0 0 Feb 91 85,5 82,75 88,25 2,75 80 20
Mar 110 97,75 90,25 105,25 7,5 91 0,173 Aprl 88 92,875 91,5625 94,188 1,313 112,75 0,281 Mei 85 88,9375 90,25 87,625-1,313 95,501 0,124 Jun 122 105,468 97,85937 113,07 7,069 86,312 0,293 Jul 141 123,234 110,5468 135,92 12,688 120,68 0,144 Agust 157 140,117 125,3320 154,90 14,785 148,61 0,053 Sept 130 135,058 130,1953 139,92 4,863 169,68 0,305 TOTAL 19,61% Tabel 3.12 : Hasil perhitungan prediksi metode DES (α = 0,6) manual Periode Data Aktual S t S"t α t b t Ft+m MAPE Jan 80 80 80 0 0 0 Feb 91 86,6 83,96 89,24 3,96 0 Mar 110 100,64 93,968 107,31 10,008 93,2 0,153 Aprl 88 93,056 93,4208 92,691-0,547 117,32 0,333 Mei 85 88,2224 90,30176 86,143-3,119 92,144 0,084 Jun 122 108,488 101,2140 115,76 10,912 83,024 0,319 Jul 141 127,99 117,2829 138,70 16,069 126,67 0,102 Agust 157 145,398 134,1521 156,64 16,869 154,77 0,014 Sept 130 136,159 135,3564 136,96 1,204 173,51 0,335 TOTAL 19.14% Tabel 3.13 : Hasil perhitungan prediksi metode DES (α = 0,7) manual Periode Data Aktual S t S"t α t b t Ft+m MAPE Jan 80 80 80 0 0 0 Feb 91 87,7 85,39 90,01 5,39 0 Mar 110 103,31 97,934 108,68 12,544 95,4 0,133 Aprl 88 92,593 94,1953 90,991-3,739 121,23 0,378 Mei 85 872779 89,35312 85,203-4,842 87,252 0,026 Jun 122 111,583 104,9142 118,25 15,561 80,361 0,341 Jul 141 132,175 123,9967 140,35 19,083 133,81 0,051 Agust 157 149,552 141,8857 157,21 17,889 159,43 0,016 Sept 130 135,865 137,6717 134,06-4,214 175,10 0,347 TOTAL 18.46% 21
Tabel 3.14 Hasil perhitungan prediksi metode DES (α = 0,8) manual Periode Data Aktual S t S"t α t b t Ft+m MAPE Jan 80 80 80 0 0 0 Feb 91 88,8 87,04 90,56 7,04 0 Mar 110 105,76 102,016 109,50 14,976 97,6 0,113 Aprl 88 91,552 93,6448 89,459-8,371 124,48 0,415 Mei 85 86,3104 87,77728 84,844-5,868 81,088 0,046 Jun 122 114,862 109,4451 120,27 21,668 78,976 0,353 Jul 141 135,772 130,5069 141,03 21,062 141,94 0,007 Agust 157 152,754 148,3049 157,20 17,798 162,1 0,032 Sept 130 134,550 137,3017 131,8-11,01 175,00 0,346 TOTAL 18,74% Tabel 3.15 : Hasil perhitungan prediksi metode DES (α = 0,9) manual Periode Data Aktual S t S"t α t b t Ft+m MAPE Jan 80 80 80 0 0 0 Feb 91 89,9 88,91 90,89 8,91 0 Mar 110 107,99 106,082 109,89 17,172 99,8 0,093 Aprl 88 89,999 91,6073 88,391-14,48 127,07 0,444 Mei 85 85,4999 86,11064 84,889-5,497 73,916 0,13 Jun 122 118,349 115,1260 121,57 29,015 79,392 0,349 Jul 141 138,734 136,3741 141,09 21,248 150,58 0,068 Agust 157 155,173 153,293 157,05 16,919 162,3 0,034 Sept 130 132,517 134,594 130,44-16,7 173,97 0,338 TOTAL 20,8% Tabel 3.16 Hasil perhitungan MAPE (α = 0,1 sampai α = 0,9) manual ALPHA MAPE 0,1 19,01% 0,2 17,46% 0,3 18,67% 0,4 19,43% 0,5 19,61% 0,6 19.14% 0,7 18.46% 0,8 18,74% 0,9 20,8% 22
Dengan sample data yang telah diujikan menggunakan nilai alpha (α) yang berbeda yaitu dari (α) = 0,1 sampai (α) = 0,9 maka diperoleh nilai (α) = 0,2 merupakan (α) yang memberikan nilai error terkecil. Prediksi pengeluaran obat pada bulan Oktober 2015 sampai bulan Desember 2015 diperoleh dengan (α) = 0,2 melalui persamaan 5. Untuk hasil prediksi dapat dilihat dari tabel 3.17 Tabel 3.17 Hasil Perhitungan Prediksi (α = 0,2) Manual PERIODE F t+m = a t + b t (m) HASIL Oktober 2015 November 2015 Desember 2015 Fsept 15+1 = αsept + bsept (1) = 134,761 + 4,591 (1) Fsept 15+2 = αsept + bsept (2) = 135,761 + 4,591 (2) Fsept 15+3 = αsept + bsept (3) = 135,761 + 4,591 (3) 140,352 144,943 149,534 Hasil dari prediksi jumlah pengeluaran obat menggunakan metode Double Exponential Smoothing dapat dilihat pada tabel 3.18. Tabel 3.18 : Hasil prediksi dan nilai MAPE Periode Prediksi MAPE pengeluaran obat Oktober 140 obat 17,46% 2015 November 145 obat 17,46% 2015 Desember 150 obat 17,46% 2015 3.1.5 Business Process Merupakan serangkaian atau sekumpulan aktifitas dalam sebuah sistem yang dirancang untuk mencapai tujuan sebuah sistem. Pada business process terdapat beberapa komponen untuk mencapai tujuan tersebut, yaitu masukan (input), media yang digunakan (uses) yang kemudian akan menghasilkan tujuan 23
(goal). Business procces aplikasi prediksi jumlah pasien rawat inap dapat dilihat pada Gambar 3.1 Gambar 3.1 Business Proses Berdasarkan gambar 3.1 sistem membutuhkan tiga inputan data dan menghasilkan sebuah tujuan. Data yang diperlukan sebaga inputan yaitu data user, data ICD10, data pasien. Tujuan dari sistem ini adalah prediksi jumlah pasien pada tiga bulan berikutnya. 3.1.6 Usecase Diagram Usecase diagram digunakan untuk mendeskripsikan sebuah interaksi antara satu atau lebih aktor dengan sistem yang akan dikembangkan. Usecase diagram bertujuan untuk mengetahui fungsi apa saja yang dapat diakses oleh suatu aktor. Usecase disini memiliki 2 aktor yaitu kepala rekam medik dan staff rekam medik dan memiliki 7 usecase yang dapat diakses oleh kepala rekam medik sedangkan staff rekam medik memiliki 11 usecase yang dapat diakses. Kepala rekam medik meliputi lihat hasil prediksi data pasien, lihat hasil prediksi data ICD10, lihat data pasien, lihat data ICD10, tambah data user, ubah data user, dan hapus data user sedangkan staff rekam medik meliputi tambah data pasien, ubah data pasien, hapus data pasien, tambah data jenis penyakit, ubah data jenis penyakit, hapus data jenis penyakit, tambah data jumlah penderita, ubah data jumlah penderita, hapus data jumlah penderita, lihat data pasien dan lihat data ICD10. 24
Tambah Data User Ubah Data User Tambah Data Pasien Hapus Data User Hapus Data Pasien Ubah Data Pasien Lihat Hasil Prediksi Pasien Lihat Data ICD10 Lihat Data Pasien Tambah Data Jumlah Penderita Kepala RM Ubah Data Jumlah Penderita Staff RM Hapus Data Jumlah Penderita Lihat Hasil Prediksi ICD 10 Tambah Data Penyakit Ubah Data Penyakit Hapus Data Penyakit Gambar 3.2 Usecase Diagram Definisi aktor dari usecase aplikasi prediksi jumlah pasien rawat inap dapat dilihat pada Tabel 3.1. Definisi usecase dapat dilihat pada Tabel 3.2. Tabel 3.19 Definisi Aktor Aktor Definisi Kepala Rekam Medik Aktor yang memiliki hak akses untuk CRUD data user, melihat data pasien, melihat data ICD 10, melihat prediksi data pasien, melihat prediksi data ICD 10. Staff Rekam Medik Aktor yang memiliki hak akses untuk CRUD data pasien, CRUD data penyakit dan CRUD jumlah penderita, CRUD data ICD10 Use case Lihat prediksi data pasien Lihat prediksi data ICD 10 Tabel 3.20 Definisi Usecase Definisi Use case yang digunakan untuk melihat data hasil prediksi data pasien 3 bulan berikutnya Use case yang digunakan untuk melihat data hasil prediksi data ICD10 3 bulan berikutnya 25
Lihat data ICD 10 Use case yang digunakan untuk melihat data ICD 10 Lihat data pasien Use case yang digunakan untuk melihat data pasien Tambah data user Use case yang digunakan untuk menambah data user Ubah data user Use case yang digunakan untuk mengubah data user Hapus data user Use case yang digunakan untuk menghapus data user Tambah data pasien Use case yang digunakan untuk menambah data pasien Ubah data pasien Use case yang digunakan untuk mengubah data pasien Tambah data penyakit Use case yang digunakan untuk menambah data penyakit Ubah data penyakit Use case yang digunakan untuk mengubah data penyakit Hapus data penyakit Use case yang digunakan untuk menghapus data penyakit Tambah data jumlah Use case yang digunakan untuk menambah data jumlah penderita penderita Ubah data jumlah Use case yang digunakan untuk mengubah data jumlah penderita penderita Hapus data jumlah Use case yang digunakan untuk menghapus data jumlah penderita penderita 3.1.7 Usecase Scenario Scenario usecase adalah cara mendeskripsikan aktor-aktor mana saja yang melakukan prosedur dalam alur sistem tersebut, serta menjelaskan respon yang ditanggapi oleh sistem tersebut terhadap prosedur yang dilakukan oleh aktor. Tabel 3.21 Scenario lihat prediksi data pasien Nama Usecase Tujuan Identifikasi Lihat prediksi data pasien User dapat melihat hasil prediksi data pasien 26
Deskripsi Aktor Dalam hal ini user dapat melihat data Prediksi pasien tiga bulan kedepan dari data terbaru. Kepala rekam medik Scenario Utama Kondisi Awal :Sistem menampilkan dashboard kepala rekam medik Aksi Aktor 2. Klik menu prediksi 4.User memilih dropdown menu prediksi pasien. Reaksi Sistem 1.Menampilkan menu utama. 3.Menampilkan dropdown menu prediksi 5.Menampilkan data prediksi pasien Kondisi Akhir: Kepala rekam medik dapat melihat hasil prediksi jumlah pasien tiga periode selanjutnya Tabel 3.22 Scenario lihat prediksi data ICD 10 Identifikasi Nama Usecase Lihat prediksi data ICD10 Tujuan Deskripsi Aktor User dapat melihat hasil prediksi data ICD10 Dalam hal ini user dapat melihat data Prediksi ICD10 tiga bulan kedepan dari data terbaru. Kepala rekam medik Scenario Utama Kondisi Awal :Sistem menampilkan dashboard kepala rekam medik 27
Aksi Aktor Reaksi Sistem 1.Menampilkan menu utama 2. Klik menu prediksi 3.Menampilkan dropdown menu prediksi 4.User memilih dropdown menu prediksi ICD10. 6.Memilih jenis penyakit yang akan diprediksi 5. Menampilkan form prediksi ICD10 7.Menampilkan hasil prediksi data ICD10 yang dipilih Kondisi Akhir: Kepala rekam medik dapat melihat hasil prediksi ICD10 berdasarkan jenis penyakit yang dipilih dalam tiga periode berikutnya. Nama Usecase Tabel 3.23 Scenario lihat data pasien Identifikasi Lihat data pasien Tujuan Deskripsi Aktor User dapat melihat data pasien Dalam hal ini user dapat melihat data pasien yang terdiri dari jumlah pasien tiap bulannya Kepala dan staff rekam medik Scenario Utama Kondisi Awal :Sistem menampilkan dashboard aktor Aksi Aktor Reaksi Sistem 28
1. Menampilkan pilihan menu pada halaman sistem. 2. Klik menu data pasien 3. Menampilkan tabel data pasien yang terdiri dari jumlah, bulan, dan tahun. Kondisi Akhir: Aktor dapat melihat data pasien yang terdiri dari jumlah pasien tiap bulannya Tabel 3.24 Scenario Lihat Data ICD10 Identifikasi Nama Usecase Lihat data ICD 10 Tujuan Deskripsi Aktor User dapat melihat data ICD10 Dalam hal ini user dapat melihat data ICD10 yang terdiri dari jumlah penderita, kode penyakit dan ICD10 Kepala rekam medik dan staff rekam medik Scenario Utama Kondisi Awal :Sistem menampilkan form data ICD10 Aksi Aktor Reaksi Sistem 1. Menampilkan form data ICD10 dengan pilihan menu bulan dan tahun 2. memilih menu bulan dan tahun 3.Klik tombol lihat 29
4. Sistem menampilkan tabel data ICD10 Kondisi Akhir: Aktor dapat melihat tabel data ICD yang terdiri dari kode penyakit, ICD10, dan jumlah penderita berdasarkan bulan dan tahun yang dipilih. Nama Usecase Tabel 3.25 Scnario Tambah Data User Identifikasi Tambah Data User Tujuan Deskripsi Aktor User dapat menambah data user Dalam hal ini user dapat menambah tabel data user Kepala rekam medik Scenario Utama Kondisi Awal : Sistem menampilkan dashboard kepala rekam medik Aksi Aktor Reaksi Sistem 1.Menampilkan pilihan menu utama. 2. Klik menu data user 3.Menampilkan tabel data user 4. klik tombol tambah data baru 5.Menampilkan tabel data user 6.pilih tambah data user 7.menampilkan form tambah data baru user 30
8.menginputkan data user yaitu berupa NIP, nama, jenis kelamin, jabatan, no hp, alamat, lama kerja, username, password 9.klik tombol simpan 10.Sistem memberikan pesan berhasil ditambahkan 11. menampilkan tabel data user Kondisi Akhir: Aktor menambah data user Nama Usecase Tabel 3.26 Scenario ubah data user Identifikasi Ubah Data User Tujuan Deskripsi Aktor User dapat mengubah data user Dalam hal ini user dapat mengubah tabel data user Kepala rekam medik Scenario Utama Kondisi Awal : Sistem menampilkan dashboard kepala rekam medik Aksi Aktor Reaksi Sistem 1.Menampilkan pilihan menu utama. 2. Klik menu data user 3.Menampilkan tabel data user 4. klik tombol detail pada data yang akan diubah 31
5.Menampilkan form edit data user 6. mengubah data user yaitu berupa NIP, nama, jenis kelamin, jabatan, no hp, alamat, lama kerja, username, password 7. Klik tombol simpan 8. Sistem memberikan pesan berhasil diubah 9. Menampilkan tabel data user Kondisi Akhir: Aktor menambah data user Nama Usecase Tabel 3.27 Scenario hapus data user Identifikasi Hapus Data User Tujuan Deskripsi Aktor User dapat menghapus data user Dalam hal ini user dapat menghapus data user Kepala rekam medik Scenario Utama Kondisi Awal : Sistem menampilkan tabel data user pada kepala rekam medik Aksi Aktor Reaksi Sistem 1.Menampilkan tabel data user 2. Memilih tombol non aktifkan untuk data yang akan di nonaktifkan 32
3. Menampilkan pesan apakah anda yakin ya/tidak 4. Klik tombol ya 5. Menampilkan tabel data user yang sudah diubah Kondisi Akhir: Aktor menghapus data user Tabel 3.28 Scenario Tambah Data Pasien Identifikasi Nama Usecase Tujuan Deskripsi Aktor Tambah Data Pasien User dapat menambah data pasien Dalam hal ini user dapat menambah tabel data pasien Staff rekam medik Skenario Utama Kondisi Awal : Sistem menampilkan dashboard staff rekam medik Aksi Aktor Reaksi Sistem 1. Menampilkan pilihan menu utama 2. Klik menu data pasien 3.Menampilkan tabel data pasien 4. klik tombol tambah data pasien 5.Menampilkan form tambah data pasien 6.menginputkan data pasien yaitu berupa bulan, tahun, dan jumlah 7.klik tombol simpan 33
Kondisi Akhir: Aktor menambah data pasien 8.Sistem memberikan info berhasil ditambahkan 9. menampilkan tabel data pasien Tabel 3.29 Scenario ubah data pasien Identifikasi Nama Usecase Tujuan Deskripsi Aktor Ubah Data Pasien User dapat mengubah data pasien Dalam hal ini user dapat mengubah tabel data pasien Staff rekam medik Skenario Utama Kondisi Awal : Sistem menampilkan tabel data pasien pada staff rekam medik Aksi Aktor Reaksi Sistem 1. menampilkan tabel data pasien 2. memilih tombol edit pada kolom action data yang akan diedit 3. menampilkan form edit data pasien 4. mengubah data pasien yaitu berupa bulan, tahun, dan jumlah 5.klik tombol simpan Kondisi Akhir: Aktor mengubah data pasien. 6. Sistem memberikan pesan berhasil diubah 7.menampilkan tabel data pasien 34
Tabel 3.30 Scenario hapus data pasien Identifikasi Nama Usecase Tujuan Deskripsi Aktor Ha[us Data Pasien User dapat menghapus data pasien Dalam hal ini user dapat menghapus tabel data pasien Staff rekam medik Skenario Utama Kondisi Awal : Sistem menampilkan tabel data pasien pada staff rekam medik Aksi Aktor Reaksi Sistem 1.menampilkan tabel data pasien 2. memilih tombol hapus pada kolom action data yang akan hapus 3. menampilkan pesan apakah anda yakin ya/tidak 4.klik tombol ya Kondisi Akhir: Aktor menghapus data pasien. 5.menampilkan tabel data pasien yang sudah dihapus Tabel 3.31 Scenario Tambah Data Penyakit Identifikasi Nama Usecase Tujuan Deskripsi Aktor Tambah Data Penyakit User dapat menambah data penyakit Dalam hal ini user dapat menambah tabel data penyakit Staff rekam medik 35
Scenario Utama Kondisi Awal :Sistem menampilkan form data penyakit Aksi Aktor Reaksi Sistem 1. Menampilkan tabel data penyakit 2. klik tombol tambah data penyakit 3.Menampilkan form tambah data penyakit 4.menginputkan data penyakit yaitu berupa penyakit,bulan, tahun, dan jumlah 5.klik tombol simpan Kondisi Akhir : Aktor menambah data penyakit. 6.Sistem memberikan pesan berhasil ditambahkan 7. menampilkan tabel data penyakit Tabel 3.32 Scenario Ubah data penyakit Identifikasi Nama Usecase Tujuan Deskripsi Aktor Ubah Data Penyakit User dapat mengubah data penyakit Dalam hal ini user dapat mengubah tabel data penyakit Staff rekam medik Scenario Utama Kondisi Awal :Sistem menampilkan form data penyakit Aksi Aktor Reaksi Sistem 1. menampilkan tabel data penyakit 36
2. memilih tombol ubah pada kolom action data yang akan diedit 3. menampilkan form ubah data penyakit 4. Mengubah data penyakit yaitu berupa kode penyakit dan jenis penyakit 5.klik tombol simpan Kondisi Akhir : Aktor mengubah data penyakit. 6. Sistem memberikan pesan berhasil diubah 7.menampilkan tabel data penyakit Tabel 3.33 Scenario Hapus data penyakit Identifikasi Nama Usecase Tujuan Deskripsi Aktor Hapus Data Penyakit User dapat menghapus data penyakit Dalam hal ini user dapat menghapus tabel data penyakit Staff rekam medik Scenario Utama Kondisi Awal :Sistem menampilkan form data penyakit Aksi Aktor Reaksi Sistem 1. menampilkan tabel data penyakit 2. memilih tombol hapus pada kolom action data yang akan hapus 3. menampilkan pesan apakah anda yakin ya/tidak 37
4.klik tombol ya Kondisi Akhir : Aktor menghapus data penyakit. 5.menampilkan tabel data penyakit yang sudah diubah Tabel 3.34 Scenario Tambah Data Jumlah Penderita Identifikasi Nama Usecase Tujuan Deskripsi Aktor Tambah Data Jumlah Penderita User dapat menambah data jumlah penderita Dalam hal ini user dapat menambah tabel data jumlah penderita Staff rekam medik Skenario Utama Kondisi Awal :Sistem menampilkan form data jumlah penderita Aksi Aktor Reaksi Sistem 1. Menampilkan tabel data jumlah penderita 2. klik tombol tambah data baru 3.Menampilkan form tambah data baru jumlah penderita 4.menginputkan data penyakit, bulan, tahun dan jumlah penderita 5.klik tombol simpan Kondisi Akhir: Aktor menambah data jumlah penderita. 6.Sistem memberikan info berhasil ditambahkan 38
Tabel 3.35 Scenario Ubah Data Jumlah Penderita Identifikasi Nama Usecase Tujuan Deskripsi Aktor Ubah Data Jumlah Penderita User dapat mengubah data jumlah penderita Dalam hal ini user dapat mengubah tabel data jumlah penderita Staff rekam medik Skenario Utama Kondisi Awal :Sistem menampilkan form data jumlah penderita Aksi Aktor Reaksi Sistem 1. menampilkan tabel data jumlah penderita 2. memilih tombol ubah pada kolom action data yang akan diedit 3. menampilkan form ubah data jumlah penderita 4. mengubah data penyakit yaitu berupa penyakit, bulan, tahun, dan jumlah penderita 5. klik tombol simpan Kondisi Akhir: Aktor mengubah data jumlah penderita. 6. Sistem memberikan pesan berhasil diubah 7.menampilkan tabel data jumlah penderita 39
Tabel 3.36 Scenario Hapus Data Jumlah Penderita Identifikasi Nama Usecase Tujuan Deskripsi Aktor Hapus Data Jumlah Penderita User dapat menghapus data jumlah penderita Dalam hal ini user dapat menghapus tabel data jumlah penderita Staff rekam medik Skenario Utama Kondisi Awal :Sistem menampilkan form data jumlah penderita Aksi Aktor Reaksi Sistem 1.menampilkan tabel data jumlah penderita 2. memilih tombol hapus pada kolom action data yang akan hapus 3. menampilkan pesan apakah anda yakin ya/tidak 4.klik tombol ya Kondisi Akhir: Aktor menghapus data jumlah penderita. 21.menampilkan tabel data jumlah penderita yang sudah diubah 3.2 Perancangan sistem Pada tahap ini akan dilakukan perancangan sistem berdasarkan usecase yang telah dibuat. Perancangan dimulai dari pembuatan activity diagram, sequence diagram, class diagram, hingga perancangan interface sistem dimana perancangan sistem disini bertujuan untuk membangun sistem yang sesuai dengan keinginan kita dan merancang fitur-fitur agar sesuai dengan kebutuhan. 40
3.2.1 Activity Diagram Activity diagram adalah representasi grafis dari seluruh tahapan alur kerja. Diagram ini mengandung aktivitas, pilihan tindakan, perulangan dan hasil dari aktivitas. Gambar 3.3 Activity diagram prediksi data pasien Gambar 3.3 merupakan activity diagram dari prediksi pasien. Aktor akan melihat prediksi data pasien. Proses dimulai dari aktor membuka aplikasi, kemudian sistem menampilkan menu halaman utama, aktor memilih menu prediksi. Setelah aktor memilih menu prediksi, sistem akan menampilkan dropdown menu prediksi, kemudian aktor memilih dropdown menu prediksi pasien dan sistem akan menampilkan data prediksi pasien tiga bulan berikutnya. Gambar 3.4 Activity diagram prediksi data ICD10 41
Gambar 3.4 merupakan activity diagram dari prediksi data ICD10. Proses dimulai dari aktor membuka aplikasi. Kemudian sistem menampilkan menu halaman utama, kemudian aktor memilih menu prediksi. Setelah aktor memilih menu prediksi, sistem akan menampilkan dropdown menu prediksi. Aktor memilih dropdown menu prediksi data ICD10 dan sistem akan menampilkan data prediksi pasien tiga bulan berikutnya. Gambar 3.5 Activity diagram lihat data ICD10 Gambar 3.5 merupakan activity diagram dari lihat data ICD10. Aktor akan melihat prediksi data ICD10. Proses dimulai dari sistem menampilkan tampilan form data ICD10, kemudian aktor memilih menu bulan dan tahun, setelah itu.pilih lihat, sistem akan menampilkan tabel data ICD10. Gambar 3.6 Activity diagram lihat data pasien 42
Gambar 3.6 merupakan activity diagram dari lihat data pasien. Aktor akan melihat data pasien. Proses dimulai dari aktor membuka aplikasi, kemudian sistem akan menampilkan menu utama. Setelah itu aktor pilih menu data pasien dan sistem akan menampilkan tabel data pasien. Gambar 3.7 Activity diagram CRUD data user Gambar 3.7 merupakan activity diagram dari CRUD data user. Proses dimulai dari aktor membuka aplikasi. Kemudian sistem menampilkan menu halaman utama. Aktor akan menambah data user, memilih menu data user, sistem akan menampilkan tabel data user. Aktor memilih tambah data user dan sistem akan menampilkan form tambah data user, kemudian aktor memasukan data user yang akan ditambah dan pilih simpan, sistem akan menampilkan pesan berhasil ditambah dan sistem akan menampilkan tabel data user. Aktor akan mengedit data user pilih 43
detail pada data user yang akan diedit, sistem akan menampilkan data user yang dipilih. Kemudian aktor pilih edit dan sistem akan menampilkan form edit data user, setelah aktor mengedit data user dan pilih simpan, sistem akan menampilkan pesan berhasil diubah dan sistem akan menampilkan tabel data user yang telah diubah. Aktor akan menonaktifkan data user, pilih non aktifkan pada data user dan sistem akan menampilkan pesan apakah anda yakin ya/tidak, setelah aktor memilih ya dan sistem akan menampilkan tabel data user yang telah diubah. Gambar 3.8 Activity diagram CRUD data pasien Gambar 3.8 merupakan activity diagram dari CRUD data pasien. Proses dimulai dari aktor membuka aplikasi. Kemudian sistem menampilkan menu halaman utama. Aktor akan menambah data pasien, memilih menu data pasien, sistem akan menampilkan tabel data pasien. Aktor memilih tambah data pasien dan 44
sistem akan menampilkan form tambah data pasien, kemudian aktor memasukan data pasien yang akan ditambah dan pilih simpan, sistem akan menampilkan pesan berhasil ditambah dan sistem akan menampilkan tabel data pasien. Aktor akan mengedit data pasien. Pilih edit pada tabel data pasien yang akan diedit, sistem akan menampilkan form edit data pasien, setelah aktor mengedit data pasien dan pilih simpan, sistem akan menampilkan pesan berhasil diubah dan sistem akan menampilkan tabel data pasien yamg telah diubah. Aktor akan menghapus data pasien, pilih hapus pada tabel data pasien dan sistem akan menampilkan pesan apakah anda yakin ya/tidak, setelah aktor memilih ya dan sistem akan menampilkan tabel data user yang telah diubah. Gambar 3.9 Activity diagram CRUD data penyakit 45
Gambar 3.9 merupakan activity diagram dari CRUD data penykit. Aktor akan menambah data penyakit. Proses dimulai dari sistem menampilkan tabel data penyakit, kemudian aktor memilih tambah data penyakit dan sistem akan menampilkan form tambah data penyakit. Setelah aktor menambah data penyakit dan memilih simpan, sistem akan menampilkan pesan berhasil ditambahkan dan menampilkan tabel data penyakit yang telah ditambah. Gambar 3.10 Activity diagram CRUD data jumlah penderita Gambar 3.10 merupakan activity diagram dari CRUD data jumlah penderita. Aktor akan menambah data jumlah penderita. Proses dimulai dari sistem menampilkan tabel data jumlah penderita, kemudian aktor memilih tambah data data jumlah penderita dan sistem akan menampilkan form tambah data jumlah penderita. Setelah aktor menambah data jumlah penderita dan memilih simpan, 46
sistem akan menampilkan pesan berhasil ditambahkan dan menampilkan tabel data jumlah penderita yang telah ditambah. Aktor akan mengedit data jumlah penderita. Pilih edit pada tabel data jumlah penderita yang akan diedit, sistem akan menampilkan form edit data jumlah penderita, setelah aktor mengedit data jumlah penderita dan pilih simpan, sistem akan menampilkan pesan berhasil diubah dan sistem akan menampilkan tabel data jumlah penderita yamg telah diubah. Aktor akan menghapus data jumlah penderita, pilih hapus pada tabel data jumlah penderita dan sistem akan menampilkan pesan apakah anda yakin ya/tidak, setelah aktor memilih ya dan sistem akan menampilkan tabel data jumlah penderita yang telah diubah. 3.2.2 Sequence Diagram Sequence diagram adalah sebuah diagram yang menggambarkan kelakuan objek pada use case dengan mendiskripsikan waktu hidup objek dan pesan yang dikirimkan dan diterima antar objek. Dibawah ini merupakan sequence diagram dari sistem yang akan dikembangkan: Gambar 3.11 Sequence diagram prediksi data pasien Pada gambar 3.11 menunjukan proses prediksi data pasien. Proses dimulai dari user memilih menu prediksi data pasien dan sistem akan mengambil data prediksi dari database sistem dan sistem akan menampilkan hasil prediksi data pasien tiga bulan berikutnya kepada user. 47
Gambar 3.12 Sequence diagram prediksi data ICD10 Pada gambar 3.12 menunjukan proses prediksi data ICD10. Proses dimulai dari user memilih menu prediksi data ICD10 dan sistem akan mengambil data prediksi dari database dan sistem akan menampilkan hasil prediksi data ICD10 tiga bulan berikutnya kepada user. Gambar 3.13 Sequence diagram CRUD data user 48
Pada gambar 3.13 menunjukan proses crud data user. User disini diperankan oleh kepala rekam medik yang mempunyai hak ases dalam memanajemen data user. Proses dimulai dari user menambah, mengedit, dan menonaktifkan data user pada form data user dan database sistem akan menyimpan data user yang telah ditambah, diubah, dan dinonaktifkan setelah tersimpan didatabase akan ditampilkan data user yang telah ditambah. Gambar 3.14 Sequence diagram CRUD data pasien Pada gambar 3.14 menunjukan proses lihat, tambah, edit, dan hapus data pasien. Proses dimulai dari user memilih menu data pasien dan sistem akan mendapatkan data pasien dari database dan sistem akan menampilkan data pasien. Gambar 3.15 Sequence diagram lihat data ICD10 49
Pada gambar 3.15 menunjukan proses lihat, tambah, edit, dan hapus data ICD10. Proses dimulai dari user memilih menu data ICD10 dan sistem akan mendapatkan data ICD10 dari database dan sistem akan menampilkan data ICD10. Gambar 3.16 Sequence diagram CRUD data jenis penyakit Pada gambar 3.16 menunjukan proses tambah data jenis penyakit. User disini diperankan oleh staff rekam medik yang mempunyai hak ases dalam memanajemen data jenis penyakit. Proses dimulai dari lihat, tambah, edit, dan hapus data jenis penyakit pada form data jenis penyakit dan database sistem akan menyimpan data jenis penyakit yang telah lihat, tambah, edit, dan hapus, setelah tersimpan didatabase, akan ditampilkan kepada user. 50
Gambar 3.17 Sequence diagram CRUD data jumlah penderita Pada gambar 3.17 menunjukan proses tambah data jenis penyakit. Proses dimulai dari user menambah data jumlah penderita pada form data jumlah penderita dan database sistem akan menyimpan data jumlah penderita yang telah ditambah, setelah tersimpan didatabase, akan ditampilkan kepada user. 3.2.3 Class Diagram Classdiagram merupakan spesifikasi dari pengembangan dan desain berorientasi objek yang menggambarkan struktur dan deskripsi class, package dan objek beserta hubungan satu sama lain. Berikut adalah penjelasan dari class diagram pada gambar 3.18. 51
Gambar 3.18 Class Diagram 3.2.4 Perancangan Interface Pada sub bab ini, akan dijelaskan rancangan interface dari sistem yang akan dibangun. Desain interface didesain sesederhana mungkin untuk mempermudah penggunaan sistem. Sistem akan dibangun dengan bahasa pemrograman PHP dan Framework Codeigniter. 3.2.4.1 Login Halaman Login merupakan halaman yang disediakan oleh sistem untuk melindungi data riwayat transaksi user dari pihak yang tidak memiliki hak untuk mengaksesnya. Halaman Login akan tampil ketika program dijalankan. Ketika program baru pertama kali dijalankan, username dan password dikosongkan. Setelah login berhasil, halaman utama akan tampil. Setelah user masuk ke dalam halaman utama sistem, user akan masuk pada halaman menu utama atau dashboard. 52
Gambar 3.19 Rancangan interface login 3.2.4.2 Home / Dashboard Halaman ini adalah halaman yang terdapat dimenu utama setelah user berhasil melakukan login. Didalam halaman ini terdapat grafik data pasien dan grafik data ICD10. Gambar 3.20 Rancangan interface home atau dashboard 3.2.4.3 Fitur Prediksi Data Pasien Halaman ini adalah fitur prediksi data pasien. Disisi sidebar terdapat beberapa menu utama lainya, yaitu : data pasien, data ICD10, prediksi data ICD10. Pada fitur prediksi data pasien ini hanya bisa di akses oleh kepala rekam medik. Didalam fitur ini user dapat melihat hasil prediksi data pasien yang sudah diproses menggunakan metode Double Exponential Smoothing selama tiga periode berikutnya. Detail gambarnya dapat dilihat pada gambar 3.21. 53
Gambar 3.21 Rancangan interface fitur prediksi data pasien 3.2.4.4 Fitur Prediksi Data ICD10 Pada gambar 3.22 berikut adalah gambar fitur prediksi data ICD10. Pada fitur ini hanya bisa diakses oleh kepala rekam medik. Didalam fitur ini terdapat hasil prediksi data ICD10 berdasarkan data ICD10 yang telah diinputkan oleh staff rekam medik. Fitur ini memprediksikan data ICD10 tiga periode berikutnya. Metode prediksi yang digunakan Double Exponential Smoothing. Gambar 3.22 Rancangan interface fitur prediksi data ICD10 3.2.4.5 Fitur Lihat Data Pasien Pada gambar 3.23erikut adalah gambar fitur lihat data pasien. Pada fitur ini kepala dan staff rekam medik dapat melihat data pasien yang telah diinputkan oleh staff rekam medik. 54
Gambar 3.23 Rancangan interface fitur lihat data pasien 3.2.4.6 Fitur Lihat Data ICD10 Pada gambar 3. 42 berikut adalah gambar fitur lihat data ICD10. Pada fitur ini kepala dan staff rekam medik dapat melihat data ICD10 yang telah diinputkan oleh staff rekam medik. Gambar 3.24 Rancangan interface fitur lihat data ICD10 3.2.4.7 Fitur CRUD Data User Pada fitur ini hak akses hanya dimiliki oleh kepala rekam medik. Didalam fitur ini terdapat data user yaitu staff rekam medik yang berisi data staff, username dan password user/staff. 55
Gambar 3.25 Rancangan interface fitur CRUD data user 3.2.4.8 Fitur CRUD Data Pasien Pada gambar 3.26 merupakan gambar rancangan interface fitur CRUD data pasien. Fitur ini hanya bisa diakses oleh staff rekam medik yang berfungsi menambah, mengubah, mnghapus data pasien. Gambar 3.26 Rancangan interface fitur CRUD data pasien 3.2.4.9 Fitur CRUD Data Penyakit Pada gambar 3.27 merupakan gambar rancangan interface fitur CRUD data penyakit. Didalam fitur ini terdapat fitur menambah, mengubah dan menghapus data penyakit. 56
Gambar 3.27 Rancangan interface fitur CRUD data penyakit 3.2.4.10 Fitur CRUD Data Jumlah Penderita Pada gambar 3.28 merupakan gambar rancangan interface fitur CRUD data jumlah penderita. Didalam fitur ini terdapat fitur menambah, mengubah dan menghapus data jumlah penderita. Gambar 3.28 Rancangan interface fitur CRUD data jumlah penderita 57