11
Menurut (Han, Kamber, & Pei, 2011)menjelaskan bahwa Data
Mining merupakan pemilihan atau menggali pengetahuan dari jumlah data
yang banyak. Hal ini diperkuat oleh teori dari (Han, Kamber, & Pei, 2011)
yang mengatakan data mining
adalah proses menemukan pola yang menarik
dan pengetahuan dari data yang berjumlah besar dan juga teori dari (Segall,
2008)
yang menjelaskan Data Mining disebut penemuan pengetahuan atau
menemukan pola yang tersembunyi dalam data. Jadi bisa disimpulkan kalau
Data Mining adalah suatu proses untuk menemukan knowledge (pengetahuan)
yang tersembunyi melalui pola pola menarik dari data yang berjumlah besar.
Banyak fungsi data mining
yang dapat digunakan. Dalam kasus
tertentu fungsi data mining dapat digabungkan untuk menjawab masalah yang
dihadapi (MacLennan, 2009). Berikut adalah fungsi data mining secara umum:
1.
Classification
class ke dalam kategori yang dipilih. Menurut (Purba), Classification untuk
membangun model (fungsi) yang menguraikan dan membedakan kelas atau
konsep untuk peramalan kedepan. Misal, mengklasifkasikan negara
berdasarkan iklim
atau mengklasifikasikan mobil berdasarkan konsumsi
bahan bakarnya. Jadi Classification adalah teknik yang mengklasifikasikan
target class untuk dijadikan pendukung kesimpulan peramalan kedepannya.
|
12
adalah untuk mencari pengelompokan atribut ke dalam
segmentasi-segmentasi berdasarkan similaritas.
berdasarkan jumlah item yang muncul dan ruleassociation yang ada.
|
13
dengan prodak lainnya
hampir miripdengan klasifikasi.Fungsi dari regression adalah
bertujuanuntuk mencari prediksi dari suatu pola yang ada.
adalah untuk peramalan waktu yang
akan datang
berdasarkantrend yang telah terjadi di waktu sebelumnya.
terjadi di waktu yang akan datang
|
14
6.
adalah untuk mencari pola urutan dari rangkaian
kejadian.
urutan terjadinya
7.
adalah untuk mencari kejadian langka yang sangat
berbeda dari keadaan normal (kejadian abnormal).
yang dikemukakan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa
depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal sebagai Teorema
Bayes. Menurut(Santoso, 2007), klasifikasi Bayesian adalah klasifikasi statistik yang bisa
memprediksi probabilitas sebuah class. Menurut (Olson & Dursun, 2008)
yang menjelaskan
Naïve bayes untuk setiap kelas keputusan, menghitung probabilitas dengan syarat bahwa
kelas keputusan adalah benar, mengingat vektor informasi obyek.
|
15
merepresentasikan sebuah atribut. P(H) disebut prior probability H, contoh dalam kasus ini
adalah probabilitas kelas yang mendeklarasikan normal. P(X) merupakan prior probability X,
contoh untuk probabilitas sebuah atribut protocol_type. P(H|X) adalah posterior probability
yang merefleksikan probabilitas munculnya kelas normal terhadap data atribut protocol_type.
P(X|H) menunjukkan kemungkinan munculnya prediktor X (protocol_type) pada kelas
normal. Dan begitu juga seterusnya untuk proses menghitung probabilitas ke-empat kelas
lainnya.
Dari tugas
tugas data mining
yang telah di jelaskan, perbandingan antara
Classification
dan Clustering
menurut (Han & Kamber, Data Mining : Concept and
Techniques Second Edition, 2006) lebih spesifik digambarkan sebagai berikut :
Classification
Clustering
1.
Menganalisis label kelas dari
data objek.
1. menganalisis data objek tanpa
ada label kelas.
2.
Label kelas ada atau terlihat
jelas pada training data.
2.label kelas tidak ada atau tidak
terlihat pada training data.
3.
Bertujuan untuk
mengelompokan pada kelas
kelas yang telah ditentukan.
3.bertujuan untuk
mengelompokan dan
menentukan label kelas dari tiap
cluster yang telah terbentuk
|
16
4.
Proses Klasifikasi berdasarkan
pada menemukan sebuah model
atau fungsi yang
menggambarkan dan
membedakan data kelas atau
konsep, dengan tujuan untuk
dapat menggunakan model
untuk memprediksi objek kelas
yang kelas labelnya belum
diketahui. Model tersebut
berdasarkan pada analisis dari
training data
(data objek yang
kelas labelnya telah diketahui.)
4. Proses Clustering berdasarkan
pada prinsip: objek yang ada di
dalam satu cluster memiliki
kemiripan yang tinggi dari pada
yang lainnya, tetapi sangat
berbeda dengan objek yang ada
pada cluster lainnya.
di atas, maka ditentukan
teknik data mining
yang digunakan, yaitu classification. Karena adanya penggunaan label
kelas pada data yang digunakan yaitu antara jantung dan tidak jantung sehingga bisa
membantu analisa pada data pasien baru yang kelas labelnya belum diketahui.
dengan memanfaatkan metodologi
CRISP-DM. Metodologi initerdiridarienam tahapprosessiklus. Metodologi ini membuat data
mining
yang besar dapat dilakukan dengan lebih cepat, lebih ekonomis, dan mudah untuk
diatur. Bahkan, datamining
yang berukuran kecil pun
dapat memperoleh keuntungan dari
CRISP-DM (Olson & Dursun, 2008). Berikut adalah enam tahap yang disebut sebagai siklus:
1.
Business understanding
Business understanding
meliputi penentuan
tujuan bisnis, menilai situasi saat
ini, menetapkan tujuan data mining, dan mengembangkan rencana proyek.
2.
Data understanding
Setelah
tujuan bisnis
dan
rencana proyek
ditetapkan, Data understanding
mempertimbangkan
persyaratan
data.
Langkah inidapat mencakup
|
17
pengumpulan
data awal, deskripsi data, eksplorasi data, dan
verifikasi
data
yang berkualitas.
3.
Data preparation
Setelah sumber data telah tersedia untuk diidentifikasi. Data tersebut perlu
untuk dipilih, dibersihkan, dibangun ke dalam model yang diinginkan, dan
diformat.
Pembersihan data
dan transformasi
data dalam
penyusunan
pemodelan data perlu terjadi ditahap ini.
3rd Edition, 2011)
Terdapat beberapa teknik dalam mengolah data seperti Data Transformation,
Data Reduction dan Data Cleaning, diantaranya :
Generalization
Mengubah data atribut low level menjadi atribut high level, contoh: atribut
numerical menjadi ordinal.
Attribute construction
Penambahan atribut baru untuk kepentingan proses mining.
Attribute subset selection
|
18
Attribute subset selection dilakukan untuk pemilihan atribut yang menjadi
atribut predictor. Ada 4 (empat) metode yang dapat digunakan dalam
melakukan attribute subset selection, yaitu :
a.
Stepwise forward selection
Proses metode ini adalah untuk mencari atribut terbaik dari seluruh
data set
dan di masukkan ke dalam data set
baru berdasarkan
atribut terbaik yang telah dipilih.
b.
Stepwise backward elimination
Proses metode ini adalah untuk mencari atribut yang tidak
berkaitan dengan data mining
yang dicari, lalu langsung
menghapusnya dari data set.
c.
Combination of forward selection and backward elimination
Proses metode ini adalah penggabungan dari metode stepwise
forward selection dan stepwise backward elimination.
d.
Decision tree induction
Proses metode ini menggunakan algoritma decision tree, seperti
algoritma ID3, C4.5, dan cart dalam mencari atribut yang terbaik.
|
19
Missing Value
Nilai null
yang terdapat dalam data set
dapat mengganggu pembuatan
mining yang dilakukan. Ada 6 (enam) metode yang dapat digunakan dalam
mengolah nilai null yang terdapat dalam data, yaitu :
a.
Ignore the tuple: tidak menggunakan tuple yang memiliki nilai null.
b.
Fill in the missing value manually: mengisi sendiri nilai null yang
terdapat dalam data.
c.
Use global constant to fill in the missing value: mengganti nilai null
dengan label constant, seperti Unknown.
d.
Use the attribute mean to fill in the missing value: mengganti nilai
null dengan rata-rata yang dimiliki atribut.
e.
Use the attribute mean for all samples belonging to the same class
the given tuple: mengganti nilai null
dengan nilai rata-rata yang
dimilik atribut berdasarkan target kelas yang dicari.
f.
Use the most probable value to fill in the missing value: mengganti
nilai null
dengan nilai yang paling mungkin muncul berdasarkan
atribut target kelas yang dicari.
4.
Modeling
Tujuan dari pemodelan data mining
adalah untuk mencari hasil dari berbagai
situasi yang ada. Alat perangkat lunak untuk data mining seperti visualisasi
(men-split
data dan membangun hubungan) dan analisis kluster (untuk
mengidentifikasikan variabel
berjalan dengan baik secara bersamaan) dapat
berguna untuk analisis awal model yang akan digunakan. Pembagian
data ke
dalam set pelatihan dan pengujian juga diperlukan untuk pemodelan.
5.
Evaluation
Hasil model
harus dievaluasi
sesuai
tujuan bisnis
pada tahap pertama
(pemahaman bisnis). Evaluasi dilakukan dari hasil visualisasi dan perhitungan
statistik pengujian berdasarkan pemodelan yang dibuat. Pada akhir dari tahap
ini, keputusan penggunaan hasil data mining telah ditentukan.
6.
Deployment
Pembuatan dari model bukanlah akhir dari proyek data mining. Meskipun
tujuan dari pemodelan adalah untuk meningkatkan pengetahuan dari data,
pengetahuan data tersebut perlu dibangun dengan terorganisasi dan dibuat
pada satu bentuk yang dapat digunakan oleh pengguna.
|
20
di berbagai aplikasi seperti
Perbankan,
Manufacturing
dan Produksi, Pemasaran, Kesehatan, dll adalah sebagai berikut(Vikram &
Upadhayaya, 2011) :
1.
yang sebelumnya belum diketahui dari database yang besar; otomatisasi proses
penemuan informasi yang prediktif. Data mining membantu memperkirakan tingkat
pinjaman yang buruk dan pelanggaran dalam penggunaan kartu kredit, memprediksi
penggunaan kartu kredit oleh nasabah baru dan memprediksi nasabah mana yang
memiliki respon cepat terhadap penawaran pinjaman yang ditawarkan.
2.
dan menemukan faktor kunci yang mengontrol optimisasi dari kapasitas
manufacturing.
3.
demografis yang dapat digunakan untuk memprediksi dimana pelanggan akan
|
21
menanggapi mailing
atau membeli produk tertentu dan hal ini sangat membantu
dalam pertumbuhan bisnis.
4.
kesehatan oleh berhubungan demografi pasien dengan penyakit kritis,
mengembangkan wawasan yang lebih baik pada gejala dan penyebab mereka dan
belajar bagaimana untuk memberikan perawatan yang tepat.
5.
cakupan medis yang biaya, faktor penting yang mempengaruhi cakupan medis
mengklasifikasikan dan memprediksi pelanggan pola Pelanggan yang akan membeli
kebijakan baru.
6.
penjahat. Melacak pola kejahatan, lokasi dan perilaku kriminal, mengidentifikasi
berbagai atribut untuk data pertambangan, membantu dalam memecahkan kasus-
kasus kriminal.
7.
bergerak peralatan militer dan memprediksi konsumsi sumber daya. Selain itu
membantu dalam pengujian strategi untuk keterlibatan militer yang potensial dan
meningkatkan keamanan dalam negeri dengan pertambangan data dari berbagai
sumber.
8.
obligasi dan peramalan kisaran fluktuasi saham yang menentukan kapan harus
membeli atau menjual saham.
9.
disk
dan potensi
pelanggaran keamanan dapat dilakukan dengan data mining.
10. Penerbangan: Mendukung dalam memeriksa kelayakan menambahkan rute untuk
meningkatkan laba usaha dan untuk mengurangi kehilangan dengan menangkap data
di mana penumpang terbang dan tujuan akhir dari penumpang.
berikut:
1.
dengan boom internet, kekhawatiran tentang privasi telah meningkat sangat. Karena
keprihatinan privasi ini, individu seperti pengguna internet, karyawan, pelanggan
|
22
sangat takut bahwa tidak diketahui orang mungkin memiliki akses ke informasi
pribadi mereka dan kemudian menggunakan informasi dalam cara yang tidak etis dan
ini dapat menyebabkan kerusakan pada mereka. Meskipun, beberapa hukum
dilindungi pengguna untuk menjual atau memperdagangkan informasi pribadi antara
organisasi berbeda, menjual informasi pribadi terjadi
2.
perhatian utama dalam teknologi informasi. Perusahaan memiliki banyak informasi
tentang karyawan dan pelanggan termasuk nomor jaminan sosial, tanggal lahir, gaji
dll, dan juga tersedia di online. Tapi, mereka tidak memiliki cukup sistem keamanan
di tempat untuk melindungi informasi ini. Mereka telah banyak kasus di mana hacker
mengakses dan mencuri data pribadi pelanggan.
3.
yang dimaksudkan untuk digunakan untuk
beberapa tujuan etis atau bisnis. Namun dapat disalahgunakan untuk tujuan lain tidak
etis. Bisnis yang tidak etis atau individu mungkin menggunakan informasi untuk
mengambil keuntungan dari orang-orang rentan atau untuk melakukan diskriminasi
terhadap sekelompok orang tertentu. Selain itu, data pertambangan teknik bukanlah
persen persen akurat. Dengan demikian kesalahan yang mungkin terjadi yang dapat
memiliki konsekuensi serius.
|
23
Menurut (Moss & Atre, 2003), data mining dan statistik sama -
sama mempunyai
kekuatan dan kelemahan.
Statistik
Data Mining
Statistik selalu dimulai dengan hipotesis.
Data mining tidak membutuhkan hipotesis
Statistik harus mengembangkan persamaan
mereka sendiri untuk mencocokkan hipotesis
mereka.
Algoritma data mining bisa mengembangkan
persamaannya sendiri.
Analisis statistic hanya menggunakan data
numerik.
Data mining bisa menggunakan berbagai tipe
data (contoh: teks, suara), tidak hanya data
numerik.
Statistik dapan menemukan dan menyaring
data kotor selama analisis.
Data mining tergantung pada data yang
bersih dan terdokumentasi secara teratur.
Statistik menginterpretasikan hasilnya dan
menyampaikan hasil ini kepada manajer
bisnis dan eksekutif bisnis.
Hasil data mining tidak mudah untuk
diinterpretasikan. Statistik tetap dilibatkan
dalam analisis hasil data mining dan
menyampaikan temuannya kepada manajer
bisnis dan eksekutif bisnis.
Jadi berdasarkan perbandingan diatas maka digunakan Data Mining dengan
pertimbangan analisis data yang mengandung teks di dalamnya.
|
24
Menurut (Sehgal, Sehgal, Sehgal, & Chauhan, 2012), DSS (Decision Support System)
menyediakan pelayanan manajemen, operasi dan level perencanaan dari suatu organisasi dan
membantu dalam pengambilan keputusan. Sedangkan Data Mining mempunyai peran vital
untuk mengekstrak informasi penting untuk membantu dalam pengambilan keputusan dari
DSS.
Jadi bisa disimpulkan bahwa data mining dan DSS berkaitan oleh karena data mining
merupakan proses analisis yang bisa terlibat dalam DSS yang berfungsi menghasilkan
knowledge baru untuk mendukung pengambilan keputusan.
Techniques Second Edition, 2006)
adalah metode klasifikasi yang dilakukan berdasarkan
tingkat akurasi model dalam melakukan prediksi. Hal ini dilakukan karena keakuratan dalam
mengolah data merupakan salah satu hal yang penting.
metode holdout. Dalam metode ini, data asli dipartisi menjadi dua himpunan yang saling
terpisah yang dinamakan training set
dan test set. Model klasifikasi kemudian dibangun
berdasarkan training set dan hasilnya kemudian dievaluasi dengan menggunakan testing set.
Akurasi dari masing-masing metode klasifikasi dapat diestimasi berdasarkan akurasi yang
diperoleh dari test set. Proporsi antara training set
dan test set
tidak mengikat tetapi agar
variansi dalam model tidak terlalu besar maka dapat ditentukan bahwa proporsi training set
lebih besar daripada test set-nya. Biasanya 2/3 dari data dijadikan training set
dan 1/3 lagi
dijadikan testing set.
perhitungan-perhitungan Classifier Accuracy Measurables, yaitu sebagai berikut:
|
25
+ specifity
adalah jumlah true positive
yaitu jumlah data yang berhasil di prediksi oleh
classifier
dengan benar (misalkan jumlah data kelas yes dari sampel yang secara benar
dapat di prediksi sebagaimana mestinya oleh model klasifikasi), pos
adalah jumlah sampel
data positives
(yes), t_neg
adalah jumlah true negativesyaitu adalah kebalikan dari true
positive
(misalkan jumlah data kelas no dari sampel yang benar dapat diprediksi
sebagaimana mestinya oleh model klasifikasi), neg
adalah jumlah total sampel negatives
(no ), dan f_pos
adalah false positives
yaitu jumlah data yang salah di prediksi oleh
classifier (no diprediksi sebagai yes).
(yes) berdasarkan jumlah true positives
yang dapat diprediksi secara benar jika yang
diberikan adalah sampel positives.
adalah ukuran tingkatan derajat classifier
dapat mengenal negatives
samples
(no) berdasarkan true negatives
yang dapat diprediksi secara benar jika yang
diberikan adalah sampel negatives.
adalah besarnya presentase classifier
dalam menebak dengan tepat kelas
true positives
(yes) dengan melihat perbandingan true positive
yang dapat diprediksi
dengan penjumlahan true positive dan false positive.
model klasifikasi dalam melakukan prediksi.
adalah alat yang berguna
untuk menganalisis seberapa baik classifier
mengenali tuple dari kelas yang berbeda. TP dan
TN memberikan informasi ketika classifier benar, sedangkan FP dan FN memberitahu ketika
classifier salah.
|
26
(atau Laplace Estimator) adalah suatu cara untuk menangani
nilai probabilitas 0 (nol). Dari sekian banyak data di training set, pada setiap perhitungan
datanya ditambah 1 (satu) dan tidak akan membuat perbedaan yang berarti pada estimasi
probabilitas sehingga bisa menghindari kasus nilai probabilitas 0 (nol).
(seribu ) sampel, ada 0 (nol) sampel dengan income=low, 990 sampel dengan
income=medium, dan 10 sampel dengan income=high. Probabilitas dari kejadian ini tanpa
Laplacian Correction adalah 0, 0.990 (dari 990/1000), dan 0.010 (dari 10/1000).
Menggunakan Laplacian Correction dari tiga sampel diatas, diasumsikan ada 1 sampel lagi
untuk masing
masing nilai income. Dengan cara ini, didapatkanlah probabilitas sebagai
berikut (dibulatkan menjadi 3 angka dibelakang koma):
|
27
sebelumnya sehingga nilai probabilitas 0 (nol) dapat dihindari (Leung, 2007).
diagram atau dikenal sebagai fishbone
atau diagram ishikawa adalah diagram yang mengklasifikasikan berbagai macam penyebab
pada efek operasi kedalam sebuah desain, ditunjukan dengan sebuah panah yang
menghubungkan antara sebab dan akibat (Kai Yang, Ph.D &Basem S.El-Haik, Ph.D, Design
For Six Sigma, 2003).
kompleks
dengan membangun hubungan sebab akibat pada analisisnya. Berikut
adalah rincian manfaatnya :
dampak yang spesifik
mempengaruhi sebuah proses atau akibat
diambil
|
28
1.
dianalisis
khusus sebagai karakteristik atau masalah hasil dari kerja, perencanaan
objektif dan sejenisnya. Akibat bisa positif (sebuah objektif) atau negative
(sebuah masalah), tergantung pada isu yang dibahas.
2.
membuat kotak akibat di bagian ujung kanan
3.
dipelajari
lainnya yang didaftarkan. Bebarapa kategori utamanya antara lain;
metode, material, mesin, orang, kebijakan, prosedur, dan lingkungan.
4.
|
29
5.
pertanyaan yang mengacu pada ketergantungan antara sebab dan akibat.
pemrosesan datanya dilakukan pada sisi server. Sederhananya, serverlah yang akan
menerjemahkan skrip program, barukemudian hasilnya akan dikirim kepada client yang
melakukan permintaan.
paling utama PHP adalah pada konektivitasnya dengan sistem database di dalam web.
Kelebihan-kelebihan dari PHP diantaranya adalah :
a.
dan dalam Sistem Operasi yang berbeda pula.
b.
bawah lisensi GPL (GNU Public License). User dapat mendownload kode-kode PHP
tanpa harus mengeluarkan uang atau khawatir dituntut oleh pihak pencipta PHP.
c.
d.
yang sangat
sedikit dibanding dengan bahasa pemograman lain.
e.
lain.
f.
SQL, dan lain-lain.
g.
h.
menempelkan pada sintak-sintak HTML.
|
30
Menurut (Prasetyo, 2004), MySQL merupakan salah satudatabase server yang
berkembang di lingkungan open source dan didistribusikansecara free (gratis) dibawah lisensi
GPL.
MySQL merupakan RDBMS (Relational Database Management
System) server. RDBMS
adalah program yang memungkinkan pengguna databaseuntuk membuat, mengelola, dan
menggunakan data pada suatu model relational.Dengan demikian, tabel-tabel yang ada pada
database memiliki relasi antara satutabel dengan tabel lainnya.
Beberapa keunggulan dari MySQL yaitu :
a.
Cepat, handal dan Mudah dalam penggunaannya
MySQL lebih cepat tiga sampai empat kali dari pada database serverkomersial yang
beredar saat ini, mudah diatur dan tidak memerlukan
seseorang yang ahli untuk
mengatur administrasi pemasangan MySQL.
b.
Didukung oleh berbagai bahasa
Database server MySQL dapat memberikan pesan error dalam berbagaibahasa seperti
Belanda, Portugis, Spanyol, Inggris, Perancis, Jerman,dan Italia.
c.
Mampu membuat tabel berukuran sangat besar
Ukuran maksimal dari setiap tabel yang dapat dibuat dengan MySQLadalah 4 GB
sampai dengan ukuran file yang dapat ditangani oleh sistem operasi yang dipakai.
d.
Lebih Murah
MySQL bersifat open source dan didistribusikan dengan gratis tanpa
biaya untuk
UNIX platform, OS/2 dan Windows platform.
e.
Melekatnya integrasi PHP dengan MySQL
Keterikatan antara PHP dengan MySQL yang sama-sama software open source sangat
kuat, sehingga koneksi yang terjadi lebih cepat jika
dibandingkan dengan
menggunakan database server lainnya. Modul MySQL di PHP telah dibuat built-in
sehingga tidak memerlukan konfigurasi tambahan pada file konfigurasi php ini.
|
31
|
32
|
33
|
34
Menurut (Rosiawati, 2010), jantung adalah organ berupa otot, berbentuk kerucut,
berongga dan denganbasisnya di atas dan puncaknya di bawah. Apex nya (puncak ) miring
ke sebelahkiri. Berat jantung kira
kira 300 gram. Jantung berada di dalam torak, antara
kedua
paru
paru di belakang sternum, dan lebih menghadap ke kiri dari pada ke kanan.
Ukuran jantung kira
kira sebesar kepalan tangan. Jantung terbagi oleh sebuahseptum,
(sekat) menjadi dua belahan, yaitu kiri dan kanan. Sesudah lahir tidak adahubungan satu
dengan yang lain antara kedua belahan ini. Setiap belahan kemudiandibagi lagi dalam dua
ruang, yang atas disebut atrium dan yang bawah disebutventrikel. Maka di kiri terdapat 1
atrium dan 1 ventrikel, dan di kanan juga ada 1atrium 1 ventrikel.
Penyakit jantung terbagi menjadi 10 (sepuluh) bagian, diantaranya adalah sebagai
berikut (Rosiawati, 2010):
1.
Gagal Jantung Kronik
Kondisi patofisiologi (kelainan fungsi jantung), dimana terdapat kegagalan
jantung
memompa darah yang sesuai dengan kebutuhan jaringan.
2.
Gagal Jantung Akut
Serangan cepat ( rapid onset ) dari gejala
gejala atau tanda tanda ( symptom and
signs) akibat fungsi jantung yang abnormal.
3.
Jantung Katup
Penyakit jantung yang disebabkan karena kelainan katup jantung
4.
Jantung Perikarditis
Inflamansi pericardius, kantung membrane yang membungkus jantung /
peradangan
perikard ( selaput jantung).
5.
Jantung Koroner
Penyakit jantung akibat gangguan / kelainan pada pembuluh darah koroner
6.
Jantung Hipertensi
Penyakit jantung yang disebabkan karena hipertensi.
7.
Jantung Kardiomiopati
Suatu kelompok penyakit yang langsung mengenai otot jantung atau miokaditu
sendiri.
|
35
8.
Penyakit Jantung Kongenital/ bawaan
Merupakan kelainan struktur atau fungsi dari sistem kardiovaskuler yang
ditemukan
pada saat lahir walaupun dapat ditemukan di kemudian hari.
9.
Penyakit Jantung Paru
Pembesaran jantung kanan yang disebabkan oleh penyakit paru kronis dan
tidak
berhubungan dengan kelainan jantung kiri.
10. Penyakit Jantung Teroid
Penyakit Jantung teroid disebabkan oleh kelebihan atau kekurangan hormon teroid.
Medical check up (MCU) dengan pemeriksaan fisik adalah hal yang sama. Menurut
(Medical Check Up: RS Mitra Keluarga Bekasi), MCU merupakan suatu proses yang
dilakukan oleh seorang dokter dalam melakukan pemeriksaan tubuh pasien untuk mencari
adanya kejanggalan atau gejala dari suatu penyakit. Lebih lanjut lagi, dikemukakan juga
tujuan dari MCU, yaitu:
1.
Mendeteksi secara dini adanya suatu penyakit dalam tubuh seseorang
2.
Mengatasi secepat mungkin gangguan kesehatan yang telah ditemukan
3.
Mencegah penyakit yang telah dideteksi secara dini tidak berlanjut
Prosedur yang dilakukan oleh seorang dokter dalam melakukan pemeriksaan medical check
up mulai dengan tanya jawab atau dikenal dengan istilah anamnesa. Kemudian dilanjutkan
dengan pemeriksaan tambahan
berupa laboratorium (baik pemeriksaan darah, urine, dll),
rontgen dada, EKG/Treadmill Test(Medical Check Up: RS Mitra Keluarga Bekasi). Dalam
MCU pemeriksaan yang dilakukan menyeluruh dan pemeriksaan tambahan dilakukan tanpa
melihat kondisi pasien.
Kebanyakan laporan laboratorium memperlihatkan tes kimia darah. Tes ini mengukur
berbagai zat kimia dalam darah kita untuk melihat apakah tubuh manusia berfungsi dengan
baik. Setiap laboratorium mempunyai nilai rujukan untuk hasil tes. Biasanya laporan
laboratorium mencantumkan nilai rujukannya dan menandai hasil tes yang berada di luar nilai
rujukan (Mentor Healthcare). Pemeriksaan kimia darah yang terdapat di laboratorium
|
36
menurut (Bio Medika)
meliputi uji fungsi hati, otot jantung, ginjal, lemak darah, gula darah,
fungsi pankreas, elektrolit yang digunakan untuk membantu menegakkan diagnosis dokter.
Berikutnya, di bawah ini akan dijabarkan beberapa laboratorium klinik yang berkaitan
dengan diagnosis penyakit jantung, yaitu laboratorium fungsi ginjal, laboratorium diabetes,
laboratorium lemak
dan laboratorium fungsi jantung. Keempat
tes laboratorium ini diambil
berdasarkan penyakit penyebab penyakit jantung yang sudah dijelaskan diatas.
Menurut (Bio Medika), uji fungsi ginjal terutama adalah pemeriksaan ureum
dan kreatinin. Ureum adalah produk akhir dari metabolisme protein di dalam tubuh
yang diproduksi oleh hati dan dikeluarkan lewat urin. Pada gangguan ekskresi ginjal,
pengeluaran ureum ke dalam urin terhambat sehingga kadar ureum akan meningkat di
dalam darah. Kreatinin merupakan zat yang dihasilkan oleh otot dan dikeluarkan dari
tubuh melalui urin. Oleh karena itu kadar kreatinin dalam serum dipengaruhi oleh besar
otot, jenis kelamin dan fungsi ginjal. Di Laboratorium Klinik Utama Bio Medika
pemeriksaan kadar kreatinin dilaporkan dalam mg/dl dan estimated GFR (eGFR) yaitu
nilai yang dipakai untuk mengetahui perkiraan laju filtrasi glomerulus yang dapat
memperkirakan beratnya kelainan fungsi ginjal.
Beratnya kelainan ginjal diketahui dengan mengukur uji bersihan kreatinin
(creatinine clearance test/CCT). Creatinine clearance test/CCT memerlukan urin
kumpulan 24 jam, sehingga bila pengumpulan urin tidak berlangsung dengan baik hasil
pengukuran akan mempengaruhi nilai CCT. Akhir-akhir ini, penilaian fungsi ginjal
dilakukan dengan pemeriksaan cystatin-C dalam darah yang tidak dipengaruhi oleh
kesalahan dalam pengumpulan urin. Cystatin adalah zat dengan berat molekul rendah,
dihasilkan oleh semua sel berinti di dalam tubuh yang tidak dipengaruhi oleh proses
radang atau kerusakan jaringan. Zat tersebut akan dikeluarkan melalui ginjal. Oleh
karena itu kadar Cystatin dipakai sebagai indikator yang sensitif untuk mengetahui
kemunduran fungsi ginjal.
|
37
Menurut (Mayo Clinic), pengecekan darah yang dilakukan untuk mengetahui
pasien terkena diabetes atau tidak, ada 4 (empat) tes darah yang dilakukan, yaitu :
Tes Glycated hemoglobin (A1C)
Tes darah ini menunjukkan tingkat rata-rata gula darah Anda selama dua sampai tiga
bulan. Mengukur persentase gula darah yang melekat pada hemoglobin, protein
pengangkut oksigen dalam sel darah merah. Semakin tinggi tingkat gula darah, maka
akan tinggi juga hemoglobin seseorang dengan memiliki kandungan gula didalamnya.
A1C tingkat 6,5 persen atau lebih tinggi pada dua terpisah tes menunjukkan bahwa
seseorang memiliki diabetes.
Tes Random Blood Sugar
Sampel darah akan diambil pada waktu acak. Terlepas dari Kapan Anda terakhir
makan, gula darah acak tingkat 200 miligram per deciliter (mg/dL) 11.1 millimoles
per liter (mmol/L) atau lebih mengisyaratkan terkenanya diabetes.
Tes Fasting Blood Sugar
Sampel darah akan diambil setelah semalam berlalu. Tingkat gula darah puasa antara
100 dan 125 mg/dL (5,6 dan 6.9 mmol/L) dianggap prediabetes. Jika pada 126 mg/dL
(7 mmol/L) atau yang lebih tinggi di dua tes terpisah, maka seseorang akan dapat
didiagnosis dengan diabetes.
Tes Oral glucose tolerance
Sampel darah akan diambil setelah Anda puasa untuk setidaknya delapan jam atau
semalam. Kemudian Anda akan diminta minum gula, dan tingkat gula darah Anda
akan diukur lagi setelah dua jam. Gula darah tingkat kurang dari 140 mg/dL (7.8
mmol/L) normal. Tingkat gula darah dari 140 untuk 199 mg/dL (7,8 sampai 11
mmol/L) dianggap prediabetes. Ini kadang-kadang disebut sebagai gangguan
toleransi glukosa.
Menurut (Bio Medika), pemeriksaan lemak darah meliputi pemeriksaan kadar
kolesterol total, trigliserida, HDL dan LDL kolesterol. Pemeriksaan tersebut terutama
dilakukan pada pasien yang memiliki kelainan pada pembuluh darah seperti pasien
|
38
dengan kelainan pembuluh darah otak, penyumbatan pembuluh darah jantung, pasien
dengan diabetes melitus (DM) dan hipertensi serta pasien dengan keluarga
yang
menunjukkan peningkatan kadar lemak darah. Untuk pemeriksaan lemak darah ini,
sebaiknya berpuasa selama 12 -
14 jam. Bila pada pemeriksaan kimia darah, serum
yang diperoleh sangat keruh karena peningkatan kadar trigliserida sebaiknya
pemeriksaan diulang setelah berpuasa > 14 jam untuk mengurangi kekeruhan yang ada.
Untuk pemeriksaan kolesterol total, kolesterol HDL dan kolesterol LDL tidak perlu
berpuasa. Selain itu dikenal pemeriksaan lipoprotein (a) bila meningkat dapat
merupakan faktor risiko terjadinya penyakit jantung koroner.
Menurut (Bio Medika), Uji fungsi jantung dapat dipakai pemeriksaan creatine
kinase (CK), isoenzim creatine kinase yaitu CKMB, N-terminal pro brain natriuretic
peptide (NT pro-BNP) dan Troponin-T. Kerusakan dari otot jantung dapat diketahui
dengan memeriksa aktifitas CKMB, NT pro-BNP, Troponin-T dan hsCRP.
Pemeriksaan LDH tidak spesifik untuk kelainan otot jantung, karena hasil yang
meningkat dapat dijumpai pada beberapa kerusakan jaringan tubuh seperti hati,
pankreas, keganasan terutama dengan metastasis, anemia hemolitik dan leukemia.
|