Sumber  data  yang  diperoleh  secara  langsung  dari  sumber  asli  disebut  sebagai  data  primer. Penggunaan data primer umumnya untuk kebutuhan menghasilkan informasi yang mencerminkan kebenaran sesuai dengan kondisi faktual, sehingga informasi yang dihasilkan dapat berguna dalam pengambilan  keputusan.Kebenaran  data  merupakan  aspek  penting  pada  sistem  informasi  kesehatan, terlebih terhadap data yang berkaitan dengan data klinis ibu hamil. Ketersediaan data klinis ibu hamil yang digunakan secara bersama oleh unit layanan kesehatan membutuhkan ketersediaan sistem informasi yang memberikan kelengkapan data klinis dengan akurat untuk pencegahan timbulnya penyulit kehamilan yang berujung pada kematian ibu dan bayi. Bagaimana peran data primer dalam pembangunan skema konseptual  basisdata  SIMBUMIL  yang  faktual  adalahtopik  yang  dibahas  pada  paper  ini.  Skema konseptual basisdata yang dibangun dengan cara melakukan peninjauan ulang terhadap skema yang telah dibangun  sebelumnya  menggunakan  sumber  data sekunder  yang  diambil  dari  beberapa  situs asuhan kehamilan.Peninjauan ulang yang dilakukan menggunakan data primer dan penelusuran pustaka. Penelusuran pustaka dilakukan bertujuan untuk memahami istilah yang digunakan sebagai nama atribut.Langkah   yang  dilakukan  dalam  pembangunan  skema  konseptual  ini  terdiri  dari  langkah identifikasi  entitasasuhan  kehamilan,  tinjauan  fungsi atribut pada setiap entitas,  dan  perbaikan/revisi skema konseptual untuk menghasilkan skema konseptual yang faktual. Studi lapangan dan wawancara kepada narasumber  yang  kompeten  adalah  metode  yang digunakan  untuk  mendapatkan  data  primer sebagai dasar peninjauan ulang. Hasil dari pembangunan skema konseptual diperoleh struktur basisdata yang mewakili kondisi faktual rekam medis asuhan kehamilan. Peran data primer sangat berpengaruh pada pembangunan basisdata SIMBUMIL, khususnya pada penyesuaian entitas, penyesuaian atribut pada setiap entitas, perubahan tipe, panjang, dan isi data untuk setiap atribut.

No abstract

The implementation of e-government in Indonesia, one of which is supported by Indonesia's involvement in the Open Government Partnership (OGP) in supporting the disclosure of public information. Satu Data Pandeglang web portal system is a manifestation of the implementation of e-government at the presence stage, where technology plays a role in providing basic information that is easily accessible to the public. This study aims to implement the user-centered design process by conducting an initial evaluation of the Satu Data Pandeglang web portal system based on two priority aspects of UX Honeycomb, namely the desirable and usefulness aspects. Based on the research results, the overall mean value of the eight variables from both desirable and usefulness aspects is 3.63 which is still below the value of 4. These results indicate that these two aspects of UX Honeycomb still need to be improved and redesigned at the next development stage

Dibidang kesehatan, mendiagnosis penyakit leukemia merupakan hal yang sulit karena masih didiagnosis secara manual dengan bantuan dokter. Diagnosis manual tersebut dapat mengalami kesalahan yang disebabkan oleh kelalaian manusia. Dari permasalahan tersebut, maka dibutuhkan diagnosis jenis penyakit leukemia menggunakan kecanggihan teknologi yaitu machine learning untuk mengatasi permasalahan tersebut. Dalam penelitian ini, machine learning tersebut mengolah data yang berasal dari jenis leukemia yaitu Acute Myeloid Leukemia (AML) dan Acute Lymphoblastic Leukemia (ALL) berdasarkan ciri morfologi gen sel darah putih tersebut. Metode pengklasifikasian data yang digunakan untuk penelitian ini yaitu K-Nearest Neighbor (K-NN) dan Naïve Bayes yang kemudian kedua metode klasifikasi tersebut dibandingkan untuk melihat metode klasifikasi yang terbaik. Penelitian ini menggunakan praproses data cleaning, seleksi fitur, dan scaling untuk meningkatkan nilai akurasi. Hasil dari penelitian ini adalah metode klasifikasi K-Nearest Neighbors (K-NN) merupakan klasifikasi yang terbaik dengan nilai akurasi yang menggunakan kurva ROC/AUC bernilai 0.952 jika dibandingkan dengan metode klasifikasi Naïve Bayes yaitu 0.912.