PROPOSAL SKRIPSI

IDENTIFIKASI GANGGUAN SOMATOFORM PADA PASIEN DENGAN METODE CERTAINTY FACTOR

OLEH : WANDA SURYANATA 3101 0802 0973

PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER BANJARBARU (STMIK BANJARBARU) BANJARMASIN 2012

PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER BANJARBARU (STMIK BANJARBARU) PERSETUJUAN PROPOSAL SKRIPSI Nama NIM Program Studi Judul Skripsi : WANDA SURYANATA : 3101 0802 0973 : TEKNIK INFORMATIKA : IDENTIFIKASI GANGGUAN SOMATOFORM PADA PASIEN DENGAN METODE CERTAINTY FACTOR Telah disetujui untuk diseminarkan pada Sidang Proposal Skripsi Program Studi Teknik Informatika Sekolah Tinggi Manajemen Informatika & Komputer Banjarbaru (STMIK BANJARBARU). Banjarmasin, 23 Februari 2012 Pembimbing Utama Pembimbing Pendamping

Drs. H. Sushermanto, M.Kom

Boy Abidin Rozany, S.T

Mengetahui : Ketua Jurusan Teknik informatika,

Ir. Yulia Yudihartanti, M.Kom. ii

PROGRAM STUDI TEKNIK INFORMATIKA SEKOLAH TINGGI MANAJEMEN INFORMATIKA & KOMPUTER BANJARBARU (STMIK BANJARBARU) PENGESAHAN PROPOSAL SKRIPSI Nama NIM Program Studi Judul Skripsi : WANDA SURYANATA : 3101 0802 0973 : TEKNIK INFORMATIKA : IDENTIFIKASI GANGGUAN SOMATOFORM PADA PASIEN DENGAN METODE CERTAINTY FACTOR Proposal ini telah diseminarkan dihadapan Komite Seminar pada 25 Februari 2012 dan disetujui untuk dijadikan pedoman dalam penulisan skripsi SUSUNAN KOMITE SEMINAR NO 1 2 3 KOMITE SEMINAR Boy Abidin Rozany, S.T H. Budi Rahmani, S.Pd, M.Kom Dra. Hj. Ruliah S, M.Kom STATUS Ketua Sekretaris Anggota TANDA TANGAN

Banjarmasin, 1 Maret 2012 Mengetahui, Ketua Jurusan Teknik Informatika Mengesahkan Ketua STMIK Banjarbaru

Ir. Yulia Yudihartanti, M.Kom NIP. 19690401.200501.2.001 iii

Drs. H. Sushermanto, M.Kom NIK. 091 062 001

Sesuai dengan kemampuan dan pengetahuan yang penulis miliki. 3. 2. Suatu nikmat dari Allah SWT yang selayaknya disyukuri. Teman-teman seperjuangan yang mengambil Tugas Akhir atas saran. 4. dalam kesempatan ini penulis menghaturkan penghargaan dan ucapan terima kasih yang setinggi-tingginya kepada : 1. khususnya jurusan Teknik Informatika Angkatan 2008 yang banyak memberikan dukungan moril dan materil beserta masukan yang membangun. Segala puji dan syukur bagi Allah Tuhan seru sekalian alam. bahwa penulisan Skripsi ini tidak akan terwujud tanpa adanya dukungan dan bantuan dari berbagai pihak. Pak Boy Abidin Rozani. Semua teman dan sahabatku. Seluruh dosen pengajar di STMIK Banjarbaru yang telah memberikan ilmu pengetahuan yang bermanfaat. shalawat dan salam semoga selalu Allah limpahkan kepada junjungan kita Nabi Besar Muhammad SAW beserta seluruh keluarga. Penulis menyadari. iv . sahabat dan pengikut beliau hingga akhir zaman. kritik dan sharing ilmu pengetahuan serta bantuan dalam proses penulisan skripsi. karena dengan taufiq dan hidayah-Nya penulis dapat menyelesaikan Skripsi yang berjudul “IDENTIFIKASI GANGGUAN SOMATOFORM PADA PASIEN DENGAN METODE CERTAINTY FACTOR”. Maka. ST selaku pembimbing skripsi yang telah meluangkan waktu dan memberikan arahan selama proses pembuatan skripsi.KATA PENGANTAR Dengan nama Allah Yang Maha Pengasih lagi Maha Penyayang.

Akhirnya. 17 April 2012 Penulis v . Penulis sadar bahwa dalam pembuatan skripsi ini masih banyak terdapat kekurangan. Hal ini karena keterbatasan kemampuan dan ilmu pengetahuan yang penulis miliki. penulis masih mengharapkan kritik dan saran yang konstruktif dari para pembaca sekalian demi penyempurnaan skripsi ini. penulis berharap semoga Skripsi ini dapat memberikan manfaat bagi khasanah ilmu pengetahuan Sistem Informasi di Indonesia.5. Seluruh pihak yang tidak bisa disebutkan satu persatu yang telah banyak memberikan bantuan. Banjarmasin. Karena itu.

............. ix BAB I PENDAHULUAN .............................................................................. Ruang Lingkup Masalah ......... Tujuan dan Manfaat Penelitian ....... 1 1...................................................................... Gangguan Somatoform ............................................ 3 1......................... 6 2................................................. vi DAFTAR TABEL ... 4 1.3... Tinjauan Pustaka.......2.... Identifikasi Masalah ............................................... 4 1...................2...................................... Landasan Teori ...................... 3 1............................................................1.2...................................................................................... Pemrograman Delphi ...........................................2..............................5 2...... Sistem Pakar ...................2.. Permasalahan Penelitian .............................. Kategori Gangguan Somatoform ..........................2..............2............................................... Manfaat Penelitian ....1................................................................1.....3........3....1 1..2...... 11 2.............4..........DAFTAR ISI Hal........................ Rumusan Masalah.1......... ii PENGESAHAN PROPOSAL SKRIPSI ..................... PERSETUJUAN PROPOSAL SKRIPSI ....................... 22 2..........5.........................................2.......................................... 6 2.......2............................. viii DAFTAR GAMBAR ...................... Kerangka Pemikiran ......................................................................................................................................... iii KATA PENGANTAR .......... 3 1............................ 10 2....2.............................................................. 25 vi ............................. Certainty Factor ........................3............2............................................................................3............ iv DAFTAR ISI ..................................1...... 4 1.............. 13 2...........2............................................3..................... 5 2.. Latar Belakang ............................ Tujuan Penelitian . 4 BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN .....

BAB III METODE PENELITIAN........................................................................26 3.1. Analisa Kebutuhan ......................................................................... 26 3.1.1. Jenis Penelitian ................................................................... 26 3.1.2. Metode Pengumpulan Data ................................................ 27 3.2. Perancangan Penelitian ................................................................... 28 3.2.1. Diagram Konteks ................................................................ 28 3.2.2. Use Case Diagram .............................................................. 28 3.2.3. Sequence Diagram .............................................................. 29 3.2.4. Activity Diagram ................................................................ 36 3.2.5. Desain Database ................................................................. 43 3.2.6. Desain Arsitektural ............................................................. 46 3.3. Teknik Analisis Data ...................................................................... 47 1.3.1 1.3.2 1.3.3 Analisis Basis Pengetahuan ................................................ 47 Data Gejala Gangguan Somatoform ................................... 48 Analisis Certainty Factor ................................................... 52

3.4. Jadwal Penelitian ............................................................................ 55

DAFTAR PUSTAKA ............................................................................................56 DAFTAR RIWAYAT HIDUP ...............................................................................58

vii

DAFTAR TABEL
Hal. Tabel 2. 1. Rangkuman Gangguan Somatoform ................................................... 10 Tabel 2. 2. Istilah Hasil CF ................................................................................... 14 Tabel 2. 3. Aturan Kombinasi MYCIN ................................................................. 15 Tabel 3. 1. Tabel Login ......................................................................................... 43 Tabel 3. 2. Tabel Gejala ........................................................................................ 44 Tabel 3. 3. Tabel Gangguan .................................................................................. 44 Tabel 3. 4. Tabel Pengetahuan .............................................................................. 44 Tabel 3. 5. Tabel Informasi ................................................................................... 45 Tabel 3. 6. Nilai Interpretasi untuk MB dan MD .................................................. 53 Tabel 3. 7. Contoh Tabel Pengetahuan ................................................................. 54 Tabel 3. 8. Tabel Estimasi Jadwal......................................................................... 55

viii

DAFTAR GAMBAR
Hal. Gambar 2. 1. Struktur Sistem Pakar ....................................................................... 8 Gambar 2. 2. Jaringan Penalaran CF .................................................................... 16 Gambar 2. 3. Kombinasi CF ................................................................................ 16 Gambar 2. 4. Kombinasi Paralel CF .................................................................... 17 Gambar 2. 5. Kerangka Pemikiran ....................................................................... 25 Gambar 3. 1. Diagram Konteks............................................................................. 28 Gambar 3. 2. Use Case Diagram ........................................................................... 29 Gambar 3. 3. Sequence Diagram Login ................................................................ 30 Gambar 3. 4. Sequence Diagram Data Gejala ....................................................... 31 Gambar 3. 5. Sequence Diagram Data Gangguan ................................................. 32 Gambar 3. 6. Sequence Diagram Data Pengetahuan ............................................. 33 Gambar 3. 7. Sequence Diagram Data Informasi .................................................. 34 Gambar 3. 8. Sequence Diagram Identifikasi........................................................ 35 Gambar 3. 9. Sequence Diagram Lihat Informasi ................................................. 36 Gambar 3. 10. Activity Diagram Login ................................................................. 37 Gambar 3. 11. Activity Diagram Data Gejala ........................................................ 38 Gambar 3. 12. Activity Diagram Data Gangguan .................................................. 39 Gambar 3. 13. Activity Diagram Data Pengetahuan .............................................. 40 Gambar 3. 14. Activity Diagram Data Informasi................................................... 41 Gambar 3. 15. Activity Diagram Proses Identifikasi ............................................. 42 Gambar 3. 16. Activity Diagram Lihat Informasi .................................................. 43 Gambar 3. 17. Relasi Tabel ................................................................................... 45 Gambar 3. 18. Desain Arsitektural ........................................................................ 46

ix

Implementasi sistem pakar dapat diterapkan dalam dunia psikologi seperti identifikasi ganguaan-gangguan kejiwaan pada client sebagai diagnosa awal.1.BAB I PENDAHULUAN 1. Karena gangguan somatoform sangat beragam jenis dan gejalanya. 2011) Sistem pakar (Expert System) adalah program komputer yang merupakan cabang dari penelitian ilmu komputer yang disebut kecerdasan buatan. Salah satu implementasi yang diterapkan sistem pakar dalam bidang psikologi yaitu sistem pakar untuk identifikasi gangguan somatoform pada pasien. mual. maka seorang pakar atau 1 . Gejala dan keluhan somatik adalah cukup serius untuk menyebabkan penderitaan emosional yang bermakna pada pasien atau gangguan pada kemampuan pasien untuk berfungsi di dalam peranan sosial atau pekerjaan. nyeri. dan pusing) di mana tidak dapat ditemukan penjelasan medis. Sistem pakar merupakan suatu program aplikasi komputerisasi yang berusaha menirukan proses penalaran dari seorang ahlinya dalam memecahkan masalah spesifikasi atau bisa dikatakan merupakan duplikat dari seorang pakar karena pengetahuannya disimpan didalam basis pengetahuan untuk diproses pemecahan masalah. Gangguan somatoform adalah tidak disebabkan oleh pura-pura yang disadari atau gangguan buatan. Seringkali pasien bingung dengan gangguan-gangguan yang dalam jiwanya sehingga harus ke dokter atau psikolog untuk berkonsultasi. (Anonim. Latar Belakang Gangguan somatoform adalah suatu kelompok gangguan yang memiliki gejala fisik (sebagai contohnya.

2 psikolog perlu mengkaji lebih dalam gejala yang dialami pasien untuk mengidentifikasi gangguan somatoform apa yang dialaminya. gangguan konversi. gangguan dismorfik tubuh. yaitu gangguan somatisasi. Keluaran yang dihasilkan oleh sistem adalah ada tidaknya autisme pada seorang anak . Sebagai contoh penelitian yang dilakukan oleh Linda Widias Tuty pada tahun 2011 dengan judul “Sistem Pakar Untuk Analisis Anak Autisme dengan Metode Certainty Factor”. DSM IV juga memiliki dua kategori diagnostik residual. Keluhan ini biasanya sudah berlangsung lama dan biasanya keluhannya berulang-ulang namun berganti-ganti tempat. terdapat lima gangguan somatoform spesifik. hipokondrias. dan ganggua nyeri. Pengidentifikasian suatu gangguan somatoform dengan komputer akan mempermudah psikolog maupun orang awam sekalipun dalam membantu menentukan keputusan yang diambil. Gangguan ini ditandai dengan adanya keluhan-keluhan berupa gejala fisik yang bermacam-macam dan hampir mengenai semua sistem tubuh. Pasien biasanya sering pergi ke berbagai macam dokter. Beberapa pasien bahkan ada yang sampai dilakukan operasi namun hasilnya negatif. misalnya karena orang terlalu stres membuat orang tersebut jadi muncul sakit gatal-gatal atau sakit kepala. Menurut DSM IV. yaitu gangguan somatoform tidak terdirensisasi dan gangguan somatoform yang tidak dapat ditentukan. Kebanyakan masyarakat khususnya di Indonesia belum mengetahui apa sebenarnya gangguan somatoform. Gangguan somatoform merupakan gangguan psikologis tapi berakibat pada sakit fisik.

Sistem pakar ini dibuat hanya pada gangguan somatoform. . Metode inferensinya menggunakan metode forward chaining. 1.1. 3. Ruang Lingkup Masalah Ruang lingkup masalah dalam penelitian ini adalah sebagai berikut : 1. Dan juga akan dihitung uji komparasi perbandingan antara keduanya. maka pada penelitian ini akan membuat sistem pakar untuk mengidentifikasi gangguan somatoform dengan metode Certainty Factor. Tidak membahas gangguan-gangguan psikologis lainnya.2. Identifikasi Masalah Berdasarkan uraian latar belakang di atas. 4. Berdasarkan latar belakang di atas.2.2.2. maka identifikasi permasalahan dalam penelitian ini yaitu membandingkan hasil identifikasi gangguan somatoform oleh pakar yaitu psikolog dengan aplikasi sistem pakar. Kemudian membandingkan hasil identifikasi gangguan somatoform oleh pakarnya yaitu psikolog dengan aplikasi sistem pakar yang dibangun apakah sama atau berbeda sama sekali.3 berdasarkan gejala yang diberikan kepada sistem. Permasalahan Penelitian 1. 2. Metode yang digunakan dalam penyelesaian masalah ini adalah metode Certainty Factor (CF). 1. Pada penelitian sekarang ini akan mencoba menggunakan metode yang sama namun objek yang berbeda.

Manfaat Penelitian Manfaat dari penelitian ini adalah dengan adanya sistem pakar ini diharapkan nantinya dapat mengetahui perbandingan antara hasil identifikasi gangguan somatoform oleh pakar dengan sistem pakar tersebut.2. . Rumusan Masalah Rumusan masalah dalam penelitian ini adalah bagaimana membuat sistem pakar untuk mengidentifikasi gangguan somatoform pada pasien dengan metode Certainty Factor dan membandingkan hasil identifikasi oleh psikolog dan sistem pakar ? 1.2. Tujuan Penelitian Sesuai dengan latar belakang di atas.4 1.3. Kemudian membandingkan hasil identifikasi gangguan somatoform oleh pakarnya yaitu psikolog dengan aplikasi sistem pakar yang dibangun apakah sama atau berbeda sama sekali. Tujuan dan Manfaat Penelitian 1.3.3. maka penelitian yang dilakukan ini memiliki tujuan yaitu membuat sistem pakar yang berisi pengetahuan dari seorang pakar / psikolog yang diyakini kebenarannya yang memiliki kemampuan untuk mengidentifikasi gangguan somatoform pada pasien dari gejala-gejala yang dialami secara cepat dan tepat seperti seorang pakar dengan menggunakan metode Certainty Factor (CF). 1.1.3.

BAB II LANDASAN TEORI DAN KERANGKA PEMIKIRAN 2. dengan perhitungan metode certainty factor. 2006). Kusrini (2006) dengan penelitian tentang penerapan metode certainty factor yang berjudul “Penggunaan Certainty Factor dalam Sistem Pakar untuk Melakukan Diagnosis dan Memberikan Terapi Penyakit Epilepsi dan Keluarganya” penelitian ini tentang mengurangi kesalahan diagnose penyakit epilepsi melalui perhitungan modern salah satunya adalah metode certainty factor. Linda Widias Tuty (2011) dengan penelitian tentang sistem pakar analisis anak autisme yang berjudul “Sistem Pakar Untuk Analisis Anak Autisme dengan 5 . Sehingga dapat memperkecil resiko-resiko kesalahan dalam proses diagnosa pada umumnya (Puspitasari. negatif palsu: pasien menderita suatu penyakit tetapi tidak terdapat gejala yang menunjukkan penyakit itu. Dengan 4 hasil akhir yaitu. Tinjauan Pustaka Penelitian terdahulu yang relevan dengan penelitian ini adalah sebagai berikut : Denok Puspitasari (2010) dengan penelitian tentang penerapan metode certainty factor yang berjudul “Sistem Pakar Diagnosa Diabetes Nefropathy dengan Metode Certainty Factor” meneliti tentang diagnosa apakah seseorang pasien menderita diabetes nefropathy atau tidak. positip palsu: suatu gejala itu ada tetapi pasien tidak menderita penyakit sebagaimana yang ditunjukkan oleh gejala itu.1. 2010). positip sejati: suatu gejala ada dan pasien memang menderita penyakit yang ditunjukkan oleh gejala itu. negatip sejati: pasien tidak menunjukkan gejala penyakit dan memang tidak menderita penyakit tersebut (Kusrini.

2. 2011) Hasil penelitian sebelumnya dapat menjadi informasi dan acuan bagi penulis saat ini menggunakan metode Certainty Factor (CF) untuk mengidentifikasi gangguan somatoform pasien. 2003) : .6 Metode Certainty Factor”.1. Pengetahuan pada sistem direpresentasikan dalm bentuk nilai kepastian analisis dari metode certainty factor. Landasan Teori 2. Sistem Pakar Sistem pakar pertama kali dikembangkan oleh komunitas AI pada pertengahan tahun 1960.Sistem pakar yang muncul pertama kali adalah General Purpose Problem Solver (GPS) yang dikembangkan oleh Newel & Simon.2. Sistem pakar memiliki banyak definisi. (Tuty.1.2.2. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Tujuan penelitiannya adalah untuk membantu orangtua dalam pengetahuan tentang autisme serta dalam melakukan diagnosa awal kemungkinan autisme pada anak. Definisi Sistem Pakar Beberapa definisi yang ada untuk sistem pakar (Kusumadewi. meskipun metode yang sama tapi berbeda objek. 2. Objek pada penelitian ini adalah tentang gangguan somatoform. Keluaran dari sistem ada tidaknya autisme pada seorang anak berdasarkan fakta/gejala yang diberikan pada sistem. Penelitian-penelitian diatas berbeda dengan penelitian kali ini.1. tetapi pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah.

7 a. pengaturan (regulating). Menurut Martin dan Oxman : Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan. (Librina. b. pemberian nasihat (advising ) dan pelatihan (tutoring). Beberapa aktifitas pemecahan yang dimaksud antara lain: pembuatan keputusan (decision making). pembuatan desain (designing). Pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah. 2011) 2. Menurut Giarratano dan Riley : Sistem pakar adalah salah satu cabang kecerdasan buatan yang menggunakan pengetahuan-pengetahuan khusus yang dimiliki oleh seorang ahli untuk menyelesaikan suatu masalah tertentu. Selain itu sistem pakar juga dapat berfungsi sebagai asisten yang pandai dari seorang pakar. c. pemaduan pengetahuan (knowledge fusing). yang biasanya hanya dapat diselesaikan oleh seorang pakar dalam bidang tertentu. penjelasan (explaining). prakiraan (forecasting). fakta. perencanaan (planning). memungkinkan adanya komponen untuk berpikir dan mengambil kesimpulan dari sekumpulan kaidah. Menurut Ignizio : Sistem pakar merupakan bidang yang dicirikan oleh sistem berbasis pengetahuan (Knowledge Base System). perumusan (prescribing). yaitu: lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation\ environment).2. Struktur Sistem Pakar Sistem pakar terdiri dari dua bagian pokok.1. Lingkungan pengembangan digunakan sebagai pembangun sistem .2. dan teknik penalaran dalam memecahkan masalah.

menyimpan pengetahuan dan keahlian para pakar. meningkatkan output dan produktivitas.3. bisa melakukan proses secara berulang secara otomatis. meningkatkan kualitas. mampu beroperasi dalam lingkungan yang berbahaya. mampu mengambil dan melestarikan keahlian para pakar (terutama yang termasuk keahlian langka).8 pakar baik dari segi pembangunan komponen maupun basis pengetahuan. antara lain : Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli. banyak manfaat yang dapat diambil dengan adanya sistem pakar. Lingkungan konsultasi digunakan oleh seseorang yang bukan ahli untuk berkonsultasi. memiliki kemampuan . meningkatkan kepabilitas sistem komputer. Gambar 2.2. memiliki kemampuan untuk mengakses pengetahuan. Struktur Sistem Pakar Sumber : (Kusumadewi. memiliki reliabilitas. 2003) 2. Kelebihan Sistem Pakar Secara garis besar. 1.1.

yaitu : a) Forward Chaining.5.4. Dengan kata lain.9 untuk bekerja dengan informasi yang tidak lengkap dan mengandung ketidakpastian. Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri (IF dulu). Antara lain: biaya yang diperlukan sangat mahal untuk membuat dan pemeliharaan sistem ini. (Harawi. dan . 2011) 2. Kekurangan Sistem Pakar Namun Sistem ini tetap memiliki kekurangan-kekurangan yang merupakan bentuk tidak kemampuan rekayasa pengetahuan dan pakar dengan hasil semaksimal mungkin. penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis. terutama bila dikaitkan dengan ketersediaan pakar dibidangnya. sulit dikembangkan.1. 2003) 2. sistem Pakar tidak 100% bernilai benar. Ada 2 cara yang dapat dikerjakan dalam melakukan inferensi. Metode Inferensi Metode ini lebih dikenal dengan sebutan mesin inferensi. (Kusumadewi. karena ini rekayasa manusia untuk membantu menyelesaikan masalah bukan sebagai penyelesaian secara utuh.2.2. b) Backward Chaining. Pencocokan fakta atau pernyataan di mulai dari bagian sebelah kanan (THEN dulu).1. meningkatkan kapabilitas dalam penyelesaian masalah dan menghemat waktu dalam pengambilan keputusan. Dengan kata lain. penalaran dimulai dari hipotesis terlebih dahulu. Mesin inferensi merupakan bagian yang mengandung mekanisme fungsi berpikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar. sebagai media pelengkap dalam penelitian.

Gangguan Somatoform Kata somatoform ini di ambil dari bahasa Yunani soma. orang memiliki simtom fisik yang mengingatkan pada gangguan fisik. yang berarti “tubuh”.2.10 untuk menguji kebenara hipotesis tersebut dicari harus dicari fakta-fakta yang ada dalam basis pengetahuan 2. Ciri utama gangguan ini adalah adanya keluhan-keluhan gejala fisik yang berulang disertai permintaan pemeriksaan medis. meskipun sudah berkali-kali terbukti hasilnya negatif dan juga telah dijelaskan oleh dokternya bahwa tidak terjadi kelainan yang mendasari keluhannya. 1. namun tidak ada abnormalitas organik yang dapat ditemukan penyebabnya. Gangguan ini juga berbeda dengan gangguan factitious yaitu suatu gangguan yang ditandai oleh pemalsuan simtom psikologis atau fisik yang disengaja tanpa keuntungan yang jelas.2. atau kepura-puraan simtom yang bertujuan untuk mendapatkan hasil yang jelas. Tabel 2. Rangkuman Gangguan Somatoform Gangguan Gangguan Nyeri Gangguan Dismorfik Tubuh Hipokondrias Deskripsi Faktor-faktor psikologis berperan secara signifikan dalam muncul dan menetapnya rasa nyeri Preokupasi dengan kerusakan dalam penampilan fisik yang hanya dibayangkan atau dilebih-lebihkan Preokupasi dengan ketakutan menderita penyakit serius . Gangguan somatoform berbeda dengan malingering. Dalam gangguan somatoform. Selain itu gangguan ini juga berbeda pula dengan sindrom Muchausen yaitu suatu tipe gangguan factitious yang ditandai oleh kepura-puraan mengenai simtom medis.

misalnya seseorang yang merasa hidungnya kurang mancung. Neale. Faktor psikologis sangat berperan pada gangguan ini. c) Hipokondriasis Hipokondriasis adalah keterpakuan (preokupasi) pada ketakutan menderita. & Kring. atau keluhan yang berlebihan tentang kekurangan tubuh yang minimal atau kecil.2. atau keyakinan bahwa seseorang memiliki penyakit medis yang serius. yaitu : a) Gangguan Nyeri Definisi dari gangguan nyeri menurut DSM-IV-TR adalah gangguan nyeri yang merupakan keluhan utama dan menjadi fokus perhatian klinis. meskipun penampilan pasien ini sangat normal. b) Gangguan Dismorfik Tubuh Definisi gangguan ini adalah preokupasi dengan kecacatan tubuh yang tidak nyata.3. Inti dari gangguan ini bahwa pasien berkeyakinan kuat atau takut dirinya tidak menarik atau bahkan menjijikkan. Gejala utama gangguan nyeri (pain disorder) adalah adanya nyeri pada sat atau lebih tempat yang tidak sepenuhnya disebabkan oleh kondisi medis atau neorologis nonpsikiatrik. 2006) 2. .11 Gangguan Konversi Gangguan Somatisasi Simtom-simtom sensorik atau motorik tanpa penyebab fisiologis Keluhan fisik yang berulang dan banyak yang tidak memiliki dasar biologis Sumber : (Davidson. Ketakutan ini sulit diredakan dengan penentraman atau pujian. Kategori Gangguan Somatoform DSM-IV-TR (Diagnostic and Statistical Manual of Mental Disorders) mengajukan lima kategori utama.

Gangguan ini menyebabkan seseorang untuk melakukan kunjungan medis berkali-kali. 2010) e) Gangguan Somatisasi Gangguan somatisasi merupakan gangguan yang melibatkan berbagai keluhan yang muncul berulang-ulang yang tidak dapat dijelaskan oleh penyebab fisik apapun. maka pada gangguan hipokondrik pasien malah takut untuk makan obat karena dikira dapat menambah keparahan dari sakitnya. Berbeda dengan gangguan somatisasi dimana pasien biasanya meminta pengobatan terhadap penyakitnya yang seringkali menyebabkan terjadinya penyalahgunaan obat. 2010) d) Gangguan Konversi Merupakan bentuk perubahan yang mengakibatkan adanya perubahan fungsi fisik yang tidak dapat dilacak secara medis. gangguan ini muncul dalam konflik atau pengalaman traumatik yang memberikan keyakinan akan adanya penyebab psikologis. atau konversi. Definisi lainnya adalah suatu tipe gangguan somatoform yang ditandai oleh kehilangan atau kendala dalam fungsi fisik. (Fitrisyah. dari energi seksual atau agresif yang direpresikan ke simptom fisik. (Fitrisyah. . namun tidak ada penyebab organis yang jelas. Gangguan ini dinamakan konversi karena adanya keyakinan psikodinamika bahwa gangguan tersebut mencerminkan penyaluran.12 meski tidak ada dasar medis untuk keluhan yang dapat ditemukan.

E) = MB(H. Peramal cuaca dapat mengatakan 70% kemungkinan akan hujan. Ramalan cuaca menggunakan angka keyakinan untuk meramal apakah akan hujan atau tidak sehingga angka keyakinan bisa digunakan dalam kaidah produksi.E) – MD(H. tetapi sebenarnya mereka mengatakan ketidaktahuan dengan pasti apakah akan hujan atau tidak. Kemudian. 2007) Faktor kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN (Wesley.E) :ukuran kenaikan ketidakpercayaan (measure of increaseddisbelief) terhadap hipotesis H yang dipengaruhi oleh gejala E . mereka mempunyai banyak informasi untuk bisa mengatakan 70% cuaca sekitarnya menunjukkan akan hujan.E) (2.E) : ukuran kenaikan kepercayaan (measure of increased belief) terhadap hipotesis H yang dipengaruhi oleh gejala E. MD(H. MB(H.4. Fahrur. Certainty Factor Banyak kasus dimana informasi diketahui tetapi kita tidak mempercayai kebenaran sepenuhnya. Nilai –1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kerpercayaan mutlak.1) : certainty factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E. 2008)): CF(H. & Fauzijah. Certainty factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. (Marlan. 1984). Faktor kepastian sebenarnya hanya merupakan ukuran keyakinan seseorang tentang fakta tertentu atau kaidah tertentu benar atau salah. Certainty factor didefinisikan sebagai berikut (2.2.13 2.1) (Rohman.E) CF(H. Besarnya CF berkisar antara –1 sampai dengan 1.

2006): .4) otherwise P(H) P(H|E) : : probabilitas kebenaran hipotesa H probabilitas bahwa H benar karena fakta E merepresentasikan keyakinan dan ketidakyakinan pakar. terlihat pada tabel berikut : P(H) dan P(H|E) : Tabel 2.P(H) if P(H) = 1 (2.2 sampai 0.E) (2.2) Pada penelitian Probabilitas Penggunaan Premis untuk menentukan Certainty Factor dari Rule oleh S.3) otherwise if P(H) = 0 (2. Budhi. Geogrorius dan Rolly Intan menyebutkan rule certainty factor dengan rumus (S. Dari perhitungan diatas.. 1 MB(H|E)= max[P(H|E) . Geogrorius. P(H)] .P(H) 1 MD(H|E)= min[P(H|E).8 -0.6 -0. P(H)] . Istilah Hasil CF Istilah Pasti bukan Hampir bisa dipastikan bukan Mungkin bukan Barangkali bukan Tidak dikenal Barangkali CF -1.2 0.P(H) 1 .4 -0.0 -0. Didefinisikan sebagai berikut : CFrule = MB(H.14 Metode Certainty Factor Menggunakan rule. & Intan. 2.E) – MD(H. dapat diistilahkan hasil hitungan menjadi hasil masalah tersebut.P(H) .4 .

2006): CF(H.e) * CF(H.e) = 1 CF(H.E) Sumber : (Kusrini. 2006): Tabel 2.CF(H.e) : Certainty Factor hipotesis yang dipengaruhi oleh evidence e Jika semua evidence dan antecedent diketahui dengan pasti maka rumusnya menjadi : CF(H.1.E2)] -CF(H. 2010) 2. Kombinasi Aturan Metode MYCIN untuk menggabungkan evidence pada antecedent sebuah aturan yang ditunjukkan pada tabel 2. 3. yaitu ketika CF(E.CF(H.6 0.5) : Certainty Factor evidence E yang dipengaruhi oleh evidence e : Certainty Factor hipotesis dengan asumsi evidence diketahui dengan pasti.e) = CF(E.4.2.0 Sumber: (Puspitasari.E2)] Max [CF(H.E) (2.E) (2.E1). Aturan Kombinasi MYCIN Evidence.E) CF(E.8 1.e) CF(H.6) . E E1 dan E2 E1 atau E2 Tidak E Antecedent Ketidakpastian Min [CF(H.15 Mungkin Hampir bisa dipastikan Pasti 0.E1).2 aturan kombinasi MYCIN berikut ini (Kusrini.e) = CF (H. 2006) Bentuk dasar rumus certainty factor sebuah aturan JIKA E MAKA H adalah sebagai berikut (Kusrini.

7 C D 0. Jaringan Penalaran CF Dari gambar di atas ditunjukkan bahwa certainty factor dapat digunakan untuk menghitung perubahan derajat kepercayaan dari hipotesis F ketika A dan B bernilai benar. 3.9 F 0. 2010) Gambar 2.3 Sumber : (Arvi.5 B E -0. Kombinasi CF Kombinasi seperti ini disebut kombinasi paralel. Kondisi tersebut dapat digambarkan sebagai berikut (Arvi.16 Sangat dimungkinkan beberapa aturan menghasilkan satu hipotesis dan suatu hipotesis menjadi evidence bagi aturan lain. 2010): JIKA (A DAN B) MAKA F Kondisi ini juga dapat digambarkan sebagai berikut: (2.7) AB F Sumber : (Arvi. Hal ini dapat dilakukan dengan mengkombinasikan semua certainty factor pada A dan B menuju F menjadi sebuah alur hipotesis certainty factor seperti di bawah ini (Arvi. sebagaimana ditunjukkan oleh gambar di bawah ini : . 2010) : A 0.8 0. 2010) Gambar 2. 2.

Gambar 2.E’) * CF (H. Untuk menghitung kombinasi tersebut digunakan rumus berikut (Kusrini. McAllister menggambarkan aturan untuk menambahkan dua faktor Certaint positif adalah: (CFaCFb)  CFa  CFb * (1  CFa) (2. Kedua Certainty Factor CF(H. Rumus Certainty Factor Aturan metode Certainty (Admin.2.17 E1 CF(H. 2009) .8) Definisi menurut David McAllister adalah suatu metode untuk membuktikan apakah suatu fakta itu pasti ataukah tidak pasti yang berbentuk metric yang biasanya digunakan dalam sistem pakar.10) . 4.4.2. 2. Metode ini sangat cocok untuk sistem pakar yang mendiagnosis sesuatu yang belum pasti (Admin.E’).E) (2. Certainty kedua aturan dikombinasikan sehingga menghasilkan certainty factor CF(H. 2006) CF(H. yaitu H.E1) dan CF(H. Aturan untuk menambahkan dua Certaint yang negatif adalah: (CFcCFd)  CFc  CFd  CFc * CFd (2. Kombinasi Paralel CF Pada kondisi ini evidence E1 dan E2 mempengaruhi hipotesis yang sama.E1.E2) Sumber : (Kusrini.E’) = CF(E.E1) H E2 CF(H.9) 2. 2009): 1.E2). 2006).E2) dikombinasikan menghasilkan certainty factor CF(H.

karena untuk kombinasi seperti apapun hasilnya akan tetap sama.88  (0.8 + -0.18 3. Contoh untuk fakta yang positif: Strong suggestive (CFa) Suggestive (CFb) CFcombine (CFa CFb) : 0.92 Contoh untuk fakta yang positif dan negatif: Certainty factor adalah 0.6 : 0.6 : -0. | 0.6 + -0.88 (CFe) Certainty factor against adalah 0.11) Tiga aturan ini menyediakan suatu skala interval untuk Certainty Factors.6 = -0. artinya tidak ada aturan untuk mengkombinasikan bobotnya.6 (1-0.8 + 0.17 1  min{| 0.8) = 0.90 )  0.8 : 0. untuk melakukan perhitungan tidak terjadi masalah apabila bobot yang dihitung teracak.90 (CFf) CFcombin (CFeCFf )  0.92 Contoh untuk fakta yang negatif: Strong suggestive (CFc) Suggestive (CFd) CFcombine (CFc CFd) : -0.88 |.90 |} (2. Aturan untuk menambahkan Certainty Factors positif dan Certainty Factors negatif lebih kompleks: CFe  CFf 1  min[| CFe |.12) Metode certainty factors ini hanya bisa mengolah 2 bobot dalam sekali perhitungan. | CFn |} (CFeCFf )  (2.8 : -0. . Untuk bobot yang lebih dari 2 banyaknya.8 * -0.

serta pasien yang memiliki bobot sama dengan 0 diagnosisnya tidak diketahui atau unknown atau bisa disebut dengan netral.5 E5 = -0.E) Dimana : CF(E.min(E4.E3). itu dilihat dari hasil perhitungan bobot setelah semua keluhankeluhan diinputkan dan semua bobot dihitung dengan menggunakan metode certainty factor.4 Hasilnya adalah : E = max[min(E1.9 E2 = 0.e)*CF(H.min(E4. Berikut ini adalah contoh ekspresi logika yang mengkombinasikan evidence : E=(E1 DAN E2 DAN E3) ATAU (E4DAN BUKAN E5) Gejala E akan dihitung sebagai : E = max[min(E1.e) : Certainty Factor evidence E yang dipengaruhi oleh evidence .19 Contoh perhitungan certainty factor menggunakan evidence dengan angka negatif dan positif : untuk mengetahui apakah seorang pasien tersebut menderita penyakit jantung atau tidak.-E5)] = max(0.E2.-E5)] Untuk nilai E1 = 0.E3). Pasien yang divonis mengidap penyakit jantung adalah pasien yang memiliki bobot mendekati +1 dengan keluhan-keluhan yang dimiliki mengarah kepada penyakit jantung.e) = CF( E.3 Bentuk dasar rumus Certainty Factor sebuah aturan JIKA E MAKA H ditunjukkan oleh rumus : CF(H.5) = 0. -0.8 E3 = 0. Sedangkan pasien yang mempunyai bobot mendekati -1 adalah pasien yang dianggap tidak mengidap penyakit jantung.3.E2.3 E4 = -0.

7 (pasien mengalami bersin-bersin 70%) .e) : 0.e) : 0. dan H:”influenza”.E) : CF(H. maka rumusnya ditunjukkan sebagai berikut : CF(H.E) : Certainty Factor hipotesis dengan asumsi evidence diketahui dengan pasti .3 (pasien mengalami sakit kepala 30%) CF(E4.7 Dalam kasus ini . E2 :”demam”. kondisi pasien tidak dapat ditentukan dengan pasti .5 (pasien mengalami batuk 50%) CF(E2. E3 :”sakit kepala”.e) = CF(H.7 dengan menganggap E1 : “batuk”.20 CF(H.e) : Certainty factor hipotesis yang dipengaruhi oleh evidence e Jika semua evidence pada antecedent diketahui dengan pasti. yaitu ketika CF(E.e) : 0.8 (pasien mengalami demam 80%) CF(E3.E1 ∩ E2 ∩ E3 ∩ E4) : 0.e) = 1.E) Karena CF(E. Contoh kasus yang melibatkan kombinasi CF : JIKA batuk DAN demam DAN sakit kepala DAN bersin-bersin MAKA influenza. nilai certainty factor pada saat evidence pasti adalah : CF(H. Certainty factor evidence E yang dipengaruhi oleh partial evidence e ditunjukkan dengan nilai sebagai berikut : CF(E1. CF : 0.e) : 0. E4:”bersinbersin”.e)=1 CF(H.

CF(E3.3.5. CF(E4.7 = 0.e2) (2.13) [ (2. 0.21 Contoh perhitungan certainty factor menggunakan evidence dengan angka positif: Seorang pasien menderita air liur menetes dan ada yang tumbuh di mulut.e).15) Berdasarkan gejala yang diberikan.3 * 0.21 Sehingga CF(E.E1 ∩ E2 ∩ E3 ∩ E4) = min[CF(E1.e)* CF(H.8.e). Menggunakan perhitungan manual dengan rumus : . 0.e) = CF(H.e) = CF(E. CF(E2.E) = 0. maka dihitung menggunakan : CF=MB(h. maka dapat dihitung kemungkinan penyakit dan nilai CF: 1.3 Maka nilai certainty factor hipotesis adalah : CF(H.e)] = min[0.14) ] { [ ] [ ] ( Setelah MB dan MD didapat.e1)-MD(h. 0.7] = 0. Kemungkinan penyakit yang diderita oleh pasien tersebut beserta nilai kepercayaannya (CF) dapat dihitung sebagai berikut: [ ] { [ ] [ ] ( [ [ [ [ ] ]) ] ]) (2.e).

air liur menetes ada yang tumbuh di mulut] = MB[abses peritonsiler.0 memiliki berbagai tools sehingga memudahkan pengguna untuk membangun sebuah aplikasi. aplikasi berbasis database ( stand alone atau client/server ) sampai dengan aplikasi yang berbasis internet. ada yang 12 d. tumbuh di mulut]*(1-MD[abses peritonsiler. MD[abses peritonsiler. air liur menetes]) = 0 + 0 * (1-0) = 0 e.0 (Pujianto. air liur menetes] = 1 – 0 = 1 b.0 adalah suatu bahasa pemrograman yang terintegrasi berbasis windows. air liur menetes]+MB[abses peritonsiler. ada yang tumbuh di mulut] = 1 – 2. air liur menetes ada yang tumbuh di mulut] = MD[abses peritonsiler. air liur menetes]+MD[abses peritonsiler. Delphi 7. air liur menetes]-MD[abses peritonsiler.5. Borland Delphi 7.0 yang sering disebut Delphi 7. hasil perhitungan diperoleh bahwa pasien tersebut terdiagnosa menderita penyakit abses peritonsiler dengan nilai CF sebesar 1. CF[abses peritonsiler.0 dapat digunakan untuk membangun sebuah aplikasi sederhana.2. 2007) . ada yang tumbuh di mulut]*(1-MB[abses peritonsiler. air liur menetes] = MB[abses peritonsiler. Tools yang tersedia di dalam IDE ( Integrated Development Environment ) tergantung pada edisi 7. air liur menetes]) = 1 + 1 * (1-1) = 1 c. air liur menetes 0=1 Maka. CF[abses peritonsiler. MB[abses peritonsiler. Pemrograman Delphi Borland Delphi 7.22 a.

antara lain : 1.23 Delphi merupakan pengembangan dari bahasa Pascal. sederhana dan mudah. Banyak programmer dan developer yang membuat program merasa kewalahan dengan perkembangan bahasa pemrograman yang pesat. maka sudah didapatkan sebuah apilkasi jadi. 2. Ada beberapa keuntungan utama yang dapat diperoleh dari penggunaan Delphi dalam perancangan aplikasi. Delphi adalah suatu bahasa pemrograman yang telah memanfaatkan metode pemrograman Object Oriented Programming (OOP). Pemrograman aplikasi yang cepat. 3. Hanya dengan menambahkan kode pada masing-masing komponen. Banyak dukungan untuk pengembangan kemampuan aplikasi dan kemampuan para programmer delphi. pelatihan. Delphi memiliki kompatibilitas yang baik antara versi pertama dengan versi terbarunya. fasilitas download komponen gratis yang sangat berguna dalam perancangan aplikasi. Banyak pengembang pihak ketiga yang menyediakan sumber-sumber pengetahuan. Dengan teknik drag and drop. Bahkan untuk para pemula sekalipun. Delphi dapat digolongkan ke dalam bahasa pemrograman tingkat tinggi (high typed language) karena segala kemudahan yang ditawarkan untuk perancangan sebuah aplikasi. maka akan sangat memudahkan programmer dalam merancang tampilan suatu program. Delphi telah memanfaatkan suatu teknik pemrograman yang disebut RAD yang telah membuat pemrograman menjadi lebih mudah. dan aplikasi yang dirancang dengan versi lama/awal tidak dapat dijalankan .

seperti yang biasa dirancang oleh kalangan pendidikan dan praktisi. pengolah kata. 4.24 dengan versi terbaru. (Komputer. Sebagian besar adalah aplikasi umum. teknik penulisan (syntax) dari delphi versi pertama tetap sama dan konsisten dengan versi yang terbaru sekalipun. komputer grafis. Jenis aplikasi yang dapat dirancang dengan delphi sangat luas dan bervariasi. Misalnya aplikasi matematis. Selain itu. 2006) . multimedia dan sebagainya.

3. 5.0 Testing : Whitebox & Blackbox Implementasi Diva Roetji HR Consulting Pengujian Uji Komparasi Perbandingan Pakar dan Sistem Hasil Perbandingan Hasil Identifikasi Gangguan Somatoform oleh Psikolog dan Sistem Pakar Gambar 2. Kerangka Pemikiran Masalah Membandingkan hasil identifikasi gangguan somatoform oleh psikolog dengan sistem pakar Pendekatan Metode Certainty Factor Pengembangan Analisa & Desain : UML Coding: Borland Delphi 7.25 2. Kerangka Pemikiran .

Pada sistem ini use dapat memilih gejala-gejala yang dialaminya.1.1. baik dari buku-buku psikologi maupun dari internet. Jenis Penelitian Jenis penelitian yang digunakan dalam penelitian ini adalah model kuantitatif. Setelah mengamati dan mencari informasi baik dari pakar (psikolog) diketahui bahwa gangguan somatoform memiliki gejala-gejala yang menyertainya dan beberapa tipe gangguan somatoform tersebut memiliki gejala yang sama. Sistem pakar dengan metode CF ini bekerja dengan mengadaptasi pengetahuan dari pakar serta didukung dengan literatur-literatur yang berkaitan dengan gangguan somatoform. selanjutnya sistem akan memberikan output berupa tipe gangguan somatoform yang teridentifikasi. Sistem pakar ini dibangun untuk memberikan informasi pengetahuan berupa angka keyakinan tipe gangguan somatoform yang diderita pasien berdasarkan keluaran certainty factor kepada user dengan cara menganalisa gejala-gejala yang dialami pasien. 3. Penelitian kuantitatif bertujuan untuk mengimplementasikan aplikasi 26 . Analisa Kebutuhan Sistem pakar yang akan dibangun adalah sebuah sistem pakar untuk mengidentifikasi gangguan somatoform pada pasien dengan metode Certainty Factor.BAB III METODE PENELITIAN 3.1.

Metode Kepustakaan (Library Research) Metode ini digunakan untuk mengumpulkan data-data dan rumus-rumus yang diperlukan dalam proses penelitian dengan mempelajari dan mengkaji teoriteori melalui buku-buku atau literatur yang berhubungan dengan tema yang dibahas. .27 sistem pakar identifikasi gangguan somatoform pada pasien dengan metode certainty factor. jenis data yang digunakan adalah data primer dan data sekunder. Dina Aprilia. Data primer diperoleh secara langsung dari sumber.Psi.Psi. Wawancara (Interview) Metode ini dilakukan dengan mengadakan tanya jawab (wawancara) secara langsung dengan pihak-pihak yang berkaitan dengan informasi dan proses yang akan dibahas.2. adapun teknik yang digunakan dalam pengumpulan data penelitian ini adalah : 1. M. adapun data primer yang diperoleh yaitu tipe-tipe gangguan somatoform beserta gejala-gejala yang dialami pasien. Wawancara dilakukan dengan para pakar psikolog yaitu Aziza Fitriah.Psi. M. Metode Pengumpulan Data Metode pengumpulan data adalah metode yang digunakan dalam pengumpulan data dan proses penelitian yang diperlukan dalam pembuatan laporan penelitian. M. dengan melakukan pengambilan data ke Diva Roetji HR Consulting. 2. 3. dan Irfan Fitriadi.1.

Diagram Konteks 3.28 3.2. Diagram konteks dari sistem ini ditunjukkan pada gambar.1. Use case diagram dapat dilihat pada gambar di bawah ini : .2.2. Sasaran pemodelan use case diantaranya adalah mendefinisikan kebutuhan fungsional dan operasional sistem dengan mendefinisikan skenario penggunaan yang disepakati antara pemakai dan pengembang (developer). Use Case Diagram Use case adalah konstruksi untuk mendeskripsikan bagaimana sistem terlihat dimatapengguna. Pada diagram konteks ini digambarkan proses umum yang terjadi didalam sistem. Diagram Konteks Diagram konteks merupakan gambaran umum mengenai interaksi yang terjadi antara sistem dengan admin dan user. 1. Perancangan Penelitian 3. Data Gejala Data Tipe Gangguan Somatoform Data Pengetahuan ADMIN Informasi Gejala Informasi Tipe Gangguan Somatoform Informasi Pengetahuan Sistem Pakar Identifikasi Gangguan Somatoform pada Pasien Hasil Identifikasi Informasi Data Gejala USER Gambar 3.2.

29 uc Primary Use Cases Sistem Pakar Identifikasi Gangguan Somatoform Mengelola Data Gej ala «include» Login Admin Mengelola Data Gangguan «include» «include» Mengelola Data Pengetahuan «include» Mengelola Data Informasi Identifikasi Gangguan Somatoform User Hasil Identifikasi Lihat Informasi Gambar 3.3. . proses dan perubahan apa saja yang terjadi secara internal dan output apa yang dihasilkan. display. Use Case Diagram 3. Sequence Diagram Sequence diagram menggambarkan interaksi antar objek di dalam dan di sekitar sistem (termasuk pengguna. dan sebagainya) berupa message yang digambarkan terhadap waktu. Sequence diagram terdiri atas waktu dan objekobjek terkait. 2. Sequence diagram biasa digunakan untuk menggambarkan scenario atau rangkaian langkah-langkah yang dilakukan sebagai respons dari sebuah event untuk menghasilkan output tertentu.2.

30 Berikut ini sequence diagram login : sd Login Admin Menu Login Kontrol Login Database Pilih menu login() Input nama dan kata sandi() [Buka database : tbl_pguna] : cek detail pengguna () Detail pengguna() [nama dan sandi tidak valid] : tampil pesan() validasi login() [Login gagal = 3 kali] : keluar() [Login berhasil] : panggil menu admin() Tampil menu admin() Gambar 3. Sequence Diagram Login Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh admin pada proses login. 3. .

Sequence Diagram Data Gejala Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh admin pada proses mengelola data gejala.31 Berikut ini sequence diagram mengelola data gejala : sd Data Gej ala Admin Form Data Gejala Control Data Gejala Tabel Gejala Pilih form() Panggil form() Tampil form() Buka tabel() Pilih tambah data baru() Input data gejala() Proses query() [Simpan data = 'YES' ]: simpan data baru() update data() [Data berhasil ditambahkan] : tampil pesan() [Simpan data = 'NO' ]: batal() Pilih ubah data() Input ubah data() Proses query() Update data() [Simpan ubah = 'YES' ]: simpan data() [Data berhasil diubah] : tampil pesan() [Simpan ubah = 'NO' ] : batal() Pilih hapus data() Hapus data() [konfirmasi hapus data ] : tampil pesan () Validasi hapus() [Hapus data = 'YES' ] : hapus data() Update data() [data berhasil dihapus ] : tampil pesan() [Hapus Data = 'NO' ] : batal() Pilih Keluar() Tutup form() Tutup tabel() Gambar 3. . 4.

Sequence Diagram Data Gangguan Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh admin pada proses mengelola data gangguan. 5. .32 Berikut ini sequence diagram mengelola data gangguan : sd Data Gangguan Admin Form Data Gangguan Pilih form() panggil form() Tampil form() Kontrol Data Gangguan Tabel Gangguan Buka tabel() Pilih tambah data baru() Input data gangguan() Proses query() [Simpan data = 'YES' ]: simpan data baru() Update data() [Data berhasil ditambahkan] : tampil pesan() [Simpan data = 'NO' ]: batal() Pilih ubah data() Input ubah data() Proses query() Update data() [Simpan ubah = 'YES' ]: simpan data() [Data berhasil diubah] : tampil pesan() [Simpan ubah = 'NO' ] : batal() Pilih hapus data() Hapus Data() [konfirmasi hapus data ] : tampil pesan () Validasi hapus() [Hapus data = 'YES' ] : hapus data() [data berhasil dihapus ] : tampil pesan() [Hapus Data = 'NO' ] : batal() Pilih keluar() Tutup form() Tutup tabel() Gambar 3.

33 Berikut ini sequence diagram mengelola data pengetahuan : sd Data Pengetahuan Admin Form Data Pengetahuan Pilih form() Panggil form() Kontrol Data Pengetahuan Tabel Pengetahuan Buka tabel() Tampil form() Pilih tambah data baru() Input rule & nilai MD. Sequence Diagram Data Pengetahuan Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh admin pada proses mengelola data pengetahuan. . MD() Proses query() Update data() [Simpan data = 'YES' ]: simpan data baru() [Data berhasil ditambahkan] : tampil pesan() [Simpan data = 'NO' ]: batal() Pilih ubah data() Input ubah data() Proses query() Update data() [Simpan ubah = 'YES' ]: simpan data() [Data berhasil diubah] : tampil pesan() [Simpan ubah = 'NO' ] : batal() Pilih hapus data() Hapus data() [konfirmasi hapus data ] : tampil pesan () Validasi hapus() [Hapus data = 'YES' ] : hapus data() [data berhasil dihapus ] : tampil pesan() [Hapus Data = 'NO' ] : batal() Pilih keluar() Tutup form() Tutup tabel() Gambar 3. 6.

. 7. Sequence Diagram Data Informasi Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh user pada proses mengelola data informasi.34 Berikut ini sequence diagram mengelola data informasi : sd Data Informasi Admin Form Data Informasi Pilih form() Panggil form() Kontrol Data Informasi Tabel Informasi Buka tabel() Tampil form() Pilih tambah data baru() Input data informasi() Proses query() [Simpan data = 'YES' ]: simpan data baru() Update data() [Data berhasil ditambahkan] : tampil pesan() [Simpan data = 'NO' ]: batal() Pilih ubah data() Input ubah data() Proses query() [Simpan ubah = 'YES' ]: simpan data() Update data() [Data berhasil diubah] : tampil pesan() [Simpan ubah = 'NO' ] : batal() Pilih hapus data() hapus data() Validasi hapus() [konfirmasi hapus data ] : tampil pesan () [Hapus data = 'YES' ] : hapus data() [data berhasil dihapus ] : tampil pesan() [Hapus Data = 'NO' ] : batal() Pilih keluar() Tutup form() Tutup tabel() Gambar 3.

35 Berikut ini sequence diagram identifikasi gangguan : sd Proses Identifikasi User Form identifikasi Kontrol Identifikasi Database Pilih form() Panggil form() Buka database() [tampil data gejala] : tampil form() Pilih gejala() Input gejala() Proses Inferensi() Detail rule dengan nilai MB & MD() cari rule serta nilai MB & MD() [Tampil] : seluruh hasil perhitungan nilai CF dari proses identifikasi() Pilih lihat hasil identifikasi() Hasil identifikasi() [tampil] : seluruh hasil proses identifikasi dengan nilai CF tertinggi() Pilih cetak hasil identifikasi() Proses cetak laporan() Laporan hasil identifikasi() Pilih keluar() Tutup Form() Tutup Database() Gambar 3. . 8. Sequence Diagram Identifikasi Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh user pada proses identifikasi gangguan somatoform.

3.4. Activity Diagram Diagram aktifitas (Activity diagram) memodelkan urutan aktifitas dalam suatu proses. Sequence Diagram Lihat Informasi Gambar sequence diagram di atas menjelaskan urutan-urutan proses yang dilakukan oleh user pada proses lihat informasi.2. 9.36 Berikut ini sequence diagram lihat informasi : sd Interaction User Form informasi Kontrol Informasi Database Pilih form() Panggil form() Buka database() [tampil informasi] : tampil form() Lihat informasi() Pilih keluar() Tutup Form() Tutup database() Gambar 3. .

10. sandi [[login gagal] : nama & sandi tidak valid] cek detail pengguna buka database [tbl_pguna] v alidasi login [login berhasil] tampil menu admin selesai Gambar 3. Activity Diagram Login Untuk dapat mengakses menu data. maka admin diharuskan login terlebih dahulu. isi nama dan kata sandi yang disediakan. jika nama dan kata sandi tidak valid maka akan tampil pesan peringatan.37 act login Mulai Pilih menu data menu login input nama. jika nama dan kata sandi ditemukan. maka login berhasil dan dapat .

data gangguan. tombol. simpan.tombol batal. dan data pengetahuan. act Data gej ala Mulai Pilih data gej ala [[simpan data] = 'NO'] tampil data gej ala Pilih tombol tambah Pilih tombol ubah Pilih tombol hapus Pilih tombol keluar [[hapus data] = 'NO'] Input data Input ubah Hapus data Simpan data Simpan ubah Tutup Form [[simpan ubah] = 'NO'] Tutup tabel [[simpan ubah] = 'YES'] [[hapus data] = 'YES'] [[simpan data] = 'YES'] «datastore» tbl_gej ala selesai Gambar 3. . pada menu ini terdapat tombol tambah. data informasi. tombol ubah. Activity Diagram Data Gejala Diawali dengan tampil menu data gejala yang berfungsi untuk menambah gejalagejala baru tentang gangguan somatoform. 11. tombol hapus dan tombol keluar untuk kembali ke menu admin.38 mengakses data gejala.

simpan.tombol batal. Activity Diagram Data Gangguan Diawali dengan tampil menu data gangguan yang berfungsi untuk menambah jenis gangguan somatoform.39 act Data Gangguan Mulai Pilih form data gangguan [[simpan data] = 'NO'] tampil data gangguan Pilih tombol tambah Pilih tombol ubah Pilih tombol hapus Pilih tombol keluar Input data Input ubah Hapus data [[hapus data] = 'NO'] Tutup Form Simpan data Simpan ubah [[simpan ubah] = 'NO'] Tutup tabel [[simpan ubah] = 'YES'] [[hapus data] = 'YES'] «datastore» tbl_gangguan [[simpan data] = 'YES'] selesai Gambar 3. . pada menu ini terdapat tombol tambah. tombol. tombol hapus dan tombol keluar untuk kembali ke menu admin. 12. tombol ubah.

Activity Diagram Data Pengetahuan Diawali dengan tampil menu data pengetahuan yang berfungsi sebagai rule pada sistem pakar yang dibuat ini.tombol batal. 13. tombol. tombol hapus dan tombol keluar untuk kembali ke menu admin. pilih nama gejala dan nama gangguan kemudian isi nilai MB dan MD pada gejala dan gangguan tersebut. . pada menu ini terdapat tombol tambah.40 act Data Pengetahuan Mulai Pilih form data pengetahuan [[simpan data] = 'NO'] tampil data pengetahuan Pilih tombol tambah Pilih tombol ubah Pilih tombol hapus Pilih tombol keluar [[hapus data] = 'NO'] Input data Input ubah Hapus data Simpan data Simpan ubah Tutup Form Tutup tabel [[simpan ubah] = 'NO'] [[simpan ubah] = 'YES'] [[hapus data] = 'YES'] «datastore» tbl_ptahuan [[simpan data] = 'YES'] selesai Gambar 3. tombol ubah. simpan.

tombol hapus dan tombol keluar untuk kembali ke menu admin.41 act Data Informasi Mulai Pilih form data informasi [[simpan data] = 'NO'] tampil data informasi Pilih tombol tambah Pilih tombol ubah Pilih tombol hapus Pilih tombol keluar Input data Input ubah Hapus data [[hapus data] = 'NO'] Tutup Form Simpan data Simpan ubah [[simpan ubah] = 'NO'] Tutup tabel [[simpan ubah] = 'YES'] [[hapus data] = 'YES'] [[simpan data] = 'YES'] «datastore» tbl_info selesai Gambar 3. .tombol batal. simpan. tombol. 14. Activity Diagram Data Informasi Diawali dengan tampil menu data informasi yang berfungsi untuk menambah data-data informasi tentang gangguan somatoform. tombol ubah. pada menu ini terdapat tombol tambah.

tekan tombol proses untuk mengetahui nilai CF masing-masing gangguan somatoform. 15. maka pilih gejala-gejala yang disediakan. .42 act Activ ity mulai Pilih form identifikasi Tampil data gej ala Pilih gej ala Pilih tombol keluar Centang gej ala yang dipilih Tutup form cari rule serta nilan MB & MD (tbl_ptahuan) Hitung nilai MB & MD (nilai CF) Tampil hasil identifikasi gangguan somatoform dengan nilai CF tertinggi Pilih cetak hasil Laporan Hasil Identifikasi selesai Gambar 3. Activity Diagram Proses Identifikasi Setelah tampil menu proses identifikasi. kemudian akan tampil proses perhitungannya.

1 Rancangan Tabel Berikut adalah tabel-tabel yang digunakan dalam sistem pakar identifikasi gangguan somatoform yang terdiri dari : 1. Activity Diagram Lihat Informasi 3. 1.2.2. Tabel Pengguna Nama tabel : tbl_pguna Fungsi tabel : untuk menyimpan data login admin Tabel 3.5. 16.43 act Lihat Informasi mulai Pilih form informasi Tampil data informasi Lihat informasi Pilih tombol keluar Tutup Form selesai Gambar 3.5. Tabel Login No 1 2 Nama Field nama sandi Type Varchar Varchar Size 30 30 Keterangan Nama pengguna Kata sandi . Desain Database 3.

Tabel Gangguan No 1 2 3 4 Nama Field Id_gangguan gangguan ket Nilai_cf Type Integer Varchar longtext Double Size 4 40 - Keterangan Id gangguan Nama Gangguan Somatoform Keterangan Nilai CF 4. 3.44 2. Tabel Gangguan Nama tabel : tbl_gangguan Fungsi : untuk menyimpan data tipe-tipe gangguan Tabel 3. Tabel Gejala No 1 2 Nama Field Id_gejala gejala Type Integer Varchar Size 4 200 Keterangan Id Gejala Nama Gejala 3. Tabel Pengetahuan Nama tabel : tbl_ptahuan Fungsi : untuk menyimpan data pengetahuan Tabel 3. Tabel Gejala Nama tabel : tbl_gejala Fungsi : untuk menyimpan data gejala dari gangguan Tabel 3. 2. 4. Tabel Pengetahuan No 1 2 3 Nama Field Id_ptahuan Id_gejala Id_gangguan Type Integer Integer Integer Size 5 4 4 Keterangan Id Pengetahuan Id Gejala Id Gangguan .

17.2. Relasi Tabel . tbl_gangguan dan tbl_ptahuan. 5.2 Relasi Tabel Berikut adalah relasi tabel yang terdapat dalam sistem.5.45 4 5 Nilai_mb Niai_md Double Double - Nilai MB Nilai MD 5. Tabel Informasi No 1 2 3 Nama Field Id_info Judul isi Type Integer Varchar longtext Size 4 250 Id info Judul Isi Keterangan 3. Tabel Informasi Nama tabel : tbl_info Fungsi : untuk menyimpan data informasi gangguan Tabel 3. Dimana terdapat tabel yang berelasi yaitu tbl_gejala. tbl_pguna nama sandi tbl_info Id_info Judul isi tbl_ptahuan tbl_gejala Id_gejala gejala Id_ptahuan Id_gejala Id_gangguan Nilai_Mb Nilai_Md tbl_gangguan Id_gangguan gangguan Ket Nilai_cf Gambar 3.

Desain Arsitektural Desain arsitektural sistem pakar identifikasi gangguan pada pasien adalah seperti gambar di bawah ini : MENU UTAMA “ SISTEM PAKAR “ Data Proses Informasi Keluar Login Proses Identifikasi Informasi Gangguan Somatoform Data Gejala Hasil Identifikasi Data Gangguan Laporan Hasil Identifikasi Data Pengetahuan Data Informasi Kembali Ke Menu Utama Gambar 3.2. Untuk mengakses menu admin. data gangguan. Menu utama dapat diakses oleh pengguna atau user yang meliputi menu identifikasi dan menu informasi. Sedangkan menu admin hanya dapat diakses oleh pakar atau admin yang mengelola data master yang terdiri dari data gejala. . 18. terlebih dahulu mengisi menu login untuk menjaga keamanan sistem. dan data pengetahuan. Desain Arsitektural Dalam desain arsitektural sistem pakar yang dibangun seperti gambar diatas terdapat dua menu yang yang tersedia yaitu menu utama dan menu admin. data informasi.46 3.6.

3. Kaidah produksi sebagai sarana untuk representasi pengetahuan.47 3. Bagian premis dalam aturan produksi dapat memiliki lebih dari satu proposisi yaitu berarti pada sistem pakar ini dalam satu kaidah dapat memiliki lebih dari satu gejala. sehingga bentuk pernyataannya adalah JIKA [gejala] MAKA [tipe gangguan somatoform]. Pada perancangan basis pengetahuan sistem pakar ini premis adalah gejala-gejala yang dialami oleh pasien dan konklusi adalah tipe gangguan somatoform yang diderita pasien. Bentuk pernyataannya adalah : JIKA [gejala1] DAN [gejala2] DAN [gejala3] MAKA [tipe gangguan somatoform] Adapun contoh kaidah sistem pakar identifikasi gangguan somatoform pada pasien adalah sebagai berikut : JIKA merasakan keluhan fisik selama beberapa tahun DAN merasakan nyeri di kepala atau perut atau punggung atau dada . Gejala-gejala tersebut dihubungkan dengan operator logika DAN.1 Analisis Basis Pengetahuan Dalam perancangan ini digunakan kaidah produksi sebagai sarana untuk representasi pengetahuan. Teknik Analisis Data Adapun analisis data yang terjadi dalam mengidentifikasi gangguan somatoform pada pasien adalah sebagai berikut : 1. Kaidah produksi dituliskan dalam bentuk pernyataan JIKA [premis] MAKA [konklusi].3.

dada. saat menstruasi. pada saat buang air.48 DAN merasakan mual.2 Data Gejala Gangguan Somatoform Data gejala gangguan somatoform yang digunakan sebagai representasi pengetahuan untuk menentukan tipe gangguannya dalam sistem pakar. 2005) 1. seperti: Kepala. Data berikut ini hasil dari para psikolog yang terlibat dalam penelitian ini yang menjadi pakarnya yaitu : 1. kembung. Minimal empat bagian yang dirasakan. kebutaan. punggung. untuk kemudian dilakukan pelacakan sampai tujuan akhir berupa analisis kemungkinan tipe gangguan somatoform yang diderita dan penjelasan tentang tipe gangguan somatoform tersebut. perut. halusinasi atau rasa baal pada indera peraba. (Minimal 4 nyeri) . pandangan ganda. lambung dan saluran cerna. muntah selain karena hamil kemudian diare atau alergi makanan DAN menstruasi tidak teratur atau disfungsi ereksi (ejakulasi dini) DAN kehilangan keseimbangan.3. sulit menelan. kejang MAKA gangguan somatisasi Metode penalaran yang digunakan dalam sistem ini adalah penalaran pelacakan maju (Forward Chaining) yaitu dimulai dari sekumpulan fakta-fakta tentang suatu gejala yang diberikan oleh user sebgai masukan sistem. persendian. Sering merasakan nyeri pada bagian tubuh yang berbeda-beda. (Arhami.

Merasakan gangguan tidak hanya karena rasa nyeri. 7. seperti: menurun gairah seksual. tapi merasa ada benjolan di tenggorokan. . muntah (bukan karena hamil). Merasakan gangguan tidak hanya karena rasa nyeri. Merasakan gangguan tidak hanya karena rasa nyeri. 4. seperti: disfungsi ereksi. 11. 12. Sering merasakan mual. Merasakan gangguan tidak hanya karena rasa nyeri. tapi merasa tidak seimbang. tapi sulit menelan. diare. Mengalami gejala seksual atau area reproduksi. tapi suara menghilang. Merasakan gangguan tidak hanya karena rasa nyeri. Mengalami gejala seksual atau area reproduksi. seperti: menstruasi tidak teratur. 8. 5. 15. Merasakan gangguan tidak hanya karena rasa nyeri. 14. kembung. menghindari beberapa jenis makanan. 9. tapi merasa halusinasi. (Minimal 2 gejala) 3.49 2. Mengalami gejala seksual atau area reproduksi. seperti: muntah sepanjang kehamilan. Merasakan gangguan tidak hanya karena rasa nyeri. seperti: pendarahan mentruasi yang berlebihan. Mengalami gejala seksual atau area reproduksi. tapi mudah limbung. 10. tapi merasa sulit menahan kencing. Mengalami gejala seksual atau area reproduksi. Merasakan gangguan tidak hanya karena rasa nyeri. tapi lemas pada bagian tubuh tertentu. 6. 13.

Merasakan gangguan tidak hanya karena rasa nyeri. tapi merasa pingsan. tidak dikarenakan oleh sebuah konsisi medis umum yang dikarenakan karena efek pengobatan. yang mengarah pada gangguan saraf atau kondisi medis lainya. melebihi dari hasil pemeriksaan fisik ataupun hasil laboratorium.50 16. 25. 22. 26. Merasakan gangguan tidak hanya karena rasa nyeri. 17. 28. Merasakan satu gejala atau lebih yang mengganggu pada fungsi gerak tubuh. 23. tapi merasa ketulian. tapi merasa kebutaan. Merasakan gangguan tidak hanya karena rasa nyeri. Merasakan gangguan tidak hanya karena rasa nyeri. 18. Merasakan gangguan tidak hanya karena rasa nyeri. Merasakan gangguan dimulai sebelum usia 30 tahun. tapi merasa pandangan ganda. 27. Merasakan gangguan tidak hanya karena rasa nyeri. Merasakan gangguan tidak hanya karena rasa nyeri. . tapi merasa kejang. 24. Merasakan gangguan tidak hanya karena rasa nyeri. 21. 19. Gejala tidak ditimbulkan dengan sengaja atau dibuat-buat atau dikarenakan kondisi gangguan buatan atau pura-pura. tapi merasa hilang kesadaran. atau sistem perasa pada tubuh. Kondisi yang dirasakan bukan dikarenakan riwayat penyakit yang sudah pernah diderita. tapi merasa hilang sensasi sentuh atau rasa nyeri. ataupun karena cedera. 20. Kondisi yang dirasakan. tapi merasa amnesia (lupa ingatan). terjadi selama beberapa tahun terakhir (Minimal 5-6 bln terakhir).

Gejala tidak dapat dijelaskan secara medis. Adanya kondisi masalah psikologis seperti masalah yang dialami cukup berat. 33. 36. Yang anda rasakan tidak hanya rasa nyeri atau masalah kesehatan seksual. 35. 37. Adanya kondisi masalah psikologis seperti tekanan dalam kehidupan. 31. Yang anda rasakan tidak dapat diterangkan oleh gangguan lain. Rasa sakit atau gangguan tubuh yang dirasakan tidak dikarenakan karena gangguan delusi atau somatis dan tidak terbatas pada kekhawatiran tentang penampilan tubuh. 39. Gejala tidak sebagai perilaku/pengalaman yang diterima secara kultural. gangguan obesesif kompulsi. Gangguan dirasakan kurang lebih 6 bulan terakhir. Adanya kondisi masalah psikologis stress. yang serasa tidak sesuai dengan kondisi medisnya. 30. 43.51 29. dan cenderung menetap. Keyakinan gangguan tubuh berat yang dirasakan tidak dapat diterangkan lebih oleh gangguan kecemasan umum. Gejala tidak dapat karena efek langsung suatu zat atau obat-obatan. Keyakinan akan merasakan ketakutan karena masalah kondisi tubuh dengan adanya penyakit yang serius. Merasakan sakit atau terganggu pada bagian tubuh. Keyakinan yang kuat akan merasakan sakit berlebihan dari gejala-gejala tubuh yang tidak sesuai dengan hasil pemeriksaan medis yang ada. Adanya kondisi masalah psikologis seperti konflik dengan orang lain. 32. 41. . 38. 40. Yang anda rasakan tidak juga karena perjalanan gangguan somatisasi. 34. 44. 42.

atau gangguan somatoform lain. 46.52 gangguan panik. gigi. Keyakinan yang kuat akan bayangan cacat dalam penampilan. leher. sendi. pekerjaan atau fungsi yang lain. Nyeri tidak dapat diterangkan lebih baik dalam gangguan mood. ginjal wajah. telinga. saluran kemih. Ada hubungan dengan masalah psikologis yang dirasakan yang menyertai rasa nyeri tersebut. 49. cemas perpisahan. Nyeri dirasakan kurang lebih 3-6 bulan terakhir. 51. 50. (Ada sedikit kondisi yang kurang normal). yaitu sebagai berikut : . kecemasan. 45. payudara.3 Analisis Certainty Factor Ada 2 tahap model yang sering digunakan untuk menghitung tingkat keyakinan (CF) dari sebuah rule. tenggorokan. psikotik. dirasakan parah.3. punggung. 48. Keyakinan yang berlebihan tidak dapat diterangkan lebih baik oleh gangguan mental lain. menggangu fungsi sosial. 47. perut. gangguan depresi berat. tulang. Misalnya ketidak puasan dengan bentuk dan ukuran tubuh pada anoreksia nervosa. Gejala nyeri tidak dikarenakan gangguan buatan atau yang sengaja dibuatbuat. 1. Merasakan nyeri pada satu bagian tubuh (kepala. dll) atau lebih. mata. Gangguan yang dirasakan menyebabkan penderitaan yang bermakna. 52.

2 0. Nilai Interpretasi untuk MB dan MD Certainty Term Tidak tahu / tidak ada Mungkin Kemungkinan Besar Hampir Pasti Pasti MB / MD 0-0.4 0. Menggunakan metode perhitungan. tetapi jika MB = 0. 6.0 Sumber : (Kusrini.53 a. Dengan menggali dari hasil wawancara denga pakar.8 pada gejala nyeri pada satu tempat atau lebih yang artinya gejala tersebut bukan merupakan tipe dari gangguan somatisasi dan tingkat keyakinannya bahwa gejala tersebut tidak ada pada gangguan somatisasi hampir pasti. Nilai CF didapat dari interpretasi term dari pakar menjadi nilai MD atau MB tertentu. Tabel 3.2 dan MD = 0. maka pakar sangat yakin bahwa gejala tersebut merupakan gejala dari gangguan somatisasi. Faktor kepastian menunjukkan ukuran kepastian suatu fakta atau aturan.8 1. Sistem Pakar Teori dan Aplikasi. . 2006) Adapun penilaian MB MD yang dilakukan oleh pakar terhadap gejala-gejala gangguan somatoform (Anxiety Disorders) berdasarkan certain term dari metode certainty factor diantaranya : Nilai MB MD (keyakinan/ketidakyakinan) = 0-0. Yang digunakan untuk menghitung nilai CF dari suatu rule dengan beberapa metode.6 0.2 (tidak tahu/ tidak ada) terhadap tiap gejala untuk gangguan somatisasi yang diberikan pakar didasarkan pada pengetahuan pakar terhadap gejala Merasakan keluhan fisik terus-menerus untuk MB = 1 dan MD = 0. b.

Adapun contoh tabel pengetahuannya sebagai berikut : Tabel 3.2 1 0 0.4 MB 1 MD 0 MB 0. KO = Gangguan Konversi. 7. Gejala Merasakan keluhan fisik 1 terus-menerus Kehilangan rasa pada tubuh 2 (anestesi) Nyeri pada satu atau lebih 3 tempat anatomis 0. NY = Gangguan Nyeri .8 SO KO NY Keterangan : SO = Gangguan Somatisasi.6 0.4 1 0.4 MD 0.8 0.2 0. tabel ini melakukan penyimpanan terhadap data yang telah didapat yaitu informasi gejala dan tipe gangguan somatoform yang berisi data gejala dan tipenya beserta nilai MD dan MD dari gejala yang mempengaruhi nilai CF dari tipe gangguan somatoform.54 Dalam analisis ini digunakan tabel pengetahuan untuk mengetahui nilai MB dan MD dari masing-masing gejala.8 MB 0. Nilai MB dan MD didapat dari hasil wawancara dan konsultasi dengan pakarnya.6 0.2 0.6 0.4 MD 0. Contoh Tabel Pengetahuan Tipe No.

Tabel Estimasi Jadwal Bulan Ke NO KEGIATAN 1 2 3 4 5 6 1 2 3 4 Penentuan Masalah Analisis Desain Membuat Program Testing dan Implementasi Pembuatan Laporan 5 6 Keterangan : : Pelaksanaan Kegiatan . Jadwal Penelitian Penelitian ini akan dilaksanakan dengan mengikuti estimasi jadwal yang telah disusun seperti pada tabel di bawah ini : Tabel 3.55 3.4. 8.

(2006). A. M. Perhitungan Metode Certainty Factor. Jakarta: Salemba Infotek. (2006). Librina.html Arhami. Teknik Antarmuka Mikrokontroller dengan Komputer Berbasis Delphi. (2003). C. W. (2006). Neale. Medan: Universitas Sumatera Utara. S. Yogyakarta: Graha Ilmu. (2010). A. Retrieved from http://www. Yogyakarta: Andi Offset. (2005). Davidson. (2011). Komputer. Bandung: Digital Library Telkom Institute Of Technology. 56 . Gangguan Somatoform. Gangguan Somatoform. Perancangan Sistem Pakar Untuk Diagnosis Gangguan Pernapasan pada Anak dengan Metode Forward Chaining. September). V. Sistem Pakar Teori dan Aplikasi. Jambi. N. Arvi. Psikologi Abnormal Edisi Ke-9. Jakarta: PT RajaGrafindo Persada.psychologymania. Artificial Inteligence (Teknik dan aplikasinya). M. E. (2006). (2010). (2011.com/2011/09/gangguan-somatoformsomatoform.DAFTAR PUSTAKA Admin. M. Fitrisyah. J. Aplikasi Sistem Pakar Psikiatrik pada Bidang Manajemen Kepribadian Menggunakan Program Visual Basic. Kusrini. Anonim. Harawi. Yogyakarta: Andi. Medan: Universitas Sumatera Utara. Penggunaan Certainty Factor dalam Sistem Pakar untuk Melakukan Diagnosis dan Memberikan Terapi Penyakit Epilepsi dan Keluarganya. (2009). I. (2011).. Kusrini. Penggunaan Certainty Factor Dalam Perancangan Sistem Pakar untuk Mendiagnosis Penyakit Atheroskerosis.. G. A. Yogyakarta: STMIK AMIKOM Yogyakarta. Konsep Dasar Sistem Pakar. Kusumadewi. & Kring. Medan: Universitas Sumatra Selatan.

S. Puspitasari. Geogrorius. W. & Intan. Elax Mdia Komputindo. F. (2006). Surabaya: Politeknik Elektro Negri Surabaya ITS. L.0. (2007). R. Jakarta: PT. Yogyakarta: Andi Offset.. D. Surabaya: Universitas Kristen Petra Surabaya. S. & Fauzijah.. (2007). (2010). Probabilitas Penggunaan premis untuk Menentukan Certainty Factor Dari Rule. (2008). Rohman. Yogyakarta: Universitas Islam Indonesia. (2011). 57 . Komputer Masa Depan. Tuty. S. B. &. Trik Pemrograman Delphi 7. Banjarmasin: STMIK Banjarbaru.. Pujianto. Sistem Pakar Diagnosa Diabetes Nefropaty dengan Metode Certainty Factor Berbasis Web. A. Sistem Pakar Untuk Analisis Anak Autisme Dengan Metode Certainty Factor. Rancang Bangun Aplikasi Sistem Pakar untuk Menentukan Jenis Gangguan Perkembangan pada Anak.Marlan. Fahrur.

4 Maret 1990 Jenis Kelamin Agama Status Perkawinan Jenjang Program Studi Alamat Rumah Hp Email ID Messenger b. Data Personal NIM Nama : 3101 0802 0973 : Wanda Suryanata Tempat / Tgl.com : wanda_suryanata Demikianlah daftar riwayat hidup ini dibuat dengan sebenarnya. Guru SD Pengambangan 3 : 081952876213 : wanda_suryanata@yahoo. 58 . Lahir : Banjarmasin.DAFTAR RIWAYAT HIDUP a. Pendidikan Formal Jenjang SD SMP SMA Nama Lembaga SD Pengambangan 11 SMP 6 Banjarmasin SMA 7 Banjarmasin IA Jurusan Tahun Lulus 2002 2005 2008 : Laki . Banjarmasin. Wanda Suryanata. 17 Maret 2012 Mahasiswa Ybs.. Keramat Raya Komp.laki : Islam : Lajang : Strata Satu (S1) : Teknik Informatika : Jln.

Sign up to vote on this title
UsefulNot useful

Master Your Semester with Scribd & The New York Times

Special offer: Get 4 months of Scribd and The New York Times for just $1.87 per week!

Master Your Semester with a Special Offer from Scribd & The New York Times