perbandingan algoritma decision tree (c4.5) dan …eprints.ums.ac.id/36124/4/halaman depan.pdf ·...

i

PERBANDINGAN ALGORITMA DECISION TREE (C4.5) DAN NAÏVE

BAYES PADA DATA MINING UNTUK IDENTIFIKASI TUMBUH

KEMBANG ANAK BALITA (STUDI KASUS PUSKESMAS KARTASURA)

SKRIPSI

Disusun sebagai salah satu syarat menyelesaikan Jenjang Strata I

Pada Program Studi Informatika Fakultas Komunikasi dan Informatika

Universitas Muhammadiyah Surakarta

Oleh :

MILA LISTIANA

L200110047

PROGRAM STUDI INFORMATIKA

FAKULTAS KOMUNIKASI DAN INFORMATIKA

UNIVERSITAS MUHAMMADIYAH SURAKARTA

JULI 2015

v

MOTTO

“Sesungguhnya sesudah kesulitan itu ada kemudahan. Maka, apabila kamu sudah

selesai (dari satu urusan), kerjakanlah dengan sungguh-sungguh (urusan yang

lain)”

(QS. Al Insyirah: 6-7)

"Kita berdoa kalau kesusahan dan membutuhkan sesuatu, mestinya kita juga berdoa

dalam kegembiraan besar dan saat rezeki melimpah."

(Kahlil Gibran)

“Orang yang bisa mengendalikan emosinya adalah pemenang hidup sejati.”

(Mario Teguh)

“Kejujuran adalah kunci kepercayaan, kepercayaan adalah kunci kesetiaan”

(Penulis)

vi

PERSEMBAHAN

Dengan mengucap syukur alhamdulillah atas rahmad dan hidayah Allah SWT,

akan kupersembahkan karya ini kepada orang-orang yang saya sayangi :

1. Terimakasih buat kedua orang tuaku tercinta yang selalu senantiasa

mendoakanku dan memberi dukungan moril maupun materil untuk

kesuksesan hidupku. Serta kasih sayang yang tulus yang takkan pernah

terbalaskan.

2. Buat kakak kakakku, ponakanku hamidah, terimakasih selalu memberi

semangat dukungan dan kebahagiaan dalam menyelasaikan studi ini.

3. Pak Jalwo yang selalu memberikan ilmu, dukungan, bimbingannya. Untuk

pak Dedi terimakasih atas nasehat-nasehat dan bimbingan yang bapak

berikan.

4. Hendri yang tak henti-hentinya memberikan semangat dan dukungan dalam

segala keadaan dan selalu setia menemani dalam keadaan susah maupun

senang demi kelancaran skripsi ini.

5. Deni, ifah , vero dll yang selalu memberi semangat saat saya malas

mengerjakan skripsi dan yang telah menjadi partner dalam mengerjakan

skripsi.

6. Sahabat-sahabatku (lita, nisa, eppy, icha) dan semua teman-teman

seperjuangan S1 informatika 2011. Terimakasih atas dukungan yang telah

diberikan

vii

7. Teman-teman kost Ulinnuha yang senantiasa memberi dukungan dan

semangat demi kelancaran skripsi ini. Kebersamaan yang tak akan pernah

terlupakan.

8. Almamaterku tercinta Universitas Muhammadiyah Surakarta.

9. Semua pihak yang tidak dapat saya sebutkan satu persatu atas semua hal yang

telah diberikan.

viii

KATA PENGANTAR

Alhamdulillahirobbil’alamin, Segala puji bagi Allah SWT yang selalu penulis

panjatkan atas nikmat yang diberikan, sehingga penulis dapat menyelesaikan skripsi

ini dengan judul “Perbandingan Algoritma Decision Tree (C4.5) Dan Naïve Bayes

Pada Data Mining Untuk Identifikasi Tumbuh Kembang Anak Balita (Studi Kasus

Puskesmas Kartasura)”. Skripsi ini disusun guna memenuhi persyaratan untuk

mencapai gelar S1 Informatika Universitas Muhammadiyah Surakarta.

Dalam penyusunan skripsi ini tidak lepas dari bimbingan dan bantuan dari

berbagai pihak. Dengan segala kerendahan hati, penulis mengucapkan terimakasih

yang sebanyak-banyaknya kepada:

1. Bapak Husni Thamrin, S.T., MT., Ph.D. selaku Dekan Fakultas Komunikasi

dan Informatika Universitas Muhammadiayah Surakarta.

2. Bapak Dr. Heru Supriyono, M.Sc. selaku Ketua Jurusan Teknik Informatika

Universitas Muhammadiayah Surakarta.

3. Bapak Drs.Sudjalwo, M.Kom. selaku pembimbing I yang telah memberikan,

bimbingan, dan pengarahan kepada penulis sehingga dapat menyelesaikan

tugas akhir ini .

4. Bapak Dedi Gunawan, S.T.,M.Sc. selaku pembimbing II yang telah

memberikan, bimbingan, dan pengarahan kepada penulis sehingga dapat

menyelesaikan tugas akhir ini .

5. Segenap dosen dan karyawan prodi Teknik Informatika atas bantuan dan ilmu

yang diberikan kepada penulis selama masa perkuliahan hingga dinyatakan

mendapat gelar Strata 1.

x

DAFTAR ISI

HALAMAN JUDUL ................................................................ i

HALAMAN PERSETUJUAN ................................................. ii

HALAMAN PENGESAHAN .................................................. iii

KONTRIBUSI .......................................................................... iv

MOTTO .................................................................................... v

PERSEMBAHAN .................................................................... vi

KATA PENGANTAR.............................................................. viii

DAFTAR ISI ............................................................................ x

DAFTAR TABEL .................................................................... xv

DAFTAR GAMBAR ............................................................... xvii

DAFTAR PERSAMAAN ........................................................ xix

DAFTAR LAMPIRAN ............................................................ xx

ABSTRAKSI ............................................................................ xxi

BAB I PENDAHULUAN ................................................................... 1

1.1 Latar Belakang Masalah ............................................ 1

1.2 Perumusan Masalah .................................................. 2

1.3 Batasan Masalah ....................................................... 2

1.4 Tujuan Penelitian ...................................................... 3

1.5 Manfaat Penelitian .................................................... 3

1.6 Sistematika Penulisan ............................................... 4

BAB II TINJAUAN PUSTAKA ........................................................ 6

2.1 Telaah Penelitian ....................................................... 5

xi

2.2 Landasan Teori .......................................................... 9

2.2.1 Balita .......................................................................... 9

2.2.2 Tumbuh Kembang Balita ........................................... 9

2.2.3 Data Mining ............................................................... 10

2.2.4 Decision Tree ............................................................. 10

2.2.5 Algoritma C4.5 ........................................................... 11

2.2.6 Naive Bayes ................................................................ 11

2.2.7 Rapid Miner ............................................................... 12

2.2.8 PHP ............................................................................ 12

2.2.9 MySQL....................................................................... 12

2.2.10 Precision .................................................................... 13

2.2.11 Recall ......................................................................... 13

2.2.12 Accuracy..................................................................... 13

BAB III METODE PENELITIAN ...................................................... 14

3.1 Alur Penelitian .......................................................... 14

3.2 Analisa Kebutuhan ..................................................... 16

3.2.1 Kebutuhan Data.......................................................... 16

3.2.2 Kebutuhan Software dan Hadware ............................ 16

3.2.3 Penentuan Data .......................................................... 17

3.2.3.1 Penentuan Atribut ...................................................... 17

3.2.3.2Penentuan Variabel Dependen dan

Independen.................................................................. 18

3.2.3.3 Pengelompokan Data.................................................. 18

3.2.3.4 Penentuan Sampel Dengan Rumus

Slovin......................................................................... 20

xii

3.3 Proses Data Mining..................................................... 20

3.3.1 Proses Mining Menggunakan Metode Decition

Tree............................................................................ 20

3.3.2 Proses Mining Menggunakan Metode Naive

Bayes............................................................................. 21

3.4 Perancangan Sistem..................................................... 22

3.4.1 Perancangan Use Case Diagram................................... 22

3.4.2 Perancangan DFD............................................... ......... 23

3.4.2.1 Perancangan DFD Level 0............................................. 23

3.4.2.2 Perancangan DFD Level 1............................................. 23

3.4.2.3 Perancangan DFD Level 2............................................ 23

3.4.3 Perancangan Aplikasi..................................................... 24

3.4.3.1 .Halaman Login.............................................................. 24

3.4.3.2 Halaman Administrator.................................................. 24

3.4.3.3 Halaman Home.................................................... .......... 25

BAB IV HASIL DAN PEMBAHASAN ..................................... .......... 26

4.1 Hasil Penelitian................................................................... 26

4.1.1 . Data Training.................................................................... 26

4.1.2 . Data Testinng.................................................................... 26

4.1.3 . Penentuan Sampel............................................................ 26

4.2 Analisis Sistem................................................................... 27

4.2.1 . Halaman Login................................................................. 27

4.2.2 . Halaman Administrator................................................... 28

4.2.3 . Halaman Home................................................................ 28

4.3 Analisa dan Pembahasan................................................ 28

xiii

4.3.1 . Hasil Implementasi dengan perhitungan Decision

Tree................................................................................. 28

4.3.1.1 Perhitungan untuk mencari root node ........................... 29

4.3.1.2 Perhitungan untuk mencari internal node ..................... 35

4.3.1.3 Menentukan internal node pada berat badan

10<berat≤20 .................................................................. 35

4.3.1.4 Menentukan internal node pada berat badan

10<berat≤20 dengan usia 30<usia≤45 .......................... 41

4.3.1.5 Menentukan internal node pada berat badan berat>20 . 46

4.3.1.6 Menentukan internal nodepada berat badan berat≤10 . 51

4.3.1.7 Menentukan internal node pada berat badan berat≤10

dengan waktu Kuartal IV .............................................. 56

4.3.2 . Hasil Implementasi Decition Tree menggunakan

RapidMiner 6.................................................................. 62

4.3.3 . Hasil Implementasi dengan Perhitungan Naive

Bayes............................................................................... 69

4.3.3.1 Perhitungan Dengan Data Training .............................. 69

4.3.3.2 Perhitungan Dengan Data Testing ................................. 71

4.3.4 . Hasil Implementasi Naive Bayes menggunakan

RapidMiner 6................................................................... 74

4.3.5 . Hasil Perbandingan Decition Tree dengan Naive

Bayes................................................................................ 77

BAB V KESIMPULAN DAN SARAN ..................................... ......... 79

5.1 Kesimpulan ....................................................................... 79

5.2 Saran ................................................................................. 80

xiv

DAFTAR PUSTAKA ................................................................................ 81

LAMPIRAN............................................................................... ................ 83

xv

DAFTAR TABEL

Tabel 3.1 Daftar Atribut yang Keseluruhan ...................................... 17

Tabel 3.2 PenentuanVariabelDependendanIndependen .................... 18

Tabel 3.3 Pengelompokan Data ........................................................ 19

Tabel 3.4 Daftar wilayah ................................................................... 19

Tabel 4.1 Atribut Tumbuh Kembang ................................................ 29

Tabel 4.2 Atribut Gender terhadap Tumbuh Kembang .................... 30

Tabel 4.3 Atribut Usia terhadap Tumbuh Kembang ......................... 31

Tabel 4.4 Atribut Berat Badan terhadap Tumbuh Kembang ............ 32

Tabel 4.5 Atribut Waktu terhadap Tumbuh Kembang ...................... 33

Tabel 4.6 Atribut Wilayah terhadap Tumbuh Kembang ................... 34

Tabel 4.7 Hasil Information Gain ..................................................... 35

Tabel 4.8 Atribut 10<berat≤20 .......................................................... 36

Tabel 4.9 Atribut 10<berat≤20 dan Gender ...................................... 36

Tabel 4.10 Atribut 10<berat≤20 dan Usia ........................................... 37

Tabel 4.11 Atribut 10<berat≤20 dan Waktu ....................................... 38

Tabel 4.12 Atribut 10<berat≤20 dan Wilayah .................................... 39


Tabel 4.14 Atribut berat badan 10<berat≤20 dan usia 30<usia≤45..... 41

Tabel 4.15 Atribut 10<berat≤20, usia 30<usia≤45dan Gender ........... 41

Tabel 4.16 Atribut 10<berat≤20,usia 30<usia≤45 dan waktu ............. 42

Tabel 4.17 Atribut 10<berat≤20,usia 30<usia≤45 dan wilayah .......... 43


xvi

Tabel 4.19 Atribut 10<berat≤20,usia30<usia≤45 dan wilayah IV ...... 45

Tabel 4.20 Atribut berat>20 ................................................................ 46

Tabel 4.21 Atribut berat>20dan Gender ............................................. 46

Tabel 4.22 Atribut berat badan berat>20 dan Usia ............................. 47

Tabel 4.23 Atribut berat>20 dan Waktu ............................................. 47

Tabel 4.24 Atribut berat>20 dan Wilayah ........................................... 48


Tabel 4.26 Atribut berat>20 dan GenderLaki-laki ............................. 49

Tabel 4.27 Atribut berat>20 dan Gender Perempuan ......................... 50

Tabel 4.28 Atribut berat≤10 ................................................................ 51

Tabel 4.29 Atribut berat≤10 dan Gender ............................................ 52

Tabel 4.30 Atribut berat≤10 dan Usia ................................................. 52

Tabel 4.31 Atribut berat≤10 dan Waktu.............................................. 53

Tabel 4.32 Atribut berat≤10 dan Wilayah ........................................... 54


Tabel 4.34 Atribut berat≤10 dan waktu Kuartal IV ............................ 56

Tabel 4.35 Atribut berat≤10, Kuartal IV dan Gender ......................... 56

Tabel 4.36 Atribut berat≤10, Kuartal IV dan Usia .............................. 57

Tabel 4.37 Atribut berat≤10, Kuartal IV dan Wilayah ....................... 58


Tabel 4.39 Atribut berat≤10, Kuartal IV dan Wilayah I ..................... 59

Tabel 4.40 Atribut berat≤10, Kuartal IV dan Wilayah III .................. 60

Tabel 4.41 Atribut berat≤10, Kuartal IV dan Wilayah IV .................. 61

Tabel 4.42 Hasil Perbandingan 2 Metode ........................................... 77

xvii

DAFTAR GAMBAR

Gambar 3.1 Diagram Alur Penelitian (Flowchart) ............................... 16

Gambar 3.2 Use Case Diagram Admin ................................................ 22

Gambar 3.3 Use Case Diagram User .................................................... 23

Gambar 3.4 DFD Level 0 ...................................................................... 23

Gambar 3.5 DFD Level 1 ...................................................................... 23

Gambar 3.6 DFD Level 2 ...................................................................... 24

Gambar 3.7 Halaman Login .................................................................. 24

Gambar 3.8 Halaman Administrator ..................................................... 25

Gambar 3.9 Halaman Home.................................................................. 25

Gambar 4.1 Halaman Login .................................................................. 27

Gambar 4.2 Halaman Administrator ..................................................... 27

Gambar 4.3 Halaman Home .................................................................. 28

Gambar 4.4 Root NodeBerat Badan ...................................................... 35

Gambar 4.5 Leaf nodeberat badan 10<berat≤20 ................................... 40

Gambar 4.6 Internal nodeke-2 Wilayah ............................................... 44

Gambar 4.7 LeafnodeWilayah IV ......................................................... 45

Gambar 4.8 Internal node Gender ........................................................ 49

Gambar 4.9 LeafnodeGenderLaki-laki ................................................. 50

Gambar 4.10 LeafnodeGenderPerempuan .............................................. 51

Gambar 4.11 Internal nodewaktu ........................................................... 55

Gambar 4.12 Internal node ke-2 Wilayah .............................................. 59

Gambar 4.13 Leaf node Wilayah I....................................................................................... 60

xviii

Gambar 4.14 Leaf node Wilayah III ....................................................... 61

Gambar 4.15 Leaf node Wilayah IV ....................................................... 62

Gambar 4.16 Rancangan proses penerapan Decision Tree untuk

klasifikasi data tumbuh kembang ...................................... 62

Gambar 4.17 Hasil skema Decision Tree untuk klasifikasi data tumbuh

kembang ............................................................................ 64

Gambar 4.18 Tampilan hasil decision treepada Scatter Plot .................. 68

Gambar 4.19 Rancangan proses naive bayes menggunakan data testing 74

Gambar 4.20 Hasil Naive Bayes untuk prediksi tumbuh kembang......... 75

Gambar 4.21 Scatter Plot Naive Bayes menggunakan data training..... 75

Gambar 4.22 Scatter Plot Naive Bayes menggunakan data testing........ 76

xix

DAFTAR PERSAMAAN

Persamaan 3.1 Rumus Slovin ...................................................................... .. 20

Persamaan 3.2Rumus Entropy .................................................................... .. 21

Persamaan 3.3 Rumus Information Gain .................................................... .. 21

Persamaan 3.4 Rumus teorema bayes ......................................................... .. 21

xx

DAFTAR LAMPIRAN

Lampiran A. Data Real Data Tumbuh Kembang Balita ............................. .. 84

Lampiran B.Data Testing Data Tumbuh Kembang Balita .......................... .. 92

Lampiran C.Data Training Data Tumbuh Kembang Balita ........................... 100

Lampiran D.Biodata Penulis .......................................................................... 108

Lampiran E.Surat Izin Penelitian ................................................................... 109

xxi

ABSTRAK

Puskesmas merupakan salah satu instansi kesehatan yang berada ditingkat

kecamatan. Sebagai upaya instansi kesehatan dalam mendukung pelayanan yang baik

diperlukan tata kerja yang tertib, rapi, dan teliti sehingga akan menghasilkan

informasi yang cepat, akurat, dan tepat waktu sesuai kebutuhan. Dalam instansi

kesehatan banyak data yang dari setiap tahunnya bertambah. Salah satunya yaitu data

tumbuh kembang balita. Akan tetapi dengan sekian banyaknya data tumbuh kembang

balita semakin sulit juga data tersebut dipelajari lebih lanjut dan umumnya hanya

digunakan sebagai arsip saja. Pemanfaatan teknik data mining diharapkan dapat

membantu dalam mengatasi tumbuh kembang balita yang kurang baik saat ini. Pada

penelitian ini kami membandingkan teknik klasifikasi dari kinerja metode decision

tree (C4.5) dan naive bayes.

Atribut yang digunakan terdiri dari Gender, Usia, Berat badan, Waktu,

Wilayah dan Tumbuh Kembang. Dengan menggunakan masing-masing data training

dan data testing sebanyak 304 data.

Hasil dari penelitian yang dilakukan, berdasarkan dari nilai accuracy maupun

recallnya naive bayes lebih tinggi dibandingkan dengan decision tree yaitu dengan

nilai accuracy 75,66% untuk decision tree dan 76,97% untuk naive bayes. Untuk

nilai recall-nya naive bayes lebih unggul yaitu 96,89% dibandingkan decision tree

89,78%. Meskipun dalam penelitian ini tingkat Precision-nya lebih tinggi decision

tree yaitu 85,23% dibandingkan naive bayes 84,17%. Hasil akhir dari penelitian ini

adalah metode naive bayes lebih baik digunakan dari pada metode decision tree

dengan nilai total 250,67% untuk decition tree dan 258.03% untuk naive bayes.

Kata kunci : Data Mining, Perbandingan Algoritma, Decision Tree (c4.5), Naïve

Bayes.

perbandingan algoritma decision tree (c4.5) dan …eprints.ums.ac.id/36124/4/halaman depan.pdf ·...

Documents