METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
ANALISA HUBUNGAN PENYAKIT JANTUNG KORONER TERHADAP PENYEBABNYA MENGGUNAKAN ALGORITMA
FREQUENT PATTERN GROWTH
Eva DarnilaA.
Nazira.
Fajriana Program Studi Teknik Informatika.
Universitas Malikussaleh.
Aceh Utara.
Indonesia Email: eva.
darnila@unimal.
DOI: https://doi.
org/10.
46880/jmika.
Vol9No1.
ABSTRACT
The increase in cases of coronary heart disease without detailed knowledge of the causes is a serious problem that requires immediate treatment.
This study aims to analyze the relationship between causal factors and the incidence of coronary heart disease using the Frequent Pattern Growth (FP-Growt.
This algorithm is applied to medical data of inpatients at RSUD dr.
Fauziah Bireuen to identify patterns of relationships that often arise between risk factors such as age, gender, diabetes, cholesterol, hypertension and uric acid on the diagnosis of coronary heart disease.
There were 180 patient medical record data with 17 items used for analysis.
The results show the three most significant relationship patterns: the combination of risk factors for diabetes and high cholesterol has a support value of 50% and confidence of 67%, the risk of diabetes in men has a support value of 47% and confidence of 63%, and the combination of cholesterol and hypertension shows a support value of 45 % and confidence 66%.
These results are expected to provide better insight into the prevention, early detection and treatment of coronary heart disease, as well as improving health services in hospitals.
This research also emphasizes the importance of applying data mining technology in the analysis of complex health data.
Keyword: Analysis.
Coronary Heart Disease.
Data Mining.
FP-Growth.
Risk Factors.
ABSTRAK
Peningkatan kasus penyakit jantung koroner tanpa pengetahuan rinci mengenai penyebabnya menjadi masalah serius yang membutuhkan penanganan segera.
Tujuan dari studi ini adalah untuk mengevaluasi hubungan penyebab dengan kejadian penyakit jantung koroner menggunakan algoritma Frequent Pattern Growth (FPGrowt.
Algoritma ini diterapkan pada data medis pasien rawat inap di RSUD dr.
Fauziah Bireuen untuk mengidentifikasi pola hubungan yang sering muncul antara faktor risiko seperti usia, jenis kelamin, diabetes, kolesterol, hipertensi, dan asam urat terhadap diagnosis penyakit jantung koroner.
Terdapat 180 data catatan medis pasien dengan 17 item yang digunakan untuk analisis.
Hasilnya menunjukkan tiga pola hubungan paling signifikan: kombinasi faktor risiko diabetes dan kolesterol tinggi memiliki nilai support 50% dan confidence 67%, risiko diabetes pada laki-laki memiliki nilai support 47% dan confidence 63%, serta kombinasi kolesterol dan hipertensi menunjukkan nilai support 45% dan confidence 66%.
Hasil ini diharapkan memberikan wawasan lebih baik untuk pencegahan, deteksi dini, dan pengobatan penyakit jantung koroner, serta meningkatkan layanan kesehatan di rumah sakit.
Penelitian ini juga menekankan pentingnya penerapan teknologi data mining dalam analisis data kesehatan yang kompleks.
Kata Kunci: Analisa.
Data Mining.
Faktor Risiko.
FP-Growth.
Penyakit Jantung Koroner.
PENDAHULUAN
Penyakit jantung adalah satu diantara penyakit yang sedang menarik perhatian besar di dunia medis karena dampaknya yang signifikan terhadap kesehatan Di antara berbagai jenis penyakit jantung, penyakit jantung koroner memiliki angka kematian yang tinggi, terutama di negara maju.
Penyakit ini terjadi akibat penebalan dinding pembuluh darah, yang mengakibatkan tersumbatnya arteri koroner dan gangguan aliran darah ke jantung, berujung pada gagal Kondisi ini tidak hanya memengaruhi kesehatan individu, tetapi juga kualitas hidup, biaya perawatan kesehatan, serta perekonomian Negara (Alkhusari et al.
, 2.
Di Rumah Sakit Umum Daerah dr.
Fauziah Bireuen, peningkatan kasus penyakit jantung koroner yang penyebabnya belum sepenuhnya dipahami menjadi masalah serius yang perlu ditangani.
Untuk itu, diperlukan sistem yang dapat menganalisis hubungan Halaman 19 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
antara faktor-faktor risiko dan penyakit ini guna membantu pencegahan serta pengendalian penyakit.
Penerapan teknik data mining dalam analisis data medis dapat mengungkap pola-pola berpengaruh yang tersembunyi dalam data besar.
Satu dari sederet algoritma yang diaplikasikan adalah Frequent Pattern Growth (FP- Growt.
, yang dapat mengidentifikasi pola asosiasi antara variabel dalam kumpulan data (Sihombing et al.
, 2.
Penelitian yang dilaksanakan oleh (Tampubolon et al.
, 2.
menunjukkan bahwa sumber penyakit jantung koroner mencakup penyebab yang permanen, misalnya umur dan latar belakang keluarga, serta penyebab yang dapat dimodifikasi, seperti pola hidup tidak sehat, dislipidemia, merokok, dan diabetes.
Penelitian tentang penerapan FP-Growth juga pernah dilakukan dengan judul AuImplementasi Data Mining Menggunakan Algoritma FP-Growth pada Analisis Pola Pencurian Daya ListrikAy menunjukan hasil persentase tingkat kepastian pola kecurangan listrik yang terjadi di kawasan UP3 Padangsidimpuan (Almira et al.
, 2.
Oleh karena itu, penerapan algoritma FPGrowth pada data medis pasien di RSUD dr.
Fauziah Bireuen berguna menganalisis hubungan antara penyabab seperti usia, jenis kelamin, diabetes, kolesterol, dan hipertensi terhadap kejadian penyakit jantung koroner.
Diharapkan hasil studi ini akan menyajikan penjelasan yang lebih komprehensif mengenai berbagai faktor penyebab dan membantu dalam pengendalian penyakit ini secara lebih efektif.
TINJAUAN PUSTAKA
Penyakit Jantung Koroner Penyakit jantung koroner disebabkan oleh plak aterosklerosis yang terakumulasi di arteri koroner sehingga menghambat pasokan oksigen ke otot Penyakit jantung koroner memiliki dampak diagnosis tersendiri seperti angina pektoris, gagal jantung, infark myokard dan kematian (Lina & Saraswati, 2.
Komplikasi yang timbul dari jantung koroner seperti gagal jantung adalah sindrom klinis yang kompleks, yang dapat disebabkan oleh gangguan fungsi miokard .
aik sistolik maupun diastoli.
, penyakit katup, perikarditis, atau faktor-faktor lain yang menghambat aliran darah dan menyebabkan retensi cairan (Oktaverina & Purwowiyoto, 2.
Menurut penelitian (Mulhayana et al.
, 2.
diagnosis penyakit jantung koroner adalah angina pektoris terjadi karena kurangnya suplai darah akibat penyempitan arteri koroner, sehingga menyebabkan ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
nyeri dada saat istirahat atau saat beraktivitas dan apabila tidak ada darah yang dapat mengalir melalui arteri koroner maka penderita dapat mengalami serangan jantung disebut infark myokard yang dapat berlangsung lebih lama dimana gejalanya tidak hilang dengan istirahat atau obat penghilang rasa sakit sampai orang tersebut pingsan, mengalami syok, atau bahkan meninggal seketika.
Hubungan Penyakit Jantung Koroner Terhadap Penyebabnya Berikut ini beberapa hubungan antara penyebab dan peningkatan penyakit jantung koroner, antara lain:
Hubungan penyakit jantung koroner terhadap usia Berdasarkan penelitian (Johanis et al.
, 2.
telah menunjukkan seiring bertambahnya usia, seseorang menjadi lebih rentan terhadap penyakit jantung koroner antara usia 40 sampai 60 tahun.
Pasien penyakit jantung koroner paling sering ditemukan pada orang yang berusia di atas 60 tahun, namun juga ditemukan pada orang yang berusia di bawah 40 tahun.
Sekitar 82% penyakit jantung koroner pada orang berusia di atas 65 tahun akan mengakibatkan perubahan fisiologis pada jantung, sehingga menyebabkan peningkatan angka kematian pada usia tersebut.
Hubungan penyakit jantung koroner terhadap jenis Penelitian yang dilakukan oleh (Melyani et al.
menunjukkan bahwa insiden penyakit jantung koroner terutama terjadi pada pria.
Hal ini karena wanita memiliki pramenopause yang mempunyai efek perlindungan dari hormon estrogen yang lebih rendah terhadap penyakit jantung koroner.
Namun, kejadian penyakit jantung koroner meningkat setelah menopause pada wanita, dan mereka mempunyai risiko yang sama dengan Namun penyebab terutama yang lain pada pria yaitu dengan kebiasaan pria merokok menyebabkan kerusakan jaringan .
pada pembuluh darah akibat plak .
yang dapat memberi tekanan pada sistem jantung.
Hubungan penyakit jantung koroner terhadap Penelitian oleh (Monica et al.
, 2.
menyebutkan hipertensi atau sering dikenal dengan tekanan darah tinggi menjadi lebih umum seiring bertambahnya Ketika tekanan darah sistemik meningkat, darah dipompa keluar dari ventrikel kiri, yang meningkatkan beban kerja jantung dan mengimbangi kekuatan kontraktil, yang pada Halaman 20 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
akhirnya dapat menyebabkan pelebaran dan gagal Aterosklerosis didahului oleh kerusakan endotel kronis akibat ketegangan yang disebabkan oleh tekanan darah itu sendiri.
Cedera sering terjadi pada daerah percabangan arteri koroner.
Jika proses aterosklerotik berlanjut, suplai oksigen di dalam miokardium menurun, sedangkan hipertrofi miokard dan beban kerja jantung meningkatkan kebutuhan oksigen di dalam miokardium, sehingga mengakibatkan infark miokard.
Orang dengan riwayat hipertensi mempunyai kemungkinan lebih besar terkena penyakit jantung koroner dibandingkan orang tanpa riwayat hipertensi.
Hubungan penyakit jantung koroner terhadap diabetes melitus.
Berdasarkan penelitian (Rahmawati et al.
, 2.
didapatkan bahwa pada penderita diabetes melitus berkembang lebih cepat penyakit jantung koroner, dibandingkan pada orang tanpa diabetes mellitus.
Hal ini disebabkan oleh tingginya kadar gula darah dalam jangka waktu lama sehingga menyebabkan arterosklerosis pada arteri koroner.
Penderita diabetes mellitus menyebabkan fungsi jantung tidak membaik secara optimal sehingga mengakibatkan kekakuan otot jantung.
Para peneliti berhipotesis bahwa seseorang yang terkena diabetes melitus dan penyakit jantung koroner, artinya terjadi perubahan metabolisme lipid atau mengakibatkan peningkatan Hubungan penyakit jantung koroner terhadap Berdasarkan penelitian (Rahmad, 2.
ditemukan bahwa kolesterol dalam darah berasal dari 2 .
sumber yaitu makanan yang diserap dan diproduksi tubuh, yaitu dimana sekitar 70% kolesterol disintesis di hati dan sekitar 30% dari asupan Jika saja kadar kolesterol seimbang sekitar A200 mg/dL, maka tubuh akan tetap sehat.
Kadar kolesterol tinggi yang berkepanjangan dapat meningkatkan risiko berbagai gangguan kesehatan, terutama jantung, termasuk stroke dan penyakit jantung koroner.
Ketika kolesterol dalam darah terlalu banyak, kolesterol akan menumpuk di dinding arteri.
Hal ini menyebabkan proses yang disebut atherosklerosis, sejenis penyakit jantung.
Kemudian pada area pembuluh darah yang mengalami artherosklerosis, pembuluh darah menjadi kasar dan mudah rusak sehingga memudahkan terjadinya penggumpalan darah sehingga memudahkan terjadinya penggumpalan Arteri menjadi menyempit sehingga akan ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
memperlambat atau menghalangi aliran darah ke otot jantung.
Hubungan penyakit jantung koroner terhadap asam Berdasarkan hasil analisis (Wiradinata et al.
, 2.
disimpulkan bahwa tingginya kadar asam urat dalam darah yang dikenal sebagai hiperurisemia, menyebabkan kristal asam urat menumpuk dan menyebabkan peradangan.
Ini merupakan faktor risiko utama terjadinya atherosklerosis .
engerasan dan penyempitan pembuluh dara.
yang dapat menyebabkan penyakit jantung koroner.
Kadar asam urat yang tinggi juga dapat merusak lapisan pembuluh darah .
yang penting untuk menjaga fungsi normal pembuluh darah dan kelancaran aliran darah.
Serta stres oksidatif dapat meningkat dan dapat merusak jaringan tubuh seperti sel dan pembuluh darah.
Hiperurisemia juga sering dikaitkan dengan tekanan darah tinggi .
, yang merupakan faktor risiko utama penyakit jantung koroner.
Namun, meskipun ada hubungan antara kadar asam urat tinggi dan penyakit jantung koroner, hubungan ini rumit dan melibatkan banyak faktor lain seperti gaya hidup, genetika, dan kondisi kesehatan lainnya.
Analisa Analisa kerangka kerja yang merujuk pada pemeriksaan sistematis terhadap suatu hal untuk mengidentifikasi, keterkaitan antar komponen dan hubungannya dengan keseluruhan.
Oleh karena itu, pengorganisasian dan pengelompokan informasi ke dalam pola, kategori dan satuan dasar penjelas sehingga dapat ditemukan tema dan ditindaklanjuti (Rozak.
Data Mining Data mining ialah rangkaian tahapan yang dimulai dari persiapan data, pengoperasian algoritma, dan representasi visual dari hasil proses (Fajriana et al.
Data mining menggunakan pendekatan dua langkah yaitu, unsupervised learning dan supervised Dimana unsupervised learning tidak menggunakan pemandu atau instruktur, namun menggunakan nama data sebagai pengajarnya.
Sedangkan supervised learning terdapat pemimpin dan pelatih yang terlibat (Darnila et al.
, 2.
Association Rule Association rule ialah metode data mining deskriptif untuk mengungkap kaidah keterkaitan Halaman 21 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
diantara item data atau kolaborasi dari item yang mencapai ambang minimum support (Lienata et al.
Support merupakan skala yang memperlihatkan sejauh mana itemset mendominasi terhadap total Persamaan untuk memperoleh nilai support dari satu item yaitu:
ycIycycyycyycuycyc ya = Oc ycycycoycoycaEa ycycycaycuycycaycoycycn ya Oc ycNycuycycayco ycycycaycuycycaycoycycn ycu100% .
Sementara itu, nilai support dari dua item dapat ditentukan dari persamaan sebagai berikut:
ycIycycyycyycuycyc yayaA = Oc ycycycoycoycaEa ycycycaycuycycaycoycycn yayaA Oc ycNycuycycayco ycycycaycuycycaycoycycn ycu100% .
Confidence adalah proporsi antara banyaknya transaksi yang menyertakan kedua item dengan jumlah transaksi yang mengandung nilai A.
Adapun nilai confidence dari aturan AB dapat diperoleh dengan rumus sebagai berikut:
yaycuycuyceycnyccyceycuycayce = Oc ycycycoycoycaEa ycycycaycuycycaycoycycn yayaA Oc ycNycuycycayco ycycycaycuycycaycoycycn ya ycu100%.
Algoritma Frequent Pattern Growth (FP-Growt.
Algoritma Frequent Pattern Growth (FPGrowt.
dimanfaatkan untuk menemukan itemset yang kerap kali timbul .
requent itemse.
pada suatu dataset melalui struktur data berbentuk pohon yang disebut FPTree (Rusnandi et al.
, 2.
Proses FP-Growth terdiri dari tiga langkah utama:
Fase Conditional Pattern Base Fase Conditional FP-Tree Fase Frequent Pattern Generation Frequent Pattern Tree (FP-Tre.
Frequent Pattern Tree (FP-Tre.
memiliki dua karakteristik yaitu, pertama dimulai dengan akar yang disebut null.
Akar membentuk sub-tree yang terdiri dari elemen spesifik.
Kedua, setiap node berisi 3 .
informasi penting yaitu, item yang disajikan oleh node .
enunjukkan jenis eleme.
, support count .
enunjukkan jumlah atau frekuensi jalur transaksi yang melewati nod.
, pointer sebagai penghubung antara node dan elemen .
ode lin.
, serta tautan antar jalur, pointer ditandai dengan garis (Setyo & Wardhana, 2.
Penelitian Terdahulu Berbagai penelitian sebelumnya telah dilakukan untuk memahami analisa hubungan penyakit jantung koroner terhadap penyebabnya, masing-masing dengan pendekatan dan temuan yang memperkaya pemahaman mengenai algoritma FP-Growth.
Penelitian-penelitian tersebut di antaranya adalah studi yang dilakukan oleh (Khoirunnisaa et al.
tentang analisis pola faktor penyebab balita ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
stunting pada dinas kesehatan kota bekasi menggunakan algoritma fp-growth dapat disimpulkan bahwa algoritma ini efektif dan berhasil mengidentifikasi beberapa pola signifikan, di antaranya adalah pola yang menghubungkan status gizi kurang, tidak menerima ASI eksklusif, dan kurus dengan risiko Pola-pola ini ditemukan dengan minimum support 0,5 dan confidence 0,6, serta didukung dengan rasio lift lebih dari 1, menunjukkan korelasi yang kuat antara faktor-faktor tersebut.
Penerapan algoritma ini terbukti memberikan wawasan yang mendalam dan akurat dalam identifikasi faktor penyebab, yang dapat digunakan sebagai acuan dalam pencegahan dan pengendalian kondisi kesehatan serupa.
Sementara, penelitian sebelumnya oleh (Pujiharto et al.
, 2.
mengenai perbandingan kinerja algoritma Apriori.
FP-Growth, dan Eclat dalam menemukan pola frekuensi pada dataset INA-CBG menunjukkan bahwa algoritma FP-Growth dan Apriori lebih efisien dalam hal waktu pemrosesan dan penggunaan memori dibandingkan Eclat.
Walaupun semua algoritma menghasilkan aturan asosiasi yang sama dalam mendeteksi pola kombinasi diagnosa umum pada dataset.
FP-Growth memberikan waktu pemrosesan tercepat, sedangkan Eclat menggunakan lebih banyak memori.
Dengan demikian, algoritma FPGrowth dianggap paling cocok untuk menemukan pola frekuensi dalam data berskala besar di bidang kesehatan, sehingga dapat dioptimalkan untuk mendukung manajemen layanan kesehatan dalam memahami pola penyakit dan perencanaan sumber daya yang lebih efektif.
Penelitian lain oleh (Syahputri & Yahfizham, 2.
berhasil menunjukkan bahwa penerapan algoritma FP-Growth dapat mengidentifikasi pola asosiasi terkait pola makan mahasiswa yang mengalami gastritis di beberapa universitas di Indonesia.
Dengan dataset 502 mahasiswa penderita gastritis dan nilai minimum support 6% serta confidence 100%, ditemukan empat pola signifikan, termasuk konsumsi makanan pedas 2-5 kali per minggu, kebiasaan menahan lapar karena jadwal kuliah padat, dan tinggal di asrama, yang memiliki dukungan tertinggi sebesar 8,2%.
Hasil ini menunjukkan bahwa konsumsi makanan pedas, kopi, serta pengaturan jadwal kuliah yang padat berkorelasi dengan gastritis pada Analisis pola makan menggunakan FPGrowth ini dapat digunakan untuk memberikan rekomendasi kebiasaan makan sehat yang relevan bagi mahasiswa penderita gastritis.
Penelitian yang dilakukan oleh (Wahid & Avianto, 2.
juga menunjukkan bahwa algoritma Halaman 22 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
FP-Growth efektif dalam menganalisis korelasi antardiagnosa pada dataset medis, memberikan wawasan berharga untuk meningkatkan layanan kesehatan dan mendukung pengambilan keputusan berbasis bukti.
Dengan 5.
400 data pasien yang mencakup informasi seperti usia, alamat, dan diagnosa, analisis menggunakan FP-Growth berhasil menemukan aturan asosiasi dengan nilai support tertinggi 0,8 dan confidence 1, yang menunjukkan hubungan yang sangat kuat antar-diagnosa, khususnya di kecamatan Ambunten dan Masalembu.
Hasil ini mengindikasikan bahwa algoritma FP-Growth dapat digunakan untuk mengidentifikasi pola asosiasi yang signifikan dalam data medis, yang kemudian dapat dimanfaatkan dalam perencanaan strategis dan pengembangan kebijakan kesehatan berbasis data.
Serta, penelitian (Yunanda et al.
, 2.
menunjukkan bahwa algoritma FP-Growth efektif dalam menganalisis pola penyalahgunaan narkoba di Kabupaten Padang Pariaman.
Sumatera Barat, khususnya dalam mengidentifikasi kombinasi lokasi, jenis narkoba, dan profil tersangka.
Dengan menggunakan data Satresnarkoba Polres Padang Pariaman yang mencakup informasi tersangka, jenis narkoba, dan tempat kejadian, algoritma FP-Growth berhasil menemukan pola signifikan bahwa kasus penyalahgunaan narkoba dengan jenis shabu paling sering terjadi di Lubuk Alung, dengan tersangka berprofesi sebagai wiraswasta.
Temuan ini dapat dijadikan dasar bagi pihak berwenang dalam perumusan kebijakan pencegahan narkoba yang lebih tepat sasaran di daerah tersebut.
kolesterol, hipertensi, dan asam urat.
Pola-pola yang dihasilkan akan dianalisis berdasarkan nilai support dan confidence untuk mengidentifikasi hubungan yang signifikan.
Interpretasi temuan yang memberikan kombinasi pola tentang penyebab yang paling berefek pada kasus penyakit ini.
METODE PENELITIAN
Teknik Pengumpulan Data Data yang diterapkan dalam studi ini dikumpulkan dari observasi terhadap catatan medis pasien rawat inap di RSUD dr.
Fauziah Bireuen, dengan total 180 data pasien.
Data yang digunakan meliputi informasi demografi pasien .
sia, jenis kelami.
dan berbagai faktor risiko .
iabetes, kolesterol, hipertensi, asam ura.
Tabel 1.
Aturan Transformasi Data Item Kategori 20 Ae 37 tahun 38 Ae 55 tahun 56 Ae 73 tahun 74 Ae 92 tahun Laki-laki Perempuan Diabetes Non diabetes Kolestrol Non Kolestrol Hipertensi Non Hipertensi Tidak Ada Normal Tinggi Angina Pektoris Atheroklorosis Gagal Jantung Infark Myokard Akut Tahapan Analisa Langkah-langkah analisis dalam studi ini adalah sebagai berikut:
Preprocessing data, yaitu dilakukan pembersihan dan penyederhanaan data untuk menjamin data tetap utuh dan tidak rusak.
Realisasi algoritma FP-Growth dalam upaya mengidentifikasi pola asosiasi antara faktor-faktor risiko seperti usia, jenis kelamin, diabetes.
HASIL DAN PEMBAHASAN Perhitungan Manual Algoritma FP-Growth Kutipan sampel data primer yang disediakan oleh RSUD dr.
Fauziah Bireuen ada pada Gambar 1 dibawah ini:
Gambar 1.
Sampel Data Resume Medis Pasien Jantung Koroner .
Berikut ini adalah tahapan perhitungan manual algoritma FP-Growth menggunakan sampel data dari Gambar 1.
Tranformasi Data Untuk aturan transformasi data dapat dilihat pada Tabel 1 berikut ini:
Halaman 23 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Pada Gambar 2 dibawah ini dapat dilihat hasil penerapan transformasi data berdasarkan sampel data yang disediakan pada Gambar 1:
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Seleksi Nilai Minimum Support Penentuan nilai minimum support dan confidence yang terlalu rendah akan menghasilkan terlalu banyak pola, sementara nilai yang terlalu tinggi mungkin akan mengabaikan pola penting (Hikmawati et al.
, 2.
Nilai minimun support yang digunakan dalam analisa Ou 45% diambil dari Tabel 2, hasil itemset yang mencapai ambang minimun support ditunjukkan pada Tabel 3 berikut ini:
Gambar 2.
Hasil Tranformasi Data Menghitung Frekuensi Setiap kategori itemset dihitung frekuensi dan nilai support menggunakan persamaan 1 dan diurutkan secara descending seperti yang di tampilkan didalam Tabel 2 berikut ini:
Tabel 2.
Frekuensi dan Nilai Support Itemset Itemset Frekuensi Support ycu100% = 73% ycu100% = 67% ycu100% = 62% ycu100% = 61% ycu100% = 46% ycu100% = 45% ycu100% = 45% ycu100% = 43% ycu100% = 38% ycu100% = 37% ycu100% = 32% ycu100% = 29% ycu100% = 29% ycu100% = 26% ycu100% = 25% ycu100% = 22% ycu100% = 6% ycu100 = 5% ycu100 = 2% Tabel 3.
Itemset yang Memenuhi Minimun Support Itemset Frekuensi Support Pembangkitan Itemset Pendataan ulang transaksi item dalam dataset pada Gambar 2 dimana item yang tidak memenuhi threshold minimum support pada Tabel 3 akan Urutan setiap transaksi diurutkan berdasarkan frekuensi support dari tertinggi ke terendah ditunjukkan pada Gambar 3 berikut ini:
Gambar 3.
Hasil Pembangkitan Itemset Pembentukan FP-Tree Berdasarkan Gambar 3 tentang pembangkitan itemset, pada Gambar 4 dibawah ini dilakukan pembentukan FP-Tree yang menggambarkan struktur hubungan antara itemset yang terbentuk selama proses Setiap node di FP-Tree memuat nama item dan nilai frekuensi yang diaplikasikan dalam menetapkan frekuensi kemunculan item di setiap jalur transaksi.
Gambar 4.
Pembentukan FP-Tree dengan 179 Transaksi Halaman 24 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Selanjutnya pembentukan conditional pattern base yang memuat lintasan dan pola akhiran, serta conditional FP-Tree dari item dengan jumlah kemunculan terbesar dalam setiap sub-tree ditampilkan pada Tabel 4 dibawah ini:
Tabel 4.
Pembentukan conditional pattern base dan conditional FP-Tree Conditional Conditional Pattern Base FP-Tree U3 {D1.
K1.
J1.
H1.
P4.
A3 = .
, {D1 = .
{D1.
K1.
J1.
H1.
P4 = .
{K1 = .
{D1.
K1.
J1.
H1.
A3 = .
{J1 = .
{D1.
K1.
J1.
H1 = .
{H1 = .
{D1.
K1.
J1.
P4.
A3 = .
{P4 = .
{D1.
K1.
J1.
P4 = .
{A3 = .
{D1.
K1.
J1.
A3 = .
{D1.
K1.
J1 = .
{D1.
K1.
H1.
P4.
A3 = .
{D1.
K1.
H1.
A3 = .
{D1.
K1.
H1 = .
{D1.
K1.
P4.
A3 = .
{D1.
K1.
P4 = .
{D1.
K1.
A3 = 2 },
{D1.
J1.
H1.
P4 = .
{D1.
J1.
H1.
A3 = .
{D1.
J1.
H1 = .
{D1.
J1.
P4.
A3 = .
{D1.
J1.
P4 = .
{D1.
J1.
A3 = .
{D1.
J1 = .
{D1.
H1.
P4.
A3 = .
{D1.
H1.
A3 = .
{D1.
H1 = .
{D1.
P4 = .
{D1 = .
{K1.
J1.
H1.
P4 = .
{K1.
J1.
H1.
A3 = .
{K1.
J1.
H1 = .
{K1.
J1.
P4 = .
{K1.
J1.
A3 = .
{K1.
H1.
P4.
A3 = .
{K1.
H1.
P4 = .
{K1.
H1.
A3 = .
{K1.
H1 = .
{K1.
P4 = .
{J1.
H1.
P4 = .
{J1.
H1.
A3 = .
{J1.
A3 = .
{J1 = .
{H1.
A3 = .
A3 {D1.
K1.
J1.
H1.
P4 = .
{D1 = .
{D1.
K1.
J1.
H1 = .
{K1 = .
{D1.
K1.
J1.
P4 = .
{J1 = .
{D1.
K1.
J1 = .
{H1 = .
{D1.
K1.
H1.
P4 = .
{P4 = .
{D1.
K1.
H1 = .
{D1.
K1.
P4 = .
{D1.
K1 = .
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
{D1.
J1.
H1.
P4 = .
, {D1.
J1.
H1 = .
, {D1.
J1.
P4 = .
, {D1.
J1 = .
, {D1.
H1.
P4 = .
, {D1.
H1 = .
, {D1 = .
, {K1.
J1.
H1.
P4 = .
, {K1.
J1.
H1 = .
, {K1.
J1 = .
{K1.
H1.
P4 = .
{K1.
H1 = .
{K1 = .
{J1.
H1.
P4 = .
{J1.
H1 = .
{J1.
P4 = .
{J1 = .
{H1 = .
{D1.
K1.
J1.
H1 = .
{D1.
K1.
J1 = .
{D1.
K1.
H1 = .
{D1.
K1 = .
{D1.
J1.
H1 = .
{D1.
J1 = .
{D1.
H1 = .
{D1 = .
{K1.
J1.
H1 = .
{K1.
J1 = .
{K1.
H1 = .
{K1 = .
{J1.
H1 = .
{J1 = .
{H1 = .
{D1.
K1.
J1 = .
{D1.
K1 = .
{D1.
J1 = .
{D1 = .
{K1.
J1 = .
{K1 = .
{J1 = .
{D1.
K1 = .
{D1 = .
{K1 = .
{D1 = .
{D1 = .
{K1 = .
{J1 = .
{H1 = .
{D1 = .
{K1 = .
{J1 = .
{D1 = .
{K1 = .
{D1 = .
Berdasarkan Tabel 4 kombinasi itemset dari conditional Fp-Tree terhadap itemset akhiran untuk menghasilkan pola yang sering muncul pada Tabel 5 berikut ini:
Tabel 5.
Pembentukan Frequent Pattern Generated Frequent Pattern Generated {D1.
U3 = .
, {K1.
U3 = .
, {J1.
U3 = .
, {H1.
U3 = .
, {P4.
U3 = .
, {A3.
U3 = .
{D1.
A3 = .
, {K1.
A3 = .
, {J1.
A3 = .
, {H1.
A3 = .
, {P4.
A3 = .
Halaman 25 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
{D1.
P4 = .
, {K1.
P4 = .
, {J1.
P4 = .
, {H1.
P4 = .
{D1.
H1 = .
, {K1.
H1 = .
, {J1.
H1 = .
{D1.
J1 = .
, {K1.
J1 = .
{D1.
K1 = .
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
K1.
D1.
Kombinasi itemset yang muncul dari Tabel 5 lalu di urutkan secara descending berdasarkan frekuensi kombinasi ditampilkan pada Tabel 6 berikut K1.
J1.
Tabel 6.
Urutan Frequent Pattern Generated Kombinasi Itemset Frekuensi D1.
D1.
K1.
D1.
K1.
J1.
D1.
D1.
J1.
K1.
D1.
K1.
H1.
K1.
H1.
H1.
J1.
J1.
A3.
P4.
P4.
D1.
D1.
J1.
K1.
D1.
K1.
H1.
K1.
H1.
H1.
J1.
J1.
A3.
P4.
P4.
Aturan Asosiasi Berdasarkan Tabel 6 pencarian nilai dari kombinasi itemset yang mencapai ambang minimum support dan minimum confidence menggunakan persamaan 2 dan persamaan 3 dapat dilihat pada Tabel 7 dibawah ini:
Itemset D1.
D1.
Tabel 7.
Association Rule Frekuensi Support Confidence ycu100% ycu100% = 50% = 67% ycu100% ycu100% = 47% = 63% ycu100% = 45% ycu100% = 43% ycu100% = 41% ycu100% = 37% ycu100% = 35% ycu100% = 34% ycu100% = 32% ycu100% = 32% ycu100% = 32% ycu100% = 31% ycu100% = 28% ycu100% = 28% ycu100% = 27% ycu100% = 27% ycu100% = 27% ycu100% = 26% ycu100% = 22% ycu100% = 21% ycu100% = 17% ycu100% = 66% ycu100% = 59% ycu100% = 61% ycu100% = 59% ycu100% = 48% ycu100% = 46% ycu100% = 52% ycu100% = 47% ycu100% = 43% ycu100% = 46% ycu100% = 46% ycu100% = 42% ycu100% = 45% ycu100% = 45% ycu100% = 43% ycu100% = 42% ycu100% = 49% ycu100% = 45% ycu100% = 37% Halaman 26 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Hasil asosiasi diambil dari Tabel 7 dengan nilai minimum support sebesar Ou 45% dan minimum confidence sebesar Ou 60%.
Hasilnya ditampilkan pada Tabel 8 berikut ini:
Tabel 8.
Hasil Association Rule Itemset Frekuensi Support Confidence D1.
D1.
K1.
Berikut merupakan pernyataan keterangan dari tabel diatas:
Jika terdapat kombinasi penyebab diabetes (D.
dengan kolestrol (K.
pada pasien jantung koroner, maka memiliki nilai support sebesar 50% dan nilai confidence sebesar 67% Jika terdapat kombinasi penyebab diabetes (D.
dengan jenis kelamin laki-laki (J.
pada pasien jantung koroner, maka memiliki nilai support sebesar 47% dan nilai confidence sebesar 63% Jika terdapat kombinasi penyebab kolestrol (K.
dengan hipertensi (H.
pada pasien jantung koroner, maka memiliki nilai support sebesar 45% dan nilai confidence sebesar 66%.
Gambar 6.
Tampilan Halaman Dashboard Halaman Data Analisa Pada laman data analisa terdapat informasi data yang terdiri dari nomor data, data usia, jenis kelamin, diabetes, kolestrol, hipertensi, asam urat dan diagnosis.
Serta aksi admin dalam mengelola data analisa seperti menambah, mengedit dan menghapus alternatif.
Gambar 7.
Tampilan Halaman Data Analisa Implementasi Antarmuka (Interfac.
Pada tahap ini implementasi sistem dilanjutkan dengan pembangunan aplikasi dengan menerapkan rancangan sistem yang telah disiapkan sebelumnya.
Halaman Login Pada laman login admin akan menginput username dan passwordnya.
Halaman Proses FP-Growth Pada halaman ini admin diminta untuk menginput minimum support dan minimum confidence.
Gambar 8.
Tampilan Halaman Proses FP-Growth Setelah admin menginput minimum support dan minimum confidence sistem akan menampilkan perhitungan menggunakan algoritma fp-growth lengkap dengan langkah-langkah dari algoritma Halaman ini digunakan admin untuk melihat hasil dari perhitungan yang dilakukan oleh sistem.
Gambar 5.
Tampilan Halaman Login Halaman Dashboard Laman ini menampilkan informasi yang disediakan sistem serta beberapa pilihan menu yang dapat diakses.
Tampilan Hasil Frequent Itemset Pada tampilan ini, sistem akan menampilkan frequent itemset yang didapatkan dari analisa data yang Halaman 27 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Tampilan Hasil Pengembangan Conditional FP-Tree Pada tampilan ini, sistem akan menampilkan hasil pembentukan conditional fp-tree berdasarkan frekuensi item tertinggi yang dibangkitkan Gambar 9.
Tampilan Hasil Frequent Itemset Tampilan Hasil Pembangkitan Item Pada tampilan ini, sistem akan menampilkan hasil pembangkitan item berdasarkan frequent itemset Gambar 13.
Tampilan Hasil Pembentukan Conditional FP-Tree Tampilan Hasil Frequent Pattern Pada tampilan ini, sistem akan menampilkan hasil frequent pattern dari item fp-tree sebelumnya.
Gambar 10.
Tampilan Hasil Pembangkitan Item Tampilan Hasil Pembentukan FP-Tree Pada tampilan ini, sistem akan menampilkan hasil pembentukan FP-Tree oleh sistem berdasarkan itemset yang dibangkitkan.
Gambar 14.
Tampilan Hasil Frequent Pattern Tampilan Hasil Asosiasi Pada tampilan ini, sistem akan menampilkan hasil akhir aturan asosiasi.
Gambar 11.
Tampilan Hasil Pembuatan FP-Tree Tampilan Hasil Pengembangan Conditional Pattern Base Pada tampilan ini, sistem akan menampilkan hasil pengembangan conditional pattern base dari itemset yang pembangkitan terdahulu.
Gambar 15.
Tampilan Hasil Asosiasi Tampilan Kesimpulan Analisa Pada tampilan ini, sistem akan menampilkan penjelasan analisa dari aturan asosiasi.
Gambar 16.
Tampilan Kesimpulan Analisa Gambar 12.
Tampilan Hasil Pengembangan Conditional Pattern Base Pengujian Sistem Pada tahap ini, penulis memilih pengujian menggunakan black-box testing.
Pengujian black-box adalah metode pengujian perangkat lunak yang hanya fokus pada input dan output perangkat lunak, tanpa mempertimbangkan bagaimana proses berjalan di dalam sistem.
Halaman 28 METHOMIKA: Jurnal Manajemen Informatika & Komputerisasi Akuntansi Vol.
9 No.
1 (April 2.
Tabel 9.
Pengujian Blackbox Testing Hasil yang Hasil yang Aksi Membuka Masuk ke Valid form login.
Menginput Menampilkan Klik menu data analisa.
Menampilkan halaman data ISSN: 2598-8565 .
edia ceta.
ISSN: 2620-4339 .
edia onlin.
Klik button Menampilkan fp-growth.
Valid Klik logout.
Menampilkan utama login.
Valid Valid Valid Klik button AuTambahAy.
Menampilkan form tambah data analisa Valid Klik button edit pada data analisa.
Menampilkan form edit data Valid Klik button hapus pada data analisa.
Menampilkan untuk hapus data analisa.
Valid Klik menu proses fpgrowth.
Menampilkan halaman input
support dan Valid
KESIMPULAN
Berdasarkan penelitian analisa hubungan penyakit jantung koroner terhadap penyebabnya menggunakan algoritma FP-Growth bisa disimpulkan bahwa penelitian ini berhasil mengidentifikasi hubungan antara faktor risiko terhadap penyakit jantung koroner menggunakan algoritma FP-Growth.
Pola yang ditemukan dengan menggunakan FP-Tree menghasilkan hubungan antara diabetes, kolestrol dan jenis kelamin dengan menerapkan support 45% dan confidence 60% menunjukkan penyebab adanya korelasi yang kuat antara kondisi tersebut dengan munculnya penyakit jantung koroner.
Dengan demikian, penerapan metode data mining dalam analisis data medis terbukti memberikan hasil yang signifikan dan dapat digunakan sebagai acuan dalam pencegahan dan pengendalian penyebab penyakit jantung koroner.
Serta, penelitian berikutnya dapat mengimplementasikan algoritma lain seperti Apriori.
Eclat, atau algoritma berbasis pembelajaran mesin seperti Random Forest dan Decision Tree untuk membandingkan hasilnya dengan algoritma FPGrowth.
Perbandingan ini akan membantu menentukan metode yang paling efektif dalam menganalisis faktor risiko penyakit jantung koroner.
DAFTAR PUSTAKA