Sistem Pakar PDF

Terakreditasi SINTA Peringkat 2
Surat Keputusan Dirjen Penguatan Riset dan Pengembangan Ristek Dikti No. 10/E/KPT/2019
masa berlaku mulai Vol. 1 No. 1 tahun 2017 s.d Vol. 5 No. 3 tahun 2021
Terbit online pada laman web jurnal: http://jurnal.iaii.or.id
JURNAL RESTI
(Rekayasa Sistem dan Teknologi Informasi)
Vol. 3 No. 3 (2019) 518 - 523 ISSN Media Elektronik: 2580-0760
Sistem Pakar Identifikasi Modalitas Belajar Siswa Menggunakan

Metode Forward Chaining
Asep Kurniawan1, Sumijan2, Jufriadif Na`am3
1,2,3
Faculty of Computer Science, Universitas Putra Indonesia YPTK Padang
1
asepkurniawan260991@gmail.com, 2soe@upiyptk.org, 3jufriadif@yahoo.com
Abstract
Student learning modalities are important to be identified by teachers and students. Because the success of students in the
field of academics is supported by the appropriate student learning modalities. Often occurs in the process of teaching and
learning teachers do not know the modalities of student learning so that the material in teaching teachers difficult to accept
by students. Appropriate learning modalities that are in accordance with the methods taught by the teacher need to be built
in an Expert System. Expert System that is processed in this research is taken from the expertise of teachers of Senior High
School Counseling Guidance 1 Tilatang Kamang by using Forward Chaining method. Learning modalities are processed
using expert systems created with php programming languages and mysql databases. Furthermore, this expert system can
determine the modalities of visual learning, auditory and kinesthetic. The result of testing on this method is able to determine
the learning modality in the students with the accuracy and the speed is good. Expert system test results have been able to
determine student learning modalities clearly and can already be recommended to help teachers and students in improving
the way students learn the right.
Keywords: Expert system; Learning Modality; Forward Chaining
Abstrak
Modalitas belajar siswa merupakan hal yang penting untuk di identifikasi oleh guru dan siswa. Karena keberhasilan siswa
dibidang akademis didukung oleh modalitas belajar siswa yang tepat. Sering kali terjadi dalam proses belajar mengajar
guru belum mengetahui modalitas belajar siswa sehingga materi yang di ajarkan guru sulit diterima oleh siswa. Modalitas
belajar yang tepat dan sesuai dengan metode yang diajarkan oleh guru perlu dibantu dengan sistem pakar. Sistem Pakar
yang diolah dalam penelitian ini diambil dari kepakaran guru Bimbingan Konseling Sekolah Menengah Atas Negeri 1
Tilatang Kamang dengan menggunakan metode Forward Chaining. Modalitas belajar diolah menggunakan sistem pakar
yang dibuat dengan bahasa pemograman php dan database mysql. Selanjutnya sistem pakar ini dapat menentukan modalitas
belajar visual, auditory dan kinesthetic. Hasil dari pengujian terhadap metode ini adalah dapat menentukan modalitas
belajar pada siswa dengan tingkat keakurasian dan kecepatan yang baik. Sistem Pakar hasil pengujian telah dapat
menentukan modalitas belajar siswa dengan jelas dan sudah dapat direkomendasikan untuk membantu guru dan siswa
dalam meningkatkan cara belajar siswa yang tepat.
Keywords: Sistem Pakar; Modalitas Belajar; Forward Chaining
© 2019Jurnal RESTI
1. Pendahuluan hanya dalam satu bentuk, terutama yang bersifat verbal

atau dengan jalur auditorial, tentunya dapat
Modalitas belajar merupakan salah satu karakteristik menyebabkan adanya ketimpangan dalam menyerap
belajar yang berkaitan dengan menyerap, mengolah, informasi. Oleh karena itu, dalam kegiatan belajar,
dan menyampaikan informasi [1]. Modalitas belajar siswa perlu dibantu dan diarahkan untuk mengenali
yang sesuai adalah kunci keberhasilan siswa dalam Modalitas belajar yang sesuai dengan dirinya sehingga
belajar. Dengan menyadari hal ini, siswa mampu tujuan pembelajaran dapat dicapai secara efektif.
menyerap dan mengolah informasi dan menjadikan
belajar lebih mudah dengan Modalitas belajar siswa Dalam gaya belajar terdapat tiga modalitas belajar yaitu
sendiri. Penggunaan Modalitas belajar yang dibatasi visual, auditory, dan kinesthetc [2]. Modalitas belajar
Diterima Redaksi : 15-08-2019 | Selesai Revisi : 15-09-2019 | Diterbitkan Online : 14-12-2019
518
Asep Kurniawan, Sumijan, Jufriadif Naam
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 3 No.3 (2019) 518– 523
seorang siswa dapat dibantu dengan suatu sistem yang penelitian ini diawali dengan mengidentifikasi masalah,
mana pengetahuannya di ambil dari seorang pakar guru menganalisa masalah, menentukan tujuan, mempelajari
bimbingan konseling. Salah satu sistem yang dapat literatur, pengumpulan data, menganalisa data, desain
membantu manusia dalam menentukan keputusan sistem, implementasi sistem dan pengujian
terutama dalam mengidentifikasi modalitas belajar sistem.Tahap-tahap kerangka kerja dibuat agar
siswa adalah sistem pakar. penelitian menjadi terarah dan mencapai tujuan yang
ditentukan dalam penelitian ini.Tujuan penelitian ini
Sistem pakar adalah sistem berbasis komputer yang
yakni untuk mengidentifkasi modalitas belajar siswa
menggunakan pengetahuan, fakta dan teknik penalaran
menggunakan metode Forward Chaining.
dalam memecahkan masalah yang biasanya hanya
dapat dipecahkan oleh seorang pakar dalam bidang 2.1 Basis Pengetahuan
tersebut [3]. Dalam merancang sistem pakar yang baik
Representasi pengetahuan yang diperoleh dari pakar
maka aplikasi yang di rancang harus bisa
tersebut adalah berupa data karakter modalitas
menyelesaikan berbagai permasalahan dengan
belajar.Disini data yang di gunakan dan di dapatkan
mencontoh kerja dan pemikiran para pakar atau para
berjumlah 3 macam modalitas serta anjuran dan strategi
ahli.Dengan adanya Sistem Pakar masyarakat mampu
sesuai dengan modalitas belajar. Adapun karakter
menyelesaikan permasalahan yang sebenarnya hanya
modalitas belajar yang diperoleh dari pakar dapat
bisa diselesaikan dan dikerjakan dengan bantuan para
dilihat pada tabel 2 di bawah ini:
pakar di bidang tertentu.
Tabel 2. Karakter modalitas
Forward Chaining merupakan fakta untuk
mendapatkan kesimpulan (conclusion) dari fakta No Karakter Modalitas
tersebut. Penalaran ini berdasarkan fakta yang ada (data 1 Mudah mengingat hal yang dilihat Visual
driven), dimana metode ini dijalankan dengan 2 Mudah mengingat hal yang didengar Auditory
mengumpulkan fakta-fakta yang ada untuk menarik 3 Mudah mengingat hal yang dilakukan Kinesthetic
Suka diajari oleh guru dengan cara
kesimpulan [4]. Dengan kata lain, prosesnya dimulai 4
menggambarkan suatu objek di papan tulis
Visual
dari facts (fakta-fakta yang ada) melalui proses Suka diajari oleh guru dengan cara
5 Kinesthetic
interface fact (penalaran fakta-fakta) menuju suatu goal mempraktekkan
(suatu tujuan). Pelacakan maju ini sangat baik dalam Suka diajari oleh guru dengan cara
6 Auditory
menjelaskan dengan suara yang indah
mengidentifikasi modalitas belajar siswa karena Senang menghafal sesuatu dengan
seluruh proses akan dikerjakan secara berurutan maju. 7 Auditory
mengulangi kata-kata dengan suara keras
Senang menghafal sesuatu dengan dengan
Forward Chaining merupakan proses yang terurut 8 Visual
menulis
kedepan dimulai dengan kumpulan data atau fakta yang 9 Senang menghafal sesuatu sambil berjalan Kinesthetic
terpercaya menuju kondisi akhir. Analisanya yakni 10 Berbicara dengan tempo cepat Visual
forward chaining dimulai dari tahapan informasi 11 Berbicara dengan tempo sedang Auditory
12 Berbicara dengan tempo lambat Kinesthetic
masukan dikodekan dengan (if) hingga menjadi Dalam menjelaskan sesuatu, saya cendrung
13 Kinesthetic
konklusi (then) [5]. menggerakkan tangan
Dalam menjelaskan sesuatu, saya
14 Auditory
menyampaikan dengan baik
Forward Chaining cocok dipakai untuk menangani Dalam menjelaskan sesuatu, saya cendrung
permasa1ahan dalam pengidentifikasian modalitas 15 Visual
membuat coretan dikertas
belajar siswa. Untuk lebih memahami metode ini, 16 Sulit kosentrasi ketika ada keributan Auditory
berikut contoh ilustrasi kasus Sistem Pakar. Sulit kosentrasi ketika yang dilihat tidak
17 Visual
rapi
Aturan I: Sulit konsentrasi ketika duduk diam dan
Jika Premis l, Dan Premis ll, Dan Premis lll, Maka 18 Kinesthetic
tenang
Konklusi l. 19 Sangat menyukai lukisan Visual
Aturan II: 20 Sangat menyukai tarian atau Silat Kinesthetic
21 Sangat menyukai musik Auditory
Jika Premis l, Dan Premis ll, Dan Premis lll, Maka Cendrung memperhatikan orang pada
Konklusi ll. 22 Visual
wajah dan pakaiannya
Aturan III: 23
Cendrung memperhatikan prilaku dan
Kinesthetic
Jika Premis l, Dan Premis ll, Dan Premislll, Maka gerak gerik orang
Cendrung memperhatikan pada
Konklusi lll. 24
pembicaraan orang
Auditory
25 Suka praktek langsung dalam merakit alat Kinesthetic
2. Metodologi Penelitian 26
Suka baca alur kerja sebelum merakit alat-
Visual
alat
Pada metodologi penelitian ini merupakan langkah- Suka mendengarkan penjelasan sebelum
27 Auditory
langkah kerja, yang perlu dilakukan agar penyusunan merakit alat-alat
penelitian menjadi lebih mudah dan juga dapat Selama waktu luang saya paling suka pergi
28 Visual
ke perpustakaan
digunakan sebagai pedoman dalam melaksanakan Selama waktu luang saya paling suka
penelitian. Adapun bentuk uraian kerangka kerja dalam 29 Auditory
mendengarkan musik
519
Selama waktu luang saya paling suka 2.2 Inference Engine ( Mesin inferensi )
30 Kinesthetic
Berolahraga atau mengerjakan apa saja
31
Fokus pada kata - kata atau gambar di
Visual Teknik yang digunakan dalam perancangan sistem
depan saya pakar ini menggunakan metode forward chaining atau
Mendiskusikan masalah dan penyelesaian
32
yang mungkin dalam pikiran
Auditory biasa juga disebut inferensi maju.Metode ini dipilih
Banyak bergerak, menggesek - gesekkan karena metode ini lebih cocok di terapkan untuk
33 Kinesthetic
pensil, atau menyentuh sesuatu memperoleh hasil identifikasi modalitas belajar.
34 Menulis banyak catatan revisi dan diagram Visual Pengumpulan data dilakukan dengan cara melihat
Membahas catatan saya, sendiri atau
35
dengan orang lain
Auditory karakter modalitas belajar hingga memperoleh suatu
Membayangkan membuat gerakan atau kesimpulan dari permasalahan-permasalahan yang ada
36 Kinesthetic
menciptaan rumus serta anjuran untuk siswa dan strategi untuk guru.
Membaca catatan, membaca judul dan sub- Dari hasil analisa data dengan menggunakan metode
37 judul dalam buku dan melihat diagram dan Visual
ilustrasi forward chaining diatas maka bisa
Meminta seseorang memberi anda dibuatkanflowchartseperti gambar 2.
38 pertanyaan, atau menghafal dalam hati Auditory
sendiri
Membuat catatan pada kartu dan membuat Start
39 Kinesthetic
diagram
Melihat sekeliling museum dan
40 menemukan peta yang menunjukkan lokasi Visual Data
berbagai benda yang di pamerkan
Berbicara dengan penjaga museum dan Karakter yang
41 bertanya kepadanya tentang benda - benda Auditory muncul
yang di pamerkan
Melihat pada benda pertama yang kelihatan Kelompokkan
menarik di museum, dan baru kemudian karakter
42 Kinesthetic
membaca petunjuk lokasi benda -benda
lainnya Mencocokan karakter
43 Menonton film tentang cara kerja komputer Visual yang muncul
Mendengarkan seseorang menjelaskan cara
44 Auditory
kerja komputer
Identifikasi karakter
Membongkar komputer dan mencoba
45 Kinesthetic
menemukan sendiri cara kerjanya
Menampilkan hasil
Anjuran modalitas belajar yang diperoleh dari pakar identifikasi
dapat dilihat pada tabel 3.
Stop
Tabel 3.Anjuran Modalitas
No Anjuran Siswa Modalitas Gambar 2.Flowchart Metode Forward Chaining

Ucapkanlah apa yang sedang kamu baca
1 sehingga terdengar agar kamu mudah Auditory Flowchart di atas telah diimplementasikan kedalam
mengingatnya bahasa pemrograman PHP dengan menggunakan
Buatlah coretan di kertas setiap kali database MySQL, berikut urutan prosesnya:
kamu menghafal sesuatu dan mencatat
2 segala informasi yang kamu dengar Visual A. Data
seperti dari guru agar kamu mudah
mengingatnya
Untuk mendapatkan informasi dan data-data yang
Agar bisa menghafal sesuatu dan mudah valid maka di lakukan wawancara dengan Pakar
mengingatnya lakukanlah dengan Guru Bimbingan Konseling yang dilakukan di
3 menngerakkan sesuatu atau sambil Kinesthetic SMAN 1 Tilatang Kamang.
berjalan selama itu tidak mengganggu
orang lain. B. Karakter yang muncul
Karakter sebagaimana yang telah dijelaskan pada
Strategi modalitas belajaryang diperoleh dari pakar sub bab4.1
dapat dilihat pada tabel 4.
C. Pengelompokkan karakter
Tabel 4. Strategi Modalitas Berdasarkan variabel yang ada diatas modalitas
No Strategi Guru Modalitas dan karakternya maka bisa dikelompokkan
berdasarkan penalaran beberapa modalitas melalui
Gunakan variasi vokal dan suara yang
1 Auditory pohon keputusan. LihatGambar 3.
jelas saat mengajar
Gunakan media pembelajaran yang
2
menarik saat mengajar
Visual D. Pencocokan Karakter yang muncul
Gunakan gerakan tubuh dan praktek saat Dari pengelompokan diatas dilalukan pencocokan
3 Kinesthetic
mengajar pada karakter dan modalitas dengan membuat
tabel decision berikut ini:
520
perencanaan identifikasi modalitas belajar, maka

disusun daftar aturan (rule) yang sesuai dengan
prosedur dengan menggunakan ekspresi logika,
untuk lebih jelasnya dapat dilihat pada tabel di
bawah ini:
Tabel 6. Daftar Aturan (Rule)Identifikasi Modalitas Belajar

No Aturan (Rule) karakter dengan modalitas
1 If Karakter A01 and A02 and A03 and A04 and A05 and
A06 and A07 and A08 and A09 and A10 and A11 and A12
and A13 and A14 and A15 then modalitas auditory (M01)
2 If Karakter V01 and V02 and V03 and V04 and V05 and
V06 and V07 and V08 and V09 and V10 and V11 and V12
and V13 and V14 and V15 then modalitas visual (M02)
3 If Karakter K01 and K02 and K03 and K04 and K05 and
Gambar 3.Pohon Keputusan Modalitas K06 and K07 and K08 and K09 and K10 and K11 and K12
and K13 and K14 and K15 then modalitas kinesthetic
(M03)
Tabel 5.Decision Tabel Identifikasi Modalitas Belajar
No Kode M01 M02 M03 3. Hasil dan Pembahasan

1 V01 X
2 A01 X Dalam implementasi sistem diperlukan aplikasi Sistem
3 K01 X Pakar untuk mengidentifikasi modalitas belajar dengan
4 V02 X menggunakan bahasa pemrograman PHP dan database
5 A02 X
6 K02 X MySQL.
7 V03 X
8 K03 X
3.1Tampilan Halaman Utama
9 A03 X Pada form halaman utama terdiri dari 3 bagian
10 V04 X
11 K04 X pengguna yaitu admin sebagai pengelola aplikasi, guru
12 A04 X untuk melihat hasil identifikasi modalitas belajar siswa
13 K05 X dan siswa sebagai pengguna aplikasi. Sebelum siswa
14 A05 X dapat menggunakan aplikasi, siswa harus melakukan
15 V05 X
16 A06 X registrasi pada menu pendaftaran. Hal ini berguna bagi
17 V06 X siswa untuk mendapatkan username dan password.
18 K06 X Setelah siswa mendapatkan username dan password,
19 V07 X siswa dapat login ke sistem, di mana pada form menu
20 K07 X
21 A07 X utama siswa ada beberapa menu seperti menu
22 V08 X modalitas dan menu konsultasi.
23 K08 X
24 A08 X
25 K09 X
26 V09 X
27 A09 X
28 V10 X
29 A10 X
30 K10 X
31 V11 X
32 A11 X
33 K11 X
34 V12 X
35 A12 X
36 K12 X
37 V13 X
38 A13 X
39 K13 X
40 V14 X
41 A14 X
42 K14 X
43 V15 X
44 A15 X
45 K15 X Gambar 4. Tampilan Halaman Utama
3.2 Tampilan Menu Pendafataran

E. Hasil Identifikasi
Berdasarkan penyajian fakta dan proses yang Pada gambar 5 di bawah adalah tampilan form
sudah dijelaskan di atas, untuk perancangan dan registrasi pendaftaran siswa, seperti yang sudah
521
dijelaskan di atas, menu registrasi berguna bagi siswa Setelah beberapa pertanyaan yang diajukan sistem
untuk mendapatkan username dan password. sudah dijawab oleh siswa, selanjutnya siswa akan
mengklik tombol identifikasi maka akan tampil hasil
identifikasi, seperti terihat pada gambar 8 berikut.
Gambar 5. Tampilan Menu Pendaftaran
3.3 Tampilan Halaman Utama Siswa

Pada gambar 6 di bawah ini adalah tampilan halaman
utama siswa setelah melakukan login yang terdiri dari
menu info, menu identifikasi, menu laporan, menu
petunjuk dan menu logout untuk keluar halaman utama
siswa.
Gambar 8. Tampilan Menu Hasil Identifikasi
Setelah tampil hasil identifikasi kemudian klik tombol

simpan hasil identifikasi untuk menyimpan hasil
identifikasi ke database, kemudian akan tampil ke
menu laporan.
3.5 Tampilan Menu Laporan

Pada gambar 9 berikut ini adalah tampilan form laporan
Gambar 6. Tampilan Halaman Utama Siswa yang berisi hasil identifikasi modalitas belajar siswa
dan anjuran belajar yang sudah tersimpan ke database
3.4 Tampilan Menu Identifikasi dan terdapat tombol print untuk mencetak hasil
Menu Identifikasi merupakan tampilan interaksi antara identifikasi.
siswa dengan sistem dalam melakukan identifikasi
modalitas belajar.Ada beberapa pertanyaan yang
diajukan oleh sistem yang berhubungan dengan
karakter modalitas belajar dan selanjutnya siswa
menjawab pertanyaan dengan menceklist sesuai dengan
fakta-fakta karakter siswa yang ditemukan. Kemudian
siswa akan mengklik tombol identifikasi, sepeti terlihat
pada gambar 7 berikut.
Gambar 9. Tampilan Menu Laporan

Gambar 7.Tampilan Menu Identifikasi
522
Hasil uji coba yang dilakukan kepada 10 orang siswa [2] Sari, A.K.,2014.Analisis karakteristik gaya belajar vak(visual,
Auditorial, kinestetik)mahasiswa pendidikan Informatika.
dengan menggunakan aplikasi Sistem Pakar ini 8 orang
Jurnal Ilmiah Edutic,pp1-11.Vol 1. No 1.
hasil modalitas belajarnya sesuai dengan karakteristik [3] Gilakjani, A.P.,2012.Visual, Auditory, Kinaesthetic Learning
belajar siswa. Styles and Their Impacts on English Language Teaching.
Journal of Studies in Education, pp.104-113, Vol. 2, No. 1.
[4] Kesumaningtyas,F.,2017.Sistem pakar diagnosa penyakit
4. Kesimpulan demensia menggunakan metode forward chaining. Jurnal Edik
Berdasarkan penelitian dan pembahasan yang Informatika.pp.95-102. V3.i2
[5] Supartini.W., dan Hindarto. Sistem Pakar Berbasis Web Dengan
dilakukan dalam mengidentifikasi modalitas belajar, Metode Forward Chaining Dalam Mendiagnosis Dini Penyakit
maka dapat disimpulkan bahawa Sistem Pakar dengan Tuberkulosis di jawaTimur.KINETIK, Vol.1, No.3.pp.147-154.
Metode Forward Chaining ini telah mampu [6] Budiharto dan Suhartono.,2014.Atificial Intelligence konsep
mengidentifikasi modalitas belajar siswa dengan jelas dan penerapannya. CV. Andi Offset.
[7] Lucy,B.,2009. Mendidik Sesuai Dengan Bakat Dan Minat
tanpa harus berkonsultasi dengan pakar atau guru Anak, ( Jakarta : Tangga Pustaka, Hal 114
Bimbingan Konseling di sekolah dan Sistem Pakar ini [8] Saputra.,D,Lestari.,U dan Sutanta.,E,2015.Sistem Pakar untuk
dapat memberikan gambaran jenis modalitas belajar Diagnosa Penyakit Kucing Berbasis Web Menggunakan
serta anjuran cara belajar untuk siswa dan strategi Framework Codeigniter.Jurnal SCRIPT.pp29-38. Vol.3, No.1.
[9] Hadi.M, Misdram.M., dan Aini,R.A.,2016.Perancangan Sistem
mengajar untuk guru, sehingga Sistem Pakar ini sudah Pakar Diagnosa Penyakit Ayam Dengan Metode Forward
dapat direkomendasikan untuk membantu guru dan Chaining. Jurnal Informatika Merdeka Pasuruan.pp.111-
siswa dalam meningkatkan cara belajar siswa yang 139.Vol.2, No. 1.
tepat. [10] Soewono, Gernowo dan Sasongko.2014.Sistem Pakar
Identifikasi Modalitas Belajar Siswa Dengan Implementasi
Algoritma C4.5.Jurnal Sistem Informasi Bisnis,.pp.20-27.
Daftar Rujukan [11] Arylien Ludji Bire, dkk (2014), “Pengaruh Gaya Belajar Visual,
Audiotorial, Dan Kinestetik Terhadap Prestasi Belajar Siswa”.
[1] Soewono, R., 2014. Sistem Pakar Identifikasi Modalitas Belajar Jurnal Kependidikan 44:168-174.
dengan Implementasi Algoritma C4.5. Jurnal Sistem Informasi
Bisnis, pp.20-27.
[12] Junierissa Marpaung. (2015). “Pengaruh Gaya
Belajar Terhadap Prestasi Belajar Siswa”, Jurnal
KOPASTA 2:82-86.
523
Jurnal Antivirus, Vol. 12 No. 1 Mei 2018 p-ISSN: 1978-5232
e-ISSN: 2527-337X
SISTEM PENDUKUNG KEPUTUSAN

UNTUK MENENTUKAN DOSIS OBAT PADA ANAK
MENGGUNAKAN METODE FORWARD CHAINING
(Studi Kasus Di Klinik Dokter Umum Karanggayam - Srengat)
[1]
Udkhiati Mawaddah,[2]Muchtar Fauzi
[1],[2]
Universitas Islam Balitar Blitar
Abstrak: Pembahasan utama dalam skripsi ini adalah perancangan dan pembuatan sistem
pendukung keputusan dengan metode forward chaining. Penelitian dalam skripsi ini
menggunakan subjek penyakit anak dan dosis obat anak karena penentuan jenis penyakit dan
dosis obat pada anak yang dilakukan sebelumnya masih ditentukan oleh dokter
sendiri.Metode yang digunakan dalam pembuatan sistem pendukung keputusan ini adalah
forward chaining untuk menentukan jenis penyakit pada pasien, di mana sistem digerakkan
oleh fakta-fakta yang ada. Fakta tersebut diperoleh dari kondisi fisik pasien, atau disebut
dengan gejala. Dalam pembuatan sistem pendukung keputusan ini diperlukan penggalian
data yang bersumber pada pakar, dalam hal ini adalah dokter. Proses pengujian sistem
pendukung keputusan ini menggunakan angket. Berdasarkan hasil kuisioner, sistem
pendukung keputusan ini memiliki prosentase kemudahan program untuk digunakan oleh
pengguna adalah sebesar 48,8%. Selain itu kesesuaian program ini juga mendapatkan
prosentase yang besar juga.
Kata Kunci : Sistem Pendukung Keputusan, Runut Maju, Dosis Obat, Diagnosis Penyakit
Anak.
I. PENDAHULUAN
Era globalisasi,informasi, dan komunikasi membawa dampak di berbagai bidang

kehidupan manusia.Dampak tersebut terlihat dengan adanya kemajuan
teknologi pada berbagai bidang, antara lain bidang komputer. Komputer merupakan
kumpulan perangkat keras dan lunak yang mempermudah melaksanakan pekerjaan manusia
guna mempercepat dalam suatu pengambilan keputusan. Hampir semua kehidupan manusia
dapat memanfaatkan keberadaan komputer, sehingga pekerjaan menjadi lebih efisien dan
akurat. Pengambilan keputusan yang tepat dan cepat diperlukan pada suatu aktivitas untuk
menyelesaikan suatu permasalahan. Terutama untuk pemilihan penyakit dan obat pada
sebuah klinik kesehatan, agar permasalahan sedikitnya jam praktek dokter dan kurangnya
tenaga ahli untuk menentukan diagnosis dan dosis obat anak bisa teratasi. Karena
pengambilan keputusan yang tepat akan sangat berpengaruh pada proses selanjutnya
(Turban, 2007).
Berdasarkan latar belakang yang telah disebutkan, maka tujuan dalam penelitian ini
adalah untuk merancang danmembangun sebuah aplikasi sistem pendukung keputusan
penentuan dosis obat pada anak. Serta untuk menerapkan metode forward chaining pada
aplikasi sistem pendukung keputusan penentuandosis obat pada anak. Batasan penelitian
meliputi tempat penelitian di klinik dr.Ainur Rofiq di Desa Karanggayam Kecamatan Srengat
Blitar. Sistem yang dibahas hanya tentang penghitungan dosis obat berdasarkan kriteria berat
badan pasien.Sistem yang dibuat di khususkan pada pemilihan dosis obat untuk anak-
anak.Penyakit anak yang di bahas dalam penelitian ini meliputi penyakit ispa, penyakit kulit,
Antivirus: Jurnal Ilmiah dan Teknik Informatika, Mei 2018, Vol. 12, No. 1 1
e-ISSN: 2527-337X
diare, typhoid, dan asma.Jika penyakit tidak terdeteksi oleh sistem, maka langsung
ditanyakan kepada pakar/dokter.
Decision Support Systematau Sistem Pendukung Keputusan yang selanjutnya kita singkat
dalam proposal ini menjadi SPK, secara umum didefinisikan sebagai sebuah sistem yang
mampu memberikan kemampuan baik kemampuan pemecahan masalah maupun kemampuan
untuk mengkomunikasianmasalah semi-terstruktur. Secara khusus, SPK didefinisikan sebagai
sebuah sistem yang mendukung kerja seorang manajer maupun sekelompok manajer dalam
memecahkan masalah semi-terstruktur dengan cara memberikan informasi ataupun usulan
menuju pada keputusan tertentu (Hermawan, 2005).
Menurut Giarratano dan Riley (2005), forward chaining adalah salah satu metode dari
sistem pakar yang mencari atau menelusuri solusi melalui masalah. Dengan kata lain metode
ini melakukan pertimbangan dari fakta-fakta yang kemudian berujung pada sebuah
kesimpulan yang berdasarkan pada fakta-fakta. Metode ini merupakan kebalikan dari metode
backward chaining yang melakukan pencarian yang berawal dari hipotesis menuju ke fakta-
fakta untuk mendukung hipotesis tersebut. Pada metode forward chaining, penjelasan tidak
terlalu terlalu terfasilitasi karena subgoals tidakdiketahui secara eksplisit sebelum
kesimpulannya ditemukan.Forward chaining disebut juga bottom-up reasoning atau
pertimbangan dari bawah ke atas, karena metode ini mempertimbangkan dari bukti-bukti
pada level bawah, fakta-fakta, menuju ke kesimpulan pada level atas yang berdasarkan pada
fakta-fakta.
BasisDataadalah suatu susunan atau kumpulandatayangdisatukan didalamsuatu
organisasiatau perusahaanyang diorganisirataudikeloladandisimpansecara
terintegrasidenganmenggunakan metode tertentumenggunakan Komputersehingga
mampumen2yediakaninformasioptimalyangdiperlukanpemakainya. Menurut Bunafit
Nugroho (2008 : 2) XAMPP Merupakankepanjangan dari Apache, PHP, MySQLdan
PhpMyAdmin. XAMPPmerupakantoolyangmenyediakanpaketperangkatlunakkedalam satu
buah paket. Dengan menginstall XAMPPmaka tidak perlu lagi melakukan instalasi dan
konfigurasi web server Apache, PHP dan MySQL secara manual. XAMPP akan
menginstalasi dan mengkonfigurasikannyasecara otomatis untuk anda atau auto konfigurasi.
XAMPP merupakan pengembangan dari LAMP(Linux Apache, MySQL, PHP and
PERL), XAMPP ini merupakan project non-profit yang di kembangkan oleh Apache Friends
yang didirikan Kai 'Oswalad' Seidler dan Kay Vogelgesang pada tahun 2002, project mereka
ini bertujuan mempromosikan pengunaan Apache web server.XAMPP adalah software web
server apache yang di dalamnya tertanam server MySQL yang didukung dengan bahasa
pemrograman PHP untuk membuat website yang dinamis. XAMPP sendiri dapat berjalan
pada berbagai macam platform seperti Windows, Linux, Mac OS X dan Solaris.
Java merupakan bahasa pemrograman berorientasi objek daan bebas platform,
dikembangkan oleh SUN Micro System dengan jumlah keunggulan yang memungkinkan
java dijadikan sebagai bahasa pengembang entreprise. Java merupakan bahasa yang
powerfull yang bisa digunakan dalam hampir semua bentuk pengembangan software. Anda
dapat menggunakan java untuk membuat game, aplikasi desktop, aplikasi web, aplikasi
enterprise, aplikasi jaringan, dan lain-lain. Yang menarik adalah bahwa java bias digunakan
untuk membuat laporan yang dapat berjalan di atas HP, PDA, dan peralatan lain yang
dilengkapi dengan Java Virtual Machine (JVM) (Andi, 2006).
SQL (Structured Query Language) adalah bahasa standart yang digunakan untuk
mengakses server database . Semenjak tahun 70-an bahasa ini telah dikembangkan oleh
IBM, yang kemudian diikuti dengan adanya Oracle, Informix dan Sybase. Dengan
menggunakan SQL, proses akses database menjadi lebih user-friendly dibandingkan
dengan misalnya dBase ataupun Clipper yang masih menggunakan perintah – perintah
pemrograman murni (Sunarfrihantono. 2002).
e-ISSN: 2527-337X
NetBeans merupakan salah satu IDE yang dikembangkan dengan bahasa pemrograman
java. NetBeans mempunyai lingkup pemrograman java terintergrasi dalam suatu perangkat
lunak yang di dalamnya menyediankan pembangunan pemrograman GUI, text editor,
complier, dan interpreter. NetBeans adalah sebuah perangkat lunak open source sehingga
dapat digunakan secara gratis untuk keperluan komersial maupun nonkomersial yang
didukung oleh Sun Microsystem (Andi, 2006).
Dosis obat adalah obat yang diberikan pada penderita dalam satuan
berat(gram,milligram,mikrogram) atau satuan isi (milliliter,liter) atau unit-unit lainnya (unit
internasional). Kecuali bila dinyatakan lain maka yang dimaksud dengan dosis obat adalah
sejumlah obat yang memberikan efek terapuetik pada penderita dewasa juga disebut dosis
lazim atau dosis medicinalis atau dosis terapuetik (Nanizar, 2001:46).
II. METODE PENELITIAN

A. Lokasi dan waktu Penelitian
Adapun Waktu yang digunakan dalam penelitian ini selama 2 minggu mulai tanggal 1
Juni 2016 sampai tanggal 15 Juni 2016. Penelitan dilakukan di klinik dokter Ainur Rofiq
yang beralamatkan di Desa Karanggayam Kecamatan Srengat Kabupaten Blitar.
B. Pengumpulan Data
Dalam pengumpulan skripsi ini, diperlukan data-data serta informasi yang relatif lengkap
sebagai bahan yang dapat mendukung kebenaran materi dan uraian dan pembahasan. Oleh
karena itu, sebelum penyusun skripsi ini dilakukan riset atau penelitian terlebih dahulu untuk
menjaring data serta informasi yang terkait. Tahap pengumpulan data pada penelitian ini
dilakukan dengan metode observasi, wawancara, studi pustaka, dan studi literatur.
C. Perancangan Sistem
1. Flowchart Sistem
Gambar 1 Flowchart Sistem

Keterangan :
Da= dosis anak
W= berat badan anak
Dd= dosis dewasa
e-ISSN: 2527-337X
Dalam gambar 1 flowchart sistem dimulai dari dashboard yang merupakan menu utama,
selanjutnya masuk ke halaman pendataan pasien, pengguna mendata pasien sesuai data
pasien. Kemudian pengguna memilih halaman diagnosis penyakit dan menanyakan gejala
yang sesuai dengan apa yang dirasakan oleh pasien, selanjutnya apabila penyakit sudah
terdiagnosis dengan metode forward chaining, pengguna langsung cek data obat sesuai
penyakit yang di derita pasien. Jika obat tidak tersedia atau habis pengguna langsung
inputkan obat pengganti yang tersedia, selanjutnya pengguna bisa melakukan perhitungan
dosis obat dan menampilkan hasil akhir berupa dosis obat untuk pasien.
2. Flowchart Forward chaining
Gambar 2 FlowchartForward chaining
Gambar2 flowchart dimulai dari menu start diagnosis, selanjutnya muncul tampilan
pertanyaan gejala penyakit yang ditanyakan pengguna kepada pasien, setelah pertanyaan
gejala di jawab sesuai aturan metode forward chainingmaka akan munculsolusi, jika tidak
terdeteksi maka akan kembali ke pertanyaan awal, dan jika terdeteksi maka akan muncul
kode penyakit dan hasil diagnosis akan tampil.
Berikut akan dijabarkan mengenai daftar penyakit anak pada tabel 1 :
TABEL 1
DAFTAR PENYAKIT ANAK
Kode Penyakit Nama Penyakit Kode Penyakit Nama Penyakit
P1 Bronkiolitis P10 Asma
P2 Pneumonia P11 Cacar air
P3 Tonsilitis P12 Dermatitis
P4 Bronchitis P13 Biang keringat
P5 Diare P14 Campak
P6 Typhoid P15 Gondongan
P7 Meningitis P16 Flu singapur
P8 Laringitis P17 Dbd
P9 TBC P18 Kejang
e-ISSN: 2527-337X
3. Diagram konteks
Gambar 3 Diagram konteks
Pada gambar 3 dijelaskan terdapat satu entity yang terhubung dengan sistem pendukung
keputusan perhitungan dosis obat, yaitu user. User akan memasukkan berbagai macam data
yang mendukung jalannya aplikasi ini. Data yang dimasukkan antara lain data pasien, data
obat, dan data transaksi. Sehinggapengguna dapat menghitung dosis obat yang mereka
kehendaki, serta melihat menu pilihan lainnya.Informasi lain yang tersedia diharap mampu
memenuhi kebutuhan klinik dalam proses peracikan obat.
4. Perhitungan Dosis
Contoh kasus,Anita umur 7tahun ,berat badan 20 kg menderita demam, nafsu makan
berkurang , gelisah, dispnea (Sesak napas), pilek, dan batuk kering.
Penyeleseian :
Tentukan jenis penyakit dulu lewat rule menggunakan metode forward chaining
IF demam
AND nafsu makan berkurang
AND sesak nafas (dispensia)
AND pilek
AND batuk kering
THEN ISPA (bronkiolitis)
Jika sudah diketahui jenis penyakit maka akan muncul obat untuk penyakit jenis ISPA
bronkiliotis = amoksisilin 500 mg, parasetamol 500 mg, ambroxol 30 mg dan ctm 4 mg.
Selanjutnya penghitungan dosis berdasarkan berat badan menggunakan rumus Augeberger
(Nanizar,2001).
1½ xBB+10
F(x) = xDD
100
1½ x20+10
amoksisilin = ( ) x 500mg = 200 mg x 10 = 2000mg
100
1½ x20+10
parasetamol= ( ) x 500mg = 200 mg x 10=2000mg
100
1½ x20+10
ambroxol = ( ) x 30mg=12 mg x10 =120mg
100
1½ x20+10
ctm = ( 100 ) x 4 mg=1,6 mg x 10=16 mg
Kesimpulan : jadi dosis maksimal untuk pasien Anita jika berdasarkan berat badan adalah
200 mg parasetamol, 200 mg amoksisilin, 12 mg ambroxol, 1,6 mg ctm untuk satu kali
minum.
e-ISSN: 2527-337X
III. HASIL DAN PEMBAHASAN

A. Tampilan Program
1. Halaman Utama
Pada halaman utama ini berisikan tentang semua hal yang berhubungan dengan klinik.
Mulai dari data pasien, data obat, dan data transaksi .
Gambar 4Halaman utama
2. Tampilan daftar pasien

Halaman data pasien berisikan tentang data – data pasien yang baru atau pasien lama.
Gambar 5 Halaman daftar pasien
3. Tampilan halaman diagnosis

Pada halaman ini pengguna menanyakan gejala yang diderita oleh pasien. Data yang
didapat dari pasien akan menuju pada kesimpulan diagnosis penyakit.
e-ISSN: 2527-337X
Gambar 6Halaman diagnosis

4. Halaman data obat
Pada halaman data obat, pengguna dapat menambah atau mengubah data obat sesuai
dengan penyakit dan persediaan obat di klinik dr.Ainur Rofiq.
Gambar 7Halaman data obat
5. Tampilan halaman transaksi

Halaman Transaksidigunkan untuk menentukan dosis obat berdasarkan berat badan
pasien yang rumus perhitungannya telah ditentukan oleh dokter ahli. Dari halaman inilah
pengguna dapat menghitung dosis obat setelah setelah mendapat data yang telah diinputkan
sebelumnya.
Gambar 8Halaman transaksi
e-ISSN: 2527-337X
6. Halaman laporan
Halaman laporan merupakan halaman yang dapat dicetak. Ada tiga pilihan report dalam
halaman laporan. Pertama laporan data pasien yang di cetak berdasarkan id pasien. Untuk
laporan data pasien bisa dilihat pada gambar 9. Kedua pada laporan transaksi yang berisi
semua data pasien yang berkunjung di klinik dr.Ainur Rofiq yang dapat dilihat pada gambar
10. Dan yang ketiga untuk cetak kartu berobat pasien pada gambar 11.
Gambar 9 Laporan Data PasienGambar 10 Laporan Data Transasksi
Gambar 11 Halaman Cetak Kartu
B. Pengujian Sistem
Metode pengujian yang digunakan pada penelitian skripsi ini menggunakan dua cara,
yang pertama menggunakan metode Black Box dan yang kedua menggunakan Pengujian
Beta.
a. Metode Pengujian Black Box adalah metode pengujian yang menguji fungsionalitas
sistem. Metode tersebut dilakukan untuk memastikan apakah fungsi berjalan dengan benar
jika diberikan masukan yang bervariasi. Sistem penelusuran ini berjalan dengan baik sesuai dengan
fungsinya
b. Pengujian Beta merupakan pengujian yang dilakukan secara obyektif dimana diuji secara
langsung kelapangan yaitu instansi yang bersangkutan dengan membuat kuesioner
mengengai kepuasan user dengan kandungan point syarat user friendly dan dibagikan
kepada sebagian user dengan mengambil sampel sebanyak 20 orang.
Data dari kuesioner tersebut akan direkap menjadi satu, kemudian dicari
presentasenya, untuk mencari presentase jawaban yang diberikan responden penulis
menggunakan rumus seperti yang dikemukakan oleh wahyu winarno (2010)
Jumlah
Prosentase = x 100%
Nilai Total
e-ISSN: 2527-337X
Jumlah diperoleh dari penjumlahan nilai semua responden yang diambil perkriteria,
sedangkan pada nilai total diperoleh dari jumlah nilai akumulasi dari semua responden
pada bobot penilaian sangat baik, baik, cukup, kurang untuk masing-masing aspek pada
tabel kuesioner.
Berdasarkan hasil kuisioner dapat ditarik kesimpulan bahwa dilihat dari segi Desain
Sistem diperoleh penilaian Baik dengan persentase pengujian awal sebesar 40.6% dan dari
pengguna 48.8%, sedangkan aspek Kesesuaian Sistem memperoleh penilaian Baik juga
dengan hasil persentase pengujian awal sebesar 42.6% dan dari pengguna 47.8% dan aspek
Kemudahan Sistem dinilai Sangat Baik dengan presentase pengujian awal sebanyak 57.9%
dan dari pengguna sebesar 58.4%.
IV. SIMPULAN DAN SARAN

A. Simpulan
Proses mulai dari perancangan sistem sampai pengujian aplikasi yang dilakukan dapat
diambil beberapa kesimpulan sebagai berikut:
1. Implementasi sistem ini dibuat menggunakan pemrograman berbasis dekstop, sehingga
sistem mudah dijangkau dan digunakan oleh user. Sistem ini diterapkan di klinik dokter
umum untuk mendiagnosis penyakit dan menghitung dosis obat pada anak. Berdasarkan
hasil pengujian desain sistem ini memperoleh penilaian Baik dengan prosentase pengujian
awal sebesar 40.6% dan dari pengguna 40.8%, sedangkan aspek Kesesuaian Sistem
memperoleh penilaian Baik juga dengan hasil porsentase pengujian awal sebesar 42.6%
dan dari pengguna 47.8% dan aspek Kemudahan Sistem dinilai Sangat Baik dengan
prosentase pengujian awal sebanyak 57.9% dan dari pengguna sebesar 58.4%.
2. Penerapan metodeforward chaining pada pembuatan Aplikasi Sistem Pendukung
Keputusan penentuan dosis obat pada anak di gunakan membantupenelusuran penyakit
agar hasil diagnosis lebih akurat. Kesesuaian sistem ini mendapatkan nilai baik dengan
prosentase pada pengujian awal sebesar 42.6% dan 47.8% dinyatakan oleh pengguna.
B. Saran
Berdasarkan analisis dan kesimpulan dari laporan ini, beberapa saran yang ingin
disampaikan antara lain:
1. Sistem ini masih sangat sederhana, maka kedepannya dibutuhkan inovasi baru sehinga
bisa menghasilkan output yang lebih komplek tidak hanya sekedar perhitungan dosis
obat.
2. Perancangan sistem ini masih menggunakan basis desktop, untuk kedepannya diharapkan
bisa dijalankan secara online maupun bentuk aplikasi yang dapat diunduh pada
smartphone.
V. DAFTAR PUSTAKA
Alimul, H.Aziz.A.2005.Pengantar ilmu keperawatan anak 1, Jakarta: Salemba Medika.

Andi. Membuat Aplikasi Database dengan Java 2, Semarang : PT. Wahana Komputer. 2006.
Endang,M. 2013.Sistem Pendukung Keputusan Klinis Anak Batuk Berbasis Algoritma
MTBS,skripsi.Yogyakarta:kedokteran.
Firebaugh, 2007. Artificial Intelligence: A knowledge – Based Approach.Boston: PWS-
KENT Publishing Company.
Ganiswarna, 2012. Farmakologi dan Terapi, Bagian Farmakologi Fakultas Kedokteran
Universitas Indonesia, Jakarta.
e-ISSN: 2527-337X
Giarratano, J. C. dan Riley, G. D. 2005. Expert Systems Principles and Programming Fourth
Edition:167-173.Boston: Course Technology.
Joenoes, Nanizar Zaman. 2001. Ars Prescribendi (II). Surabaya: Airlangga University press.
Ofiana,R.2016. Pembuatan sistem pakar diagnosa penyakit infeksi saluran pernafasan atas
(ISPA) berbasis desktop dengan menggunakan metode forward
chaining,Skripsi.Yogyakarta: STIMIK AMIKOM.
Turban, & Efraim, 2007.Decision Support and Expert System. New Jersey: Prentice Hall
Sudarmana,Landung.2015.Sistem Pendukung Keputusan menentukan dosis obat secara
rasional pada penyakit pernafasan, ISBN: 978-602-1180-21-1 – Fakultas Teknik
Universitas Muria Kudus (345-350). Prosiding SNATIF Ke -2 .
Jurnal Rekayasa dan Manajemen Sistem Informasi, Vol. 1, No. 1, Februari 2015, pp.62-66
ISSN 2460-8181
SISTEM PAKAR PENENTUAN BAKAT ANAK DENGAN

MENGGUNAKAN METODE FORWARD CHAINING
Febi Nur Salisah1, Leony Lidya2, Sarjon Defit3

1
Jurusan Sistem Informasi, Fakultas Sains dan Teknologi, UIN SUSKA, Riau
2,3
UPI – YPTK Padang
Email: febinursalisah@uin-suska.ac.id, 2leony@if-unpas,org, 3sarjon_d@hotmail.com
1
ABSTRAK
Saat ini masih banyak orang tua yang belum mengetahui bakat pada anak mereka. Sedikitnya jumlah
pakar untuk berkonsultasi merupakan salah satu penyebab hal ini. Penelitian ini menggunakan sistem pakar
untuk mengatasi permasalahan tersebut. Sistem pakar akan memindahkan kemampuan pakar tersebut ke
dalam komputer. Bakat-bakat yang digunakan dalam penelitian ini adalah bakat anak menurut standar USOE
America. Untuk mesin inferensi penelitian ini menggunakan forward chaining. Anak-anak yang diidentifikasi
bakatnya adalah anak TK usia 4-6 tahun. Hasil analisa menunjukan bahwa sistem pakar ini membutuh 27
indikator, 83 variabel dan 33 rule. Berdasarkan hasil percobaan, sistem pakar ini berhasil mengidentifkasi
bakat anak.
Kata kunci : bakat anak, forward chaining, sistem pakar
I. PENDAHULUAN akan diidentifikasi pada penelitian ini adalah

Identifikasi bakat anak merupakan hal bakat-bakat menurut US Office Of Education
yang sangat penting dilakukan. Hal ini (USOE) America [4].
dikarenakan setiap anak memerlukan program Penelitian ini menggunakan forward
pendidikan yang sesuai dengan bakat mereka chaining untuk mesin inferensi di sistem pakar
masing-masing sehingga dapat yang dibangun. Teknik inferensi ini dipilih
mengembangkan dan menggunakan bakat karena teknik ini telah sukses digunakan untuk
mereka secara maksimal. Lucy [1] sistem pakar pada berbagai bidang [5, 6, 7].
menyatakan bahwa disekolah ditemukan
kurang lebih 40% anak berbakat yang tidak II. KAJIAN LITERATUR
mampu berprestasi sesuai dengan kemampuan A. Sistem Pakar
mereka sehingga tergolong sebagai anak Sistem pakar adalah program komputer yang
kurang berprestasi. meniru kemampuan beberapa pakar di bidang
Saat ini masih banyak orang tua dan guru tertentu dalam memecahkan masalah seperti para
sebagai penanggung jawab dalam pakar tersebut memecahkan masalah dalam
keberlangsungan pendidikan anak yang belum bidangnya [8]. Proses peniruan tersebut
mengetahui bakat pada anak mereka. melibatkan empat hal [9], yaitu: (1) akuisisi
Terbatasnya jumlah pakar untuk berkonsultasi pengetahuan, (2) representasi pengetahuan, (3)
tentang bakat anak merupakan salah satu inferensi pengetahuan, (4) pemindahan
penyebab hal ini. Penelitian ini menggunakan pengetahuan ke pengguna.
sistem pakar untuk mengatasi permasalahan
tersebut. Sistem pakar bisa digunakan karena B. Forward Chaining
sistem pakar adalah sistem yang menggunakan Inferensi merupakan kumpulan prosedur yang
pengetahuan, fakta, dan teknik penalaran bertujuan untuk melakukan penalaran [9].
untuk pemecahan masalah [2] akan Inferensi tersebut diimplementasikan di mesin
memindahkan kemampuan pakar tersebut ke inferensi. Mesin ini berfungsi untuk mengambil
dalam komputer. kesimpulan berdasarkan basis pengetahuan yang
Kelompok anak yang digunakan pada dimilikinya.
penelitian ini adalah anak taman kanak-kanak Salah satu teknik inferensi yang sering
(TK) dengan usia 4-6 tahun. Kelompok usia digunakan adalah forward chaining. Forward
tersebut dipilih karena menurut Santrock dan chaining atau sering juga disebut bottom up
Yussen [3] pada usia tersebut merupakan masa reasoning adalah cara penarikan kesimpulan yang
yang penting untuk meletakkan dasar bagi dimulai dengan data atau fakta yang ada lalu
seseorang di masa dewasa. Bakat-bakat yang bergerak maju melalui premis-premis untuk
62
ISSN 2460-8181
menuju ke kesimpulan [5]. Pada teknik ini data

digunakan sebagai penentu aturan mana yang Tahap kedua adalah tahap analisa dan
harus dijalankan, kemudian aturan tersebut perancangan. Pada tahap ini dianalisa kriteria
dijalankan [6]. untuk setiap bakat anak yang digunakan. Setelah
itu dianalisa variabel-variabel yang dibutuhkan
C. Bakat Anak dari kriteria-kriteria yang dihasilkan. Hal terahir
Bakat adalah kemampuan alamiah untuk yang dilakukan pada tahap ini adalah perancangan
memperoleh pengetahuan atau keterampilan yang aturan-aturan (rule) yang dibutuhkan untuk sitem
bisa bersifat umum atau khusus [10]. Perbedaan pakar ini.
bakat anak bisa dilihat dari berbagai aspek, seperti Tahap terakhir adalah tahap implementasi dan
IQ, bakat, minat, kemampuan, kepribadian, pengujian. Pada tahap ini dibuat sistem pakar
kondisi fisik, pengalaman, perkembangan dan berdasarkan aturan-aturan yang telah dibuat di
interaksi social. tahap kedua. Setelah itu dilakukan pengujian
Ada enam bakat menurut US Office Of terhadap sistem pakar dengan cara mengukur
Education (USOE) America [4], yaitu: (1) akurasi dari sistem pakar. Akurasi dihitung
intelektual umum; (2) akademik khusus; (3) dengan cara membandingkan antara hasil
berfikir kreatif-produktif; (4) kemampuan pendeteksian bakat yang dilakukan oleh sistem
memimpin; (5) bidang seni dan pertunjukkan; (6) pakar dan hasil pendeteksian bakat yang
kemampuan psikomotor. dilakukan oleh pakar. Untuk lebih jelasnya
perhatikan rumus berikut ini.
III. METODE PENELITIAN
Penelitian ini dibagi menjadi tiga buah tahap, (1)
yaitu: (1) tahap inisialisasi; (2) tahap analisa dan
perancangan; (3) tahap implementasi dan
pengujian. Untuk lebih jelasnya perhatikan Jumlah benar adalah jumlah hasil
Gambar 1. pendeteksian bakat yang sama antara yang
Tahap pertama adalah tahap inisialisasi. Pada dilakukan sistem pakar dan yang dilakukan oleh
tahap ini dilakukan identifikasi masalah dengan pakar. Jumlah data yang digunakan adalah 100
cara mewawancarai pakar psikologi anak, guru buah yang didapat dari TK Negeri Pembina II
taman kanak-kanak (TK) dan orang tua. Pekanbaru.
Identifkasi masalah juga dilakukan melalui studi
pustaka terhadap buku-buku, jurnal-jurnal dan IV. HASIL DAN PEMBAHASAN
karya ilmiah lainnya yang berhubungan dengan A. Hasil Analisa
bakat anak. Setelah itu dilakukan analisis dari Berdasarkan hasil analisa, untuk mengidentifikasi
hasil identifiasi masalah untuk menentukan tujuan bakat anak menurut standar USOE America [4]
dan ruang lingkup dari penelitian ini. (lihat Tabel 4) diperlukan 27 indikator, 83
Tahap Inisialisasi variabel dan 33 aturan (rule).
Identifikasi masalah Tabel 1. Jenis-jenis bakat anak [4]
Kode Kriteria bakat anak
Penentuan tujuan
K1 Intelektual Umum
K2 Akademik Khusus
Penentuan ruang lingkup K3 Berpikir kreatif dan Produktif
K4 Kepemimpinan
K5 Seni Visual dan Pertunjukan
Tahap Analisa dan Perancangan K6 Psikomotorik
Penentuan
Penentuan kriteria
kriteria
Tabel 2. berikut ini adalah daftar indikator yang
Penentuan
Penentuan variable
variable digunakan untuk mendeteksi bakat anak menurut
standar USOE America [4].
Pembuatan
Pembuatan rule
rule
Tabel 2. Tabel Indikator bakat anak
Kode Indikator bakat anak
Tahap Implementasi dan I1 Tingkat perbendaharaan kata yang tinggi
Pengujian
I2 Mempunyai Ingatan kuat
Pembuatan
Pembuatan sistem
sistem pakar
pakar I3 Penguasaan kata - kata abstrak
I4 Memiliki Pemikiran abstrak
Pengujian I5 Memiliki Prestasi bidang matematika
Pengujian sistem
sistem pakar
pakar
I6 Memiliki Prestasi sains
I7 Keterbukaan terhadap pengalaman
Gambar 1. Metodologi Penelitian I8 Menetapkan standar personal
63
ISSN 2460-8181
I9 Kemampuan memainkan ide-ide Mencoba dan menceritakan tentang proses

I10 Keinginan untuk menghadapi resiko C21 pencampuran warna.
I11 Kesukaan terhadap kompleksitas Mencoba dan menceritakan tentang proses
I12 Toleran terhadap ambiguitas benda-benda dimasukkan kedalam air
I13 Image diri yang positif C22 (terapung, melayang, tenggelam)
I14 Kemampuan menyatu dengan tugas C23 Menceritakan macam-macam bunyi
I15 Kepercayaan diri C24 Menceritakan macam-macam rasa
I16 Tanggung jawab C25 Menceritakan macam-macam bau
I17 Kerja sama
I18 Kecenderungan untuk mendominasi
I19 Beradaptasi dengan mudah terhadap situasi
Bakat anak berfikir kreatif dan produktif (K3)
yang baru memerlukan 23 buah variabel dalam
I20 Keterbakatan dalam bidang seni visual pengidentifikasiannya. Untuk lebih jelasnya
I21 Keterbakatan dalam bidang seni musik perhatikan Tabel 5 :
I22 Keterbakatan dalam bidang drama
I23 Kemampuan motorik kinestetik
Tabel 5. Variabel berpikir kreatif dan produktif
I24 Keterampilan praktik
I25 Keterampilan spasial Kode Variabel bakat anak
I26 Keterampilan mekanika Mau mengungkapkan pendapat secara
I27 Keterampilan fisikal C26 sederhana
Menjawab pertanyaan tentang
C27 informasi/keterangan
Bakat anak intelektual umum (K1) memerlukan C28 Menyapa teman dan orang lain
14 buah variabel dalam pengidentifikasiannya. C29 Mengucapkan salam
Untuk lebih jelasnya perhatikan Tabel 3 : Selalu mengucapkan terima kasih jika
C30 memperoleh sesuatu
Tabel 3. Variabel intelektual umum Mengekspresikan perasaannya, misalnya :
C31 marah, sedih, gembira, dll
Kode Variabel bakat anak Membuat perencanaan kegiatan yang
C1 Dapat menirukan kalimat sederhana C32 dilakukan anak
C2 Dapat meniru kembali 4-5 urutan kata Mampu mengambil keputusan secara
C3 Mengulangi kalimat yang sudah didengarnya C33 sederhana
Menyanyikan lagu anak-anak lebih dari 20 C34 Menggambar bebas dengan berbagai media
C4 lebih lagu Mau menunjukkan perbuatan yang benar dan
Dapat menyebutkan simbol-simbol huruf C35 yang salah
C5 vokal dan konsonan C36 Suka menolong
Mengucapkan syair lagu sambil diiringi Mau bermain dengan teman sebaya tanpa
C6 senandung lagunya C37 membedakan : warna kulit, keturunan, rambut,
Dapat mengelompokkan benda dengan agama, dll
C7 berbagai cara menurut fungsinya C38 Menghargai hasil karya teman/orang lain
Meniru berbagai lambang huruf vokal dan C39 Menghargai keunggulan teman/orang lain
C8 konsonan C40 Mengajak teman untuk bermain
Mengelompokkan benda dengan berbagai cara C41 Mau menolong dan memberi maaf
menurut fungsinya : misalnya peralatan Dapat hidup berdampingan dengan teman
C9 makan, peralatan mandi, peralatan kebersihan C42 agama lain
Dapat Menggunakan dan dapat menjawab C43 Memuji teman atau orang lain
pertanyaan apa, mengapa, dimana, berapa, C44 Berpakaian rapi dan sopan
C10 bagaimana, dsb Menghormati guru, orang tua dan orang yang
Bercerita tentang gambar yang disediakan atau C45 lebih tua
C11 dibuat sendiri Mendengarkan dan memperhatikan teman
Bercerita menggunakan kata ganti aku, saya, C46 yang berbicara
C12 kamu, mereka, dlL C47 Memelihara hasil karya sendiri
Menceritakan pengalaman/kejadian secara C48 Mentaati aturan permainan
C13 sederhana
Memberikan keterangan/informasi tentang
C14 suatu haL Bakat anak kepemimpinan (K4) memerlukan 14
buah variabel dalam pengidentifikasiannya. Untuk
Bakat anak akademik khusus (K2) memerlukan lebih jelasnya perhatikan Tabel 6 :
11 buah variabel dalam pengidentifikasiannya.
Tabel 6. Variabel kepemimpinan
Untuk lebih jelasnya perhatikan Tabel 4 :
Kode Variabel bakat anak
Tabel 4. Variabel akademik khusus C49 Berani bertanya dan menjawab pertanyaan
C50 Bertanggung jawab akan tugasnya
Kode Variabel bakat anak C51 Melaksanakan tugas sendiri sampai selesai
C15 Dapat menyebutkan urutan bilangan 1-10 Melakukan 3-5 perintah secara berurutan
C16 Dapat menunjuk lambang bilangan 1-10 C52 dengan benar
C17 Meniru lambang bilangan 1-10 C53 Dapat melaksanakan tugas kelompok
C18 Mengenal lambang bilangan 1-20 C54 Dapat bekerja sama dengan teman
Membedakan dan membuat dua kumpulan C55 Mau bermain dengan teman
C19 benda berdasarkan kuantitasnya. C56 Saling membantu sesama teman
Mengenal perbedaan benda berdasarkan Mau membantu memecahkan
C20 bentuknya C57 perselisihan/permasalahan
64
ISSN 2460-8181
C58 Mau berbagi dengan teman 29 if C73 and C74 then I24
C59 Mau meminjamkan miliknya 30 if C75 and C76 and C77 then I25
C60 Sabar menunggu giliran 31 if C78 and C79 and C80 and C81 then
C61 Mengendalikan emosi dengan cara wajar I26
C62 Dapat menerima kritik 32 if C82 and C83 then I27
33 if I23 and I24 and I25 and I26 and
I27 then K6
Bakat anak seni visual dan pertunjukan (K5)
memerlukan 7 buah variabel dalam
B. Implementasi
pengidentifikasiannya. Untuk lebih jelasnya
Gambar 2. adalah antarmuka form identifkasi
perhatikan Tabel 7 :
bakat anak. Form ini berfungsi sebagai tempat
Tabel 7. Variabel seni visual dan pertunjukan memasukan variabel bakat anak oleh pengguna.
Kode Variabel bakat anak
Melukiskan apa yang dilihat, didengar dalam
C63 sebuah kertas
Menggambar bebas dari bentuk dasar titik,
C64 garis, lingkaran, segitiga, segiempat
Dapat memainkan alat musik, seperti
C65 angklunh, piano
C66 Dapat memahami tangga nada
Mengekspresikan gerakan sesuai dengan syair
C67 lagi/cerita, iringan musik/lagu
C68 Mengekspresikan diri dalam gerakan
C69 Mampu bermain peran
Bakat anak psikomotorik (K6) memerlukan 14

buah variabel dalam pengidentifikasiannya. Untuk
lebih jelasnya perhatikan Tabel 8 :
Gambar 2. Form identifikasi bakat anak
Tabel 8. Variabel psikomotorik
No Aturan (Rule) Setelah pengguna memilih variabel-variabel
1 if C1 and C2 and C3 then I1 yang ada pada anak maka pengguna menekan
2 if C4 and C5 and C6 and C7 and C8 tombol periksa konsultasi untuk melihat hasil
and C9 then I2 identifikasi bakat anak. Pada sistem akan
3 if C10 and C11 and C12 and C13 and
C14 then I3
dilakukan inferensi dengan metode forward
4 if I1 and I2 and I3 then K1 chaining untuk menentukan bakat anak. Setelah
5 if C15 and C16 and C17 and C18 then itu, pada tampilan akan muncul form seperti pada
I4 Gambar 3.
C23 and C24 and C25 then I5
7 if I4 and I5 then K2
8 if C26 and C27 then I6
C32 then I7
12 if C37 and C38 and C39 and C40 then
I10
13 if C41 and C42 and C43 then I11
16 if I6 and I7 and I8 and I9 and I10
and I11 and I12 and I13 then K3
C57 then I16 Gambar 3. Tampilah hasil identifikasi bakat anak
22 if I14 and I15 and I16 and I17 and
V. KESIMPULAN
I18 then K4 Hasil analisa menunjukan bahwa sistem pakar ini
23 if C63 and C64 then I19 memerlukan 27 indikator, 83 variabel dan 33 rule.
24 if C65 and C66 then I20 Mesin inferensi forward chaining berhasil
26 if C69 then I22
digunakan untuk mengidentifikasi bakat anak
27 if I19 and I20 and I21 and I22 then menurut standar USOE America [4].
K5
65
ISSN 2460-8181
REFERENSI Mechanical Engineering Research Day 2015.

1) Lucy, Bunda. 2010. Mendidik Sesuai Minat MERD'15, 2015. Hal. 79-80.
dan Bakat Anak (Painting Your Children’s 6) Brezovan, M. dan Badica, C. 2015. Event-B
Future). Jakarta: PT. Tangga Pustaka. Modeling of a Rule Base for an Expert System
2) Kusrini. 2006. Sistem Pakar (Teori dan Using Forward Chaining. Proceedings of the
Aplikasi). Yogyakarta: Andi Offset. 7th Balkan Conference on Informatics
3) Santrock, J.W. dan Yussen S.R.(1992). Child Conference ACM. Hal. 7
Development. Edisi 5. Dubuque LA: Wm.C. 7) Fakhrahmad, S. M., Sadreddini, M. H., dan
Brown. Zolghadri Jahromi, M. 2015. A Proposed
4) Kathena, J. 1992. Gifted: Challege and Expert System for Word Sense
response of educatio. Itasca Illinois: Peacock Disambiguation: Deductive Ambiguity
Publ. Inc. Resolution Based on Data Mining and
5) Mohamad, S. N. dan Hashim, A. B. 2015. Forward Chaining. Expert Systems. 32(2):
Forward-Chaining Approach to Expert System 178-191.
for Machine Maintenance. Proceedings of
66
Mukhtar, Sistem Pakar Diagnosa Dampak Penggunaan Softlens Menggunakan Metode Backward Chaining 21
Sistem Pakar Diagnosa Dampak Penggunaan Softlens

Menggunakan Metode Backward Chaining
Nurmala Mukhtar1, Samsudin2
Jurusan Sistem Informasi, Fakultas Teknik dan Ilmu Komputer, Universitas Islam Indragiri
Jl. Parit 1, Tembilahan Hulu, Tembilahan, Riau
E-mail: nurmala.mukhtar.ah@gmail.com1, samsudin_as_ad@yahoo.co.id2
Masuk: 25 Mei 2014; Direvisi: 6 Juli 2014; Diterima: 15 Juli 2014
Abstract. Contact lens is a type of lenses made of "soft" materials, i.e. silicon hydrogen,
so it is called softlens. The use of softlens for long period can potentially cause eye
irritation and infection. Therefore, an expert system is required to help diagnose the
impact of softlens usage. The development of this system uses backward chaining method.
This method works by determining the illness suffered by the softlens users, then the
causes of the disease will be elaborated. From the research, it can be concluded that this
expert system can help softlens users diagnose the impact of softlens usage based on
symptoms experienced, and to know the solutions to the problems.
Keywords: backward chaining, expert system, softlens usage impact.
Abstrak. Softlens adalah sejenis lensa yang dibuat dari bahan yang bersifat “lunak”,
yaitu silicon hydrogen. Penggunaan softlens dalam jangka waktu lama dapat berpotensi
menyebabkan iritasi mata, mata merah dan infeksi. Untuk itu diperlukan sebuah sistem
pakar untuk membantu mendiagnosa dampak penggunaan softlens. Pembangunan sistem
pakar diagnosa dampak penggunaan softlens ini menggunakan metode backward
chaining atau runut balik. Metode runut balik bekerja dengan cara menentukan penyakit
yang diderita oleh pengguna softlens kemudian akan dijabarkan sebab-sebab penyakit
tersebut. Dari hasil penelitian dapat disimpulkan bahwa sistem pakar ini mempermudah
pengguna soflens untuk melakukan diagnosa dampak penggunaan softlens berdasarkan
gejala yang dialami, dan mengetahui cara penanggulangannya.
Kata kunci: backward chaining, sistem pakar, dampak penggunaan softlens.
1. Pendahuluan
Konsultasi terhadap seseorang yang memiliki keahlian (expertise) di bidang tertentu
dalam menyelesaikan suatu permasalahan merupakan pilihan tepat guna untuk mendapatkan
jawaban, saran, solusi, keputusan serta kesimpulan terbaik. Salah satu expertise yang menjadi
tujuan masyarakat untuk berkonsultasi adalah dokter spesialis mata (ophthalmologist).
Ophthalmologist selalu menangani pasien penderita penyakit mata antara lain gangguan akibat
menggunakan softlens.
Softlens atau lensa kontak adalah salah satu alat kedokteran yang bertujuan sebagai
pengganti kacamata bagi penderita yang memiliki penglihatan kurang. Namun seiring
perkembangan zaman dan teknologi, softlens yang awalnya berfungsi sebagai pengganti
kacamata untuk penderita gangguan mata kini berubah menjadi atribut mode atau style. Banyak
dari kalangan remaja wanita maupun pria menggunakan softlens hanya untuk kepentingan gaya
semata tanpa mengetahui akibat apa yang akan ditimbulkan oleh softlens yang terbuat dari
plastik mengandung air. Jika konsumen menggunakannya dalam waktu relatif lama maka
softlens akan menyerap air di permukaan mata, hal inilah yang dapat menyebabkan mata perih
dan gangguan lainnya.
Penelitian tentang pembuatan sistem pakar menggunakan metode Forward Chaining
berguna untuk membantu ketergantungan masyarakat terhadap para medis, memberikan
informasi tentang diagnosa dampak dari penggunaan softlens pada mata yang mudah dipahami
oleh masyarakat, dengan demikian program ini akan memberikan pembelajaran kepada
masyarakat akan pentingnya teknologi informasi yang biasa dimanfaatkan sebagai penyedia
22 Jurnal Buana Informatika, Volume 6, Nomor 1, Januari 2015: 21-30
informasi tentang berbagai macam penyakit dan solusi pengobatan. Sistem pakar ini tidak
berarti menggantikan kedudukan dokter, tetapi hanya dalam pengambilan keputusan, karena
mungkin bisa terdapat banyak alternatif yang harus dipilih secara tepat.
2. Tinjauan Pustaka
Kecerdasan buatan berasal dari bahasa Inggris “Artificial Intelligence” atau singkatan
AI, yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan.
Kecerdasan buatan yang dimaksud di sini merujuk pada mesin yang mampu berpikir,
menimbang tindakan yang akan diambil dan mampu mengambil keputusan seperti yang
dilakukan oleh manusia (Sutojo dkk, 2010). Jadi, kecerdasan buatan adalah cabang ilmu
komputer yang bertujuan untuk membuat sebuah komputer dapat berpikir dan bernalar seperti
manusia. Kecerdasan buatan dapat membantu manusia dalam membuat keputusan, mencari
informasi secara lebih akurat, atau membuat komputer lebih mudah digunakan dengan tampilan
yang menggunakan bahasa natural sehingga mudah dipahami. Salah satu bagian dari sistem
kecerdasan buatan adalah sistem pakar dimana sistem pakar adalah bagian dari ilmu kecerdasan
buatan yang secara spesifik berusaha mengadopsi kepakaran seseorang di bidang tertentu ke
dalam suatu sistem atau program komputer (Handojo dan Irawan, 2009).
2.1. Struktur Sistem Pakar

Ada dua bagian utama yang dibutuhkan dalam membuat aplikasi kecerdasan buatan
yaitu basis pengetahuan (knowledge base) dan mesin inferensi (Inference Engine) (Puspita
dkk, 2013). Lingkungan pengembangan dimasukkan untuk pengembangan pakar ke dalam
lingkungan sistem pakar, sedangkan lingkungan konsultasi digunakan oleh pengguna yang
bukan pakar guna memperoleh pengetahuan pakar (Lempao, 2011).
Istilah sistem pakar berasal dari istilah knowledge-based expert system. Istilah ini
muncul karena untuk memecahkan masalah, sistem pakar menggunakan pengetahuan seorang
pakar yang dimasukkan ke dalam komputer. Seseorang yang bukan pakar menggunakan sistem
pakar untuk meningkatkan kemampuan pemecahan masalah, sedangkan seorang pakar
menggunakan sistem pakar untuk knowledge assistant. (Sutojo dkk, 2010). Tujuan utama sistem
pakar bukan untuk menggantikan kedudukan sorang ahli maupun pakar, tetapi untuk
memasyarakatkan pengetahuan dan pengalaman pakar-pakar yang ahli di bidangnya (Saputra,
2011). Sistem pakar disusun oleh dua bagian utama, yaitu lingkungan pengembangan
(development environment) dan lingkungan konsultasi (consultation environment). Komponen-
komponen sistem pakar (Rachmawati dkk, 2012) dapat dilihat pada Gambar 1.
LINGKUNGAN KONSULTASI LINGKUNGAN PENGEMBANGAN
Pemakai Basis pengetahuan

Fakta dan Aturan
Fakta tentang
Kejadian tertentu
Antar Muka Knowledge

Fasilitas
Engineer
Penjelasan
Akuisisi
Pengetahuan
Mesin Inferensi
Aksi yang
direkomendasikan Pakar
Workplace Perbaikan
Pengetahuan
Gambar 1. Struktur Sistem Pakar

2.2. Representasi Pengetahuan Sistem Pakar

Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam
pengembangan suatu sistem pakar yaitu: (1) rule-based knowledge, (2) frame-based knowledge,
(3) object-based knowledge dan (4) case-base reasoning (Ramadhan, 2011). Salah satu metode
yang paling umum untuk merepresentasikan pengetahuan adalah dalam bentuk tipe aturan (rule)
if…then (jika…maka) (Maradesa, 2012).
Knowledge Base (Basis Pengetahuan) merupakan hasil akuisisi dan representasi
pengetahuan dari seorang pakar. Basis pengetahuan berisi pengetahuan-pengetahuan dalam
penyelesaian masalah. Ada dua bentuk basis pengetahuan yang umum digunakan, yaitu: (1)
Penalaran Berbasis Aturan (Rule Based Reasoning) yaitu pengetahuan direpresentasikan dengan
menggunakan aturan berbentuk: If-Then. Penalaran ini digunakan jika terdapat sejumlah
pengetahuan pakar pada suatu permasalahan tertentu, dan pakar dapat melakukan penyelesaian
secara berurutan. (2) Penalaran Berbasis Kasus (Cased Based Reasoning) yaitu basis
pengetahuan akan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian diturunkan
suatu solusi untuk keadaan yang terjadi sekarang (Hartati dan Iswanti, 2008).
Inference Engine (Mesin Inferensi) mengarahkan pencarian melalui basis pengetahuan,
proses yang akan dilibatkan aplikasi aturan inferensi disebut pencocokan pola. Program
diagnosa memutuskan aturan mana yang diinvestigasi, diagnosa yang mana yang dieliminasi
dan atribut mana yang disesuaikan (Fadhilah dkk, 2012).
2.3. Mesin Inferensi Sistem Pakar

Secara umum mesin inferensi yang utama pada sistem pakar dapat dibedakan menjadi
dua (Minarni dan Hidayat, 2013) yaitu runut maju dan runut balik. Runut maju (forward
chaining) merupakan pendekatan yang dimotori data (data-driven). Dalam pendekatan ini
pelacakan dimulai dari informasi masukan, dan selanjutnya mencoba menggambarkan
kesimpulan. Pelacakan ke depan mencari fakta yang sesuai dengan bagian If dari aturan If…then
(Reisa dkk, 2013) dapat dilihat pada Gambar 2.
Observasi A Aturan R1 Fakta C Aturan R3 Kesimpulan 1
Fakta D
Observasi B Aturan R2 Aturan R4 Kesimpulan 2
Fakta E
Gambar 2. Proses Forward Chaining (Maradesa, 2012)
Runut balik (backward chaining) merupakan strategi pencarian yang arahnya kebalikan
dari runut maju (forward chaining) (Dahria, 2012). Percobaan fakta atau pernyataan dimulai
dari bagian sebelah kanan (THEN dulu). Dengan kata lain, penalaran dimulai dari hipotesis
terlebih dahulu dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang
ada dalam basis pengetahuan. Proses pencarian dimulai dari tujuan, yaitu kesimpulannya
merupakan solusi yang ingin dicapai, kemudian dari kaidah-kaidah yang diperoleh, masing-
masing kesimpulan Backward Chaining jalur yang mengarah ke kesimpulan tersebut merupakan
solusi yang dicari, jika tidak sesuai maka kesimpulan tersebut bukan merupakan solusi yang
dicari. Backward Chaining memulai proses pencarian dengan suatu tujuan sehingga strategi ini
disebut juga goal-driven terlihat pada Gambar 3.
Observasi Aturan Fakta C Aturan
Fakta D Tujuan Kesimpulan

Observasi Aturan Aturan
Gambar 3. Proses Backward Chaining (Erhet, 2013)
Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi, arahan, atau

strategi. Kaidah produksi dituliskan dalam bentuk jika-maka (if-then). Kaidah if-then
menghubungkan anteseden dengan konsekuensi yang mengakibatkannya. Berbagai struktur
kaidah if-then yang menghubungkan objek atau atribut sebagai berikut: (1) IF premis THEN
konklusi (2) IF masukan THEN keluaran (3) IF kondisi THEN tindakan (4) IF anteseden THEN
konsekuen (5) IF data THEN hasil (6) IF tindakan THEN tujuan (7) IF aksi THEN reaksi IF
sebab THEN akibat (8) IF gejala THEN diagnosa.
Premis mengacu pada fakta yang harus benar sebelum konklusi tertentu dapat diperoleh.
Masukan mengacu pada data yang harus tersedia sebelum keluaran dapat diperoleh. Kondisi
mengacu pada keadaan yang harus berlaku sebelum tindakan dapat diambil. Anteseden
mengacu pada situasi yang terjadi sebelum konsekuen dapat diamati. Data mengacu pada
informasi yang harus tersedia sehingga sebuah hasil dapat diperoleh. Tindakan mengacu pada
kegiatan yang harus dilakukan sebelum hasil dapat diharapkan. Aksi mengacu pada kegiatan
yang menyebabkan munculnya efek dari tindakan tersebut. Sebab mengacu pada keadaan
tertentu. Gejala mengacu pada keadaan yang menyebabkan adanya kerusakan atau keadaan
tertentu yang mendorong adanya pemeriksaan (Ramadhan, 2011).
Sebelum sampai pada bentuk kaidah produksi, terdapat langkah-langkah yang harus
ditempuh dari pengetahuan yang didapatkan dalam domain tertentu. Langkah-langkah tersebut
adalah menyajikan pengetahuan yang berhasil didapatkan dalam tabel keputusan (decision
table) yang merupakan suatu cara untuk mendokumentasikan pengetahuan. Tabel keputusan
merupakan matrik kondisi yang dipertimbangkan dalam pendeskripsian kaidah. Kaidah yang
disajikan dalam bentuk kaidah produksi disusun dari tabel keputusan. Pembuatan suatu kaidah
dilakukan dengan beberapa tahapan. Meskipun kaidah secara langsung dapat dihasilkan dari
tabel keputusan tetapi untuk menghasilkan kaidah yang efisien terdapat suatu langkah yang
harus ditempuh yaitu membuat pohon keputusan terlebih dahulu (Hartati dan Iswanti, 2008).
Kemudian dari tabel keputusan dibuat pohon keputusan (decision tree) merupakan metode
klasifikasi dan prediksi yang kuat. Metode pohon keputusan mengubah fakta yang sangat besar
menjadi pohon keputusan yang mempresentasikan aturan. Aturan dapat dengan mudah
dipahami dengan bahasa alami. Dan mereka juga dapat diekspresikan dalam bentuk bahasa
basis data seperti Structured Query Language untuk mencari record pada kategori tertentu.
Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi
antara sejumlah calon variabel masukan dengan sebuah variabel target. Karena pohon keputusan
memadukan antara eksplorasi data dan permodelan, maka pohon keputusan sangat bagus
sebagai langkah awal dalam proses permodelan bahkan ketika dijadikan sebagai model akhir
dari beberapa teknik lain. Pohon keputusan adalah struktur flowchart yang menyerupai tree
(pohon), dimana setiap simpul internal menandakan suatu tes pada atribut, setiap cabang
merepresentasikan hasil tes, dan simpul daun merepresentasikan kelas atau distribusi kelas. Alur
pada pohon keputusan ditelusuri dari simpul akar ke simpul daun yang memegang prediksi
kelas untuk contoh tersebut. Pohon keputusan mudah untuk dikonversi ke aturan klasifikasi
(classification rules) (Syahril, 2011).
Ada sepuluh komplikasi yang biasa timbul akibat pemakaian softlens yaitu: noda
kornea, blepharitis, reaksi alergi, sindrom mata kering, corneal edema, infeksi mata, infitrates,
mocrobila keratitis, vaskularisasi kornea, dan giant papilary conjunctivitas.
3. Metodologi Pengembangan Sistem

Dalam metodologi penelitian menggunakan model waterfall yang terdiri dari beberapa
fase dalam pengembangan sistem yaitu perencanaan, analisis, desain sistem, pengujian dan
implementasi, serta pemeliharaan. Pada fase desain sistem pakar ada beberapa tools yang
digunakan untuk membangun sistem ini, alat yang digunakan dengan menggunakan model
pendekatan terstruktur.
3.1. Kontek Diagram

Kontek diagram menggambarkan desain sistem secara keseluruhan atau secara umum
dimana sistem ini terdiri dari entitas pakar dan admin, masukan kemudian diproses oleh sistem
dan menghasilkan keluaran seperti terlihat pada Gambar 4.
Data Pasien
Diagnosa
Sistem Pakar
Pakar Mendiagnosa Dampak Admin
Softlens Mata Data Penyakit
Laporan Hasil Diagnosa Data Gejala
Data Pengetahuan
Gambar 4. Kontek Diagram
3.2. Data Flow Diagram level 0

Data flow diagram level 0 menggambarkan orang yang menggunakan sistem
selanjutnya diproses oleh sistem kemudian data disimpan pada data store, dari data yang telah
disimpan tersebut dapat dipanggil kembali sesuai dengan keperluan pengguna sistem, seperti
yang terlihat pada Gambar 5.
Data Penyakit
Data Penyakit 1.0

Admin Data Gejala
Data Gejala Intput Data Master
Data Pengetahuan
Data
Pengetahuan
Data Pasien 2.0 Data Penyakit

Pakar Mendiagnosa Data Gejala
Data Diagnosa Data SolusiData DIagnosa
Diagnosa
Data Pasien
Laporan Hasil Diagnosa 3.0

Laporan Hasil
Diagnosa
Gambar 5. DFD Level 0
3.3. Entity Relationship Diagram (ERD)

Entity Relationship Diagram menggambarkan ketergantungan antara entitas-entitas
yang ada sehingga dilakukan keterhubungan, ERD ini jika diimplementasikan pada program
akan menjadi tabel-tabel yang saling berhubungan pada SQL (Structure Query Language),
seperti terlihat pada Gambar 6.
4. Basis Aturan
4.1. Basis Pengetahuan
Dalam mempresentasikan pengetahuan yang berupa fakta-fakta gejala, jenis gangguan
softlens serta solusi menggunakan kaidah produksi yang ditulis dalam bentuk jika-maka (If-
Then). Kaidah jika-maka menghubungkan antara gejala-gejala penggunaan softlens dan dampak
penggunaan softlens.
Kode_Penyakit Nama_Penyakit
Tgl_diagnosa Alamat
ID
ID
Desk Jenkel Nama
Kode_penyakit Kode_Pasien
1 1 Kode_Gejala
PENYAKIT menyerang PASIEN
Kode_gejala
1 1 1
ID
mendiagnosa jwb
fakta
m Kode_pasien
1
Memiliki GEJALA
1
Tidak Nama_Gejala
m 1
ID Solusi Kode_Gejala
Fakta_Tidak
DATA PENGETAHUAN Kode_Gejala
Kode_Pengetahuan
ID
pertanyaan
Kode_penyakit Ya Fakta_Ya
Gambar 6. Rancangan ERD
Proses yang dilakukan pada fase basis pengetahuan dipresentasikan dengan langkah-
langkah berikut yaitu: (1) Menentukan tabel basis pengetahuan, (2) Menyusun rules (aturan
gejala), (3) Menentukan tabel keputusan dan (4) Membuat pohon keputusan. Proses ini terlihat
pada Tabel 1, 2 dan 3.
Tabel 1. Basis Pengetahuan Data Penyakit

Kode Dampak Kode Dampak
D001 Noda Kornea D006 Infeksi mata
D002 Blepharitis D007 Infitrates
D003 Reaksi Alergi D008 Mocrobila Keratitis
D004 Sindrom mata kering D009 Vaskularisasi Kornea
D005 Corneal Edema D010 Giant Papilary Conjunctivitas
Tabel 2. Aturan Gejala

No Aturan Gejala Penyakit
1 IF Noda kornea (D001) THEN Penderita merasa tidak nyaman (G001) AND Sensitif pada cahaya / photopobia (G002) AND
Ada noda pada kornea (G003)
2 IF Blepharitis (D002) THEN Ada noda pada kornea (G003) ANDTimbul rasa gatal (G004) AND Kelopak mata seperti
terbakar (G006) AND Timbul kerak di sekitar kelopak mata (G007) AND Pembuluh darah tampak jelas (G008) AND
Kelopak mata saling menempel (G009)
3 IF Reaksi alergi (D003) THEN Timbul rasa gatal (G004)AND Pembengkakan kelopak mata (G005) AND Mata merah
(G021)
4 IF Sindrom mata kering (D004) THEN Mata seperti terbakar (G10) AND Air mata sering keluar (G011) AND Cairan di
mata berlebihan(G012)
5 IF Corneal Edema (D005) THEN Penderita merasa tidak nyaman (G001)AND Sensitif pada cahaya / photopobia (G002)
AND Ada noda pada kornea (G003)AND Pembuluh darah tampak jelas(G008) AND Penglihatan berkabut (G013) AND Ada
krista di kornea (G014) AND Mata merah (G021)
6 IF Ada noda pada kornea (G003) AND Kelopak mata saling menempel (G009) AND Cairan mata berlebihan(G012) AND
Penglihatan berkabut (G013) AND Mata merah (G021) THEN Infeksi mata (D006)
7 IF Infitrates (D007) THEN Sensitif pada cahaya atau photopobia (G002) AND Penglihatan berkabut(G013) AND Timbul
noda putih pada mata (G016) AND Mata merah (G021)
8 IF Macrobila Keratitis (D008) THEN Sensitif pada cahaya / photopobia (G002)AND Air mata berlebihan (G012) AND
Penglihatan berkurang(G015) AND Merasa sakit di mata(G017) AND Bernanah (G018) AND Mata merah (G021)
9 IF Vaskularisasi Kornea (D009) THEN Pembuluh darah tampak jelas (G008) AND Penglihatan berkurang (G015)
10 IF Giant Papilary Conjunctivitas (D010) THEN Timbul rasa gatal (G004) AND Pembengkakan kelopak mata(G005) AND
Penglihatan berkurang (G015) AND Gerakan lensa berlebihan (G019) AND Tidak memakai lensa biasa (G020)
Tabel 3. Tabel Keputusan

D001 D002 D003 D004 D005 D006 D007 D008 D009 D010
G001  
G002    
G003    
G004   
G005  
G006 
G007 
G008   
G009  
G010 
G011 
G012   
G013   
G014 
G015   
G016 
G017 
G018 
G019 
G020 
G021     
4.2. Pohon Keputusan

Meskipun kaidah secara langsung dapat dihasilkan dari tabel keputusan tetapi untuk
menghasilkan kaidah yang efisien terdapat suatu langkah yang harus ditempuh yaitu membuat
pohon keputusan. Pohon keputusan yang dibuat harus sesuai dengan metode yang digunakan
yaitu backward chaining. Terlihat pada Gambar 7.
Gambar 7. Pohon Keputusan

5. Pengujian Sistem
Pengguna program ini dapat mengidentifikasi informasi yang terkait dengan sistem
pakar mendiagnosa dampak penggunaan softlens, untuk lebih jelas dapat dilihat pada proses
berikut.
5.1. Mendiagnosa dampak penggunaan Softlens

Jika melakukan diagnosa maka pengguna masuk ke form diagnosa mengisi data pasien
jika sudah selesai maka lanjut menekan tombol diagnosa lalu pilih jenis penyakit dan
selanjutnya akan masuk ke form pertanyaan. Terlihat pada Gambar 8.
Gambar 8. Interface Diagnosa
5.2. Form Pertanyaan

Form pertanyaan ini akan menentukan gejala apa saja yang terdapat dari penyakit pada
penderita pengguna softlens. Terlihat pada Gambar 9.
Gambar 9. Interface Pertanyaan
5.3. Form Hasil Diagnosa

Form ini merupakan tahap akhir dari proses pertanyaan yang berisikan solusi dan
keterangan mengapa terkena penyakit tersebut. Terlihat pada Gambar 10.
Gambar 10. Interface Hasil Diagnosa

5.4. Uji Kelayakan Sistem

Sebelum dilakukan penyebaran kuesioner kepada pengguna terlebih dahulu dilakukan
validasi oleh pakar softlens yaitu bapak A. Raju, dimana tempat bertugas pada Optic Queen
Tembilahan-Inhil, Riau. Di dalam pengembangan sistem pakar diagnosa dampak penggunaan
softlens pengujian dilakukan terhadap kemampuan sistem pakar ini dalam melakukan diagnosa.
Pengujian ini dilakukan dengan menggunakan kuisioner terhadap pihak-pihak pengguna sistem
pakar ini. Yang menjadi indikator yang diuji dapat dilihat pada Tabel 4 berikut ini.
Tabel 4. Indikator Uji Kelayakan Sistem

No Indikator Kriteria Nomor Item
1 Correctness Completeness (Kelengkapan)
(Kebenaran)  Sistem pakar ini sudah mampu melakukan proses pengolahan data (simpan, edit, X1
hapus, dan tampil data)
Consistency (Konsistensi)
 Sistem pakar ini sudah memiliki desain tampilan atau laporan yang sesuai dengan X2
yang sebenarnya
2 Reliability Accuracy (Ketelitian)
X3
(Reliabilitas)  Sistem pakar ini sudah mampu melakukan proses pengolahan data secara tepat
Error Tolerance (Toleransi Kesalahan)
 Sistem pakar ini masih sudah mampu meminimalisir kesalahan baik dalam proses X4
login maupun pengolahan data (simpan, edit, hapus, dan tampil data)
Simplicity (Kesederhanaan)
 Informasi, menu-menu, dan tombol-tombol yang ada pada sistem pakar ini bisa X5
dipahami tanpa adanya kesulitan
Untuk kepentingan penggunaan sistem ini diambil sampel calon pengguna sistem pakar
dampak penggunaan softlens yaitu: 25 koresponden yang dilakukan pengujian. Hasil uji
reliabilitas mencerminkan dapat dipercaya dan tidaknya suatu instrument penelitian berdasarkan
tingkat kemantapan dan ketetapan suatu alat ukur dalam pengertian bahwa hasil pengukuran
yang didapatkan merupakan ukuran yang benar dari sesuatu yang diukur. Dalam penelitian ini
uji reliabilitas dilakukan dengan menggunakan software SPSS 15.0 for Windows.
5.4.1. Correctnes (Kebenaran) Uji-t Satu Sampel

Uji-t Satu Sampel ini menguji tingkat kebenaran dari sistem pakar ini. Dari Tabel 5 dan
6 dapat dilihat nilai uji statistik t yang didapat t = 25.163 dengan derajat kebebasan = n-1 = 25-1
= 24. Nilai P-Values (untuk 2-tailed) = .000 jelas lebih kecil dari =0.05, sehingga dapat
disimpulkan bahwa tingkat kebenaran (correctness) sistem pakar ini memenuhi atau dapat
dipercaya/benar, atau lebih adalah tidak benar.
Tabel 5. One-Sample Statistics Correctnes (Kebenaran)

N Mean Std. Deviation Std. Error Mean
Correctness (Kebenaran) 25 7.56 1.502 .300
Tabel 6. One-Sample Test Correctnes (Kebenaran)

Test Value = 0
95% Confidence Interval of the Difference
T Df Sig. (2-tailed) Mean Difference
Lower Upper
Correctness (Kebenaran) 25.163 24 .000 7.560 6.94 8.18
5.4.2. Reliability (Reliabilitas) Uji-t Satu Sampel

Dari Tabel 7 dan 8 dapat dilihat nilai uji statistik t yang didapat t = 28.989 dengan
derajat kebebasan = n-1 =25-1 =24. Nilai P-Values (untuk 2-tailed) = .000 jelas lebih kecil dari
=0.05, sehingga dapat disimpulkan bahwa untuk tingkat reliabilitas (reliability) sistem pakar
ini memenuhi atau dapat dipercaya/benar.
Tabel 7. One-Sample Statistics Reliability (Reliabilitas)

N Mean Std. Deviation Std. Error Mean
Reliability (Reliabiilitas) 25 10.68 1.842 .368
Tabel 8. One-Sample Test Reliability (Reliabilitas)

Test Value = 0
95% Confidence Interval of the Difference
T Df Sig. (2-tailed) Mean Difference
Lower Upper
Reliability (Reliabiilitas) 28.989 24 .000 10.680 9.92 11.44
6. Kesimpulan dan Saran

Dari hasil penelitian didapat beberapa kesimpulan diantaranya sebagai berikut: (1) Dari
pengujian yang dilakukan bahwa sistem pakar diagnosa dampak penggunaan softlens ini dapat
diterapkan dan diterima oleh pengguna. (2) Dengan adanya sistem pakar ini akan
mempermudah orang awam untuk melakukan diagnosa dampak softlens dan cara
penanggulangannya. (3) Implementasi dalam inferensi menggunakan metode backward
chaining sehingga dapat dengan mudah mengetahui gejala-gejala yang dialami pasien dalam
mendiagnosa dampak penggunaan softlens.
Saran untuk penelitian berikutnya adalah perlu dikembangkan lagi menggunakan
metode lain seperti certainty factor guna menggambarkan tingkat kepastian pakar terhadap
masalah yang sedang dihadapinya.
Referensi
Dahria, Muhammad. 2012. Implementasi Inferensi Backward Chaining untuk Mengetahui
Kerusakan Monitor Komputer. Medan: STMK Triguna Dharma.
Erhet, Rudi. 2012. Sistem Pakar Mendiagnosa Penyakit Kulit. Universitas Islam Indragiri:
Tembilahan.
Fadhilah, A.N., Dini Destiani, dan Dhami Johar. 2012. Perancangan Aplikasi Sistem Pakar
Penyakit Kulit pada Anak dengan Metode Expert System Development Life Cycle.
Jurnal Algoritma, ISSN. 2302-7339, Vol. 09, No. 13.
Handojo, A. dan M. Isa Irawan. 2009. Perancangan dan Pembuatan Aplikasi Sistem Pakar
untuk Permasalahan Tindak Pidana terhadap Harta Kekayaan. Universitas Kristen
Petra.
Hartati, Sri dan Sari Iswanti. 2008. Sistem Pakar dan Pengembangannya. Graha Ilmu:
Yogyakarta.
Lempao, Conny Theodora. 2011. Sistem Pakar untuk Mendiagnosa Kecendrungan Prilaku
Abnormal. Yogyakarta: Sekolah Tinggi Manajemen Informatika dan Komputer
AMIKOM.
Maradesa, Edar. 2012. Penerapan Metode Backward Chaining untuk Diagnosa Penyakit
Katarak. Gorontalo: Universitas Negeri Gorontalo.
Minarni dan Rahmat Hidayat. 2013. Rancang Bangun Aplikasi Sistem Pakar untuk Kerusakan
Komputer dengan Metode Backward Chaining. Jurnal TEKNOIF, Vol.1, No.1.
Puspita, M., Zaenal Wafa, dan Afhal Syafnur. 2013. Aplikasi Sistem Pakar Web dalam
Menganalisa Sakit Jiwa. Padang: Universitas Putra Indonesia.
Rachmawati, Dhani Johar, dan Ate Susanto. 2012. Aplikasi Sistem Pakar Diagnosa Penyakit
Asma. Garut: Sekolah Tinggi Teknologi.
Ramadhan, Mukhlis. 2011. Sistem Pakar dalam Mengidentifikasi Penyakit Kanker pada Anak
Sejak Dini dan Cara Penanggulangannya. Medan: STMK Triguna Dharma.
Reisa, R., Jusak dan Dantjawati. 2013. Sistem Pakar untuk Diagnosa Penyakit Mata. Surabaya:
STIKOM.
Saputra, Andri. 2011. Sistem Pakar Identifikasi Penyakit Paru-paru pada Manusia
Menggunakan Pemrograman Visual Basic 6.0. Jurnal Tekonomatika, Vol 1, No. 3.
Sutojo, T., Edy Mulyanto, dan Vincent Suhartono. 2010. Kecerdasan Buatan. Yogyakarta:
Andi.
Syahril, Muhammad. 2011. Konversi Data Training tentang Penyakit Hipertensi menjadi
Bentuk Pohon Keputusan dengan Teknik Klasifikasi Menggunakan Tools Rapid miner
4.1. Jurnal SAINTIKOM, Vol.10, No.2.
Jurnal SIMETRIS, Vol 8 No 1 April 2017
ISSN: 2252-4983
MODEL IDENTIFIKASI KECANDUAN GAME MENGGUNAKAN BACKWARD

CHAINING
Anastasya Latubessy
Fakultas Teknik, Program Studi Teknik Informatika
Universitas Muria Kudus
Email: anastasya.latubessy@umk.ac.id
Esti Wijayanti
Fakultas Teknik, Program Studi Teknik Informatika
Universitas Muria Kudus
Email: esti.wijayanti@umk.ac.id
ABSTRAK
Game menjadi kegemaran setiap orang. Baik anak-anak maupun orang dewasa senang bermain game.
Seseorang dapat terus menerus bermain game sampai melupakan waktu bahkan melupakan kondisi lingkungan
disekelilingnya. Keseringan dalam bermain game dapat berdampak pada tingkat kecanduan seseorang terhadap
game. Namun, tidak semua orang menyadari bahwa telah memiliki jenis perilaku kecanduan game. Oleh sebab itu,
dilakukan penelitian untuk mengidentifikasi jenis perilaku kecanduan game. Jenis perilaku tersebut kemudian
dimodelkan menggunakan metode backward chaining. Backward chaining merupakan salah satu metode dalam
teknologi sistem pakar yang melakukan identifikasi dengan penelusuran dari gejala-gejala yang ada. Dengan
dilakukannya pemodelan ini, dihasilkan sebuah model identifikasi tingkat kecanduan game berdasarkan enam jenis
perilaku kecanduan game seperti Salience, Euphoria, Conflict, Tolerance, Withdrawal, Relapse and Reinstatement.
Model ini dapat digunakan sebagai dasar dalam pengembangan aplikasi maupun sistem komputer untuk
identifikasi tingkat kecanduan game.
.
Kata kunci: model, kecanduan, game, backward chaining.
ABSTRACT
Game into a craze everyone. Both children and adults love to play games. Someone can
continuously play games until forget the time even forget the surrounding environmental conditions. The
frequency in game play can have an impact on the level of a person addicted to the game. However, not
everyone is aware that it has had the type of game addiction behavior. Therefore, this research conducted
to identify the type of game addiction behavior. This type of behavior is then modeled using backward
chaining. Backward chaining is one of method in an expert system technology to identify with a search of
existing symptoms. By doing this modeling, produced a model to identify the level of addiction to games
based on six type of game addiction behavior such as Salience, Euphoria, Conflict, Tolerance,
Withdrawal, Relapse and Reinstatement. This model can be used as a basis for the development of
applications and computer system used to assess the level of game addiction.
Keywords: model, addiction, game, backward chaining.
1. PENDAHULUAN
Game merupakan kegiatan menyenangkan yang dilakukan seseorang untuk menghilangkan kepenatan.
Sebuah Game memiliki aturan tertentu sehingga pada akhirnya nanti akan diperoleh menang atau kalah. Selain itu,
game membawa arti sebuah kontes, fisik atau mental, menurut aturan tertentu, untuk hiburan, rekreasi, atau untuk
menang taruhan. Menurut Eddy Liem, Direktur Indonesia Gamer yang merupakan sebuah pencinta games di
Indonesia, game online adalah sebuah game atau permainan yang dimainkan secara online via internet, bisa
menggunakan PC(personal computer) atau konsul game biasa seperti PS2 ,X-Box dan sejenisnya. Kecanduan
game sering juga disebut adiksi game.
Terdapat enam jenis perilaku kecanduan game antara lain Salience, Euphoria, Conflict, Tolerance,
Withdrawal, Relapse and Reinstatement. Seseorang dikatakan kecanduan game apabila memenuhi minimal tiga
dari enam jenis yang diungkapkan oleh Brown [1]. Menurut penelitian Latubessy, A dan Ahsin, M.N, tingkat
keseringan bermain game sangat berpengaruh pada keaktifan anak dalam proses pembelajaran. Sehingga penting
sekali mendeteksi tingkat kecanduan terhadap game [2].
Saat ini untuk mendeteksi jenis perilaku kecanduan game belum dapat dilakukan dengan sistem komputer.
Jenis perilaku kecanduan game selama ini masih diidentifikasi dengan meilhat gejala-gejala yang ada secara
9
ISSN: 2252-4983
manual. Hal tersebut masih memungkinkan terjadi kesalahan dalam proses identifikasi akibat human error.
Penilaian setiap orangpun berbeda-beda.
Oleh sebab itu, penelitian ini membuat sebuah model identifikasi jenis perilaku kecanduan game
yang dapat dijadikan sebagai standar, menggunakan jenis perilaku kecanduan game yaitu Salience,
Euphoria, Conflict, Tolerance, Withdrawal, Relapse and Reinstatement. Metode backward chaining digunakan
untuk memodelkan jenis perilaku kecanduan game sehingga menghasilkan seseorang kecanduan game
atau tidak.
Menurut T.Sutojo dkk, backward chaining adalah metode yang inferensi yang bekerja mundur
kearah kondisi awal. Proses diawali dari goal (yang berada dibagian THEN dari rule IF-THEN),
kemudian pencari mulai dijalankan untuk mencocokkan apakah fakta-fakta yang ada cocok dengan
premis-premis dibagian IF. Jika cocok, rule dieksekusi, kemudian hipotesis dibagian THEN ditempatkan
di basis data sebagai fakta baru. Jika tidak cocok, simpan premis dibagian IF kedalam stack sebagai
SubGoal. Proses berakhir jika goal ditemukan atau tidak ada rule yang bisa membuktikan kebenaran dari
SubGoal atau Goal [3].
Beberapa penelitian terdahulu dibidang sistem pakar antara lain, pada penelitian Sianturi, E., dalam
penelitiannya yang berjudul Sistem Pakar Diagnosa Gejala Kecanduan Game Online Dengan Menggunakan
Metode Certainty Factor. Penelitian tersebut membagi jenis kecanduan atas tiga kategori yaitu kecanduan ringan,
kecanduan sedang dan kecanduan berat. [4]
Kasus yang berbeda didalam penggunaan backward chaining seperti yang dilakukan pada penelitian Iriani, S,
dalam jurnalnya yang berjudul Penerapan Metode Backward Chaining pada Sistem Pakar Diagnosa Penyakit
Tulang Manusia. Penelitian ini menggunakan model inferensi backward chaining dan teknik pencarian depth first
search untuk menghasilkan diagnosa, penyebab, pengobatan dan pencegahan penyakit tulang [5].
2. METODOLOGI PENELITIAN
Penelitian ini menggunakan metode pengembangan sistem pakar. Dimana terdapat empat tahap antara lain
Identifikasi, Konseptualisasi, Formalisasi, dan Implementasi. Pada penelitian ini hanya menggunakan tiga tahap
sampai pada tahap formalisasi. Karena output dari penelitian yang dilakukan dibatasi pada tahap model.
a. Identifikasi
Pada tahap identifikasi dilakukan analisa terhadap masalah yang berhubungan dengan kecanduan game.
Langkah awal adalah pencarian fakta akan adanya pengaruh antara kecanduan game dengan perkembangan
pembelajaran anak. Kemudian dikumpulkan data dan fakta yang meliputi jenis perilaku kecanduan game.
Serta melakukan identifikasi juga terhadap syarat dan ketentuan seseorang dikatakan kecanduan game.
b. Konseptualisasi
Hasil identifikasi masalah di langkah pertama dikaji lebih lanjut dalam tahap konseptualisasi. Pada tahap ini
ditemukan relasi antar data hasil identifikasi. Data berbicara bahwa adanya hubungan korelasi negatif antara
keseringan bermain game terhadap pembelajaran anak[3]. Sehingga langkah selanjutnya adalah menyusun
relasi antar data, yaitu data enam jenis perilaku kecanduan game dan gejala-gejala tiap jenisnya. Tahap ini
juga disebar kuisioner kepada beberapa anak guna melihat kecenderungan anak tersebut memiliki enam jenis
perilaku kecanduan game atau tidak.
c. Formalisasi
Pada tahap ini dilakukan pemodelan terhadap enam jenis perilaku kecanduan game menggunakan model
backward chaining. Dihasilkan beberapa rule atau aturan yang sesuai untuk masalah ini.
Gambar 1 menunjukan alur input yang diperlukan, proses yang dikerjakan, serta output yang dihasilkan dari
penelitian yang dikerjakan. Berdasarkan Gambar 1 terlihat jelas data apa saja yang dibutuhkan dalam penelitian
diantaranya, data jenis perilaku kecanduan game, data gejala – gejala kecanduan game, dan data anak. Data - data
tersebut diolah dengan model backward chaining menggunakan enam dimensi jenis perilaku kecanduan game dan
menghasilkan tujuh buah rule yang digunakan untuk menghasilkan model identifikasi kecanduan game.
10
ISSN: 2252-4983
Gambar 1. Alur input proses output dari model jenis perilaku kecanduan game
3. HASIL DAN PEMBAHASAN
Jenis perilaku kecanduan game terdiri atas enam yaitu Salience, Euphoria, Conflict, Tolerance,
Withdrawal, Relapse and Reinstatement. Untuk memudahkan dalam pemodelan maka, dibuatkan
kode_jenis. Kode_jenis digunakan sebagai kode yang unik dan dapat dijadikan primary key untuk jenis
perilaku kecanduan game. Dipilih JPKG1 sampai dengan JPKG6 sebagai kode_jenis. Tabel 1
menunjukan enam jenis perilaku kecanduan game dengan kodenya masing-masing. Sementara Tabel 2
menunjukan gejala kecanduan game. Terdapat 12 gejala kecanduan game yang digunakan, yang dianggap
mewakili tiap jenis perilaku kecanduan game.
Tabel 1. Jenis perilaku kecanduan game

Kode_Jenis Jenis Perilaku Kecanduan Game
JPKG1 Salience
JPKG2 Euphoria
JPKG3 Conflict
JPKG4 Tolerance
JPKG5 Withdrawal
JPKG6 Relapse and Reinstatement
11
ISSN: 2252-4983
Tabel 2. Gejala kecanduan game
Kode_Gejala Kode_Jenis Gejala Kecanduan Game

G1 JPKG1 Ketika anda bermain game anda tidak memperdulikan siapapun bahkan
untuk kebutuhan diri sendiri, misalnya makan.
Permainan internet membuat anda terhibur karena pusing dengan tugas-
G2 JPKG2
tugas sekolah
G3 JPKG2 Anda senang apabila memenangkan permainan
G4 JPKG2 Anda merasa senang apabila menemukan permainan internet yang baru
G5 JPKG2 Anda selalu tersenyum dan tertawa saat bermain permainan internet
G6 JPKG3 Anda jarang membantu orang tua di rumah karena sibuk dengan game
Anda sering menolak dan membantah apabila disuruh orang tua yang
G7 JPKG3
sedang membutuhkan bantuan sehingga membuat orang tua marah
G8 JPKG3 Orang tua memenuhi akan kebutuhan anda agar anda tidak marah
Ketika anda bermain game, anda selalu meningkatkan level permainan
G9 JPKG4
selama kurang lebih 5-10 menit
G10 JPKG4 Anda menambah keseringan/intensitas waktu bermain anda
G11 JPKG5 Anda mengaku merasa gelisah apabila sehari tidak bermain game
Anda yang pada awalnya bermain permainan selama 1 jam
G12 JPKG6 permainan, namun semakin lama semakin bertambah pula intensitas
waktu anda untuk bermain game
Giarratano dan Rilley, menyatakan bahwa Backward chaining merupakan salah satu model penalaran atau
penelusuran dalam sistem pakar, dimana penalaran dimulai dengan tujuan kemudian merunut balik ke jalur yang
akan mengarahkan ke tujuan tersebut[6]. Berdasarkan data yang ditunjukan pada Tabel 1 dan Tabel 2, maka rule
model menghasilkan tujuh rule. Dimulai dari R1 sampai dengan R7, menggunakan pemodelan backward chaining
dengan aturan-aturan sebagai berikut.
Rule Model Backward Chaining Identifikasi Kecanduan Game

R1 : if G1 then
JPKG1
R2 : if G2 or G3 or G4 or G5 then
JPKG2
R3 : if G6 or G7 or G8 then
JPKG3
R4 : if G9 or G10 then
JPKG4
R5 : if G11 then
JPKG5
R6 : if G12 then
JPKG6
R7 : if COUNT(R1:R6) >= 3 then
KECANDUAN GAME
Model tersebut Menggunakan logika or dimana jika pada tiap rule salah satu gejala saja sudah dipenuhi maka
konklusi pada rule tersebut benar. Selain ditulis dalam bentuk diatas, model kecanduan game juga dapat juga
digambarkan kedalam flowchart seperti yang ditunjukan pada Gambar 2.
12
ISSN: 2252-4983
START
(G1:G12)
R1;R2;R3;R4;R5;R6
Input  (G1:G12)
Proses  R1:R6
Proses R7 
COUNT (R1:R6)
Output  KECANDUAN
If R7 >= 3? GAME
Output  TIDAK END

KECANDUAN GAME
Gambar 2. Flowchart Model Identifikasi Kecanduan Game
4. KESIMPULAN
Beberapa kesimpulan yang diperoleh dari penelitian ini adalah sebagai berikut :
1. Backward chaining dapat dijadikan model dalam identifikasi kecanduan game menggunakan operasi logika
or.
2. Penelitian ini menghasilkan tujuh rule dalam memodelkan proses identifikasi kecanduan game
menggunakan model penelusuran backward chaining.
3. Penelitian ini menggunakan enam jenis perilaku kecanduan game, yaitu Salience, Euphoria, Conflict,
Tolerance, Withdrawal, Relapse and Reinstatement dan dua belas gejala kecanduan game . Namun, gejala –
gejala tersebut masih dapat diperluas dan disesuaikan dengan jenis perilaku kecanduan game yang ada.
UCAPAN TERIMA KASIH
Terima kasih kami ucapkan kepada :
1. Lembaga Penelitian(Lemlit) Universitas Muria Kudus,

2. Pusat Pengembangan Anak (PPA) Anugerah GKMI Kudus,
3. Fakultas Teknik Universitas Muria Kudus.
Terima kasih atas segala kerjasama serta dukungan baik berupa dana, data dan doa yang telah diberikan
sehingga penulis dapat menyelesaikan artikel ini dengan baik.
DAFTAR PUSTAKA
[1] Faried. 2012. “Perilaku Remaja Pecandu Game Online”. Skripsi, IKIP PGRI, Semarang.
[2] Latubessy, A., dan Ahsin, M.N. 2016. “Hubungan Antara Adiksi Game Terhadap Keaktifan Pembelajaran
Anak Usia 9-11 Tahun”, Jurnal Simetris, 7. 2, 687-692.
[3] Sutojo, T. dkk. (2011). Kecerdasaan Buatan, Andi, Yogyakarta.
13
ISSN: 2252-4983
[4] Sianturi, E. 2014. “Sistem Pakar Diagnosa Gejala Kecanduan Game Online Dengan Menggunaka Metode
Certainty Factor”, Jurnal Pelita Informatika Budi Darma, VII.3.
[5] Iriani S. 2015. “Penerapan Metode Backward Chaining pada Sistem Pakar Diagnosa Penyakit
[6] Tulang Manusia”, IJNS – Indonesian Journal on Networking and Security, 4.1.
[7] Giarratano, J., and Riley, G. (1994). Expert System Principles and Programming, PWS Publishing
Company, Boston.
14
Sistem Pakar Diagnosis Hama Dan Penyakit Tanaman Kacang Tanah Berbasis
Desktop Dengan Metode Backward Chaining
Bella Anita Agustin Maulina #1, Harrison D.S #2

Program Studi Teknik Informatika
Fakultas Teknik Universitas Suryakancana Cianjur
1
bagustinmaulina@yahoo.com, 2palalaku@yahoo.com
Abstrak
Kemajuan teknologi mendorong manusia untuk lebih memanfaatkan teknologi dalam berbagai kegiatan yang
dilakukan terutama teknologi yang berhubungan dengan pengetahuan dan sistem pakar merupakan bagian dari teknologi
yang berbasis pengetahuan. Sistem pakar banyak digunakan dalam berbagai bidang seperti kedokteran, peternakan
komunikasi, pendidikan dan salah satunya dalam bidang pertanian.
Kelompok tani Mekar Jaya Cianjur merupakan kelompok tani yang membudidayakan tanaman pangan yaitu
kacang tanah. Namun pada saat ini hasil panen mengalami kegagalan (gagal panen), dikarenakan munculnya hama dan
penyakit yang menganggu pertumbuhan tanaman tersebut. Minimnya pengetahuan petani akan hama dan penyakit
mengenai tanaman kacang tanah menyebabkan banyak kesalahan dan ketidaktepatan dalam pemberantasan dan
pengendaliannya. Dalam hal ini sistem pakar dihadirkan sebagai alternatif kedua dalam memecahkan permasalahan
setelah pakar.
Sistem pakar ini dibangun dengan pemograman berbasis desktop dengan menggunakan bahasa pemograman
Borland Delphi 7 dengan aturan pengambilan kesimpulan yang menggunakan metode backward chaining yang bisa
langsung digunakan oleh petani tanpa perlu konsultasi langsung dengan pakar.
Kata kunci : Sistem Pakar, Hama dan Penyakit Tanaman Kacang Tanah, Backward Chaining, Borland Delphi 7.
1. Pendahuluan
Kemajuan teknologi pada saat ini berkembang bergantung pada PC lain dalam jaringan maupun web.
begitu pesat. Inovasi dan kecanggihan teknologi ini Sistem pakar banyak digunakan dalam berbagai bidang
dihadirkan dari teknologi yang diciptakan oleh manusia. seperti kedokteran, peternakan komunikasi, pendidikan
Dengan adanya kemajuan teknologi, mendorong manusia dan salah satunya dalam bidang pertanian.
untuk lebih memanfaatkan teknologi dalam berbagai Kabupaten Cianjur merupakan merupakan salah
kegiatan yang dilakukan terutama teknologi yang satu pusat pertanian, dimana banyak petani yang
berhubungan dengan pengetahuan dan sistem pakar membudidayakan berbagai jenis tanaman terutama
merupakan bagian dari teknologi yang berbasis tanaman pangan seperti padi, jagung, kedelai, kacang
pengetahuan. Menurut Arhami (2005), sistem pakar tanah dan sebagainya. Kelompok tani Mekar Jaya
merupakan program komputer yang mampu menyimpan merupakan kelompok tani yang terletak di kampung
pengetahuan dan kaidah dari domain pakar yang khusus Cinutug, Desa Jatisari Kecamatan Bojongpicung yang
yang membantu seseorang yang awam atau tidak ahli membudidayakan tanaman pangan yaitu kacang tanah.
dalam suatu bidang tertentu yang dapat menjawab Namun pada saat ini hasil panen mengalami kegagalan
pertanyaan, menyelesaikan masalah dan mengambil (gagal panen), dikarenakan munculnya hama dan
keputusan yang biasanya dilakukan seorang pakar. penyakit yang menganggu pertumbuhan tanaman
Menurut Arhami (2005), sistem pakar diagnosis adalah tersebut. Sangat jarang sekali diadakan penyuluhan baik
suatu program komputer cerdas yang dapat dari dinas pertanian ataupun dari balai pertanian setempat
mengidentifikasi sifat-sifat penyakit atau membedakan dikarenakan tidak adanya tim penyuluh khusus yang
satu penyakit dengan penyakit lainnya. Didalam sistem melakukan penyuluhan ke tiap kampung atau desa
pakar terdapat aturan, aturan dalam sistem pakar sehingga menyebabkan kurangnya informasi yang
merupakan tahapan proses mulai dari sekumpulan fakta didapatkan para petani. Minimnya pengetahuan petani
menuju solusi, jawaban dan kesimpulan. Salah satu cara akan hama dan penyakit mengenai tanaman kacang tanah
yang digunakan dalam menghasilkan suatu kesimpulan menyebabkan banyak kesalahan dan ketidaktepatan
yaitu backward chaining. Menurut Arhami (2005), dalam pemberantasan dan pengendaliannya. Disisi lain,
backward chaining adalah penalaran yang dimulai dari diagnosis hama dan penyakit pada tanaman kacang tanah
level tertinggi membangun suatu hipotesis turun ke fakta harus segera dilakukan secepat dan seakurat mungkin
level paling bawah yang dapat mendukung hipotesa atau dikarenakan hama dan penyakit pada tanaman tersebut
dengan kata lain penalaran dari atas kebawah. Salah satu dapat dengan cepat menyebar serta menyerang pada
dari sekian banyak sistem pakar ini yaitu dibangun seluruh lahan pertanian. Dalam hal ini, peran seorang
dengan menggunakan pemograman yang berbasis pakar sangat dibutuhkan oleh para petani dalam
desktop. Menurut Kristanto (2005), pemograman berbasis mendiagnosa dan menentukan jenis hama dan penyakit
desktop merupakan pemograman yang dilakukan dengan serta memberikan contoh cara penanggulangannya guna
memanipulasi elemen-elemen visual yang dilakukan pada mendapatkan solusi terbaik. Namun berbagai kendala
sebuah PC tunggal yang pengoperasiannya tidak menghalangi konsultasi yang dilakukan petani kepada
Media Jurnal Informatika Vol.8 No.1, Periode Juli 2016 25

Sistem Pakar Diagnosis Hama Dan Penyakit Tanaman Kacang Tanah Berbasis Desktop Dengan Metode
Backward Chaining

pakar, dimulai dari lokasi Dinas Pertanian Tanaman b. Dapat memudahkan petani dalam mengetahui
Pangan UPTD Balai Proteksi Tanaman Pangan dan gejala-gejala dan penyebab adanya hama dan
Hortikultura yang jauh dari lokasi petani, kesibukan dari penyakit pada tanaman kacang tanah.
pakar (ahli) serta keterbatasan pakar dikarenakan tidak c. Dapat memberikan kemudahan bagi petani dalam
adanya pakar (ahli) khusus berkenaan dengan pakar (ahli) menentukan hama dan penyakit yang menyerang
tanaman kacang tanah. pada tanaman kacang tanah secara cepat, tepat dan
Dibutuhkan suatu sistem yang dapat akurat.
memecahkan dan menangani permasalahan yang dialami d. Dapat memudahkan bagi petani dalam melakukan
oleh petani. Dalam hal ini sistem pakar dihadirkan sebagai penanggulangan terhadap hama dan penyakit pada
alternatif kedua dalam memecahkan permasalahan setelah tanaman kacang tanah layaknya seorang ahli pakar.
pakar yang e. Dapat membantu sebagai alternatif kedua dalam
dibangun dengan pemograman berbasis desktop yang bisa menggantikan pakar (ahli) khusus tanaman kacang
langsung digunakan oleh petani tanpa perlu konsultasi tanah.
langsung dengan pakar. Sistem pakar ini dibangun dengan
pemograman berbasis desktop dengan menggunakan
bahasa pemograman Borland Delphi 7 yang akan sangat 4. Batasan Masalah
mudah dipergunakan oleh petani dengan aturan Adapun batasan masalah yang terkait dalam
pengambilan kesimpulan yang menggunakan metode penelitian ini yaitu hanya membahas mengenai :
backward chaining. Selain itu, sistem pakar ini dilengkapi a. Membahas gejala-gejala fisik yang muncul pada
dengan sistem berbasis multimedia berupa suara yang tanaman kacang tanah.
berisi pertanyaan seputar gejala yang menyerang tanaman b. Membahas hama dan penyakit pada tanaman
tersebut. Sistem pakar ini dapat memberikan informasi kacang tanah di kelompok tani Mekar Jaya
mengenai hama dan penyakit tanaman kacang tanah, Bojongpicung, Cianjur.
gejala-gejala dari hama dan penyakit yang timbul pada c. Konsep sistem pakar ini berbasis pengetahuan
tanaman kacang tanah, dan solusi atau pengendalian yang (knowledge), inferensi dan aturan.
harus dilakukan terhadap tanaman yang terkena hama dan d. Metode yang digunakan menggunakan metode
penyakit tersebut. backward chaining.
Dari uraian diatas, maka dibuat penelitian tugas e. Narasumber yang dijadikan pakar (ahli) pada
akhir dengan mengambil judul “SISTEM PAKAR penelitian sistem pakar ini dari Dinas Pertanian
DIAGNOSIS HAMA DAN PENYAKIT TANAMAN Tanaman Pangan UPTD Balai Proteksi Tanaman
KACANG TANAH BERBASIS DESKTOP DENGAN Pangan dan Hortikultura yaitu :
METODE BACKWARD CHAINING” yang diharapkan 1) Bapak Yusuf Supinah, S.P., M.P. (Staff Unit
dapat mempermudah dalam memberikan informasi Teknis Pelayanan Bidang Tanaman Pangan).
mengenai penyebab munculnya hama dan penyakit serta 2) Bapak Dede Ruswana, S.P., M.P. (Staff Unit
cara penanggulangan pada tanaman kacang tanah secara Laboratorium Pengamatan dan Peramalan
cepat, tepat dan akurat. Hama dan Penyakit Tanaman Pangan).
2. Rumusan Masalah 5. Landasan Teori

Berdasarkan latar belakang, maka dirumuskan 5.1 Sistem Pakar
suatu masalah yaitu bagaimana membangun sistem pakar Secara umum sistem pakar (expert system)
diagnosis hama dan penyakit tanaman kacang tanah adalah sistem yang berusaha mengadopsi pengetahuan
berbasis desktop dengan menggunakan metode backward manusia ke komputer agar komputer dapat menyelesaikan
chaining yang dapat mempermudah dalam memberikan masalah seperti biasa yang dilakukan oleh para ahli.
informasi mengenai penyebab munculnya hama dan Sistem pakar (Expert System) dibuat bertujuan untuk
penyakit serta cara penanggulangan pada tanaman kacang dapat menyelesaikan masalah yang cukup rumit yang
tanah secara cepat, tepat dan akurat. sebenarnya hanya bisa diselesaikan oleh para ahli. Sistem
pakar dirancang untuk dapat menirukan keahlian seorang
3. Maksud dan Tujuan pakar dalam menjawab pertanyaan dan memecahkan
Berdasarkan permasalahan diatas, maka maksud suatu masalah.
dari penelitian ini adalah membangun sistem pakar Beberapa ahli mengemukakan definisi sistem
diagnosis hama dan penyakit tanaman kacang tanah pakar atau expert system yaitu sebagai berikut :
berbasis desktop dengan menggunakan metode backward a. Durkin (1991) mengemukakan bahwa sistem pakar
chaining yang dapat mempermudah dalam memberikan (expert system) adalah suatu program komputer
informasi mengenai penyebab munculnya hama dan yang dirancang untuk memodelkan kemampuan
penyakit serta cara penanggulangan pada tanaman kacang penyelesaian masalah yang dilakukan oleh seorang
tanah secara cepat, tepat dan akurat. pakar.
Adapun tujuan dari penelitian ini adalah sebagai b. Sri Kusumadewi (2003) mengemukakan bahwa
berikut : seorang pakar adalah seorang yang mempunyai
a. Dapat memberikan kemudahan dalam mendapatkan keahlian dalam bidang tertentu, yaitu pakar yang
informasi yang akurat mengenai gejala, penyakit dan memiliki knowledge atau kemampuan khusus yang
pengendalian pada tanaman kacang tanah.

Backward Chaining

orang lain tidak mengetahui atau mampu dalam f. Fasilitas Penjelasan, bagian yang harus siap
bidang yang dimilikinya. memberikan penjelasan disaat pemakai perlu
c. Arhami (2005) mengemukakan bahwa sistem pakar mengetahui apakah alasan diberikannya sebuah
merupakan program komputer yang mampu solusi. Bagian ini secara konkrit membedakan
menyimpan pengetahuan dan kaidah dari domain sebuah sistem pakar dengan sistem aplikasi yang
pakar yang khusus yang membantu seseorang yang biasa, karena pada pemrograman konvensional
awam atau tidak ahli dalam suatu bidang tertentu tidaklah biasa sebuah sistem menyediakan informasi
yang dapat menjawab pertanyaan, menyelesaikan tambahan mengapa atau dari mana sebuah solusi
masalah dan mengambil keputusan yang biasanya diperoleh.
dilakukan seorang pakar. g. Perbaikan Pengetahuan, merupakan bagian sistem
pakar yang dapat menambah, mengubah,
5.2 Struktur Sistem Pakar menghapus pengetahuan yang terdapat pada basis
Menurut Turban (1995), struktur dari sistem pengetahuan. Fasilitas ini dibangun agar sistem
pakar yaitu sebagai berikut : pakar dapat ditingkatkan pengetahuannya untuk
menyelesaikan masalah dengan tepat.
6. Analisa
Identifikasi dan analisa pengetahuan dilakukan
dengan langkah awal menggambarkan operasi
keseluruhan dari sistem pakar, yaitu :
a. Memberikan atau menampilkan seluruh penyakit
beserta gejala yang dimiliki oleh tanaman kacang
tanah. Pengguna akan memilih gejala yang sesuai
dengan hasil pengamatannya.
b. Memberikan hasil identifikasi hama dan penyakit
tanaman kacang tanah sebagai kesimpulannya
berdasarkan gejala-gejala yang timbul. Dari
penyakit yang sudah teridentifikasi tersebut juga
Gambar 1 Struktur Sistem Pakar
akan menghasilkan solusi dari penyakit yang timbul
dan cara pengendaliannya.
Proses identifikasi pengetahuan yaitu dengan
Berikut ini adalah penjelasan mengenai struktur
representasi pengetahuan. Representasi pengetahuan
sistem pakar menurut Turban yaitu sebagai berikut :
bertujuan membuat struktur yang akan digunakan dalam
a. User interface, fasilitas ini digunakan sebagai
sistem untuk membantu pengkodean pengetahuan ke
perantara komunikasi antara pemakai.dengan
dalam program. Pengetahuan direpresentasikan ke dalam
komputer.
format tertentu dan akan disimpan dalam suatu basis
b. Basis Pengetahuan, basis data terdiri atas semua
pengetahuan.
fakta yang diperlukan, dimana fakta fakta tersebut
Langkah-langkah atau based rules yang perlu
digunakan untuk memenuhi kondisi dari kaidah-
dilakukan untuk membuat representasi pengetahuan
kaidah dalam sistem. Basis pengetahuan mencakup
sistem pakar ini adalah :
dua elemen dasar, yaitu :
a. Membuat daftar hama dan penyakit beserta gejala
1) fakta, misalnya situasi persoalan dan teori area
yang muncul pada tanaman kacang tanah.
persoalan (apa yang diketahui tentang area
b. Pembuatan tabel keputusan (decision table) yang
domain).
berguna untuk mendokumentasikan dan
2) rule atau aturan khusus yang mengarahkan
mendeskripsikan pengetahuan.
penggunaan pengetahuan untuk memecahkan
c. Pembuatan pohon keputusan (decision tree) yang
persoalan khusus dalam domain tertentu
berguna untuk menghilangkan kaidah-kaidah
(referensi logika).
dengan tujuan untuk menjadikan terjadinya
c. Akuisisi Pengetahuan, fasilitas ini merupakan suatu
perulangan pertanyaan.
proses untuk mengumpulkan data-data pengetahuan
d. Konversi pohon keputusan menjadi kaidah produksi.
akan suatu masalah dari pakar.
Berikut ini merupakan kaidah produksi adalah
d. Mesin Inferensi merupakan otak dari sistem pakar,
sebagai berikut :
Mesin inferensi adalah bagian yang mengandung
a. Rule 1 (Bercak Daun)
mekanisme berpikir dan pola-pola penalaran sistem
IF Bercak Daun
yang akan menganalisis suatu masalah tertentu dan
THEN Bercak-bercak coklat muda pada daun
selanjutnya akan mencari jawaban atau kesimpulan
AND Permukaan daun licin
yang terbaik.
AND Terdapat bengkokan seperti lutut pada batang
e. Workplace merupakan area kerja memori yang
AND Daun tidak bersekat atau bersekat jarang
disimpan sebagai basis data untuk deskripsi
AND Batang tidak bercabang
persoalan terbaru yang ditetapkan oleh data input,
b. Rule 2 (Layu Sklerotium)
digunakan juga untuk perekaman hipotesis dan
IF Layu Sklerotium
keputusan sementara.

Backward Chaining

THEN Bercak-bercak coklat muda pada daun k. Rule 11 (Gapong)
AND Muncul cincin sepusat berwarna gelap pada IF Gapong
daun THEN Daun-daun kaku dan berwarna agak
AND Tanaman layu kekuningan
AND Muncul bulu-bulu putih pada batang AND Pada kulit biji terdapat bercak-bercak
c. Rule 3 (Karat) berwarna hitam
IF Karat AND Biji membusuk
THEN Timbul bercak-bercak keputih-putihan dan l. Rule 12 (Uret)
tidak teratur pada daun IF Uret
AND Muncul bercak hijau kekuningan pada daun THEN Akar rusak
AND Daun mengering dan rontok AND Batang rusak
d. Rule 4 (Layu Bakteri) AND Biji berlubang
IF Layu Bakteri AND Tanaman layu dan mati
THEN Tanaman layu dengan tiba-tiba seperti m. Rule 13 (Ulat Penggulung Daun)
disiram air panas tetapi tetap berwarna hijau IF Ulat Penggulung Daun
AND Akar membusuk dan berwarna hitam THEN Daun menggulung
AND Pembuluh batang mengeluarkan lendir AND Daun menguning
kekuningan AND Daun mongering
e. Rule 5 (Belang) n. Rule 14 (Ulat Grayak)
IF Belang IF Ulat Grayak
THEN Ujung daun menggulung THEN Daun berlubang
AND Tulang-tulang daun agak melekuk AND Batang berlubang
AND Muncul gambaran belang-belang pada daun o. Rule 15 (Kumbang Daun)
yang tidak teratur IF Kumbang Daun
AND Daun berwarna hijau muda dan hijau tua THEN Daun berlubang
AND Biji menjadi tidak teratur dan memiliki ukuran AND Daun tinggal tulang
yang lebih kecil
f. Rule 6 (Bilur) 7. Perancangan
IF Bilur Perancangan sistem berisi mengenai
THEN Ujung daun menggulung perancangan yang diusulkan meliputi Diagram Konteks,
AND Tulang-tulang daun agak melekuk Data Flow Diagram (DFD) dan Entity Relationship
AND Terdapat garis putus-putus pada daun Diagram (ERD) dan kamus data.
g. Rule 7 (Sapu Setan)
IF Sapu Setan 7.1 Diagram Konteks
THEN Bunga berwarna hijau tua seperti daun-daun Diagram konteks menggambarkan aliran-aliran
kecil data secara umum dari dalam sistem, keluar sistem dan
AND Ruas-ruas batang dan cabang menjadi pendek sebaliknya. Diagram konteks juga merupakan alat yang
AND Daun penumpu berwarna kemerahan digunakan untuk melihat batasan antara sistem dengan
AND Tangkai buah membelok tumbuh keatas external entity (Jogiyanto, 2005).
h. Rule 8 (Mosaik)
IF Mosaik
THEN Pertumbuhan tanaman terhambat Informasi Hasil Konsultasi
AND Bercak-bercak kuning tidak teratur muncul

pada daun
AND Biji berkecambah sebelum waktunya
- Data Admin SISTEM PAKAR DIAGNOSIS HAMA DAN
AND Tulang-tulang daun agak menguning a. Admin
- Data Gejala
- Data Penyakit
PENYAKIT TANAMAN KACANG TANAH
BERBASIS DESKTOP DENGAN METODE
- Data Pengguna
- Jawaban Diagnosis
b. Pengguna
AND Tepi daun menguning - Data Relasi BACKWARD CHAINING
i. Rule 9 (Kerupuk)
IF Kerupuk
THEN Pertumbuhan tanaman terhambat - Pertanyaan Diagnosis
- Informasi Hasil Konsultasi
AND Anak daun menggulung keatas
AND Tulang-tulang daun membengkak Gambar 2. Diagram Konteks
AND Daun berwarna lebih tua dan kaku
AND Batang tanamana bengkok 7.2 Data Flow Diagram
j. Rule 10 (Keriting) Data flow diagram (DFD) adalah representasi
IF Keriting grafik dari sebuah sistem. DFD menggambarkan
THEN Ujung daunnya meruncing komponen – komponen sebuah sistem, aliran – aliran data
AND Daun lebih tebal dan ukurannya kecil dari asal, tujuan dan penyimpanan dari data tersebut.
AND Bagian tengan daun berwarna hijau tetapi DFD juga dapat berupa penjelasan lebih rinci dari
tepinya pucat diagram konteks yang telah dibuat sebelumnya
AND Permukaan daun tidak rata (Jogiyanto, 1990).

Backward Chaining

a. Data Flow Diagram Level 1
Hasil Konsul
Pengguna
id_user
id_pengguna nama
- Data Admin nama melihat
1 alamat
- Data Gejala jenis_kelamin kode_penyakit
a. Admin Pengelolaan
- Data Penyakit alamat nama_penyakit
Data tanggal
- Data Relasi pengendalian
tanggal
Konsultasi
- Data Gejala
melakukan no_konsultasi
- Data Kaidah menghasilkan
no_kaidah
tanggal
2 Pertanyaan Diagnosis
Penanganan - Data Pengguna
Masalah melihat
- Jawaban Diagnosis
b. Pengguna Penyakit Kaidah

Data Hasil Konsultasi Gejala
kode_penyakit no_kaidah
nama_penyakit melihat kode_gejala melihat kode_gejala
suara kaidah_selanjutnya nama_gejala
3 pengendalian kode_penyakit suara
Pencetakan Informasi Hasil Konsultasi
Informasi Hasil Konsultasi Laporan
Gambar 6. Entity Relationship Diagram
Gambar 3. Data Flow Diagram Level 1

8. Antarmuka
Berikut ini adalah tampilan antarmuka sistem
pakar diagnosis hama dan peyakit tanaman kacang tanah.
b. Data Flow Diagram Level 2 Proses 1
8.1 Form Tampilan Awal
Admin
Data Admin Data Admin
1.1 Data Gejala

- Data Admin
Pengelolaan Data
a. Admin - Data Gejala
Admin, Gejala
- Data Penyakit
dan Penyakit Data Gejala Gejala Data Gejala
Data Penyakit Data Penyakit Data Gejala
Penyakit
1.2 2
Data Penyakit Pembuatan Penanganan
Kaidah Masalah
Data Relasi
Data Kaidah
Kaidah
Data Kaidah
Gambar 4. Data Flow Diagram

Proses 2 Level 1
Gambar 7. Antarmuka Form Tampilan Awal
c. Data Flow Diagram Level 2 Proses 2
8.2 Form Menu Utama
Admin
Data Admin Data Admin
1.1 Data Gejala

- Data Admin
Pengelolaan Data
a. Admin - Data Gejala
Admin, Gejala
- Data Penyakit
dan Penyakit Data Gejala Gejala Data Gejala
Data Penyakit Data Penyakit Data Gejala
Penyakit
1.2 2
Data Penyakit Pembuatan Penanganan
Kaidah Masalah
Data Relasi
Data Kaidah
Kaidah
Data Kaidah
Gambar 8. Antarmuka Form Menu Utama

Gambar 5. Data Flow Diagram
Proses 2 Level 2
7.3 Entity Relationship Diagram

Entity Relationship Diagram (ERD) merupakan
model dari hubungan antar data penyimpanan yang
digunakan didalam sebuah sistem (Jogiyanto, 1990).

Backward Chaining

8.3 Form Login Admin 8.7 Form Kaidah Produksi
Gambar 9. Antarmuka Form Login
8.4 Form Menu Admin

Gambar 13. Antarmuka Form Kaidah Produksi
8.8 Form Ubah Sandi
Gambar 10. Antarmuka Form Menu Admin
8.5 Form Data Gejala
Gambar 14. Antarmuka Form Ubah Sandi
8.9 Form Penanganan Masalah
Gambar 11. Antarmuka Form Data Gejala
8.6 Form Data Hama/Penyakit Gambar 15. Antarmuka Form Penanganan Masalah
Gambar 12. Antarmuka Form Data Hama/Penyakit

Backward Chaining

8.10 Form Data Pengguna

8.13 Form Panduan
Gambar 19. Antarmuka Form Panduan Program

Gambar 16. Antarmuka Form Data Pengguna
8.14 Form Hasil Konsultasi

8.11 Form Login Pengguna
Gambar 17. Antarmuka Form Login Pengguna
8.12 Form Konsultasi
Gambar 20. Antarmuka Form Hasil Konsultasi
8.15 Form Cetak
Gambar 18. Antarmuka Form Konsultasi
Gambar 21. Antarmuka Form Cetak

Backward Chaining

9. Kesimpulan 11. Daftar Pustaka

Dari hasil analisa dan aplikasi sistem pakar yang
dihasilkan, maka dapat di simpulkan hal-hal sebagai [1] Ira Andriani, Sistem Pakar Diagnosa Hama dan
berikut : Penyakit Tanaman Bunga Mawar Berbasis
a. Aplikasi sistem pakar ini dapat memberikan Desktop dengan Menggunakan Metode Backward
kemudahan dalam mendapatkan informasi yang Chaining. Cianjur: Fakultas Teknik UNSUR,
akurat mengenai gejala, penyakit dan pengendalian 2014.
pada tanaman kacang tanah. [2] Muhammad Arhami, Konsep Dasar Sistem Pakar.
b. Aplikasi sistem pakar ini dapat memudahkan petani Yogyakarta: Andi, 2005.
dalam mengetahui gejala-gejala dan penyebab
[3] Agus Hamzah, Perancangan Aplikasi Sistem
adanya hama dan penyakit pada tanaman kacang
Pakar Diagnosis Penyakit Ikan Air Tawar dengan
tanah.
Metode Backward Chaining. Cianjur: Fakultas
c. Aplikasi sistem pakar ini dapat memberikan
Teknik UNSUR, 2015.
kemudahan bagi petani dalam menentukan hama
dan penyakit yang menyerang pada tanaman kacang [4] M. Ichwan, Pemrograman Basis Data Delphi 7
tanah secara cepat, tepat dan akurat. dan MySQL. Bandung: Informatika, 2011.
d. Aplikasi sistem pakar ini dapat memudahkan bagi [5] Roger R. Pressman, Software Engineering A
petani dalam melakukan penanggulangan terhadap Practitioner's Approach Seventh Edition. New
hama dan penyakit pada tanaman kacang tanah York: MC Graw Hill, 2010.
layaknya seorang ahli pakar. [6] Reni Rahmawaty, Cepat dan Tepat Berantas :
e. Aplikasi sistem pakar ini dapat membantu sebagai Hama dan Penyakit Tanaman Pertanian
alternatif kedua dalam menggantikan pakar (ahli) Perkebunan. Yogyakarta: Pustaka Baru Press,
khusus tanaman kacang tanah. 2012.
[7] Haryono Semangun, Penyakit-penyakit Tanaman
10. Saran Pangan di Indonesia. Yogyakarta: Gadjah Mada
Berikut adalah saran untuk pengembang
University Press, 2004.
selanjutnya yaitu :
a. Bahasa pemograman yang digunakan untuk [8] Janner Simarmata, Rekayasa Perangkat Lunak.
pengembangan selanjutnya yaitu dengan Yogyakarta: Andi, 2010.
menggunakan bahasa pemograman lain seperti [9] d. Herbert Alexander Simon. (2001) Kecerdasan
delphi XE5 agar tampilan program terlihat lebih Buatan. [Online].
menarik dan interaktif bagi pengguna. http://informatika.web.id/category/kecerdasan-
b. Data penyakit dan gejala ditambahkan lebih banyak buatan/
agar informasi yang di dapatkan pengguna lebih [10] Tim Binakarya Tani, Budidaya Tanaman Kacang
luas. Tanah. Bandung: CV Yrama Widya, 2010.
c. Sistem dilengkapi dengan gambar maupun video
yang menggambarkan jenis penyakit maupun gejala.
d. Hasil cetak konsultasi dilengkapi dengan grafik agar
lebih memudahkan dalam mengetahui jumlah
pengguna yang melakukan konsultasi pada setiap
bulannya atau setiap tahunnya.

Jurnal Teknik Elektro Vol. 10 No. 1 P-ISSN 1411 - 0059
Januari - Juni 2018 E-ISSN 2549 - 1571
Analisis Metode Certainty Factor pada Sistem Pakar

Diagnosa Penyakit THT
Khairina Eka Setyaputri1, Abdul Fadlil2, dan Sunardi3
1,2
Program Studi Magister Teknik Informatika
Universitas Ahmad Dahlan, Yogyakarta, Indonesia
3
Program Studi Teknik Elektro
Universitas Ahmad Dahlan, Yogyakarta, Indonesia
khairinaputri1@gmail.com1, fadlil@mti.uad.ac.id2, sunardi@mti.uad.ac.id3
Abstract— There are two factors that cause a disease, called Congenital and Acquired. Congenital refers
to a disease a person is born with, while Acquired refers to a disease acquired after a person was born
such as infection, trauma, and neoplasm. The infected person will sometimes require information on the
disease before going to the doctor or a hospital. Such information may be found from a system which
receives input on the symptoms and gives a clear information on the corresponding disease. This may be
achieved via a system of experts, in which the expert refers to an ENT (Ear, Nose, and Throat) specialist.
Such information is hoped to provide a solution on the disease. The system of ENT specialists designed
and research in this paper used the certainty factor method. The method will overcome the uncertainty in
decision making depending on the symptoms described by the user. This paper is successfully applied
certainty factor method used as an instrument of decision making in the system of ENT specialists. The
system is web-based, enabling the user to access and choose the symptoms of the disease as well as
acquiring information on ENT diseases easly.
Keywords— Certainty Factor, ENT (Ear, Nose, and Throat), expert system, web
Abstrak— Faktor dan penyebab suatu penyakit ada dua yaitu Kongenital dan Acquired. Kongenital
merupakan penyakit bawaan sejak lahir dan Acquired merupakan penyakit yang didapat setelah lahir
(penyakit yang bukan bawaan sejak lahir) seperti infeksi, trauma, Neoplasma (keganasan/tumor). Penderita
suatu penyakit terkadang membutuhkan informasi mengenai penyakit yang dialami sebelum memutuskan
untuk berobat ke dokter atau rumah sakit. Informasi tersebut bisa didapatkan melalui sistem yang dapat
menerima inputan berupa gejala penyakit dan memberikan informasi yang jelas mengenai penyakit tersebut.
Hal ini dapat dilakukan menggunakan sistem pakar, dalam kasus ini pakar merupakan dokter spesialis THT
(Telinga, Hidung, dan Tenggorokan). Informasi tersebut diharapkan memiliki solusi dari penyakit yang
diderita. Sistem pakar penyakit THT yang dirancang dan diteliti pada penelitian ini menggunakan metode
certainty factor. Metode ini dapat mengatasi ketidakpastian dalam pengambilan keputusan berdasarkan
gejala-gejala yang dirasakan atau diinputkan oleh user. Penelitian ini telah berhasil dan tepat menerapkan
metode certainty factor sebagai alat pengambilan keputusan pada sistem pakar penyakit THT. Sistem ini
berbasis web, sehingga user dapat dengan mudah mengakses dan memilih gejala yang dirasakan serta
mencari informasi mengenai penyakit THT.
Kata kunci— Certainty Factor, sistem pakar, THT (Telinga, Hidung, dan Tenggorokan), web
segera ditangani akan menimbulkan penyakit-penyakit yang

I. PENDAHULUAN lain. Sebagai contoh adalah batuk dan pilek yang terkadang
Faktor penyebab penyakit ada dua yaitu Kongenital dan tidak diperhatikan oleh masyarakat, batuk disebabkan karena
Acquired. Kongenital adalah penyakit bawaan sejak lahir, faktor cuaca dan kondisi tubuh yang kurang sehat, begitu juga
sedangkan Acquired adalah penyakit yang didapat (bukan dengan pilek. Gejala batuk dan pilek jika tidak segera
bawaan sejak lahir) seperti infeksi, trauma, Neoplasma ditangani maka penderita akan mengalami telinga berair atau
(keganasan/tumor), dan alergi. Berdasarkan Sosiodemografi, secara umum disebut congekan. Hal tersebut terjadi karena
sekitar 47,80% pasien rawat inap yang menderita penyakit kurangnya informasi.
Telinga, Hidung, dan Tenggorokan (THT) banyak terjadi di Informasi saat ini sudah sangat mudah untuk didapatkan,
provinsi Manado [1]. Insiden sinusitis merupakan penyakit hanya saja perlu adanya media atau akses yang mudah dalam
yang cukup parah yang membuat orang memeriksa diri ke mendapatkan informasi yang benar yang bersumber dari pakar
dokter yaitu antara 1,3 dan 3,5 per 100 kasus orang dewasa atau orang yang ahli dalam bidang tertentu. Seorang penderita
per tahun [2]. penyakit membutuhkan informasi mengenai penyakit yang
Penyakit THT sering dianggap remeh oleh sebagian dideritanya sebelum berkonsultasi dengan dokter, sehingga
masyarakat di Indonesia, tetapi jika penyakit tersebut tidak dibutuhkan akses informasi yang mudah bagi penderita untuk
30
Jurnal Teknik Elektro Vol. 10 No. 1 31
Januari - Juni 2018
mengetahui penyakit yang diderita. Salah satunya dengan dari tampilan input gejala. Jika pengguna telah memilih gejala
adanya sistem pakar untuk mendiagnosa penyakit berdasarkan tersebut langkah selanjutnya adalah menampilkan hasil
gejala yang dirasakan oleh penderita, yang kemudian diagnosa. Hasil diagnosa berisi penyakit yang diderita oleh
menghasilkan informasi mengenai penyakit tersebut. pengguna.
Sistem pakar (expert system) merupakan sistem yang
berusaha untuk mengadopsi kemampuan atau pengetahuan
manusia ke dalam komputer, agar komputer dapat bekerja
dalam menyelesaikan suatu masalah seperti layaknya seorang
pakar atau sesorang yang mempunyai keahlian dalam bidang
tertentu, yaitu pakar yang mempunyai knowledge atau
kemampuan khusus yang tidak diketahui dan dimiliki oleh
orang lain. Sistem pakar merupakan cabang dari Artificial
Intelligence (AI) [3].
Penelitian dengan tema sejenis yaitu sistem pakar diagnosa
penyakit telah banyak diteliti pada penelitian sebelumnya
[4] - [11]. Salah satunya adalah sistem pakar diagnosa
penyakit pada saluran pernafasan dan paru dapat
mengidentifikasi penyakit dengan mendokumentasikan
informasi atau pengetahuan dari pakar dengan metode
pencarian kesimpulan menggunakan metode Certainty Factor
(CF) [4]. Penelitian lainnya adalah sistem pakar yang
digunakan untuk mendiagnosa jenis penyakit stroke dengan
metode CF digunakan untuk mendapatkan nilai kepastian [5].
Sistem pakar tidak hanya digunakan untuk mendiagnosa
penyakit pada manusia tapi juga dapat digunakan sebagai
diagnosa penyakit pada tanaman yaitu diagnosa hama anggrek
coelogyne pandurata dengan metode penerapannya adalah
metode forward chaining dan CF [6]. Metode CF juga
digunakan dalam sistem pakar diagnosa hama dan penyakit
pada tanaman bawang merah [7], hasil yang diperoleh adalah
masih kurangnya pakar yang dapat memberikan informasi Gambar 1. Flowchart sistem
mengenai solusi terbaik dalam permasalahan yang ada. Sistem Metode CF menunjukkan ukuran kepastian terhadap suatu
pakar dapat juga digunakan untuk mendiagnosa penyakit pada fakta atau aturan. CF merupakan nilai parameter klinis yang
kelinci menggunakan metode teorema bayes dengan diberikan MYCIN untuk menunjukkan besarnya kepercayaan.
menghitung probabilitas dari setiap penyakit pada kelinci [8]. Kelebihan dari metode CF adalah dapat mengukur sesuatu
Terdapat juga sistem pakar diagnosa penyakit pada tanaman yang pasti atau tidak pasti dalam pengambilan keputusan pada
jagung menggunakan metode bayes dalam menentukan sistem pakar diagnosa penyakit [12]. Rumus dasar CF [13]:
pilihan pengobatan [9].
Sistem pakar dapat membantu Tim Medis dalam 𝐶𝐹(ℎ, 𝑒) = 𝑀𝐵(ℎ, 𝑒) − 𝑀𝐷(ℎ, 𝑒) (1)
mendiagnosa suatu penyakit, khususnya penyakit THT Keterangan:
berdasarkan gejala-gejala yang dikeluhkan, untuk performa CF(h,e) = Certainty Factor (faktor kepastian) dalam hipotesis
yang lebih baik sistem pakar membutuhkan lebih banyak rule h dipengaruhi oleh evidence (gejala) e.
[10]. Penelitian sistem pakar untuk mendiagnosa penyakit MB(h,e) = Measure of Belief (tingkat keyakinan), merupakan
THT telah dilakukan mengunakan metode Depth First Search, ukuran kepercayaan dari hipotesis h dipengaruhi
hasil akhir dalam penelitian ini adalah penyakit THT yang oleh evidence (gejala) e.
diderita beserta saran pengobatan dengan tanaman obat [11]. MD(h,e) = Measure of Disbelief (tingkat ketidakyakinan),
Dari uraian di atas metode CF dapat digunakan sebagai merupakan ukuran ketidakpercayaan dari hipotesis
metode dalam pengambilan keputusan pada bidang kesehatan h dipengaruhi oleh gejala e.
untuk mendiagnosa suatu penyakit. Pada penelitian ini h = Hipotesa atau konklusi yang dihasilkan (antara 0
dilakukan analisis metode CF pada Sistem Pakar Penyakit dan 1).
THT berbasis website. e = Evidence atau peristiwa atau fakta (gejala)
Perhitungan selanjutnya adalah kombinasi dua atau lebih rule
II. METODOLOGI PENELITIAN dengan evidence berbeda tetapi dalam hipotesis yang sama:
Alur kerja Sistem Pakar Penyakit THT pada menu 𝑅𝑢𝑙𝑒 1 𝐶𝐹(ℎ, 𝑒1 ) = 𝐶𝐹1 = 𝐶(𝑒1 )𝑥𝐶𝐹(𝑅𝑢𝑙𝑒1) (2)
diagnosa ditunjukkan pada Gambar 1. Menu diagnosa 𝑅𝑢𝑙𝑒 2 𝐶𝐹(ℎ, 𝑒2 ) = 𝐶𝐹2 = 𝐶(𝑒2 )𝑥𝐶𝐹(𝑅𝑢𝑙𝑒2) (3)
digunakan oleh pengguna untuk memilih gejala-gejala yang
dirasakan. Dalam proses diagnosa jika pengguna ingin 𝐶𝐹𝑘𝑜𝑚𝑏𝑖𝑛𝑎𝑠𝑖 [𝐶𝐹1 , 𝐶𝐹2 ] = 𝐶𝐹1 + 𝐶𝐹2 (1 − 𝐶𝐹1 ) (4)
mengulang input gejala maka proses akan dimulai kembali
32 Jurnal Teknik Elektro Vol. 10 No. 1
Januari - Juni 2018
III. HASIL DAN PEMBAHASAN B. Rule CF

A. Basis Pengetahuan Penerapan metode CF pada sistem pakar memerlukan
beberapa rule berupa variabel (gejala dengan simbol G) dan
Gejala penyakit THT yang dirasakan oleh pasien nilai bobot yang diberikan oleh pakar. Data sampel penyakit
ditunjukkan pada Tabel I. Jenis penyakit THT difokuskan pasien diperoleh dari data rekam medis pasien penyakit THT
hanya pada jenis penyakit yang sering dikeluhkan oleh pasien oleh dr. M. Agus Sugicharto Sp.THT periode bulan Februari
THT, yaitu Otitis Media Akut, Serumen, Otitis Eksterna, 2018. Nilai bobot dibutuhkan untuk setiap gejala pada setiap
Sinusitis, dan Rhinitis Kronis. Kode jenis penyakit dan jenis penyakit. Pakar memberikan skala nilai bobot untuk tiap
penyakit ditunjukkan pada Tabel II. gejala antara 0,2 – 1,0. Rule CF yang berisi gejala dan nilai
TABEL I. GEJALA PENYAKIT bobot dari pakar untuk setiap penyakit ditunjukkan pada
Tabel III.
Kode Gejala Penyakit
G001 Batuk TABEL III. RULE
G002 Bersin
No Rule
G003 Dahak mengalir ditenggorok
1 IF G001 (0,8) AND G004 (0,8) AND G011 (0,6) AND
G004 Demam
G013 (0,8) AND G014 (0,4) AND G016 (0,8) AND
G005 Hidung mampet G020 (1,0) AND G023 (0,6) THEN P001
G006 Hidung mampet pada hidung bagian sebelah 2 IF G009 (0,4) AND G011 (0,8) AND G018 (1,0) AND
G007 Hidung mampet pada bagian sebelah secara bergantian G019 (0,2) THEN P002
G008 Ingus bau 3 IF G009 (0,8) AND G011 (0,8) AND G016 (0,4) AND
G009 Memiliki riwayat mengorek telinga G018 (0,6) AND G019 (0,8) AND G020 (1,0) AND
G010 Penciuman berkurang G023 (0,6) THEN P003
G011 Pendengaran berkurang 4 IF G001 (0,4) AND G003 (0,8) AND G004 (0,4) AND
G012 Pilek encer di kedua hidung G005 (0,4) AND G006 (0,6) AND G010 (0,6) AND
G013 Pilek G012 (0,6) AND G014 (1,0) THEN P004
G014 Sakit kepala 5 IF G010 (0,6) AND G007 (0,8) AND G012 (1,0) AND
G015 Telinga berair selama ≥ 2 bulan G013 (1,0) AND G005 (0,8) AND G002 (0,8) AND
G016 Telinga berair selama ≤ 2 bulan G014 (0,4) THEN P005
G017 Telinga berair bau selama ≥ 2 bulan
G018 Telinga mampet C. Implementasi
G019 Telinga gatal Tampilan input gejala diagnosa ditunjukkan pada
G020 Telinga nyeri Gambar 2. Tampilan input gejala diagnosa digunakan
G021 Tenggorok nyeri pengguna untuk menginputkan gejala-gejala yang dirasakan.
G022 Telinga nyeri saat mengunyah Pengguna memilih 1 jawaban dari 5 pilihan jawaban yaitu
G023 Telinga berdengung
Ragu-ragu (0,2), Mungkin (0,4), Sangat Mungkin (0,6),
G024 Tidur mendengkur
Hampir Pasti (0,8), dan Pasti (1,0) pada setiap gejala yang
TABEL II. JENIS PENYAKIT dirasakan.
Kode Jenis Penyakit Tampilan hasil diagnosa ditunjukkan pada Gambar 3.
P001 Otitis Media Akut (OMA) Tampilan hasil diagnosa menampilkan kemungkinan-
P002 Serumen (Kotoran Telinga) kemungkinan pengguna mengalami penyakit berdasarkan
P003 Otitis Eksterna (OE) gejala yang telah diinputkan sebelumnya.
P004 Sinusitis
P005 Rhinitis Kronis
Gambar 2. Tampilan input gejala diagnosa

Januari - Juni 2018
Gambar 3. Hasil diagnosa

TABEL IV. PERKALIAN NILAI BOBOT USER (BU) DENGAN NILAI BOBOT PAKAR (BP) ATAU RULE
Pasien A
Kemungkinan 1 = Sinusitis Kemungkinan 2 = Rhinitis Kronis
BU * BP BU * BP
No Kode Gejala BU BP Kode Gejala BU BP
(CF) (CF)
1 G001 0,6 0,4 0,24 G014 0,6 0,4 0,24
2 G014 0,6 1,0 0,60 G005 0,8 0,8 0,64
3 G013 0,6 0,8 0,48 G013 0,6 1,0 0,60
4 G005 0,8 0,6 0,48
Pasien B
Kemungkinan 1 = Serumen Kemungkinan 2 = Otitis Eksterna
BU * BP BU * BP
(CF) (CF)
1 G018 0,8 1,0 0,80 G019 0,6 0,8 0,48
2 G011 0,8 0,8 0,64 G009 0,6 0,8 0,48
3 G009 0,6 0,4 0,24 G011 0,8 0,8 0,64
4 G019 0,6 0,2 0,12 G018 0,8 0,6 0,48
Pasien C
Kemungkinan 1 = Otitis Eksterna Kemungkinan 2 = Serumen
BU * BP BU * BP
(CF) (CF)
1 G020 0,6 1,0 0,60 G018 0,8 1,0 0,80
2 G019 0,6 0,8 0,48 G009 0,6 0,4 0,24
3 G009 0,6 0,8 0,48 G019 0,6 0,2 0,12
4 G018 0,8 0,6 0,48
Pasien D
Kemungkinan 1 = Rhinitis Kronis Kemungkinan 2 = Sinusitis
BU * BP BU * BP
(CF) (CF)
1 G012 0,8 1,0 0,80 G014 0,8 1,0 0,80
2 G002 0,6 0,8 0,48 G012 0,8 0,8 0,64
3 G007 0,6 0,8 0,48
4 G014 0,8 0,4 0,32
34 Jurnal Teknik Elektro Vol. 10 No. 1
Januari - Juni 2018
D. Pembahasan Perhitungan Aplikasi dialami oleh pasien D adalah Rhinitis Kronis dengan nilai
Pembahasan dibutuhkan untuk mengetahui langkah dan keyakinan sebesar 0,962.
hasil dalam penelitian ini, maka dibutuhkan perhitungan yang E. Uji Pakar
dapat membantu dalam memberikan diagnosa pada penderita
Uji pakar dilakukan untuk mengetahui ketepatan antara
penyakit THT. Metode perhitungan pada sistem dalam
gejala-gejala yang diberikan oleh pakar dengan gejala-gejala
penelitian ini menggunakan metode CF.
yang berada dalam sistem beserta hasil diagnosa. Hasil
Langkah pertama penggunaan metode CF dalam proses
diagnosa oleh sistem sesuai dengan hasil yang diberikan oleh
perhitungan berdasarkan gejala-gejala yang telah diinputkan
pakar. Diagnosa pakar ditunjukkan pada Gambar 4.
oleh pengguna pada Gambar 2 adalah dengan mengalikan 2
nilai bobot yaitu bobot yang diberikan oleh pengguna dengan IV. PENUTUP
rule pada Tabel III atau nilai bobot aturan yang diberikan oleh
pakar. Hasil perkalian bobot gejala pengguna dengan pakar Metode CF dapat diimplementasikan dalam sistem pakar
ditunjukkan pada Tabel IV. untuk diagnosa penyakit THT berdasarkan gejala-gejala yang
diinputkan. Sistem pakar penyakit THT dapat digunakan
Langkah selanjutnya adalah kombinasi hasil perkalian
dengan baik, dibuktikan dengan adanya uji pakar bahwa
setiap gejala dari hasil kali pada Tabel IV. Kombinasi setiap
diagnosa dari sistem pakar penyakit THT memiliki hasil yang
gejala ditunjukkan pada Tabel V. Kombinasi hanya dapat
dilakukan pada 2 atau lebih nilai CF. Pembobotan nilai sama. Penelitian selanjutnya dapat dilakukan perbandingan
maksimum pada penelitian ini adalah 1,0. Berdasarkan hasil antara metode CF dengan metode lain, sehingga dapat
diketahui ketepatan hasil diagnosa pada tiap metode yang
akhir kombinasi Tabel V maka penyakit yang dialami oleh
digunakan. Sebagai contoh penelitian terkait perbandingkan
pasien A adalah Sinusitis dengan nilai keyakinan sebesar
hasil diagnosa dari sistem pakar adalah perbandingan
0,917. Penyakit yang dialami oleh pasien B adalah Serumen
penggunaan metode CF dan metode Dempster Shafer [14]
(Kotoran Telinga) dengan nilai keyakinan sebesar 0,951.
Penyakit yang dialami oleh pasien C adalah Otitis Eksterna ataupun metode Bayesian Network dan Dempstes-Shafer pada
(OE) dengan nilai keyakinan sebesar 0,963. Penyakit yang sistem pakar diagnosa penyakit mata [15].
TABEL V. KOMBINASI HASIL PERKALIAN TIAP GEJALA
Pasien A
Kemungkinan 1 = Sinusitis Kemungkinan 2 = Rhinitis Kronis
Iterasi CF1 + (CF2 * (1 – CF1)) Iterasi CF1 + (CF2 * (1 – CF1))
1 0,48 + (0,24 * (1 – 0,48)) = 0,604 1 0,24 + (0,64 * (1 – 0,24)) = 0,726
2 0,604 + (0,48 * (1 – 0,604)) = 0,794 2 0,726 + (0,60 * (1 – 0,726) = 0,890
3 0,794 + (0,60 * ( 1 – 0,794)) = 0,917 3
Pasien B
Kemungkinan 1 = Serumen Kemungkinan 2 = Otitis Eksterna
1 0,80 + (0,64 * (1 – 0,80)) = 0,928 1 0,48 + (0,48 * (1 – 0,48)) = 0,729
2 0,928 + (0,24 * (1 – 0,928)) = 0,945 2 0,729 + (0,64 * (1 – 0,729) = 0,902
3 0,945 + (0,12 * (1 – 0,945)) = 0,951 3 0,902 + (0,48 * (1 – 0,902) = 0,949
Pasien C
Kemungkinan 1 = Otitis Eksterna Kemungkinan 2 = Serumen
1 0,60 + (0,48 * (1 – 0,60)) = 0,792 1 0,80 + (0,24 * (1 – 0,80)) = 0,848
2 0,792 + (0,48 * (1 – 0,792)) = 0,892 2 0,848 + (0,12 * (1 – 0,848)) = 0,866
3 0,892 + (0,48 * (1 – 0,892)) = 0,944
Pasien D
Kemungkinan 1 = Rhinitis Kronis Kemungkinan 2 = Sinusitis
1 0,80 + (0,48 * (1 – 0,80)) = 0,896 1 0,80 + (0,64 * (1 – 0,80)) = 0,928
2 0,896 + (0,48 * (1 – 0,896)) = 0,945
3 0,94 5+ (0,32 * (1 – 0,945)) = 0,962
Januari - Juni 2018
Gambar 4. Diagnosa pakar
[8] S. Triyanto dan A. Fadlil, “Sistem Pakar untuk Mendiagnosa Penyakit

REFERENSI Kelinci Berbasis Web,” Jurnal Sarjana Teknik Informatika, vol. 2, no. 1,
[1] B. B. Gontung, O. I. Palendeng dan O. C. P. Palealu, “Pola Penyakit pp. 701-711, 2014.
Penderita Rawat Inap di SMF THT-KL RSU PROF. DR. R. D. Kandou [9] H. T. Sihotang, “Sistem Pakar untuk Mendiagnosa Penyakit Tanaman
Periode Januari 2011 - Desember 2011,” Jurnal Kedokteran Komunitas Jagung dengan Metode Bayes,” Journal of Informatic Pelita Nusantara,
dan Tropik, vol. III, no. 3, pp. 180-185, 2015. vol. 3, no. 1, pp. 17-22, 2018.
[2] A. H. Posumah, R. H. Aji dan E. Loho, “Gambaran Foto Waters pada [10] Lisnawita, L. L. V. FC dan E. Lindra, “Sistem Pakar Diagnosa Penyakit
Penderita dengan Dugaan Klinis Sinusitis Maksilaris di Bagian THT,” Jurnal Inovtek Polbeng, vol. 1, no. 2, pp. 95-99, 2016.
Radiologi FK UNSRAT/SMF Radiologi BLU RSUP PROF. Dr. R. D. [11] Suraya, “Sistem Pakar Untuk Mendiagnosa Penyakit THT Berdasarkan
Kandou Manado Periode 1 Januari 2011–31 Desember 2011,” Jurnal e- Gejalanya Untuk Menentukan Alternatif Pengobatan Menggunakan
Biomedik (eBM), vol. 1, no. 1, pp. 129-134, 2013. Tanaman Obat,” Teknik Informatika, vol. III, no. 1, pp. 337-346, 2012.
[3] M. Dahria, “Pengembangan Sistem Pakar Dalam Membangun Suatu [12] S. T, E. Mulyanto dan V. Suhartono, Kecerdasan Buatan, Yogyakarta:
Aplikasi,” Jurnal SAINTIKOM, vol. 10, no. 3, pp. 199-205, 2011. Andi, 2010.
[4] Y. Octavina dan A. Fadlil, “Sistem Pakar untuk Mendiagnosa Penyakit [13] Kusrini, Sistem Pakar Teori dan Aplikasi, Yogyakarta: CV Andi Offset,
pada Saluran Pernafasan dan Paru menggunakan Metode Certainty 2006.
Factor,” Jurnal Sarjana Teknik Informatika, vol. 2, no. 2, pp. 1123-1132,
2014. [14] L. Ardila, “Analisis Perbandingan Hasil Antara Metode Certainty Factor
dan metode Dempster Shafer dalam Sistem Pakar,” Universitas
[5] P. Wijayanti dan A. Fadlil, “Sistem Pakar Mendiagnosa Jenis Penyakit Sumatera Utara, Medan, 2015.
Stroke Menggunakan Metode Certainty Factor,” Sarjana Teknik
Informatika, vol. 2, no. 1, pp. 691-700, 2014. [15] L. K. Wardhani dan R. Kurniawan, “Analisis Perbandingan Metode
Bayesian Network dan Dempster-Shafer pada Sistem Pakar Diagnosis
[6] D. T. Yuwono, A. Fadlil dan Sunardi, “Penerapan Metode Forward Penyakit Mata,” dalam Seminar Nasional Teknologi Informasi
Chaining dan Certainty Factor pada Sistem Pakar Diagnosa Hama Komunikasi dan Industri (SNTIKI) 4, Pekanbaru, 2012.
Anggrek Coelogyne Pandurata,” Ilmu Komputer (KLIK), vol. 04, no. 02,
pp. 136-145, 2017.
[7] Tuswanto dan A. Fadlil, “Sistem Pakar untuk Mendiagnosa Hama dan
Penyakit Tanaman Bawang Merah menggunakan Certainty Factor,”
Jurnal Sarjana Teknik Informatika, vol. 1, no. 1, pp. 21-31, 2013.
JURNAL ILMIAH FIFO P-ISSN 2085-4315 / E-ISSN 2502-8332
Penerapan Metode Certainty Factor Pada Diagnosa Penyakit Saraf Tulang

Belakang
Adi Sucipto1, Yusra Fernando2, Rohmat Indra Borman3, Nisa Mahmuda4
Fakultas Teknik dan Ilmu Komputer (FTIK), Universitas Teknokrat Indonesia1,2,3,4
Jl. Zainal Abidin Pagar Alam No. 9-11, Bandar Lampung
E-mail : adi.sucipto@teknokrat.ac.id1, yusra.fernando@teknokrat.ac.id2,
rohmat_indra@teknokrat.ac.id3, nsamahmuda@gmail.com4
Abstrak
Dalam menganalisa sebuah informasi dimungkinkan seorang pakar mengungkapkan informasi
berupa pernyataan yang tidak pasti seperti mungkin, kemungkinan besar dan hampir pasti. Salah
satu metode yang dapat digunakan dalam mengatasi ketidak pastian adalah metode certainty
factor. Certainty factor merupakan metode yang mendefinisikan ukuran kepastian terhadap fakta
atau aturan untuk menggambarkan keyakinan seorang pakar terhadap masalah yang sedang
dihadapi. Untuk membantu dan mempermudah masyarakat dalam mendiagnosa penyakit saraf
tulang belakang dapat menerapkan metode certainty factor pada sistem pakar. Saraf bagian tulang
belakang merupakan organ yang penting bagi manusia. Terbatas dan tidak meratanya dokter
spesialis saraf tulang belakang di Indonesia mengakibatkan masyarakat kesulitan dalam
mendiagnosa penyakit tersebut. Sistem pakar dapat membantu untuk diagnosa penyakit, dimana
sistem ini untuk merekonstruksi keahlian dan penalaran kemampuan seorang pakar. Pada
penelitian ini, certainty factor diimplementasikan pada aplikasi diagnosa penyakit saraf tulang
belakang. Sistem diujicobakan pada sejumlah masukan, hasil pengujian didapatkan memberikan
hasil sesuai dengan perhitungan manual. Hasil pengujian dengan uji coba pada sejumlah
masukan yang dilakukan didapatkan bahwa pengujian memberikan hasil sesuai dengan
perhitungan manual. Sedangkan pengujian akurasi kesesuaian dari data testing yang didapatkan
oleh pakar dengan output sistempakar didapatkan hasil output yang sesuai sebanyak sebesar 90%.
Kata Kunci: certainty factor, penyakit, saraf, sistem pakar, tulang belakang
I. PENDAHULUAN
Kecerdasan buatan atau artifical intelligence merupakan bagian dari ilmu komputer yang membuat agar
komputer dapat melakukan pekerjaan seperti yang dilakukan oleh manusia. Sistem pakar merupakan bagian dari
kecerdasan buatan (artifical intelligence) yang merupakan salah satu bagian ilmu komputer yang membuat agar
mesin (komputer) dapat melakukan perkerjaanya seperti dan sebaik yang dilakukan oleh manusia [1]. Sistem
pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer agar
komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli [2]. Sistem pakar
menanyakan fakta-fakta yang akan menunjukkan gejala penyakit tertentu dan dapat memberikan penjelasan atas
hasil konsultasi yang telah dilakukan. Dalam diagnosa seorang pakar menghadapi suatu permasalahan
diantaranya jawaban yang ditemukan berupa jawaban yang belum pasti.
Dalam analisa informasi yang ada dokter dimungkinakn mengungkapkan informasi berupa pernyataan yang
tidak pasti seperti misalnya mungkin, kemungkinan besar dan hampir pasti. Salah satu metode yang dapat
digunakan dalam mengatasi ketidak pastian adalah metode certainty factor (CF). CF merupakan metode yang
mendefinisikan ukuran kepastian terhadap fakta atau aturan untuk menggambarkan keyakinan seorang pakar
terhadap masalah yang sedang dihadapi. Certainty Factor (CF) menunjukkan ukuran kepastian terhadap suatu
fakta atau aturan [3]. Pada penelitian terdahulu, metode certainty factor banyak digunakan untuk mendiagnosa
berbagai penyakit dan mendapatkan hasil yang akurat. Diantaranya penelitian yang menggunakan CF dalam
mendeteksi kanker mulut rahim dengan menghasilkan tingkat keakurasian 85,71% yang didapatkan dari tingkat
keberhasilan sistem pakar jika dibandingkan dengan seorang pakar [4]. Penelitian lain, menerapkan metode CF
untuk mendiagnosa penyakit dalam dengan menghasilkan tingkat keakuratan sebesar 85,34% [5].
Sakit pada bagian tulang belakang merupakan sakit yang banyak diderita oleh masyarakat umum,
dikarenakan pengetahuan masyarakat tentang penyakit ini masih rendah. Faktanya banyak penyakit yang
terlambat didiagnosis sehingga pada akhirnya mencapai tahap kronis seperti kelumpuhan hingga kematian.
Jumlah dokter spesialis tulang belakang di Indonesia 500 dokter untuk 250 juta penduduk Indonesia [6]. Rasio
ideal dokter spesialis saraf tulang belakang adalah satu dokter berbanding 20.000 penduduk [7]. Sangat terbatas
dan tidak meratanya dokter spesialis saraf tulang belakang di Indonesia mengakibatkan masyarakat kesulitan
Volume X/No.2/November/2018 18
dalam mendiagnosa penyakit tersebut. Untuk membantu dan mempermudah masyarakat dalam mendiagnosa
penyakit saraf tulang belakang dapat menerapkan metode CF pada system pakar diagnosa penyakit saraf tulang
belakang. Dengan menerapkan metode CF dalam diagnosa penyakit saraf tulang belakang dapat diketahui
tingkat keakuratan metode CF dalam mengatasi ketidakpastian diagnosa suatu penyakit khususnya dalam kasus
penyakit saraf tulang belakang.
II. METODOLOGI PENELITIAN

Penelitian ini terdiri dari beberapa tahap yaitu pengumpulan data, identifikasi masalah, rancangan sistem,
analisis sistem, implementasi sistem dan pengujian. Setelah semua tahapan telah selesai selanjutnya dilakukan
dokumentasi, pelaporan, dan publikasi. Tahapan penelitian dapat dilihat pada bagan penelitian gambar 1.
Identifikasi Pengumpulan Analisis Sistem

Masalah Data
Pengujian Implementasi Rancangan

Sistem Sistem
Gambar 1. Tahapan Penelitian
1. Identifikasi Masalah
Pada tahap ini dilakukan identifikasi terhadap tindakan yang diperlukan untuk mengetahui permasalahan-
permasalahan yang dialami pada saat diagnosa penyakit saraf tulang belakang sekaligus solusi yang tepat untuk
menyelesaikan permasalahan tersebut. Berdasarkan observasi yang dilakukan, maka permasalahan yang
berkaitan dengan penelitian ini adalah belum adanya penelitian mengenai metode certainty factor untuk
mendiagnosa penyakit saraf tulang belakang. Oleh karena itu dibutuhkan suatu pengujian apakah metode
certainty factor dapat digunakan untuk mendiagnosa penyakit saraf tulang belakang.
2. Pengumpulan Data
Data yang dikumpulkan yaitu melalui wawancara, observasi dan mengumpulkan dokumen terkait penyakit
saraf tulang belakang yang dilakukan di Poli Saraf RSUD Abdoel Moeloek Lampung. Wawancara dilakukan
terhadap pakar dalam hal ini adalah dokter spesialis saraf tulang belakang untuk mengakuisisi pengetahuan dari
seorang pakar yang akan di gunakan sebagai knowledge base (basis pengetahuan). Data-data yang dibutuhkan
diantaranya jenis penyakit saraf tulang belakang, gejala-gejala dan solusi serta penganan terhadap penyakit saraf
tulang belakang. Observasi dilakukan secara langsung dengan mengamati gejala-gejala yang dialami pasien yang
menderita sakit saraf tulang belakang dan tindakan-tindakan yang dilakukan oleh pasien ketika merasakan
keluhan pada saraf tulang belakang. Selain itu dilakukan pengumpulan terhadap dokumen-dokumen terkait data
penderita penyakit saraf tulang belakang beserta hasil diagnosa dan solusinya.
3. Analisis Sistem
Pada tahap ini dilakukan analisa terhadap penalaran yang akan digunakan dalam mesin inferensi. Dalam
penelitian ini, menggunakan teknik penalaran forward chaining (penalaran maju) yang diawali dengan proses
pengumpulan data dan fakta diagnosa. Forward chaining ini dijalankan dengan mengumpulkan fakta-fakta yang
ada untuk menarik kesimpulan [8] Tiap fakta akan menghasilkan kesimpulan berupa hasil diagnosa dan proses
penanganan. Setelah itu dilakukan analisa dengan menggunakan metode Certainty factor (CF) untuk
menunjukkan ukuran kepastian terhadap suatu fakta atau aturan. Berikut definisi notasi certainty factor yang
digunakan untuk melakukan perhitungan :
CF [h,e] = MB[h,e] – MD[h,e]
Dengan:
CF [h,e] = faktor kepastian
MB[h,e] = Ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e (0 dan 1)
MD[h,e] = Ukuran ketidakpercayaan terhadap evidence h, jika diberikan evidence e (0 dan 1).
Kaidah 2 untuk aturan premis tunggal.

CF [H,E] = CF[H] * CF [E]
Dimana
CF[H] = ukuran kepercayaan pengguna
CF[E] = ukuran kepercayaan pakar
Dan kaidah untuk kesimpulan yang sama yaitu:

CF kombinasi CF[H,E]1= CF [H,E1] + CF [H,E2] * (1-CF [H,E1])
CF kombinasi CF [H,E]old3 = CF[H,E]old + CF[H,E]3 * (1- CF [H,E]old)
4. Perancangan Sistem
Perancangan sistem melibatkan identifikasi dan deskripsi abstraksi sistem perangkat lunak yang mendasar
dan hubungan-hubungannya [9].Untuk mempermudah dalam menerapkan metode CF pada sistem pakar
diagnosa penyakit saraf tulang belakang dibutuhkan bagan aturan penyakit saraf tulang belakang yang membantu
dalam mengimplementasikan aturan-aturan kedalam inference engine. Untuk memberikan gambaran yang jelas
terhadap alur sistem yang akan dibuat maka digambarkan melalui flowchart system untuk menjelaskan
bagaimana alur dari sistem yang akan dibuat. Flowchart atau bagan alur sistem adalah penggambaran secara
grafik dari langkah langkah dan urut-urutan prosedur dari suatu program [10]. Bagan alur sistem penerapan
metode CF pada sistem pakar diagnosa penyakit saraf tulang belakang dapat dilihat pada gambar 2.
· Data mentah
· Data pra proses
Basis Pengetahuan
Mesin inferensi
Forward chaining
Metode certianty
factor
Hasil Diagnosa
Gambar 2 Bagan Alur Sistem Diagnosa Penyakit Saraf Tulang Belakang
5. Implementasi Sistem
Implementasi merupakan tahap dimana desain rancangan yang telah dibuat sebelumnya dikodekan dengan
bahasa pemroraman tertentu untuk menjadi sebuah aplikasi [11]. Pada tahap ini dilakukan coding berdasarkan
dari perancangan dan analisa yang telah dilakukan sebelumnya. Coding atau pengkodean merupakan
penerjemahan desain dalam bahasa yang bisa dikenali oleh komputer [12]. Pada tahap ini melakukan
mengimplementasikan aturan-aturan kedalam inference engine menggunakan penalaran forward chaining dan
menerapkan metode certainty factor kedalam bahasa pemrograman Java dengan compiler Net Beans.
6. Pengujian (Testing)
Pengujian terhadap sistem yang telah dibangun dengan cara melakukan uji coba dengan beberapa parameter.
Sistem yang telah dibangn harus diuji terlebih dahulu agar dapat menemukan kesalahan – kesalahan [13]. Pada
tahap pengujian dilakukan pengujian terhadap keakuratan metode CF pada system pakar diagnosa penyakit saraf
tulang belakang. Untuk menguji keakuratan penerapan metode CF makan dilakukan beberapa proses pengujian
diantaranya :
1) Berdasarkan pengujian dengan uji coba pada sejumlah masukan yang dilakukan diantaranya pengujian
satu gejala satu jenis penyakit, satu gejala beberapa jenis penyakit, beberapa gejala satu jenis penyakit
dan beberapa gejala dengan beberapa penyakit.
2) Menguji tingkat keakuratan atau kesesuaian dari data testing yang didapatkan oleh pakar dengan hasil
output dari sistem.
III. HASIL DAN PEMBAHASAN

Dari hasil pengumpulan data penyakit, gejala dan rule base (dapat dilihat pada tabel 1, tabel 2 dan tabel 3)
yang didapatkan dari seorang pakar, dapat dibuat bagan aturan penyakit saraf tulang belakang yang dapat dilihat
pada gambar 3.
Tabel 1. Gejala Penyakit Saraf Tulang Belakang

Tabel Gejala
Kode Keterangan
G1 Setelah mengalami flu maka leher akan terasa sakit dan kaku
G2 Nyeri tekan dan nyeri gerak pada bagian leher
G3 Ngilu-linu saat kepala diputar
G4 Nyeri menjalar sampai bahu dan lengan
G5 Nyeri punggung bawah
G6 Nyeri pada daerah bokong
G7 Rasa kesemutan dan tebal di daerah nyeri
G8 Rasa kaku pada punggung bawah
G9 Nyeri yang menjalar atau seperti rasa kesetrum sampai betis dan kaki
G10 Nyeri tekan
G11 Muncul rasa menggigil yang luar biasa
G12 Demam tinggi
G13 Tubuh lemas dan lunglai
G14 Pegal linu
G15 Tingkat kepekaan menjadi berkurang
G16 Mengalami kelumpuhan
G17 nyeri pada punggung dan pinggang ketika digerakkan
G18 kelemahan pada kaki
G19 Nyeri dan kram
G20 Nyeri yang bertambah ketika batuk, kejang, atau tertawa
G21 Mati rasa pada betis atau kaki
G22 Sakit pada tulang belikat
Sakit yang menyebar ke bahu, lengan, telapak tangan, dada, atau jari ketika batuk atau
G23
tertawa
G24 Kelemahan otot tangan
Tabel 2. Data penyakit

Nama Penyakit Kode Penyakit
Brakialgia P1
Iskalgia P2
Myelitis P3
Stenosis P4
Radikulopati P5
Tabel 3. Tabel Rule Base Penyakit Saraf Tulang Belakang

Rule Base
Consequent Antecedant
P1 G1 and G2 and G3 and G4
P2 G5 and G6 and G7 and G8 and G9 and G10
P3 G17 and G11 and G12 and G13 and G14 and G15 and G16
P4 G5 and G7 and G18 and G19
P5 G2 and G5 and G21 and G20 and G10 and G23 and G24 and G18 and
G22
G1
G2
G3
G4
G5
G6
G7
Iskalgia
G8
G9
Brakialgia
G10
G11
Myalitis
G12
G13
G14
Stenosis
G15
16
Radikulopati
G17
G18
G19
G20
Keterangan Simbol
G21
Gejala Penyakit
G22
Penyakit
G23
Alur Gejala
G24
Gambar 4. Bagan Aturan Penyakit Saraf Tulang Belakang
Setalah dilakukan pengumpulan data terhadap gejala, penyakit dan rule atau aturan hasil dari akuisi
pengetahuan yang telah didapatkan dari pakar, maka selanjutnya mengimplementasikan kedalam algoritma
certainty factor. Certainty factor menggunakan suatu nilai untuk mengasumsikan derajat keyakinan seorang
pakar terhadap data [14]. Pada certainty factor setiap rule memiiki nilai keyakinannya sendiri tidak hanya
premis-premisnya saja yang memiliki nilai keyakinan [15]. Pada penelitian ini simulasi perhitungan certainty
factor diberikan pilihan jawaban yang masing- masing memiliki bobot sebagai berikut:
Tabel 4. Tabel Nilai User

No Keterangan Nilai User
1 Sangat yakin 1
2 Yakin 0.8
3 Cukup yakin 0.6
4 Sedikit yakin 0.4
5 Tidak tahu 0.2
6 Tidak 0
Nilai 0 menunjukkan bahwa pengguna tidak mengalami gejala seperti yang ditanyakan oleh sistem. Apabila
pengguna yakin mengalami suatu gejala maka nilai user semakin tinggi pula. Biasanya suatu penyakit memiliki
gejala lebih dari satu, sehingga kaidah yang digunakan adalah yang berkaitan dengan penyakit. Pada bagian ini
dibuat contoh kasus dimana pengguna mengalami gejala-gejala sebagai berikut:
Nyeri punggung bawah (0,8)
Kesemutan dan tebal didaerah nyeri (0,4)
Nyeri yang menjalar (0.4)
Nyeri dan kram(0,2)
Rasa kaku pada punggung bawah(0,6)
Dengan menggunakan metode certainty factor nantinya dapat diketahui penyakit yang diderita oleh
pengguna. Dengan merujuk pada tabel bobot CF maka akan dihitung diagnosa yang cocok dengan gejala yang
diinputkan user.
1. Radikulopati
Hasil pencocokan yang dimiliki penyakit radikulopati didapat 2 data gejala yang sama yaitu:
G5 = nyeri punggung bawah (0,8)
CF [H,E]1 = CF[H]1 * CF[E]1
= 0,8 * 0,8
= 0,64
G10 = nyeri yang menjalar sampai betis (0,4)
CF [H,E]2 = CF[H]2 * CF[E]2
= 0,2 * 0,4
= 0,08
CFk1 = CF[H,e]1 + CF[H,E]2 * (1- CF[H,e]1)
= 0.64 + 0.08 * (1- 0.64)
= 0.669
Maka CF dari gejala yang diinputkan pengguna untuk penyakit Radikulopati kemungkinannya sebesar 0.669
atau 67%
2. Iskalgia
Hasil pencocokan yang dimiliki penyakit radikulopati didapat 4 data gejala yang sama yaitu:
G5 = nyeri punggung bawah (0,8)
CF [H,E]1 = CF[H]1 * CF[E]1
= 0,8 * 0,8
= 0,64
G7 = kesemutan dan tebal pada daerah nyeri(0,4)
CF [H,E]2 = CF[H]2 * CF[E]2
= 0,6 * 0,4
= 0,24
G8 = kaku pada punggung(0,4)
CF [H,E]3 = CF[H]3 * CF[E]3
= 0,6 * 0,4
= 0,24
G10 = nyeri yang menjalar sampai betis (0,4)

CF [H,E]4 = CF[H]4 * CF[E]4
= 0,2 * 0,4
= 0,08
= 0.64 +0.24*(1- 64)
= 0.726
CFk2 = CFk1 + CF[H,E]3 * (1- CFk1)
= 0.726 + 0.24 *(1- 0.741)
= 0.792
CFk3 = CFk2 + CF[H,E]4 * (1- CFk2)
= 0.803 + 0.08 *(1- 0.803)
= 0.809
Maka CF dari gejala yang diinputkan pengguna untuk penyakit Iskalgia kemungkinan sebesar 0.809 atau
80,9%.
3. Stenosis
Hasil pencocokan gejala inputan pengguna dengan gejala yang dimiliki penyakit Stenosis didapat 3 data
gejala yang sama yaitu:
G5 = nyeri punggung bawah(0,8)
CF [H,E]1 = CF[H]1 * CF[E]1
= 0,8 * 0,8
= 0,64
G20 = nyeri dan kram(0,2)
CF [H,E]2 = CF[H]2 * CF[E]2
= 0,4 * 0,2
= 0,08
G7 = kesemutan dan tebal pada daerah nyeri(0,4)
CF [H,E]3 = CF[H]3 * CF[E]3
= 0,6 * 0,4
= 0,24
= 0.64 + 0.08 * (1- 0.64)
= 0.669
CFk2 = CFk1+ CF[H,E]3 * (1-CFk1)
= 0.669 + 0.24 * (1- 676)
= 0.748
Maka CF dari gejala yang diinputkan penggunak untuk penyakit Stenosis kemungkinan sebesar 0.748 atau
75%.
Untuk penyakit Brakialgia dan Myelitis tidak dilakukan perhitungan karena tidak ada data yang sama. Dari
perhitungan CF masing-masing penyakit, diperoleh nilai CF terbesar yaitu 0,809 atau 81 % dimiliki oleh
penyakit Iskalgia (P2). Sehingga dapat disimpulkan bahwa diagnosa dari inputan pengguna adalah Iskalgia.
Algoritma certainty factor diimplementasi pada bahasa pemrograman Java dengan menggunakan compiler
NetBeans IDE 7.1.
Gambar 5. Uji Coba Sistem Terhadap Sejumlah Data Masukan
Berdasarkan pengujian dengan uji coba pada sejumlah masukan yang dilakukan diantaranya pengujian satu
gejala satu jenis penyakit, satu gejala beberapa jenis penyakit, beberapa gejala satu jenis penyakit dan beberapa
gejala dengan beberapa penyakit didapatkan kesimpulan yaitu:
1. Pada pengujian satu gejala satu jenis penyakit, sistem tetap menampilkan hasil penyakit berdasarkan
gejala yang telah dipilih.
2. Pengujian satu gejala dengan beberapa jenis penyakit, sistem menampilkan jenis penyakit karena
dengan satu gejala telah ditemukan beberapa penyakit yang memiliki gejala yang sama.
3. Pengujian beberapa gejala dengan satu jenis penyakit didapatkan hasil yaitu penyakit Iskalgia dengan
presentase 91,16% yang sesuai dengan perhitungan secara manual.
4. Pada pengujian terakhir yaitu pengujian beberapa gejala dengan beberapa jenis penyakit, sistem
menampilkan jenis penyakit dengan presentase nilai tertinggi dari beberapa penyakit. Presentase nilai
yang didapat dari pengujian beberapa gejala dengan beberapa penyakit yaitu penyakit Iskalgia 32%,
penyakit Stenosis 76% dan penyakit Radikulopati 32 %.
Menguji tingkat keakuratan atau kesesuaian dari data testing yang didapatkan oleh pakar dengan hasil output
dari sistem. Kemudian akan dilakukan percobaan sebanyak 50 kali dengan masukan sesuai data testing. Dari
percobaan yang telah dilakukan sebanyak 50 kali didapatkan hasil output yang sesuai sebanyak 45, sehingga
didapatkan nilai akurasi : (45 / 50) * 100 = 90. Maka akurasi kesesuaian dari data testing yang didapatkan oleh
pakar dengan hasil output dari sistem adalah 90%.
IV. KESIMPULAN DAN SARAN

Berdasarkan penelitian yang telah dilakukan dapat diambil kesimpulan sebagai berikut:
1. Penerapan metode certainty factor untuk menghasilkan diagnosa penyakit dilakukan dengan membuat
rulebase alur maju (forward chaining) dan menentukan nilai keyakinan dari seorang pakar. Gejala-
gejala dari penyakit dipilih oleh user berdasarkan keyakinannya lalu akan dilakukan perhitungan untuk
mendapatkan presentase penyakit yang diderita.
2. Hasil pengujian dengan uji coba pada sejumlah masukan yang dilakukan didapatkan bahwa pengujian
pertama sesuai dengan yang diharapkan yaitu jika gejala yang dipilih hanya satu maka sistem tidak
dapat memproses dan hasilnya adalah tidak berpenyakit. Pengujian kedua didapatkan hasil sistem tidak
menampilkan jenis penyakit karena gejala yang diinputkan hanya satu. Pada pengujian ketiga sistem
memberikan hasil sesuai dengan perhitungan manual. Pada pengujian yang terakhir didapatkan sistem
tidak memunculkan hasil dari pengujian atau hasilnya adalah tidak berpenyakit karena sistem hanya
menampilkan satu jenis penyakit. Sedangkan pengujian akurasi kesesuaian dari data testing yang
didapatkan oleh pakar dibandingkan dengan hasil output melalui percobaan sebanyak 50 kali
didapatkan hasil output yang sesuai sebanyak 45 atau sebesar 90%.
Berdasarkan simpulan di atas maka saran yang dapat diberikan untuk penelitian selanjutnya adalah:
1. Untuk penelitian selanjutnya diharapkan dapat mengimplementasikan metode certainty factor untuk
aplikasi sistem pakar mendiagnosa penyakit saraf tulang belakang yang dapat berguna di bidang
kesehatan.
2. Pengembangan disarankan dapat dilakukan dengan menggunakan metode lainnya seperti dempster
shaffer dan dapat diimplementasikan berbasis web agar sistem pakar dapat digunakan untuk umum.
3. Pengujian terhadap algoritma certainty factor belum menguji efektifias dan efisiensi dari algoritma.
DAFTAR PUSTAKA
[1] F. Ikorasaki, "Sistem Pakar Mendiagnosa Penyakit Pada Tulang Dengan Menggunakan Metode Certainty
Factor," in Seminar Nasional Informatika, 2015.
[2] S. Kusumadewi, Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu, 2003.
[3] J. Parhusip, V. H. Pranatawijaya, and D. Putrisetiani, "Sistem Pakar Diagnosa Penyakit Jantung
Menggunakan Metode Certainty Factor Berbasis Web," in Seminar Nasional Informatika (SemnasIF),
Yogyakarta, 2012.
[4] N. Mariana, R. Gernowo, and B. Noranita, "Penerapan Model Certainty Factor Untuk Mendeteksi Gejala
Kanker Mulut Rahim," Jurnal Sistem Informasi Bisnis, vol. 3, 2012.
[5] A. P. Nugaraha, B. Dirgantoro, and B. Novianty, "Aplikasi Sistem Pakar Untuk Mendiagnosa Penyakit
Dalam Menggunakan Metode Forward Chaining Dan Certainty Factor Berbasis Web (Studi Kasus:
Poliklinik PT Pos Indonesia Bandung)," E-Proceding of Engineering, vol. 2, no. 2, p. 2015.
[6] Tempo.co. (2012) Jumlah Dokter Orthopedhi Indonesia Kalah dengan Thailand. [Online].
https://nasional.tempo.co/read/385164/jumlah-dokter-orthopedhi-indonesia-kalah-dengan-thailand
[7] Kompas. (2016) Jumlah Spesialis Tulang Belakang Kurang. [Online].
https://www.pressreader.com/indonesia/kompas/20161219/281818578478018
[8] W. Supartini and Hindarto, "Sistem Pakar Berbasis Web Dengan Metode Forward Chaining Dalam
Mendiagnosis Dini Penyakit Tuberkulosis di JawaTimur," KINETIK, vol. 1, no. 3, 2016.
[9] R. I. Borman and F. Helmi, "Penerapan Metode Perbandingan Eksponensial (MPE) Dalam Sistem
Pendukung Keputusan Penerima Beasiswa Siswa Berprestasi Pada SMK XYZ," CESS (Journal of
Computer Engineering System and Science), vol. 3, no. 1, 2018.
[10] Adelia and J. Setiawan, "Implementasi Customer Relationship Management (CRM) pada Sistem Reservasi
Hotel berbasisi Website dan Desktop," Jurnal Sistem Informasi, vol. 6, no. 2, 2011.
[11] T. Monica and R. I. Borman, "Implementasi Konsep Media Sosial Dalam Sistem Informasi Kegiatan
Kesiswaan (Studi Kasus : SMK XYZ)," Jurnal TEKNO KOMPAK, vol. 11, no. 2, 2017.
[12] D. Rulyana and R. I. Borman, "Aplikasi Simulasi Tes Potensi Akademik Berbasis Mobile Platform
Android," in Seminar Nasional FMIPA-Universitas Terbuka, DKI Jakarta, 2014.
[13] A. E. Kumala, R. I. Borman, and P. Prasetyawan, "Sistem Informasi Monitoring Perkembangan Sapi Di
Lokasi Uji Performance (Studi Kasus : Dinas Peternakan Dan Kesehatan Hewan Provinsi Lampung),"
Jurnal TEKNOKOMPAK, vol. 12, no. 1, 2018.
[14] Daniel and G. Virginia, "Implementasi Sistem Pakar Untuk Mendiagnosis Penyakit Dengan Gejala Demam
Menggunakan Metode Certainty Factor," Jurnal Informatika, vol. 6, no. 1, 2010.
[15] A. Supiandi and D. B. Candradimuka, "Sistem Pakar Diagnosa Depresi Mahasiswa Akhir Dengan Metode
Certainty Factor Berbasis Mobile," JURNAL INFORMATIKA, vol. 5, no. 1, 2018.
23
Peramalan Penjualan Mobil Menggunakan

Jaringan Syaraf Tiruan dan Certainty Factor
Fachrudin Pakaja, Agus Naba dan Purwanto
Abstrak—Prediksi penjualan adalah salah satu cara untuk II. PERAMALAN DAN JARINGAN SYARAF TIRUAN
meningkatkan laba perusahaan, peramalan diperlukan untuk
menyetarakan antara perbedaan waktu yang sekarang dan A. Peramalan
yang akan datang terhadap kebutuhan, Jaringan Syaraf Peramalan adalah proses untuk memperkirakan berapa
Tiruan (JST) dapat mengaplikasikan dengan baik metode kebutuhan dimasa yang akan datang yang meliputi
peramalan. kebutuhan dalam ukuran kuantitas, kualitas, waktu dan
Pendekatan peramalan kuantitatif dengan metode times lokasi yang dibutuhkan dalam rangka memenuhi
series akan menentukan nilai data masukan dari sekumpulan
data serial atau berkala dari transaksi pada suatu jangka
permintaan barang ataupun jasa (Nasution, 1999).
waktu tertentu. Data dibagi menjadi data pelatihan, Peramalan permintaan merupakan tingkat permintaan
pengujian dan validasi. Proses peramalan menggunakan produk-produk yang diharapkan akan terealisasi untuk
metode certainty factor (CFf) sebagai nilai pembanding pada jangka waktu tertentu pada masa yang akan datang.
bobot koreksi yang telah di latih dalam jaringan Pada dasarnya pendekatan peramalan dapat
backpropagation untuk prediksi yang optimal. Simulasi diklasifikasikan menjadi dua pendekatan, yaitu
program peramalan penjualan mobil honda tahun 2015 (Makridakis, et.al., 1995) :
dengan variabel input data penjualan daerah 30,000 unit,
penjualalan dealer 25.000, penjualan tunai 25.000, CF = 0.5
1. Pendekatan kualitatif
dan kredit 19.000 menghasilkan ramalan penjualan sebanyak 2. Pendekatan kuantitatif
29579 unit dengan target error 4,205 %. B. Pola Data Peramalan Time Series
Kata Kunci—Peramalan, Time series, Certainty Factor, JST,
Backpropagation. Ada 4 jenis pola data dalam peramalan (Makridakis,
et.al., 1995) yaitu :
I. PENDAHULUAN 1. Trend : Pola data tren menunjukkan pergerakan
data cenderung meningkat atau menurun dalam
waktu yang lama
ENJUALAN merupakan salah satu indikator paling
P penting dalam sebuah perusahaan, bila tingkat
penjualan yang dihasilkan oleh perusahaan tersebut
besar, maka laba yang dihasilkan perusahaan itu pun akan
2. Seasonality (musiman) : Pola data musiman
terbentuk karena faktor musiman, seperti cuaca dan
liburan.
3. Cycles (Siklus) : Pola data siklus terjadi jika variasi
besar pula sehingga perusahaan dapat bertahan dalam data bergelombang pada durasi lebih dari satu
persaingan bisnis dan bisa mengembangkan usahanya. tahun dipengaruhi oleh faktor politik, perubahan
Prediksi penjualan/ sales forecasting adalah salah satu cara ekonomi (ekspansi atau kontraksi) yang dikenal
yang efektif untuk dapat meningkatkan laba perusahaan. dengan siklus usaha.
Data dan informasi penjualan sangat penting bagi 4. Horizontal/Stasionary/Random variation : Pola ini
perusahaan untuk merencanakan penjualan yang akan terjadi jika data berfluktuasi di sekitar nilai rata-
datang, misalnya: data pelanggan, jumlah kendaraan, harga rata secara acak tanpa membentuk pola yang jelas
mobil, suku cadang, jenis kendaraan dan yang tidak kalah seperti pola musiman, trend ataupun siklus.
pentingnya adalah kebijakan pemerintah dalam
C. Jaringan Syaraf Tiruan (Artificial Neural Network)
memberikan pajak kendaraan serta subsidi bahan bakar
kendaraan. Suatu jaringan saraf tiruan memproses sejumlah besar
Salah satu bidang dalam jaringan syaraf tiruan dapat informasi secara paralel dan terdistribusi, hal ini
diaplikasikan dengan baik untuk melakukan peramalan terinspirasi oleh model kerja otak biologis.
(forecasting). Runtut waktu data (time series) sering Hecht-Nielsend (1988) mendefinisikan sistem syaraf
digunakan sebagai data input dan output untuk melakukan buatan adalah : suatu struktur pemroses informasi yang
proses pelatihan. terdistribusi dan bekerja secara paralel, yang terdiri atas
elemen pemroses (yang memiliki memori lokal dan
Fachrudin Pakaja adalah mahasiswa magister Teknik Elektro di
beroperasi dengan informasi lokal) yang diinterkoneksi
Unversitas Brawijaya, Malang, Indonesia (Telp.085233050105; email bersama dengan alur sinyal searah yang disebut koneksi.
igo_poenya @yahoo.com) Setiap elemen pemroses memiliki koneksi keluaran tunggal
Agus Naba adalah dosen di Fakultas MIPA Universitas Brawijaya, yang bercabang (fan out) ke sejumlah koneksi kolateral
Malang, Indonesia (Telp.08123301353). ; email anaba @ub.ac.id
Purwanto adalah dosen di Jurusan Teknik Elektro Universitas yang diinginkan (setiap koneksi membawa sinyal yang
Brawijaya, Malang, Indonesia (Telp.08123262412); email purwanto sama dari keluaran elemen pemroses tersebut). Keluaran
@ub.ac.id
Jurnal EECCIS Vol. 6, No. 1, Juni 2012

24
dari elemen pemroses tersebut dapat merupakan sebarang dari Jaringan Syaraf Tiruan. Backpropagation
jenis persamaan matematis yang diinginkan. Seluruh proses menggunakan arsitektur multilayer dengan metode
yang berlangsung pada setiap elemen pemroses harus pelatihan supervised training.
benar-benar dilakukan secara lokal, yaitu keluaran hanya Model Propagasi Balik memiliki beberapa unit yang ada
bergantung pada nilai masukan pada saat itu yang diperoleh dalam satu atau lebih layer tersembunyi. Gambar 2.3.
melalui koneksi dan nilai yang tersimpan dalam memori adalah arsitektur model Propagasi Balik dengan n buah
lokal. masukan (ditambah satu bias), sebuah layer tersembunyi
Struktur pada gambar 1 adalah bentuk standar dasar yang terdiri dari p unit (ditambah sebuah bias) serta m buah
satuan unit jaringan otak manusia yang telah unit keluaran.
disederhanakan. Jaringan otak manusia tersusun dari 1013
neuron yang terhubung oleh sekitar 1015 dendrite. Fungsi
dendrite adalah sebagai penyampai sinyal dari neuron
tersebut ke neuron yang terhubung dengannya. Nucleus
merupakan inti dari suatu neuron, axon berfungsi sebagai
saluran keluaran dari neuron, dan synapsis yang mengatur
kekuatan hubungan antar neuron
Gambar 2. Arsitektur Model Propagasi Balik
E. Backpropagation untuk Peramalan

Selama tahap feed-forward (maju), setiap unit masukan
(X i) menerima sinyal masukan dan mengirim sinyal ini ke
setiap unit tersembunyi Z1 ,…, Z p . Setiap unit tersembunyi
menghitung aktifasinya dan mengirim sinyalnya ( z j ) ke
setiap unit keluaran. Setiap unit keluaran ( YK ) menghitung
aktifasinya (yK) untuk menunjukkan respon jaringan
terhadap pola masukan yang diberikan.
Selama pelatihan, untuk setiap unit keluaran
Gambar 1. Struktur dasar jaringan syaraf tiruan dibandingkan aktifasi yK dengan targetnya tK untuk
menentukan galat antara pola masukan dengan unit
Jaringan neuron buatan terdiri atas kumpulan grup neuron
K
yang tersusun dalam lapisan (k=1,…,m) dihitung δ K yang digunakan untuk
Lapisan input (Input Layer): berfungsi sebagai mendistribusikan galat pada unit keluaran YK kembali ke
penghubung jaringan ke dunia luar (sumber data). seluruh unit pada lapis sebelumnya (unit tersembunyi yang
Lapisan tersembunyi (hidden Layer): Suatu jaringan terhubung dengan YK). Kemudian galat ini dipakai untuk
dapat memiliki lebih dari satu hidden layer atau bahkan mengubah bobot antara keluaran dengan lapisan
bisa juga tidak memilikinya sama sekali. j (j = 1,…,p)
Lapisan Output (Output Layer): Prinsip kerja neuron- dihitung untuk setiap unit Z j j digunakan untuk
neuron pada lapisan ini sama dengan prinsip kerja
mengubah bobot antara lapisan tersembunyi dengan lapisan
neuron-neuron pada lapisan tersembunyi (hidden layer)
input.
dan di sini juga digunakan fungsi Sigmoid, tapi keluaran
dari neuron pada lapisan ini sudah dianggap sebagai hasil
dari proses lapisan langsung disesuaikan. Penyesuaian bobot W jK (dari
Secara umum, terdapat tiga jenis neural network yang unit tersembunyi Z j ke unit keluaran YK) didasarkan pada
sering digunakan berdasarkan jenis network-nya, yaitu : K dan aktifasi dari unit Zj ,yaitu zj . Penyesuaian
1. Single-Layer Neural adalah jaringan syaraf tiruan yang bobot vij (dari unit masukan Xi ke unit tersembunyi Z j )
memiliki koneksi pada inputnya secara langsung ke j dan aktifasi unit masukan
jaringan output. xi .
2. Multilayer Perceptron Neural Network adalah jaringan Fungsi aktifasi yang biasanya dipakai untuk melatih JST
syaraf tiruan yang mempunyai layer yang dinamakan propagasi balik adalah fungsi sigmoid, baik biner maupun
“hidden”, ditengah layer input dan output. Hidden ini bipolar. Berikut algoritma pelatihannya (Fausett, Laurene,
bersifat variabel, dapat digunakan lebih dari satu hidden 1994) :
layer. Langkah 0. Inisialisasi bobot (menentukan suatu
3. Recurrent Neural Networks Neural network adalah nilai random kecil)
jaringan syaraf tiruan yang memiliki ciri, yaitu adanya Langkah 1. Selama kondisi berhenti bernilai salah,
koneksi umpan balik dari output ke input. dilakukan langkah 2-9
D. Jaringan Syaraf Tiruan Propagasi Balik (Neural Langkah 2. Untuk setiap pasangan pelatihan,
Network Backpropagation) dilakukan langkah 3-8 (Feedforward)
Langkah 3. Setiap unit masukan ( X i , i = 1,…n)
Backpropagation merupakan salah satu metode pelatihan

25
menerima sinyal masukan xi dan mengirim sinyal 3. Perancangan arsitektur jaringan yang optimum
inike seluruh unit pada lapisan berikutnya (lapisan 4. Memilih dan menggunakan arsitektur jaringan yang
tersembunyi). optimum
Langkah 4. Untuk setiap unit tersembunyi ( Zj , j = 5. Pemilihan jaringan optimum dan penggunaannya
1,…,p), sinyal masukkan terboboti di jumlahkan untuk peramalan.
(z_inj = voj + ) dan diterapkan fungsi
aktifasi untuk menghitung keluarannya (z j= f ( z _ inj
Peramalan
)) dan mengirim sinyal ini ke seluruh unit lapisan
berikutnya (lapisan keluaran).
Langkah 5. Untuk setiap unit keluaran ( Yk , k =
1,…,m) sinyal masukan terboboti di masukkan (y_ink Model Kualitatif
Metode
Kuantitatif
= woj + )
Gabungan
Propagasi balik dari galat : Model Opini
Metode Delphi Tenaga Survei Pasar
Eksekutif
Penjualan
Langkah 6. Untuk setiap unit keluaran ( Yk , k
=1,…,m) menerima sebuah pola target yang Kausal Time Series
bersesuaian dengan pola masukan, dihitung
galatnya (δk=(tk-yk) f’(y-ink)) dan dihitung koreksi
Pemodelan Regresi Koefisien
bobotnya (Δ wjk = αδk zj) dan dihitung juga Ekonomik Linear Korelasi
Regresi Smoothing Dekomposisi
koreksi biasnya (Δ wok = αδ k) dan mengirimkan

δk ke unit pada lapisan sebelumnya. Neural Network Certainty
Bacpropagation Factor
Langkah 7. Untuk setiap unit yang tersembunyi (
Zj , j = 1,…,p), fungsi delta dijumlahkan (δ_inj = Car Sales Forecasting Using Neural Network
) kemudian dikalikan dengan fungsi Backpropagation and Certainty Factor
aktifasinya untuk menghitung galatnya (δj = Gambar 3. Flowchart Metodologi Penelitian

δ_injf’(z_inj)), dihitung koreksi bobotnya (Δ vij =
B. Pengujian
αδj x)i dan koreksi biasnya (Δ voj = αδ)j.
Langkah 8. Untuk setiap unit keluaran ( Yk , k Dari hasil perancangan sistem sebelumnya akan
=1,…,m) bias dan bobotnya diubah (j =1,…,p)(wjk dilakukan pengujian data untuk menguji tingkat validasi
(new) = wjk (old) + Δ wjk). Untuk setiap unit dan hasil proses dalam sistem. Hal ini dilakukan dengan
tersembunyi ( Zj , j = 1,…,p) bobot dan biasnya memasukkan seluruh data yang diperoleh dari proses
diubah (i =1,…,p)(vij (new) = wjk (old) + Δ wij). pengumpulan data ke dalam sistem. Dilakukan proses
transformasi data untuk dilakukan pelatihan untuk menguji
nilai keakuratan data dan mencari jaringan yang optimal
F. Certainty Factor / Faktor Kepastian
dari JST.
Certainty factor (CF) diperkenalkan oleh Shortlife
Buchanan dalam pembuatan MYCIN. CF merupakan nilai IV. APLIKASI SISTEM PERAMALAN
parameter klinis yang diberikan MYCIN untuk
menunjukkan besarnya kepercayaan. CF memperkenalkan A. Perencanaan Sistem
konsep belief (keyakinan) dan disbelief (ketidakyakinan). Arsitektur jaringan syaraf tiruan yang dibangun terdiri
Konsep ini kemudian diformulasikan dalam rumusan dasar dari beberapa lapisan, yaitu : lapisan masukan (layer input),
sebagai berikut (Giarattano dan Riley, 1994) : satu lapisan tersembunyi (layer hidden), dan lapisan
CF (H, E) = MB (H, E) – MD (H, E) (1) keluaran (layer output). Penghubung setiap lapisan adalah
bobot.
III. DESAIN SISTEM Mulai
Peramalan penjualan untuk mendapatkan keuntungan

Input Data
maksimal menggunakan metode propagasi balik dan faktor Penjualan
kepastian. Kondisi ini dibangun melihat kondisi pasar

Transformasi Data
dimana semakin besarnya persaingan antara dealer mobil
dan makin maraknya jenis kendaraan baru maupun lama
Pelatihan
yang beredar di Indonesia. Feedforward
A. Desain Aplikasi Jaringan Syaraf Tiruan Pelatihan

Backforward
Langkah-langkah membangun struktur jaringan untuk
peramalan sebagai berikut : Tidak
Error Koreksi?
1. Transformasi data: dilakukan agar terjadi kestabilan
taburan data dicapai dan juga untuk menyesuaikan Ya
Koreksi Bobot dan bias

nilai data dengan range fungsi aktivasi yang
digunakan dalam jaringan. Data ditransformasikan ke
interval (0.1) Selesai
2. Pembagian data dilakukan dengan membagi data

Gambar 4. Alur flowchart jaringan syaraf tiruan
penelitian menjadi data pelatihan dan pengujian

26
Proses pembelajaran sendiri diawali dari proses jaringan. Dari data transformasi ini data terkecil menjadi
feedforward, dan kemudian dilanjutkan pada proses 0.1 dan data terbesar menjadi 0.9.
backpropagation. Setelah proses backpropagation, akan
dilakukan pengecekan apakah nilai target error telah Mulai
dicapai, jika target error telah dicapai, maka proses
pembelajaran selesai, yang menghasilkan koreksi dari
bobot jaringan. Jika tidak maka akan kembali ke proses Penentuan nilai hidden layer, MSE,
konstanta belajar dan maksimum epoch
feedforward. Hal ini akan terus berlangsung sampai
menemukan nilai epoch maksimum
Unit input dilambangkan dengan variabel x, hidden Pemberian nilai bobot
variabel z dan nilai ouput dilambangkan dengan variabel y, random v, w
sedangkan nilai bobot antara x dan z dilambangkan dengan

variabel v dan nilai bobot antara z dan y dilambangkan Hitung simpul hidden dan output :
z_inj = voj +
dengan variabel w.
y_ink = woj +
Vij Z1
X1
Wjk Y
Jumlah kuadrat Error
Z2
X2 E = (t-y)2
Hitung delta error
= (t-y) (y) (1-y)
y = W. zj (z) (1-z)
Z3 Koreksi
X3
bobot
1
Von
1 W0
W=α*
Gambar 5. Rancangan jaringan syaraf tiruan backpropagation
Ya *Z masih
Apakah
ada data?
B. Prosedur Perancangan
V=α*
Terdapat 2 macam prosedur perancangan, yaitu : prosedur Tidak
pelatihan (training) dan validasi.
*X
ak
1. Prosedur training adalah prosedur untuk melakukan Error koreksi ≤ Or Tidak
pembelajaran terhadap pola-pola yang akan dikenali. MSE
Proses ini dilakukan dengan menggunakan data
training. Proses ini berhenti jika MSE lebih kecil dari Ya
error yang ditetapkan atau epoch yang telah ditentukan Simpan bobot
user telah tercapai sehingga didapatkan bobot-bobot
neuron yang diharapkan. Epoch (iterasi) adalah satu set
Selesai
putaran vector-vektor pembelajaran. Beberapa epoch
diperlukan untuk pembelajaran sebuah backpropagation Gambar 6. Proses training JST backpropagation
sehingga kesalahan mendekati 0 (nol).

2. Prosedur validasi dengan menggunakan faktor kepastian
Proses ini menggunakan bobot JST yang diperoleh dari Mulai
proses training untuk menguji data testing yang ada, Cek Error di Lapisan Output
setelah data dilakukan prosedur peramalan, hasil
dihitung dengan faktor kepastian untuk mengetahui Koreksi bobot
tingkat kepercayaan terhadap data yang diolah. Jumlah Input Delta
C. Penyusunan Pola Hitung error di Hidden Layer
Penyusunan pola data peramalan dengan memasukkan Koreksi bobot
data-data literatur yang digunakan. Data literatur yang

digunakan adalah laporan data penjualan mobil secara Tidak CF Bobot JST ≤
Koreksi Bobot
nasional yang di peroleh dari data gabungan industri Ya
kendaraan Indonesia (GAIKINDO), sedangkan untuk Perbaiki nilai dari input delta ke
hidden layer
jumlah penjualan dealer menggunakan data yang
bersumber dari astra auto 2000 cabang Depok Selesai
Data yang telah di input selanjutnya akan dilakukan Gambar 7. Diagram alur peramalan proses JST
proses transformasi agar terjadi kestabilan taburan data
dicapai dan juga untuk menyesuaikan nilai data dengan Laporan data penjualan dealer untuk wilayah kota
range fungsi aktivasi sigmoid biner yang digunakan dalam Depok dan sekitarnya periode waktu 2005 sampai 2010.

27
TABEL1 3. Lapisan Tersembunyi = 6

PENJUALAN KENDARAAN DOMESTIK INDONESIA PERIODE TAHUN
4. Besarnya galat = 0.1
2005 – 2010 DALAM KATAGORI MEREK KENDARAAN
Tahun Toyota Daihatsu Mitshubishi Suzuki Honda Nissan
Dari percobaan yang telah dilakukan pada jumlah iterasi
2005 182.765 48,762 89.158 87.274 53.750 10.551 ke 8520 diperoleh jumlah target error (tse) =
2006 123.896 33.021 47.023 44.760 30.000 4.006 0.13080115458486 dengan nilai bobot output seperti pada
2007 150.631 51.957 61.547 58.095 40.000 19.030 table nilai output pelatihan.
2008 211.909 78.041 87.524 73.067 52.500 31.879
2009 186.687 77.513 61.735 44.689 39.570 81.338
2010 280.680 118.591 108.483 71.210 21.440 37.242
Sumber : Gaikindo
TABEL2
DATA PENJUALAN DEALER UNTUK WILAYAH
DEPOK UNTUK PERIODE TAHUN 2005 SAMPAI 2010
Merk Mobil 2005 2006 2007 2008 2009 2010
Toyota 8.955 5.799 6.642 8.490 8.577 11.752
Daihatsu 2.855 1.864 2.625 4.035 3.693 118.591
Mitsubishi 6.953 2.867 1.337 1.480 987 108.483
Suzuki 2.531 1.534 3.051 3.619 2.071 71.210
Honda 2.644 876 1.963 2.333 1.697 81.338
Nissan 335 145 860 1.276 1,010 37.242
Sumber : Astra 2000 Depok
Gambar 10. Tampilan proses pelatihan data
TABEL 3
NILAI BOBOT OUPUT PELATIHAN BERDASARKAN
MERK KENDARAAN
Suzuki Mitshubishi Toyota Honda Daihatsu Nissan
0.1903 -0.2746 -0.1884 -0.1883 -0.1884 -0.1908
E. Pengujian dan Validasi Sistem

Pada pengujian validasi ini terdapat 3 proses pelatihan
yaitu menjalankan program pelatihan dengan mengubah
nilai-nilai masukan dari parameter pelatihan. Nilai
Gambar 8. Tampilan program data yang di inputkan ke sistem parameter diacak dengan tujuan untuk mencari
perbandingan nilai dan mencari nilai optimal dari bobot.
1. Pengujian dengan mengubah nilai dari parameter
konstanta belajar, nilai hidden layer 6 dan besarnya
galat 0.1 tampak pada tabel 4.
TABEL 4
PENGUJIAN DAN VALIDASI 1
Konstanta Belajar Jumlah Iterasi TSE
0.05 4758 0.0363271
0.07 8982 0.4868024
0.2 1854 0.0448234
0.5 3438 0.0459183
2. Pengujian dengan mengubah nilai parameter lapisan

tersembuyi, nilai konstanta belajar tetap = 0.1 dan
besarnya galat tetap 0.1 tampak pada tabel 5
Gambar 9. Tampilan program transformasi data
TABEL 5
PENGUJIAN DAN VALIDASI 2
D. Pelatihan Sistem
Lap.Tersembunyi Jumlah Iterasi TSE
Proses pelatihan data dilakukan dengan jumlah data yang 2 72 0.024050
digunakan sebanyak 90% dari data sebaran dan melakukan 4 2052 0.011262
7 3174 0.012707
percobaan tersebut berulang ulang dengan data input yang 9 3900 -0.036728
berbeda. Parameter yang digunakan tetap dan telah di
setting dalam program 3. Pengujian dengan mengubah nilai parameter dari
1. Fungsi aktivasi sigmoid biner besar galat, nilai kontanta belajar tetap = 0.1 dan
2. Konstanta belajar (α) = 0.1 jumlah lapisan tersembunyi = 6 tampak pada tabel 6

28
TABEL 6 2. Kemampuan Jaringan Syaraf Tiruan dapat diterapkan

PENGUJIAN DAN VALIDASI 3 pada bentuk fungsi hubungan antara variabel-variabel
Besar Galat Jumlah Iterasi TSE bebas terhadap variabel terikat walaupun hubungannya
0.05 12150 -0.059183 tidak diketahui dengan baik atau sulit diketahui.
0.09 8124 0.043311
o.5 6 0.302812 3. Penentuan parameter-parameter jaringan sangat
0.9 6 -0.045918 berpengaruh terhadap lamanya proses pelatihan.
4. Jumlah iterasi tidak dapat ditentukan oleh besarnya
ketelitian pengenalan pola yang diinginkan tetapi
F. Proses Peramalan ditentukan oleh parameter-parameter jaringan yang
Data masukan di input secara manual dan acak untuk digunakan, kondisi awal dari jaringan dan karakteristik
mencari nilai maksimal dari peramalan dengan data-data masukan.
menggunakan CF sebagai pembanding dari nilai error 5. Certainty factor digunakan sebagai nilai pembanding
target peramalan yang diinginkan. dengan koreksi bobot untuk menghasilkan peramalan
Contoh penerapan data pada program : yang optimal.
1. Simulasi tahun 2015 6. Proses peramalan penjualan mobil yaitu dengan
2. Tipe produk : Honda memasukkan data perkiraan penjualan di masa depan,
3. Penjualan Tertinggi daerah : 30.000 unit untuk di olah menggunakan JST backpropagation
4. Jumlah Penjualan dealer :25.000 unit untuk menghasilkan data yang diinginkan.
5. Jumlah Penjualan tunai : 19.000 unit
B. Saran
6. Jumlah penjualan kredit : 16.000 unit
7. Keakutan CF : 0.5 Penelitian ini sebaiknya dilakukan test peramalan secara
langsung oleh perusahaan untuk mengetahui kemampuan
model jaringan syaraf tiruan yang telah dihasilkan pada
tahap meramalkan penjualan mobil di masa yang akan
datang.
Pakar penjualan sangat diperlukan dalam melakukan
analisis certainty factor, sehingga untuk pengembangan
penelitian ini dapat melibatkan keahlian seorang pakar
untuk membantu memberikan kemungkinan kepastian dan
keakuratan hasil penjualan sehingga proses peramalan ini
dapat berjalan dengan optimal.
DAFTAR PUSTAKA
[1] Zheng; Zhong. 2011. Time series forecasting using a hybrid RBF
neural network and AR model based on binomial smoothing.
World Academy of Science, Engineering and Technology 75.
Gambar 11. Tampilan program peramalan honda [2] Shih; Chung. 2008. The Development Of A CFM Hybrid
Artificial Sale Forecasting Model. International Journal of
Dari input data yang dimasukkan di peroleh hasil Electronic Business Management, Vol. 6, No. 4.
peramalan pada tahun 2015 akan terjual mobil Honda [3] Setiawan. 2008 . Prediksi Harga Saham Menggunakan Jaringan
Syaraf Tiruan Multilayer Feedforward Network dengan
sebanyak 29579 unit dengan nilai target error sebesar Algoritma Bacpropagation. Konferensi Nasional Sistem dan
4,205%. Informatika, Bali (KNS&I08-020).
[4] Rohman; Fauzijah. 2008. Rancang Bangun Aplikasi Sistem Pakar
Untuk Menentukan Jenis Gangguan Perkembangan Pada Anak.
V. KESIMPULAN Media Informatika, Vol. 6, No. 1, Juni 2008, 1-23
[5] Dhaneswara; V,S. Moertini. 2004. Jaringan Saraf Tiruan
A. Kesimpulan Propagasi Balik Untuk Klasifikasi Data. FMIPA Unpar, v1ol.9
Berdasarkan uraian pada bab-bab sebelumnya dan no.3, Nov. 2004
[6] Suhari, 2010. Jaringan Syaraf Tiruan : Aplikasi Pemilihan
berdasarkan hasil simulasi, maka pada penelitian ini dapat Merek, Jurnal Teknologi Informasi DINAMIK Volume XV No.2,
ditarik beberapa kesimpulan sebagai berikut : Juli 2010 : 90-95
1. Metode Jaringan Syaraf Tiruan mempunyai sifat yang [7] Suprianto, 2004. Penerapan Jaringan Syaraf Tiruan Untuk
adaptif yaitu jaringan berusaha mencapai kestabilan Memprediksi Harga Saham, Skripsi-FTIK Universitas Komputer
Indonesia Bandung. 2004
data untuk mencapai nilai output yang diharapkan. [8] http://id.m.wikipedia.org/wiki/Jaringan_Syaraf_Tiruan_(Artificial_
Neural_Networks), 2 – 02 -12, 21.43.

Jurnal & Penelitian Teknik Informatika e-ISSN : 2541-2019
Volume 3 Nomor 1, Oktober 2018 p-ISSN : 2541-044X
Diagnosa Penyakit Ikan Hias Air Tawar

Dengan Teorema Bayes
Roindah Simalango Anita Sindar Sinaga
STMIK Pelita Nusantara STMIK Pelita Nusantara
Program Studi Teknik Informatika Program Studi Teknik Informatika
Medan, Indonesia Medan, Indonesia
indah.malango@yahoo.com haito_ita@yahoo.com
Abstract— Seekor ikan bila terserang suatu penyakit akan menunjukkan perubahan fisik,
tampak dari gejala-gejala yang muncul. Dari gejala yang kelihatan dapat diketahui jenis
penyakit ikan dan segera dilakukan tahap pengobatan agar tidak terjadi kerugian besar.
Diagnosa merupakan tahap awal untuk mengetahui gejala-gejala dari suatu jenis penyakit ikan
hias agar secara awal dapat mengatasi penyakit tersebut. Tujuan diagnosa menggunakan
Teorema Bayes yaitu membantu masyarakat/orang awam mengerjakan pekerjaan para ahli
untuk mendiagnosa penyakit ikan hias berbasis komputer dengan mudah, cepat dan prosesnya
dapat dilakukan secara berulang secara otomatis. Sistem informasi pakar merupakan aplikasi
perangkat lunak yang memiliki basis pengetahuan untuk domain tertentu dan menggunakan
penalaran inferensi menyerupai seorang pakar dalam memecahkan suatu permasalahan. Dalam
rancangan sistem pakar yang dibangun, ditetapkan kode penyakit terdiri dari kode P001
sampai P0016, digunakan sebagai acuan untuk mendiagnosa penyakit. Kode gejala: G1 sampai
G31, merupakan jenis gejala yang muncul. Pada tahap pengujian, dilakukan uji coba terhadap
aplikasi Sistem Pakar dengan Teorema Bayes yang telah dibangun. akan dicari hasil diagnosa
dan persentase kemungkinan dari penyakit pada ikan hias dengan menggunakan perhitungan
berdasarkan gejala yang dialami ikan. Dari contoh kasus, setelah dilakukan perhitungan nilai
bayes diperoleh penyebab tertinggi dengan persentase 86% disebabkan bakteri Aeromonas sp.
dan Pseudomonas sp.
Keywords—gejala; diagnosa; penyakit:, ikan hias air tawar; Teorema Bayes
penyakit yang menyerang ikan hias air tawar antara

I. PENDAHULUAN lain Bakteri Aeromonas sp. dan Pseudomonas sp,
Usaha ikan hias air tawar lebih diminati dibanding Protozoa Ichthyophthirius Multifiliis (bintik putih),
ikan hias air laut. Para penggemar ikan hias sengaja Protozoa Trichodina sp, Trematoda Dactylogyrussp,
memelihara ikan dalam berbagai ukuran aquarium. Trematoda Gyrodactylus sp, Nematoda, Copepoda
Umumnya bibit ikan hias dibeli dari penjual benih Argulus sp, Lernea sp dan virus. Beberapa ikan hias
ikan hias air tawar. Selain mempersiapkan makanan, air tawar mengalami beberapa gejala yang
para penjual atau pemelihara ikan perlu mengetahui menyebabkan pergerakan ikan tidak seperti biasanya.
informasi cara menangani perubahan pada fisik atau Penyebab penyakit ikan bersifat menular dan tidak
pergerakan ikan. Perkembangan teknologi budidaya menular. Secara umum penyakit ikan dapat
yang sangat pesat ke arah intensif dan superintensif. dikelompokkan menjadi dua yaitu penyakit infeksius
Aplikasi teknologi budidaya ikan secara intensif bisa dan non infeksius. Jenis penyakit infeksius disebabkan
berdampak terhadap lingkungan. Keberhasilan suatu oleh parasit, jamur bakteri dan virus. Sedangkan jenis
kegiatan budidaya ditentukan oleh faktor ketersediaan penyakit non-infeksius disebabkan oleh lingkungan,
benih, kualitas sumber daya manusia, kondisi makanan dan genetis. Penyakit yang disebabkan oleh
lingkungan, sarana dan prasarana yang tersedia serta jamur adalah penyakit saprolegniasis.
informasi serangan penyakit ikan [1]. Penyebab
43
Perlu suatu kajian atau metode untuk dan biotin

Pendarahan kulit Vitamin A, C riboflavin, niasin, dan asam
mengidentifikasi gejala penyakit ikan dan langkah pentotenat
pengobatan sesuai kepakaran berbasis komputer. Iritasi Asam lemak, piridoksin,dan tiamin
Fakta gejala-gejala yang muncul pada ikan menjadi
sumber referensi dalam membangun suatu c. Neoplasia
implemetasi sistem pakar berbasis pengetahuan [2]. Penyakit ini disebabkan karena adanya
Diagnosa penyakit sangat perlu untuk memudahkan pertumbuhan sel baru yang tidak terkendali dan biasa
mengetahui jenis penyakit dan tindakan pengobatan disebut neoplasma yang terjadi karena berbagai faktor
yang tepat. Mendeteksi atau mendiagnosa merupakan seperti genetis, hormon, agensia fisik, toksikan
tindakan awal Pengobatan [3]. Pada Penelitian biologis atau kimiawi, serta stimulasi infeksi virus.
sebelumnya, Perancangan Sistem Pakar Mendiagnosa 2. Penyakit Menular. Pengaruh parasit patogen kerap
Penyakit Ikan Hias Menggunakan Shell Exsys Corvid, menjadi penyebab penyakit menular. Penyakit ini
perancangan sistem pakar menggunakan metode cukup berbahaya karena biasanya sulit untuk diobati
forward chaining dan certainty factor dengan dan dapat menyebabkan kematian massal. Penyebab
perangkat lunak Shell Exsys CORVID. Hasil penyakit menular pada ikan disebabkan bakteri,
pengujian memperlihatkan prototipe sistem pakar ini jamur, protozoa, trematoda (cacing pipih), nematoda
dapat membantu peternak dalam membudidayakan (cacing giling), cocepoda (hewan kecil sebangsa
ikan hias dengan menampilkan faktor kepastian udang-udangan) dan virus [6].
penyakit yang menyerang dan memberikan referensi
cara pencegahan dan pengobatannya [4]. B. Sistem Pakar
Sistem pakar (Turban, 2005) adalah sistem
II. TINJAUAN PUSTAKA
informasi berbasis komputer yang menggunakan
Kecerdasan buatan adalah salah satu cabang ilmu pengetahuan pakar untuk mencapai performa
pengetahuan yang berhubungan dengan pemanfaatan keputusan yang tinggi dalam domain persoalan
mesin untuk memecahkan persoalan yang rumit sempit. Sistem pakar (expert system) adalah sistem
dengan cara yang lebih manusiawi. Hal ini dilakukan yang berusaha mengadopsi pengetahuan manusia ke
dengan mengikuti/mencontoh karakteristik dan komputer, agar komputer dapat menyelesaikan
analogi berpikir dari kecerdasan/inteligensia manusia, masalah seperti yang biasa dilakukan oleh para ahli
dan menerapkannya sebagai algoritma yang dikenal
[7]. Komponen sistem pakar antara lain antarmuka
oleh komputer.
pengguna, basis pengetahuan, mesin inferensi,
A. Hama dan Penyakit Ikan memori kerja [8]. Sistem pakar banyak
Proses pencegahan penyakit dilakukan dengan dikembangkan dalam berbagai ilmu, salah satu
cara memilih benih yang unggul, penebaran benih diantaranya dalam bidang kedokteran untuk
dengan kepadatan tebar yang sesuai, pengelolaan melakukan diagnosa penyakit. Sistem pakar
sumber air yang baik, memberikan pakan yang baik digunakan untuk menentukan diagnosa penyakit
dan melakukan pemantauan secara rutin. Jika proses yang akan membantu mengkonfirmasi diagnosa dan
pencegahan sudah dilakukan, tetapi penyakit tetap menentukan saran dan terapinya [9].
menyerang, pembudidaya harus melakukan C. Probabilitas dan Teorema Bayes
pengendalian sehingga penyakit tidak menyerang
hingga fatal. Jenis penyakit dan penyebabnya agar Probabilitas menunjukkan kemungkinan sesuatu
lebih mudah dalam menanganinya [5] : akan terjadi atau tidak.
1. Penyakit non-parasiter, penyakit tidak menular Jumlah Kejadian Berhasil
terdiri dari : P(x) = …………………….………………...….(1)
a. Penyakit keturunan. Jumlah Semua Kejadian
b. Kekurangan nutrisi (Tabel 1).
Misal dari 15 orang pelajar, 3 orang menguasai
TABEL I. GEJALA DAN PENYEBAB KEKURANGAN NUTRISI Matematika, sehingga peluang untuk memilih pelajar
Gejala Penyebab Kekurangan yang menguasai Matematika :
Kurang nafsu makan Tiamin, asam folat, vitamin A, B12, dan C
Efisiensi pakan buruk Energy, lemak, protein, asam folat, kalsium, 3 1
riboflavin, dan blotin
P(Matematika) =   0.66
Perubahan Warna kulit Asam lemak dan tiamin 15 3
Kelainan bentuk tulang Fosfor Probabilitas bayes merupakan salah satu cara untuk
Perut kembung Vitamin A, C, dan E mengatasi ketidakpastian data dengan menggunakan
Rentan penyakit Protein dan vitamin C
Sirip rontok Asam lemak, riboflavin, Vitamin A, dan Zn formula Bayes dinyatakan [10]:
Mata menonjol Vitamin A, C, E, dan pirodoksin
Megap-megap Pirodoksin
Tumbuh lambat Energy, lemak, protein, vitamin A, B12,
C,D,E, kalsium, asam folat,tiamin, pirodoksin,
44
Saprolegnia sp Munculnya noktah benang-benang halus pada

P( E | H).P( H) tubuh ikan
P(H|E)= …………………………………...….(2) Megap-megap/ lemas
P( E ) Adanya lapisan kapur pada telur
Adanya borok pada ikan
Penyakit Jamur
P(H|E) : Probabilitas hipotesis H jika diberikan evidence E. P006
Achliya sp. Ikan kehilangan sebagian tubuh posteriornya
P(E|H) : Probabilitas munculnya evidence E jika diketahui Megap-megap/ lemas
hipotesis H. Penyakit Protozoa Kurang nafsu makan
Ichthyophthirius Kondisi melemah
P(H) : Probabilitas hipotesis H tanpa memandang evidence P007
multifiliis (bintik Sering menggosok-gosokan tubuhnya di tepi atau
apapun. putih) dasar kolam
P(E) : Probabilitas evidence E. Megap-megap/ lemas
Warna tubuh pucat
Secara umum Teorema Bayes dengan E kejadian dan Sering menggosokkan tubuhnya pada dasar
Penyakit Protozoa
P008 kolam
hipotesis H dapat dituliskan dalam bentuk [11] : Trichodina sp
Nafsu makan berkurang
Tubuhnya menjadi kurus
P(E | H1 P( H i ) Tampak bintik putih
P( H1 | E)  ………………………..………(3) Megap-megap/ lemas
1 P(E | H )P( H ) P009
Penyakit Protozoa
1 i Henneguya sp. Nampak kista putih pada kulit dan insang ikan
Ikan tampak kekurangan oksigen
P(E\ | H1 P( H i ) Terdapat bercak seperti kapas yang menempel
P( H1 | E)  ………………………..…………(4) P010
Penyakit Protozoa dikulit, sisik, atau sirip
P( E) Spistylis sp Terjadi borok
Megap-megap/ lemas
Penyakit yang Ikan berenang dipermukaan
III. METODE PENELITIAN P011
disebabkan oleh Megap-megap/ lemas
Trematoda Ikan tampak kekurangan oksigen
Dactylogyrussp Terjadi pendarahan
Pengendalian penyakit pada ikan budidaya air Penyakit yang Ikan berenang dipermukaan
tawar dapat dilakukan dengan melakukan pendataan P012
disebabkan oleh Adanya bercak pada tubuh ikan
Trematoda
maupun pelaporan secara berkala kejadian penyakit Gyrodactylus sp Sirip rontok
pada biota yang dibudidayakan, termasuk ikan air Kurang nafsu makan
tawar yang dibudidayakan, sehingga diperoleh data Penyakit yang Terjadi inflamasi
P013 disebabkan oleh Hemoragik (pendarahan)
yang akurat. nematoda Pembengkakan di perut
Megap-megap/ lemas
A. Analisis Data Penyakit yang Megap-megap/ lemas
disebabkan oleh
P014
copepoda Argulus Terjadi pendarahan.
Penelitian dimulai pada bulan Mei 2018 sampai sp
dengan awal Juni 2018 untuk mendiagnosa penyakit Penyakit yang Adanya bekas tusukan
P015 disebabkan oleh
serta gejala-gejala yang ada pada ikan hias di Kolam Terjadi pendarahan.
Lernea sp.
Ikan Asui Lubuk Pakam. Dalam sistem pakar Terjadi pendarahan.
Penyakit yang Bercak putih
mendiagnosa penyakit menetapkan gejala-gejala P016 disebabkan oleh Mata pucat
virus Terjadinya borok di tubuh ikan
penyakit yang digunakan sebagai acuan untuk Megap-megap/ lemas
mendiagnosa penyakit. Adapun yang menjadi
identifikasi penyakit pada ikan hias yang dibuat Berdasarkan dari data yang diperoleh dengan
dalam bentuk tabel berikut ini (Tabel 2) : melakukan analisa permasalahan yang ada, maka di
TABEL 2. PENYAKIT PADA IKAN HIAS bawah ini telah dibuat sebuah pengelompokkan kode
Kode dan gejala-gejala penyakit (Tabel 3).
Nama penyakit Penjelasan
Kurang nafsu makan TABEL 3. KODE GEJALA DAN NAMA GEJALA PENYAKIT
Efisiensi pakan buruk
Perubahan Warna kulit Kode Kode
Kelainan bentuk tulang Nama gejala Nama gejala
gejala Gejala
Perut kembung G01 Kurang nafsu makan G16 Adanya borok
Kekurangan nutrisi Rentan penyakit
P001 G02 Efisiensi pakan buruk G17 Telur gagal menetas
(mal nutrion) Sirip rontok
Mata menonjol G03 Perubahan Warna kulit G18 Munculnya noktah benang-
benang halus pada tubuh ikan
Megap-megap/ lemas
Tumbuh lambat G04 Kelainan bentuk tulang G19 Adanya lapisan kapur pada telur
Pendarahan kulit G05 Perut kembung G20 Ikan kehilangan sebagian tubuh
Iritasi posteriornya
Megap-megap/ lemas G06 Rentan penyakit G21 Kondisi melemah
Berenang dipermukaan G07 Sirip rontok G22 Sering menggosok-gosokan
P002 Neoplasia tubuhnya di tepi atau dasar
Kurang nafsu makan
kolam
Ada benjolan dan pendarahan
G08 Mata menonjol G23 Tubuhnya menjadi kurus
Adanya borok
G09 Megap-megap/ lemas G24 Tampak bintik putih
Penyakit Bakteri Megap-megap/ lemas
G10 Tumbuh lambat G25 Nampak kista putih pada kulit
Aeromonas sp. Dan Pendarahan
P003 dan insang ikan
Pseudomonas sp Warna permukaan tubuh menjadi merah darah
G11 Pendarahan kulit G26 Ikan tampak kekurangan
Sirip rontok oksigen
Penyakit Bakteri Megap-megap/ lemas G12 Iritasi G27 Terdapat bercak seperti kapas
Enterobacter sp., yang menempel dikulit, sisik,
P004
Chromobacter sp., Luka dibagian tubuh atau sirip
Actinobactersp
G13 Luka dibagian tubuh G28 Adanya bercak pada tubuh ikan
P005 Penyakit Jamur Telur gagal menetas
45
G14 Berenang dipermukaan G29 Terjadi inflamasi

G15 Ada benjolan dan G30 Pembengkakan di perut
B. Penerapan Metode Teorema Bayes
pendarahan Algoritma dari penyelesaian dari metode Teorema
G31 Mata pucat
Bayes yaitu sebagai berikut :
Tahapan selanjutnya adalah menentukan nilai 1. Mendefinisikan terlebih dahulu nilai probabilitas
bobot/Probabilitas berdasarkan kasus yang diperoleh, dari tiap evidence untuk setiap hipotesis
berikut adalah nilai bobot/Probabilitas dari setiap berdasarkan data sample yang ada menggunakan
gejala terhadap penyakit. rumus Probabilitas Bayes.
p(E | H).P(H)
TABEL 4. KODE GEJALA DAN NAMA GEJALA PENYAKIT P(H|E) = …………………………………….(5)
P(E)
Kode Nama Penyakit Gejala Probabilitas
2. Menjumlahkan nilai probabilitas dari tiap evidence
P001 Kekurangan nutrisi (mal G01 0.89
nutrion) G02 0.68
untuk masing-masing hipotesis berdarkan data
G03 0.84 sample.
G04 0.84 n
G05 0.79  k = 1 = G1 + ... + Gn ……………………...……………(6)
G06 0.89
Gn
G07 0.79
G08 0.79 3. Mencari nilai probabilitas hipotesis H tanpa
G09 0.79 memandang evidence apapun bagi masing-masing
G10 0.89
G11 0.74 hipotesis.
G12 0.68
P002 Neoplasia G09 0.7 p ( E | ( Hi )
G14 0.8 P(Hi) = n ……………….………………..………(7)
G01 0.8 
G15 0.8
Penyakit Bakteri Aeromonas G16 0.71
n k
P003 sp. dan Pseudomonas sp G09 0.86
G11 0.86 4. Mencari nilai probabilitas hipotesis memandang
G12 1
G07 0.86
evidence dengan cara mengalikan nilai
P004 Penyakit Bakteri Enterobacter G09 1 probabilitas evidence awal dengan nilai-nilai
sp., Chromobacter sp., 1
Actinobactersp G13 probabilitas hipotesis tanpa mengandung evidence
G17 1 dan menjumlahkan perkalian bagi masing-masing
Penyakit Jamur Saprolegnia G18 0.71
P005
sp G09 0.71
hipotesis.
G19 1 n
G16 0.75  = p(H1) * p(E | H1) + ... + p(Hi) * p(E | Hi) ………….(8)
P006 Penyakit Jamur Achliya sp. G20 0.5 k 1
G09 0.75
Penyakit Protozoa G01 0.75
5. Mencari nilai p(Hi|E) atau probabilitas Hi benar
P007 Ichthyophthirius multifiliis G21 0.75 jika diberikan evidence E.
(bintik putih) G22 0.5
G09 0.60 P(Hi*p(E|Hi)
G03 0.8 P(Hi|Ei) = …………………………………..(9)
Penyakit Protozoa Trichodina G22 0.8 n
P008
sp G01 0.6 
G23 0.8
G24 0.6 k -n
G09 1
Penyakit Protozoa Henneguya
P009
sp.
G25 1 .……(10)
G26 1
G27 0.67
P010 Penyakit Protozoa Spistylis sp G16 0.67 6. Mencari nilai kesimpulan dari Teorema Bayes
G09 0.67
G14 0.5
dengan cara mengalikan nilai probabilitas
Penyakit yang disebabkan evidence awal atau p(E|Hi) dengan nilai hipotesis
G09 0.75
P011 oleh Trematoda
G26 0.75 Hi benar jika diberikan evidence E atau p(Hi|E)
Dactylogyrussp
G11 0.75
Penyakit yang disebabkan G14 0.67 dan menjumlahkan hasil perkalian.
P012 oleh Trematoda Gyrodactylus G28 0.67 n
sp G07 0.83  bayes = bayes1 + ... + Bayesn ………………..……..(11)
G01 0.8 k 1
G29 0.8
Penyakit yang disebabkan
P013 G11 0.8
oleh nematoda
G30 0.6
G09 0.60 C. Rancangan Aplikasi
Penyakit yang disebabkan G09 0.67
P014
oleh copepoda Argulus sp G11 0.67 a. Rancangan Form
Penyakit yang disebabkan G13 0.67
P015
oleh Lernea sp. G11 0.67 Hal ini dibutuhkan agar pengembang mengerti bisnis
G11 0.83
G24 0.83 konten, kebutuhan output sistem dan fitur utama dari
Penyakit yang disebabkan
P016 G31 0.67 software yang dikembangkan.
oleh virus
G16 0.67
G09 0.83
b. Rancangan Database
46
Desain dari sistem pada penelitian digambarkan TABEL 7. HASIL NILAI PENJUMLAHAN EVIDENCE
dengan model UML berupa use case diagram, dan Kode P(E|Hi)
relation table. Use case adalah suatu
reprentasi/model yang digunakan pada rekayasa P001 P(E|H1) = 3.94
perangkat lunak yang menunjukan sekumpulan use

P002 P(E|H2) = 0.8
case dan aktor serta hubungan diantara keduanya.
P003 P(E|H3) = 1.72
P007 P(E|H7) = 0.75
P008 P(E|H8) = 1.4
P011 P(E|H11) = 0.75
P012 P(E|H12) = 0.83
P013 P(E|H13) = 1.6
P014 P(E|H14) = 0.67
Gambar 1. Use Case Diagram P015 P(E|H15) = 0.67
IV. PEMBAHASAN P016 P(E|H16) = 0.83
Setelah tahap perancangan aplikasi selesai maka

langkah selanjutnya adalah implementasi dari 3. Langkah ketiga menghitung nilai semesta (Tabel 8)
rancangan tersebut sekaligus menguji kinerja dari
sistem yang dirancang. TABEL 8. HASIL PERHITUNGAN NILAI SEMESTA
Kode Kode Gejala
A. Studi Kasus
Penyakit G01 G02 G03 G07 G11
Seekor ikan mengalami gejala sebagai berikut
(Tabel 5): P001 0.2259 0.1726 0.2131 0.2015 0.1878
TABEL 5. KODE DAN PERTANYAAN BERDASARKAN GEJALA
P002 1 - - - -
Kode
Pertanyaan Berdasarkan Gejala
P003 0.5 - - - 0.5
G01 Kurang nafsu makan
G02 Efisiensi pakan buruk P007 1 - - - -
G03 Perubahan Warna kulit
G07 Sirip rontok P008 0.4286 - - - 0.5714
G11 Pendarahan kulit
P011 1 - - - -
Penyelesaian :
P012 1 - - - -
1. Langkah pertama mendefinisikan nilai
P013 0.5 - - - 0.5
probabilitas dari tiap evidence untuk tiap hipotesis
berdasarkan data sampel yang ada menggunakan P014 1 - - - -
rumus Probabilitas Bayes, hasil pada Tabel 6.

P015 1 - - - -
TABEL 6. NILAI PROBABILITAS DARI TIAP EVIDENCE
P016 1 - - - -
Kode Kode Gejala
Penyakit G01 G02 G03 G07 G11
P001 0.89 0.68 0.84 0.79 0.74 4. Langkah keempat: setelah nilai P(Hi) diketahui,
P002 0.8 - - - -
P003 - - - 0.86 0.86
probabilitas hipotesis H tanpa memandang evidence
P007 0.75 - - - - apapun, hasil perhitungan, hasil Tabel 9:
P008 0.6 - - - -
P011 - - - - 0.75 TABEL 9. HASIL PENJUMLAHAN
P012 - - - 0.83 -
P013 0.8 - - - 0.8 Kode Hasil
P014 - - - - 0.67 P001 0.794873
P015 - - - - 0.67 P002 0.8
P016 - - - - 0.83 P003 0.86
P007 0.75
P008 0.71428
2. Langkah kedua mencari nilai semesta dari P011 0.75
probabilitas, hasil pada Tabel 7. P012 0.83
P013 0.8
47
P014 0.67 Penyakit Bakteri Aeromonas sp. dan Pseudomonas

P015 0.67
P016 0.83 sp.
5. Langkah kelima mencari nilai P(Hi|E) atau B. Implementasi

probabilitas hipotesis (Hi) benar jika diberikan Aplikasi siap untuk dioperasikan pada keadaan
evidence E, hasil Tabel 10. yang sebenarnya sesuai dari hasil analisis dan
TABEL 10. NILAI PROBABILITAS HIPOTESIS (Hi) perancangan yang dilakukan, sehingga akan diketahui
Kode Kode Gejala
apakah sistem atau aplikasi yang dirancang benar-
Penyakit G01 G02 G03 G07 G11 benar dapat menghasilkan tujuan yang dicapai.
P001 0.252935 0.147656 0.225198 0.199271 0.174835 Aplikasi Sistem Pakar ini dilengkapi dengan user
P002 1 - - - -
P003 - - - 0.5 0.5
interface yang menarik dan bertujuan untuk
P007 1 - - - - memudahkan pengguna dalam menggunakannya.
P008 0.360027 - 0.640197 - - Pada aplikasi ini memiliki interface atau desain form
P011 - - - - 1
P012 - - - 1 - yang terdiri dari form Login, form menu utama, form
P013 0.5 - - - 0.5 penyakit, form gejala, form Pengetahuan, form data
P014 - - - - 1
P015 - - - - 1
konsultasi dan form laporan. Form Penyakit adalah
P016 - - - - 1 form yang berfungsi untuk mengelola data Penyakit
yang terdapat pada ikan hias yang ada pada sistem.
6. Langkah keenam, setelah seluruh nilai P(Hi|E) (Gambar 2).
diketahui, maka jumlahkan seluruh nilai bayes, hasil
Tabel 11.
7.
TABEL 11. HASIL PERHITUNGAN NILAI BAYES
Kode Nama Penyakit Nilai Persentase

Bayes
(%)
P001 Kekurangan Nutrisi 0.804151 80%
P002 Neoplasia 0.8 80%

Gambar 2. Form Data Penyakit Ikan
P003 Penyakit Bakteri Aeromonas 0.86 86%
sp. dan Pseudomonas sp Form Data Gejala adalah form yang digunakan
P007 Penyakit Protozoa 0.75 75% untuk mengelola data gejala penyakit pada ikan hias
Ichthyophthirius multifiliis yang ada pada sistem (Gambar 3).
(bintik putih)
P008 Penyakit Protozoa Trichodina 0.728174 72%
sp
P011 Penyakit yang disebabkan oleh 0.83 83%
Trematoda Dactylogyrussp
Trematoda Gyrodactylus sp
Nematoda
Copepoda Argulus Sp
Lernea sp
Gambar 3. Form Gejala
virus
Form data pengetahuan adalah Form yang
digunakan untuk mengelola data hubungan antara
Dari proses perhitungan menggunakan metode gejala dan penyakit (rule) pada ikan hias yang ada
teorema bayes di atas, maka diperoleh bahwa pada sistem. Berikut adalah tampilan form data
penyakit yang terdapat pada ikan hias tersebut pengetahuan (Gambar 4).
mendapatkan nilai tertinggi pada Penyakit Bakteri
Aeromonas sp. dan Pseudomonas sp dengan nilai
keyakinan 0.86 atau 86 %. Walaupun pada gejala
untuk Penyakit Bakteri Aeromonas sp. dan
Pseudomonas sp hanya 1 gejala saja tetapi sudah
cukup untuk tinggi probabilitas gejalanya, oleh sebab
itu hasil diagnosa menunjukkan ikan hias terkena
48
kasus, user harus mengklik tombol diagnosa dan

selanjutnya akan tampil hasil diagnosa. ―Penyakit
yang dialami pada ikan hias tersebut adalah penyakit
Bakteri Aeromonas sp. dan Pseudomonas sp dengan
tingkat Persentase 86%‖.
V. KESIMPULAN
1. Pada sistem yang dibangun, terdapat 16 kode
penyakit yang sering menyerang ikan. Dari
perhitungan Bayes dengan gejala-gejala yang
Gambar 4. Form Data Pengetahuan
muncul, hasil persentase tertinggi merupakan jenis
penyebab penyakit ikan. Diperoleh, Bakteri
Form data konsultasi adalah form yang akan Aeromonas sp. dan Pseudomonas sp = 86%,
digunakan oleh user untuk menghitung gejala yang disebabkan oleh Trematoda Dactylogyrussp =
dipilih dengan menggunakan algoritma Teorema 83%, disebabkan oleh virus = 83%.
Bayes yang nantinya akan menghasilkan hasil
diagnosa penyakit dan penanganannya. Pada Form 2. Sistem pakar yang dirancang dapat membantu
Data Konsultasi, Tombol Diagnosa digunakan untuk masyarakat awam untuk segera mengambil
mengolah data gejala yang dipilih dengan algoritma tindakan pencegahan sewaktu ada indikasi gejala
Teorema Bayes. Tombol cetak digunakan untuk dan penyakit yang menyerang ikan hias.
mencetak hasil proses yang telah dilakukan UCAPAN TERIMA KASIH
sebelumnya.
C. Pengujian Ucapan terima kasih disampaikan pada Civitas
STMIK Penusa Medan yang terus memotivasi
Dalam tahap ini akan dilakukan uji coba terhadap melakukan Tri Dharma Perguruan Tinggi.
aplikasi Sistem Pakar dengan Teorema Bayes yang
telah dibangun. Berikut ini adalah contoh perhitungan DAFTAR PUSTAKA
Teorema Bayes (Gambar 5).
[1] Dr. Ir. Sarjito, MAppSc. Prof.Dr.Ir. Slamet Budi Prayitno.
MSc. Alfabetian Harjuno Condro Haditomo, SPi., MSi,
―Buku Pengantar Parasit Dan Penyakit Ikan‖, UPT UNDIP
Press Semarang, 2013.
[2] Mohammadi, Mohammad., Jafari, Shahram., 2014, An Expert
System for Recommending Suitable Ornamental Fish
Addition To an Aquarium Based on Aquarium Condition,
International Journal of advanced studies in Computer
Science and Engineering (IJASCSE), Volume 3, Issue 2, hal
1-7.
[3] Elfani, Ardipujiyanto, ―Sistem Pakar Mendiagnosa Penyakit
Pada Ikan Konsumsi Air Tawar Berbasis Website‖, Jurnal
Sarjana Teknik Informatika, Vol 1 No1 Hal 42-50, Juni 2013.
[4] Sandi Kosasi, ―Perancangan Sistem Pakar Mendiagnosa
Penyakit Ikan Hias Menggunakan Shell Exsys Corvid‖,
CSRID Journal, Vol.7 No.2, Hal. 66-77, Juni 2015.
Gambar 5. Form Data Konsultasi
[5] Gusrina, ―Budi Daya Ikan untuk SMK Kejuruan‖, Direktorat
Dari hasil konsultasi peternak ikan hias yang Pembinaan Sekolah Menengah Kejuruan Direktorat Jenderal
Manajemen Pendidikan Dasar dan Menengah Departemen
bernama Joko yang ikan hiasnya mengalami beberapa Pendidikan Nasional Tahun 2008.
gejala. Pada salah satu contoh kasus ini, akan dicari [6] Hany Handajani, S.Pi., M.Si, ―Parasit dan Penyakit Ikan‖,
hasil diagnosa dan persentase kemungkinan dari UMM Press Malang, Cetakan Pertama 2005.
penyakit pada ikan hias dengan menggunakan [7] Intan Rusari, ―Sistem Pakar Diagnosa Penyakit Batu Ginjal
perhitungan pada Tabel 12 : Menggunakan Teorema Bayes‖, Jurnal Riset Komputer
(JURIKOM), Volume : 3, Nomor: 1, hal 18-22, Februari
TABEL 12. GEJALA YANG DIALAMI 2016.
Kode Pertanyaan Berdasarkan Gejala [8] Arief Kelik Nugroho, Retantyo Wardoyo, ―Sistem pakar
G01 Kurang nafsu makan menggunakan teorema bayes untuk mendiagnosa penyakit
G02 Efisiensi pakan buruk kehamilan‖, Berkala MIPA, Vol 3 N0 23 hal 247-254,
G03 Perubahan Warna kulit September 2013.
G07 Sirip rontok [9] Andhika Dwi Irawan, ―Penerapan Metode Bayes Classifier
G11 Pendarahan kulit untuk Pradiagnosa Penyakit Tuberclosis‖, Journal of
Information and Technology, Vol. 5 No. 2, hal: 25-31,
Setelah Gejala dicentang sesuai dengan studi Desember 2017.
49
[10] Ria Andriani, Burhanudin Dwi Prakoso, ―Sistem Pakar [11] Bahar, Depy Wahyu Pratama, ―Penerapan Teorema Bayes
Diagnosa Penyakit Hyperopia dan Myopia Pada Manusia Dalam Sistem Pakar Untuk Konsultasi Siswa Bermasalah‖,
Berbasis Android Mengguanakan Teorema Bayes‖, Seminar JUTISI Vol. 6, No. 2, hal : 1449 – 1588, Agustus 2017.
Nasional Teknologi Informasi dan Multimedia 2016, hal 6-13,
Februari 2016.
50
ISSN : 1978-6603
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT

ANEMIA DENGAN MENGGUNAKAN METODE
TEOREMA BAYES
*Trinanda Syahputra#1, Muhammad Dahria#2, Prilla Desila Putri#3

#1,2,3
Program Studi Sistem Informasi, STMIK Triguna Dharma
E-mail: trinandasyahputra@gmail.com
Abstrak
Sistem pakar merupakan salah satu cabang dari kecerdasaan buatan yang mempelajari
bagaimana mengadopsi cara berfikir seorang pakar dalam menyelesaikan suatu
permasalahan dan membuat suatu keputusan mengambil kesimpulan. Dalam hal ini
sistem pakar digunakan untuk mendiagnosa penyakit anemia. Adapun yang dibahas
adalah bagaimana menentukan jenis penyakit, bagaimana mengatasi penyakit anemia
pada masyarakat dan merancang sistem pakar dengan menggunakan teknologi.
Metode bayes merupakan suatu metode untuk menghasilkan estimasi parameter
dengan menggabungkan informasi dari sampel dan informasi lain yang telah tersedia
sebelumnya. Teorema bayes digunakan untuk menghitung probabilitas terjadinya suatu
peristiwa berdasarkan pengaruh yang didapat dari hasil observasi tersebut. Dari
beberapa penelitian yang telah dilakukan diperoleh solusi untuk mencegah penyakit
anemia. Penyakit anemia dapat menyebabkan kelemahan dan kepala terasa pusing
dikarenakan kekurangan darah hingga dapat mengalami komplikasi. Tujuan yang
didapat adalah memberikan informasi untuk membantu masyarakat pada umumnya
dalam mendiagnosa penyakit anemia dan mendapatkan hasil diagnosa yang tepat dan
akurat.
Kata kunci : Sistem Pakar, Metode Teorema Bayes, Penyakit Anemia
Abstract
Expert system is one branch of artificial intelligence that learns how to adopt the way
an expert thinks in solving a problem and make a decision to draw conclusions. In this
case the expert system is used to diagnose anemia disease. The discussed is how to
determine the type of disease, how to overcome anemia in the community and design
expert systems using technology. Bayes method is a method to generate parameter
estimation by combining information from sample and other information that has been
available before. Bayes theorem is used to calculate the probability of occurrence of an
event based on the effects of the observations. From several studies that have been
done obtained a solution to prevent anemia. Anemia disease can cause weakness and
head feels dizzy due to lack of blood to be able to experience complications. The
objective is to provide information to help the general public in diagnosing anemia
disease and get accurate and accurate diagnostic results.
Keywords: Expert System, Bayes Theorem Method, Anemia Disease

I. PENDAHULUAN darah merah, sehingga darah tidak
Sistem pakar merupakan program dapat mengangkut oksigen dalam
komputer yang meniru proses jumlah sesuai yang diperlukan tubuh.
pemikiran dan pengetahuan pakar Anemia bisa menyebabkan kelelahan,
dalam menyelesaikan suatu masalah kelemahan, kurang tenaga dan kepala
tertentu. Sistem pakar digunakan dalam terasa melayang. Jika anemia
berbagai bidang baik itu pendidikan, bertambah berat, bisa menyebabkan
industri maupun kesehatan. Pada stroke atau serangan jantung.
bidang kesehatan sistem pakar dapat
digunakan untuk mendiagnosa suatu II. TINJAUAN PUSTAKA
penyakit. Anemia merupakan masalah 2.1 Teorema Bayes
medis yang paling sering ditemukan Teorema bayes dikemukan oleh
pada masyarakat, disamping berbagai seorang pendeta Presbyterian inggris
masalah utama masyarakat yang pada tahun 1763 yang bernama Thomas
mempunyai dampak besar terhadap Bayes ini kemudian disempurnakan
kesehatan. Masyarakat masih belum Laplace.Teorema bayes digunakan
sepenuhnya menyadari bahwa sulitnya untuk menghitung probabilitas
mendapatkan informasi tentang terjadinya suatu peristiwa berdasarkan
penyakit anemia membuat masyarakat pengaruh yang didapat dari hasil
tidak begitu paham dengan penyakit observasi. Disamping ini metode bayes
anemia. Dengan adanya sistem ini dapat memanfaakan data sampel yang
mempermudah masyarakat dalam diperoleh dari populasi juga
mengetahui gejala dan jenis penyakit memperhitungkan suatu distribusi awal
anemia tanpa harus bertemu dengan yang disebut distribusi prior.
dokter secara langsung, serta dapat Metode bayes juga memandang
mengetahui solusi untuk mencegah parameter sebagai variable yang
terjadinya penyakit anemia. Pentingnya menggambarkan pengetahuan awal
berkomunikasi dalam proses tentang parameter sebelum
keperawatan dapat dilakukan melalui pengamatan dilakukan dan dinyatakan
pemeriksaan darah sederhana bisa dalam suatu distribusi yang disebut
menentukan adanya anemia. dengan distribusi prior.Setelah
Persentase sel darah merah dalam pengamatan dilakukan, informasi dalam
volume darah total (hematocrit) dan distribusi prior dikombinasikan dengan
jumlah hemoglobin dalam suatu contoh data sampel melalui teorema bayes.
darah bisa ditentukan. Pemeriksaan Sesuai dengan probabilitas subjektif,
tersebut merupakan bagian dari hitung bila seseorang mengamati kejadian dan
jenis darah komplit atau Complete Blood mempunyai keyakinan bahwa ada
Count (CBC). Sel darah merah kemungkinan B akan muncul, maka
mengandung hemoglobin, yang probabilitas B disebut prior. Sedangkan
memungkinkan mereka mengangkut ada informasi tambahan bahwa
oksigen dari paru-paru dan misalkan kejadian A telah muncul,
mengantarkannya ke seluruh bagian mungkin akan terjadi perubahan
tubuh. Anemia menyebabkan terhadap perkiraan semula mengenai
berkurangnya jumlah sel darah merah kemungkinan B untuk muncul.
atau jumlah hemoglobin dalam sel Probabilitas untuk B sekarang adalah
Jurnal SAINTIKOM Vol. 16, No. 3, September 2017

284
probabilitas bersyarat akibat A dan diet dan atau kehilangan darah akibat
disebut sebagai probabilitas posterior. infeksi parasit gastrointestinal.
Teorema bayes merupakan mekanisme Umumnya anemia asemtomatid
untuk memperbaharui probabilitas pada kadar hemoglobin diatas 10 gr/dl,
prior menjadi probabilitas tetapi sudah dapat menyebabkan
prosterior.Teorema bayes juga, diambil gangguan penampilan fisik dan mental.
dari nama Rev. Thomas Bayes, Bahaya Anemia yang sangat parah bisa
menggambarkan hubungan antara mengakibatkan kerusakan jantung, otak
peluang bersyarat dari dua kejadian dan organ tubuh lain, bahkan dapat
merupakan salah satu cara yang baik menyebabkan kematian.
mengatasi ketidakpastian data dengan Sel darah merah mengandung
menggunakan formula bayes yang hemoglobin yang memungkinkan
dinyatakan dengan rumus sebagai mereka mengangkut oksigen dari paru-
berikut: paru, dan mengantarkannya ke seluruh
bagian tubuh. Anemia menyebabkan
berkurangnya jumlah sel darah merah
atau jumlah hemoglobin dalam sel
darah merah, sehingga darah tidak
dapat mengangkut oksigen dalam
jumlah sesuai yang diperlukan tubuh.
2.2 Penyakit Anemia Anemia bukan suatu penyakit tertentu,
Anemia secara fungsional tetapi cerminan perubahan
didefinisikan sebagai penurunan jumlah patofisiologik yang mendasar yang
massa eritrosit (red cell mass) sehingga diuraikan melalui anamnesis yang
tidak dapat memenuhi fungsinya untuk seksama, pemeriksaan fisik, dan
membawa oksigen dalam jumlah yang konfirmasi laboratorium.
cukup ke jaringan perifer (penurunan Anemia merupakan masalah
oxygen carrying capacity). Secara medis yang paling sering dijumpai di
praktis anemia ditunjukkan oleh seluruh dunia, disamping berbagai
penurunan kadar hemoglobin, masalah kesehatan utama masyarakat
hematocrit atau hitung eritrosit (red cell terutama di negara berkembang yang
mas). mempunyai dampak besar terhadap
Anemia adalah penurunan kesejahteraan sosial dan ekonomi serta
kuantitas atau kualitas sel-sel darah kesehatan fisik.
merah dalam sirkulasi, yang dapat Penata laksanaan anemia yang
disebabkan oleh gangguan tepat sesuai dengan etiologi dan
pembentukan sel darah merah, klasifikasinya dapat mempercepat
peningkatan kehilangan sel darah pemulihan kondisi pasien. Penyakit
merah melalui perdarahan kronik atau Anemia terdiri dari:
mendadak, atau lisis (destruksi) sel  Anemia Aplastik
darah merah yang berlebihan. Anemia Aplastik adalah anemia
Dimana insidennya 30% pada yang disebabkan oleh ketidak
setiap individu di seluruh dunia. sanggupan sum-sum tulang
Prevalensi terutama tinggi di negara belakang membentuk sel darah
berkembang karena faktor defisiensi merah dan juga faktor dari luar

285
tubuh manusia, seperti halnya Pencegahan yang harus dilakukan
terpapar bahan kimia, terkena agar terhindar dari penyakit anemia
perawatan medis atau bahkan adalah dengan cara:
faktor fisik lainnya. Anemia  Besi
aplastik terjadi ketika tubuh yang Sumber terbaik zat besi adalah
anda miliki tidak sanggup untuk daging sapi dan daging lainnya.
memproduksi sel darah merah Makanan lain yang kaya zat besi,
kembali.Terkadang jenis penyakit termasuk kacang-kacangan, lentil,
anemia yang satu ini tidak sereal kaya zat besi, sayuran
diketahui dengan pasti apa berdaun hijau tua, buah kering,
penyebabnya, namun kini selai kacang dan kacang-
autoimun juga diyakini sebagai kacangan.
salah satu bentuk penyebabnya.  Folat
 Anemia Defisiensi Zat Besi Gizi ini, dan bentuk sintetik, asam
Anemia Definisi Zat Besi adalah folat, dapat ditemukan di jus jeruk
jenis yang paling umum di dan buah-buahan, pisang, sayuran
kalangan masyarakat.Jenis berdaun hijau tua, kacang polong
penyakit yang satu ini biasanya dan dibentengi roti, sereal dan
terjadi pada kalangan wanita yang pasta.
subur.Penyakit yang satu ini  Vitamin B-12
terjadi karena tubuh tersebut Vitamin ini banyak dalam daging
tidak dapat mengahasilkan dan produk susu.
hemoglobin yang cukup, serta  Vitamin C
kurangnya persediaan besi untuk Makanan yang mengandung
eritropoiesis, karena cadangan vitamin C, seperti jeruk, melon
besi kosong (depleted iron store) dan beri, membantu
sehingga pembentukan meningkatkan penyerapan zat
hemoglobin berkurang. besi.
 Anemia Kronis
Anemia Kronis adalah tidak ada III. TUJUAN DAN MANFAAT PENELITIAN
pengobatan khusus untuk anemia Adapun tujuan penelitian dalam
jenis ini.Dokter berfokus pada merancang dan membuat sistem
mengobati penyakit yang mendiagnosa penyakit anemia adalah
mendasari. Suplemen zat besi dan sebagai berikut:
vitamin umumnya tidak  Untuk dapat memahami suatu
membantu jenis anemia ini metode teorema bayes dalam
.Namun, jika gejala menjadi parah, mendiagnosa penyakit anemia.
transfusi darah atau suntikan  Merancang sistem pakar untuk
eritropoietin sintetis, hormon mendiagnosa penyakit anemia
yang biasanya dihasilkan oleh dan memberikan informasi untuk
ginjal, dapat membantu jenis penyakit anemia pada
merangsang produksi sel darah manusia.
merah dan mengurangi kelelahan.  Memberikan hasil analisa yang
benar dan tepat mengenai
pengobatan penyakit secara

286
mudah dan cepat bagi proses mendiagnosa serta
masyarakat. memberikan solusi dan informasi
Adapun manfaat penelitian yang tentang penyakit anemia
diperoleh dari penelitian ini adalah terhadap penderita dengan cepat
sebagai berikut: dan mudah.
 Sebagai sumber informasi bagi  Bermanfaat untuk masyarakat
masyarakat mengenai yang ingin mengetahui tentang
permasalahan penyakit anemia hasil mendiagnosa penyakit
yang selama ini kurang dipahami. beserta keterangan dan solusi
 Mempermudah dan dengan mudah dan cepat.
mempercepat para dokter dalam
IV. PEMBAHASAN DAN HASIL menggunakan metode teorema bayes

4.1 Pembahasan adalah sebagai berikut:
Adapun untuk menentukan jenis 1. Rule 1
penyakit, dalam hal ini penyakit anemia Jika [ Lemas ]
perlu diketahui ada 3 jenis penyakit DAN [ Sakit kepala ]
bedasarkan gejalanya, sebagai berikut: DAN [ Demam ]
Tabel 4.1 Jenis Penyakit DAN [ Muntah-muntah ]
DAN [ Mimisan ]
MAKA [ Anemia Aplastik ]
2. Rule 2
Bedasarkan 3 jenis penyakit anemia JIKA [ Sakit kepala ]
tersebut maka diperoleh 12 jenis gejala DAN [Nyeri pada dada]
yang sudah dirating dan dikodekan DAN [Kaki dan tangan terasa dingin]
untuk menentukan kriteria gejala DAN [Kesemutan pada kaki]
penyakit. Adapun kode gejala dari jenis DAN [ Nyeri panggul hingga ke paha ]
penyakit anemia antara lain: MAKA [ Anemia Defisiensi Zat Besi ]
Tabel 4.2 Nama Gejala
3. Rule 3
JIKA [Kaki dan tangan terasa dingin ]
DAN [Nyeri panggul hingga ke paha]
DAN [ Lemas ]
DAN [ Nyeri ulu hati ]
DAN [ BAB mengeluarkan darah ]
MAKA [ Anemia Kronis ]
Pernyataan-pernyataan diatas akan
diproses dengan bentuk sebagai
Dalam menentukan rating berikut:
kecocokan untuk kriteria jenis penyakit  If G01 And G02 And G04 And G09
yaitu penyakit anemia maka dibuatlah And G05 Then P01
rulenya terlebih dahulu bedasarkan  If G02 And G03 And G06 And G07
kaidah sistem pakar dengan And G10 Then P02

287
 If G06 And G010 And G01 And G11 gejala yang diberikan kepada pasien
And G12 Then P03 dapat dijawab sebagai berikut:
Dalam membantu
pengembangan aplikasi sistem pakar ini,
maka ditampilkan data-data hubungan
antara gejala dan jenis penyakit ke
dalam tabel.
Tabel 4.3 Rule
Tabel ini berfungsi untuk Setelah hasil jawaban dari pertanyaan

menyimpan data penyakit usus buntu. yang diajukan, maka dilakukan
Pada tabel ini berisi kode penyakit, kode perhitungan menggunakan Teorema
gejala dan probabilitas. Nilai Bayes untuk tiap gejala.
probabilitas yang berdasarkan dari 1. Mendefinisikan terlebih dahulu nilai
pengalaman seorang pakar yang telah probabilitas dari tiap evidence untuk
menangani penyakit usus buntu tiap hipotesis berdasarkan data
berdasarkan gejala dari penyakit sampel yang ada menggunakan
tersebut: rumus probabilitas bayes.
a. Anemia Aplastik = P01
G01 = P(E / H1) = 0.3
G02 = P(E / H1) = 0.3
G04 = P(E / H1) = 0.4
G08 = P(E / H1) = 0.6
G09 = P(E / H1) = 0.4
G011 = P(E / H1) = 0.7
b. Anemia Defisiensi Zat Besi
G01 = P(E / H2) = 0.3
G02 = P(E / H2) = 0.3
G08 = P(E / H2) = 0.6
c. Anemia Kronis
G01 = P(E / H3) = 0.3
G02 = P(E / H3) = 0.3
G04 = P(E / H3) = 0.4
G09 = P(E / H3) = 0.4
G011 = P(E / H3) = 0.7
2. Menjumlahkan nilai probabilitas dari
Seorang pasien mengalami gejala tiap evidence untuk masing-masing
penyakit anemia, kemudian pasien hipotesis berdasarkan data sampel.
melakukan konsultasi kepada perawat n
Rumah Sakit Umum dari 12 pilihan

289
∑ P(E / Hk) = G1 0.3
+ ….. + Gn G02 = P(H1) = = 0.1111
K=1 2.7
a. Anemia Aplastik = P01 0.4
G01 = P(E / H1) = 0.3 G04 = P(H1) = = 0.1481
G02 = P(E / H1) = 0.3 2.7
G04 = P(E / H1) = 0.4
G08 = P(E / H1) = 0.6 0.6
G09 = P(E / H1) = 0.4 G08 = P(H1) = = 0.2222
G011 = P(E / H1) = 0.7 2.7
n
∑ P(E / Hk) = 0.3 + 0.3 + 0.4 + 0.6 + 0.4
0.4 + 0.7 G09 = P(H1) = = 0.1481
K=1 = 2.7 2.7
b. Anemia Defisiensi Zat Besi = P02
G01 = P(E / H2) = 0.3 0.7
G02 = P(E / H2) = 0.3 G011 = P(H1) = = 0.2592
G08 = P(E / H2) = 0.6 2.7
n
∑ P(E / Hk) = 0.3 + 0.3 + 0.6 b. Anemia Defisiensi Zat Besi = P02
K=1 = 1.2 0.3
c. Anemia Kronis = P03 G01 = P(H1) = = 0.25
G01 = P(E / H3) = 0.3 1.2
G02 = P(E / H3) = 0.3
G04 = P(E / H3) = 0.4 0.3
G09 = P(E / H3) = 0.4 G02 = P(H1) = = 0.25
G011 = P(E / H3) = 0.7 1.2
n
∑ P(E / Hk) = 0.3 + 0.3 + 0.4 + 0.4 + 0.6
0.7 G08 = P(H1) = = 0.5
K=1 = 2.1 1.2
3. Mencari nilai probabilitas hipotesis H
tanpa memandang evidence apapun c. Anemia Kronis = P03
bagi masing-masing. 0.3
P(E / Hi) G01 = P(H1) = = 0.1428
P(Hi) = n 2.1
∑ P(E /
Hk) 0.3
K=1 G02 = P(H1) = = 0.1428
2.1
0.3 0.4
G01 = P(H1) = = 0.1111 G04 = P(H1) = = 0.1904
2.7 2.1

290
0.4 ∑ P(E / Hk)
G09 = P(H1) = = 0.1904 K=n
2.1
0.7 0.3 * 0.0333
G011 = P(H1) = = 0.3333 P(H1|E1) = = 0.02
2.1 0.5
4. Mencari nilai probabilitas hipotesis 0.3 * 0.0333
memandang evidence dengan cara P(H1|E2) = = 0.02
mengalikan nilai probabilitas 0.5
evidence awal dengan nilai 0.4 * 0.0592
probabilitas hipotesis tanpa P(H1|E4) = =
memandang evidence dan 0.0474
menjumlahkan hasil perkalian bagi 0.5
masing-masing hipotesis. 0.6 * 0.1333
n P(H1|E8) = = 0.16
∑ P(Hi) * P(E / Hi-n) = P(H1) * P(E | 0.5
H1) + … + P(Hi) * P(E | Hi) 0.4 * 0.0592
K=n P(H1|E9) = =
0.0474
a. Anemia Aplastik = P01 0.5
6 0.7 * 0.1814
∑ = (0.3 * 0.1111) + (0.3 * 0.1111) + P(H1|E11) = =
(0.4 * 0.1481) + (0.6 * 0.2222) + (0.4 0.2540
K=6 * 0.1481) + (0.7 * 0.2592) 0.5
= 0.5
b. Anemia Defisiensi Zat Besi = P02 0.3 * 0.075
3 P(H1|E1) = = 0.05
∑ = (0.3 * 0.25) + (0.3 * 0.25) + (0.6 0.45
* 0.5) 0.3 * 0.075
K=3 = 0.45 P(H1|E2) = = 0.05
c. Anemia Kronis = P03 0.45
5 0.6 * 0.3
∑ = (0.3 * 0.1428) + (0.3 * 0.1428) + P(H1|E8) = = 0.4
(0.4 * 0.1904) + (0.4 * 0.1904) + (0.7 0.45
K=5 * 0.3333)
= 0.4714 c. Anemia Kronis = P03
0.3 * 0.0428
5 Mencari nilai P(Hi|E) atau probabilitas P(H1|E1) = =
hipotesis Hi benar jika diberikan 0.0272
evidence e. 0.4714
P(E / Hi) * 0.3 * 0.0428
P(Hi) P(H1|E2) = =
P(Hi / Ei) = n 0.0272

291
0.4714 evidence awal atau P(E|Hi) dengan
nilai hipotesis Hi benar jika diberikan
0.4 * 0.07619 evidence E atau P(Hi|E) dan
P(H1|E4) = = menjumlahkan hasil perkalian.
0.0646 n
0.4714 ∑ Bayes = P(E | H1) * P(E1 | H1) + … +
0.4 * 0.07619 P(E | Hi) * P(E | Hi)
P(H1|E9) = = K=n
0.0646
0.4714 a. Anemia Aplastik = P01
0.7 * 0.2333 6
P(H1|E5) = = ∑ Bayes = (0.3 * 0.02) + (0.3 *
0.3464 0.02) + (0.4 * 0.0474) + (0.6 * 0.16)
0.4714 + (0.4
6. Mencari nilai kesimpulan dari K=6 * 0.0474) + (0.7 * 0.2540)
Teorema Bayes dengan cara = 0.3237 * 100% =
mengalikan nilai probabilitas 32.38%
3 K= 5 + (0.7 * 0.3464)
∑ Bayes = (0.3 * 0.05) + (0.3 * = 0.3106 * 100% =
0.05) + (0.6 * 0.4) 31.07%
K= 3 Dari proses perhitungan menggunakan
= 0.27 * 100% = 27% metode bayes diatas, maka dapat
c. Anemia Kronis = P03 diketahui bahwa diagnosa penyakit
5 Anemia Aplastik dengan nilai keyakinan
∑ Bayes = (0.3 * 0.0272) + (0.3 * 0.3237 atau 32.38%
0.0272) + (0.4 * 0.0646) + (0.4 *
0.0646)
V. Hasil Sebelum sistem ini benar-benar bisa

Kebutuhan sistem adalah akhir digunakan dengan baik, sistem harus
dari proses penerapan sistem baru melalui tahap pengujian terlebih dahulu
dimana sistem yang baru ini akan untuk menjamin tidak adanya kendala
dioperasikan secara menyeluruh. Data yang muncul pada saat sistem
penyakit berisi data yang terdiri dari digunakan. Data gejala berisi dari gejala-
kode penyakit, nama penyakit dan gejala yang sering dialami oleh pasien
solusi.

292
Pada pengujian sistem ini untuk memilih 2 gejala penyakit anemia.
mendiagnosa penyakit yang tidak Berikut ini adalah form hasil diagnosa.
diketahui atau tidak terdiagnosa. Form diagnosa ini menampilkan data
perawat harus menginput data pasien pasien, jenis penyakit, nilai probabilitas
yang terdapat pada combo box dan dan solusinya yang tidak terdiagnosa.
1. Penerapan aplikasi metode
teorema bayes untuk menentukan
penyakit anemia yaitu dengan
menentukan gejala dan jenis
penyakit yang telah ditentukan,
sehingga dapat melakukan
perhitungan dan mendapatkan
hasil jenis penyakit dari
perhitungan metode teorema
Di dalam suatu penelitian yang bayes tersebut.
diimplementasikan ke dalam suatu kode 2. Dengan perancangan dan
program dengan menggunakan aplikasi implementasi Sistem Pakar untuk
yang terdapat di dalam sistem Mendiagnosa Penyakit Anemia,
komputer, berikut ini merupakan masyarakat akan dengan mudah
kelemahan dan kelebihan dari mengetahui gejala penyakit
implementasi sistem pakar untuk anemia tanpa harus bertemu
mendiagnosa penyakit anemia dengan dokter.
menggunakan teorema bayes. 3. Dengan adanya sistem ini,
diharapkan dapat menekan
VI. KESIMPULAN tingkat pertumbuhan penyakit
Setelah melakukan berbagai anemia dikalangan masyarakat,
macam tahapan-tahapan maka karena diketahui penyakit anemia
diperoleh suatu kesimpulan sebagai akan berbahaya yang membawa
berikut: dampak buruk bagi masyarakat.

293
Trinanda Syahputra, M Dahria, Prilla Desila, Sistem Pakar Untuk Mendiagnosa ..........
DAFTAR PUSTAKA
Arhami, Muhammad. (2005).
Konsep Dasar Sistem Pakar.
Andi. Yogyakarta
Bakta IM. Pendekatan terhadap pasien
anemia. Buku Ajar Ilmu Penyakit
Dalam. Edisi V. Jakarta pusat :
Interna Publishing;2011. H. 1109-
15.
Nugroho, Bunafit. (2008).
Membuat Aplikasi Sistem Pakar.
Gava Media : Yogyakarta
Price, Sylvia. 2005. Patofisiologis :
Konsep Klinis Proses-proses
Penyakit. Jakarta
Suparman dan Marlan. (2007).
Komputer Masa Depan,
Pengenalan Artificial
Intelligence. Andi. Yogyakarta

294
VOL. 18 NO. 1 MARET 2017 ISSN:1411-3201
UNIVERSITAS
AMIKOM
YOGYAKARTA
VOL. 18 NO. 1 MARET 2017
JURNAL ILMIAH
Data Manajemen Dan Teknologi Informasi
Terbit empat kali setahun pada bulan Maret, Juni, September dan Desember berisi artikel hasil
penelitian dan kajian analitis kritis di dalam bidang manajemen informatika dan teknologi informatika.
ISSN 1411-3201, diterbitkan pertama kali pada tahun 2000.
KETUA PENYUNTING
Abidarin Rosidi
WAKIL KETUA PENYUNTING

Heri Sismoro
PENYUNTING PELAKSANA
Emha Taufiq Luthfi
Hanif Al Fatta
Hastari Utama
STAF AHLI (MITRA BESTARI)

Jazi Eko Istiyanto (FMIPA UGM)
H. Wasito (PAU-UGM)
Supriyoko (Universitas Sarjana Wiyata)
Ema Utami (AMIKOM)
Kusrini (AMIKOM)
Amir Fatah Sofyan (AMIKOM)
Ferry Wahyu Wibowo (AMIKOM)
Rum Andri KR (AMIKOM)
Arief Setyanto (AMIKOM)
Krisnawati (AMIKOM)
ARTISTIK
Robert Marco
TATA USAHA
Nila Feby Puspitasari
PENANGGUNG JAWAB :
Rektor UNIVERSITAS AMIKOM YOGYAKARTA, Prof. Dr. M. Suyanto, M.M.
ALAMAT PENYUNTING & TATA USAHA
UNIVERSITAS AMIKOM YOGYAKARTA, Jl. Ring Road Utara Condong Catur Yogyakarta, Telp.
(0274) 884201 Fax. (0274) 884208, Email : jurnal@amikom.ac.id
BERLANGGANAN
Langganan dapat dilakukan dengan pemesanan untuk minimal 4 edisi (1 tahun)
pulau jawa Rp. 50.000 x 4 = Rp. 200.000,00 untuk luar jawa ditambah ongkos kirim.
VOL. 18 NO. 1 MARET 2017 ISSN : 1411- 3201
DATA MANAJEMEN DAN TEKNOLOGI INFORMASI
UNIVERSITAS AMIKOM YOGYAKARTA
i
KATA PENGANTAR
Puji syukur kehadlirat Tuhan Yang Maha Kuasa atas anugerahnya sehingga jurnal edisi kali
ini berhasil disusun dan terbit. Beberapa tulisan yang telah melalui koreksi materi dari mitra
bestari dan revisi redaksional dari penulis, pada edisi ini diterbitkan. Adapun jenis tulisan
pada jurnal ini adalah hasil dari penelitian dan pemikiran konseptual. Redaksi mencoba selalu
mengadakan pembenahan kualitas dari jurnal dalam beberapa aspek.
Beberapa pakar di bidangnya juga telah diajak untuk berkolaborasi mengawal penerbitan
jurnal ini. Materi tulisan pada jurnal berasal dari dosen tetap dan tidak tetap UNIVERSITAS
AMIKOM Yogyakarta serta dari luar UNIVERSITAS AMIKOM Yogyakarta.
Tak ada gading yang tak retak begitu pula kata pepatah yang selalu di kutip redaksi, kritik dan
saran mohon di alamatkan ke kami baik melalui email, faksimile maupun disampaikan
langsung ke redaksi. Atas kritik dan saran membangun yang pembaca berikan kami
menghaturkan banyak terimakasih.
Redaksi
ii
DAFTAR ISI
HALAMAN JUDUL………………………………………………………………………………… .... i

KATA PENGANTAR ............................................................................................................................ ii
DAFTAR ISI .......................................................................................................................................... iii
Sistem Informasi Untuk Prediksi Keamanan Pembiayaan Nasabah Bank Syariah
XYZ ..……… ………..…………………………………...…………….……………….……………1-7
Sumarni Adi
(Informatika Universitas AMIKOM Yogyakarta)
Perancangan Sistem Informasi E-Learning Pada SMK Syubbanul Wathon Tegalrejo

Magelang …………………………………………………………….…………….…..……………8-13
Dina Maulina 1) , Bernadhed 2)
(1) Sistem Informasi Universitas AMIKOM Yogyakarta, 2) Informatika Universitas AMIKOM
Yogyakarta)
Sistem Pakar Klasifikasi Tunagrahita Menggunakan Metode Forward Chaining Berbasis Web
(Studi Kasus : SLB Tunas Kasih 2 Turi) ………….……………………………..……………..…14-19
Marwan Noor Fauzy1) , Barka Satya2)
(1),2) Informatika Universitas AMIKOM Yogyakarta)
Visualisasi 2D Fluida 2 Fase Menggunakan Lattice Boltzmann 2D Visualization 2 Phase Fluid

Using Lattice Boltzmann ……………………...……………………………………………….......20-24
Arifiyanto Hadinegoro
Perancangan Arsitektur Dan Purwarupa Model Pembelajaran Massive Open Online Course
(MOOCS) Di Perguruan Tinggi Menggunakan Layanan Mobile…………...…....………………..25-30
Emigawaty
Developer Tools Sebagai Alternatif Pengukuran User Experience Pada Website…………………31-36

Lilis Dwi Farida
(Sistem Informasi Universitas AMIKOM Yogyakarta)
Evaluasi Heuristic Sistem Informasi Pelaporan Kerusakan Laboratorium Universitas AMIKOM

Yogyakarta………………………………………………………………………...……..…..…….37-43
Mulia Sulistiyono
Metadata Forensik Untuk Mendukung Proses Investigasi Digital..………..………………………44-50

Moh. Subli1), Bambang Sugiantoro2), Yudi Prayudi3)
(1,3)Magister Teknik Informatika Fakultas Teknologi Industri Universitas Islam Indonesia, 2)Teknik
Informatika UIN Sunan Kalijaga Yogyakarta)
Sistem Pakar Diagnosa Penyakit Tanaman Kelapa Sawit Menggunakan Teorema Bayes ...….......51-56
Acihmah Sidauruk1), Ade Pujianto2)
(1)Sistem Informasi Universitas AMIKOM Yogyakarta, 2)Informatika Universitas AMIKOM
Yogyakarta)
Klasifikasi Konsentrasi Penjurusan Mahasiswa Universitas AMIKOM Yogyakarta………….….57-63

Hartatik
(Manajemen Informatika Universitas AMIKOM Yogyakarta)
iii
Penerapan Data Mining Untuk Clustering Data Penduduk Miskin Menggunakan Algoritma
Hard C-Means …..….……...….………………………………………………...….………….......64-69
Femi Dwi Astuti
(Teknik Informatika STMIK AKAKOM Yogyakarta)
Pembuatan Sistem Pendeteksi Dini Kebakaran Menggunakan Atmega8.........................................70-75

Rizqi Sukma Kharisma1), Ardi Setiyansah2)
(1,2)Informatika Universitas Amikom Yogyakarta)
iv
Jurnal Ilmiah DASI Vol. 18 No. 1 Hlm. 51-56 ISSN: 1411-3201
SISTEM PAKAR DIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT

MENGGUNAKAN TEOREMA BAYES
Acihmah Sidauruk 1) , Ade Pujianto 2)
1)
Sistem Informasi Universitas AMIKOM Yogyakarta
2)
Informatika Universitas AMIKOM Yogyakarta
email : acihmah@amikom.ac.id1), ade.pujianto@students.amikom.ac.id 2)
Abstraksi
Kelapa sawit merupakan salah satu tanaman yang memiliki daya tarik tersendiri di masyarakat. Saat ini
perkebunan kelapa sawit di Indonesia berkembang sangat pesat. Kelapa sawit tumbuh dan dibudidayakan hampir
di seluruh nusantara, Baik itu milik perseorangan atau milik perusahaan. Tanaman ini mengandung banyak
khasiat membuat permintaan kelapa sawit menjadi terus meningkat.
Sistem pakar adalah cabang kecerdasan buatan yang menggunakan pengetahuan khusus untuk memecahkan
masalah pada level pakar. Salah satu penerapan sistem pakar adalah dalam bidang perkebunan untuk
mendiagnosa penyakit pada tanaman. Pada penelitian ini dilakukan perancangan dan pembuatan sistem pakar
yang digunakan untuk membantu mendiagnosa suatu penyakit pada tanaman sawit serta menentukan saran atau
solusi pengobatan terhadap tanaman sawit.
Hasil akhir dari makalah ini adalah sebuah sistem pakar untuk mendiagnosa penyakit tanaman sawit beserta nilai
probabilitas dari penyakit hasil diagnosa yang menunjukkan tingkat kepercayaan sistem terhadap penyakit
tersebut dan saran atau solusi pengobatan terhadap tanaman sawit tersebut.
Kata Kunci :
Sistem pakar, kelapa sawit, diagnosa
Abstract
Palm oil is one of the plants has attraction in the community .Now the oil palm plantation in indonesia develops
very rapidly .Palm oil grow and cultivated in almost every nusantara .These plants containing many efficacy
make a request palm oil to riseThe uncertainty of knowledge in an expert system is overcome by using the
method of Bayesian probability. The process of determining diagnoses in this expert system begins with the
consultation session, where the system will ask the questions that are relevant to the farmers of the main
symptoms of the disease pineapple plants.
Expert system is a branch of the artificial intelligence that uses special knowledge to solve the problem at the
level of experts .One of the assembling of expert system is in the field of an estate to diagnose disease in plants .
In the study is done design and the creation of a system experts who used to aid diagnose a disease in plants
palm as well as to determine advice or solution treatment to plant palm .
The end result of this paper is an expert system to diagnose disease of palm with the probability of disease
diagnose showing the rate of belief system of the disease and suggestions or solution to treatment plants the
palm
Keywords :
expert system, palm oil, diagnoses
Pendahuluan penyakit pada tanaman. Di beberapa daerah penyakit

ini dapat mengancam produksi tanaman kelapa sawit
Kelapa sawit merupakan salah satu tanaman yang Untuk mengatasi masalah tersebut pada umumnya
memiliki daya tarik tersendiri di masyarakat. Saat ini petani melakukan pengendalian secara konvensional
perkebunan kelapa sawit di Indonesia berkembang dengan pestisida, namun cara tersebut akan
sangat pesat. Kelapa sawit tumbuh dan menimbulkan banyak masalah lain seperti produksi
dibudidayakan hampir di seluruh nusantara, Baik itu buah sawit akan menurun, kwalitas buah akan
milik perseorangan atau milik perusahaan. Tanaman menurun, pencemaran dan turunnya harga kelapa
ini mengandung banyak khasiat membuat permintaan sawit.
kelapa sawit menjadi terus meningkat.
Oleh karena itu dibutuhkannya seorang pakar yang
Penanaman suatu komoditas pertanian secara luas dapat mendiagnosa dan menentukan penyakit serta
dan monokultur sangat berpeluang terserangnya memberikan solusi yang terbaik untuk petani, namun
keterbatasan seorang pakar, jarak tempuh, dan
51
Acihmah, Sistem Pakar ….
mahalnya biaya konsultasi menjadi hambatan untuk Ada beberapa pertimbangan menggunakan sistem
para petani. pakar. Dibawah ini sebagian dari pertimbangan yang
utama :
Berdasarkan permasalahan yang muncul, dalam
a. Membantu melestarikan cagar alam
pernelitian ini dibuat suatu sistem pakar dengan
pengetahuan dan keahlian pakar.
judul “SISTEM PAKAR DIAGNOSA
b. Jika keahlian adalah langka, mahal atau tak
PENYAKIT TANAMAN KELAPA SAWIT
terbatas.
MENGGUNAKAN TEOREMA BAYES” yang
c. Mudah digunakan walaupun bukan seorang
dapat membantu petani dalam mendapatkan solusi
ahli.
terbaik dari hasil diagnosa penyakit tanpa harus
berkonsultasi langsung dengan pakar.
Teori Bayes
Tinjauan Pustaka Teori Bayes merupakan kaidah yang memperbaiki
Beberapa penelitian yang telah dilakukan atau merevisi suatu probabilitas dengan cara
sebelumnya dan perbadingan dengan penelitian yang memanfaatkan informasi tambahan. Maksudnya, dari
akan dilakukan. Penelitian oleh andika aditama gama probabilitas awal (prior probability) yang belum
,2015 mengenai sistem pakar deteksi dini penyakit diperbaiki yang dirumuskan berdasarkan informasi
herniated nuckeus puposus (HNP) berbasis web yang tersedia saat ini, kemudian dibentuklan
menggunakan teorema bayes. Dalam penelitian ini probabilitas berikutnya (posterior probability) [5].
membahas proses perhitungan algoritma bayes pada Rumus untuk probabilitas bersyarat P(Fi∩E) untuk
system berbasis web, inputan data yang digunakan sembarang kejadian E dalam algoritma Bayes dapat
masih statis.[1] dituliskan dengan rumus 1 [5] :
Pada penelitian Puput,,Ryana,Ryani, 2015 yang P(Fi|E) = P(Fi)*P(E|Fi)

berjudul sistem pakar diagnosis penyakit ikan koi
dengan metode bayes Sistem pakar diagnosis ikan P(F1)*P(E|F1)+P(F2)*P(E|F2)+...+
koi dibangun menggunakan PHP, database MYsql, P(Fn)*P(E|Fn)
representasi pengetahuan menggunakan kaidah Keterangan :
reproduksi, proses inferensi menggunakan forward P(Fi|E) : Probabilitas akhir bersyarat
chaining.dan proses perhitungan nilai kepastian (conditional probability) suatu
terjadinya penyakit menggunakan metode bayes. [2] hipotesis Fi terjadi jika diberikan
Penelitan oleh Dzakiya yusa al, 2016 mengenai bukti (evidence) E terjadi
sistem pakar diagnosa penyakit kulit pada P(E|Fi) : Probabilitas sebuah bukti E terjadi
manusia,Pembuatan sistem pakar ini menggunakan akan mempengaruhi hipotesis Fi
PHP,dan database Mysql, Metode yang digunakan P(Fi) : Probabilitas awal (priori) hipotesis
adalah Bayes,desain interface yang digunakan pada Fi terjadi tanpa memandang bukti
sistem pakar ini masih sangat sederhana pengaturan apapun
tata letak menu masih kurang menarik.[3] P(E) : Probabilitas awal (priori) bukti E
terjadi tanpa memandang hipotesis /
Sistem Pakar bukti yang lain.
Sistem pakar adalah sistem yang berusaha Metode Penelitian

mengadopsi pengetahuan manusia (Pakar) ke Pada tahapan ini diarahkan terhadap perancangan
komputer, sehingga komputer dapat menyelesaikan aplikasi yang dibutuhkan dan diawali dengan
permasalahan tersebut layaknya seorang pakar[4]. menganalisis tujuan dan kebutuhan sistem yang akan
Sampai saat ini sudah banyak sistem pakar yang dibangun dengan tujuan untuk memahami kebutuhan
dibuat. Kemampuannya untuk memberikan pengguna sistem. Pada tahapan melakukan
keputusan seperti seorang pakar di dalam bidang pengembangan sistem ini dilakukan dengan
tertentu merupakan salah satu hal yang diperlukan menggunakan metode Systems Development Life
oleh manusia dalam berbagai aspek kehidupan. Cycle (SDLC). Model SDLC dalam penelitian ini
Sistem pakar dibuat pada domain pengetahuan menggunakan model prototyping. Berikut gambar
tertentu untuk suatu kepakaran tertentu yang tentang fase dalam model prototyping [6].
mendekati kemampuan manusia di salah satu bidang.
Sistem pakar mencoba mencari solusi yang
memuaskan sebagaimana yang dilakukan seorang
pakar.
52
atau atas pohon
8 Pupus patah
9 Mengalami pembusukan √ √ √
10 Mengeluarkan aroma
√ √ √ √
tidak sedap
11 Mengandung massa
gambar 1. Model prototyping. √ √ √ √
bakteri putih berlendir
12 Pupus mudah dicabut √ √
Berikut ini adalah alur penelitian yang akan
dilakukan dalam penelitian ini. 13 Infeksi jamur malasmiun
√
1. Tahap latar belakang penelitian yaitu palmivorus
melakukan studi literatur untuk mendapatkan 14 Tandan bagian bawah
gagasan pemikiran, mengumpulkan refrensi √ √
busuk
sebagai pendukung. Kemudian identifikasi 15 Tandan muda terinfeksi
masalah yaitu menjabarkan masalah dan √
malsmiun palmivorus
merumuskan masalah.
2. Identifikasi dan perencanaan (planning) yaitu 16 Miselium dan tubuh buah
mengidentifikasi kebutuhan pengguna, malasmiun palmivorus √
kebutuhan fungsional sistem. tumbuh pada tandan
3. Analisis sistem yaitu melakukan pemodelan 17 Pelepah berwarna
sistem dari pemodelan data. Model yang √ √ √ √
kemerahan
digunakan dalam penelitian ini yaitu Teorema
Buyes.
4. Desain yaitu melakukan desain aplikasi Keterangan :
terdiri dari desain interface menggunakan A = Busuk Pangkal Batang
HTML,CSS, desain database menggunakan B = Busuk Pupus
MySQL. C = Busuk Tandan
5. Implementasi yaitu melakukan implementasi D = Korat Daun
Sistem pakar diagnosa penyakit kelapa sawit
menggunakan bahasa pemrograman PHP dan Jumlah luas lahan tanaman kelapa sawit pada
database MySQL, serta melakukan pengujian perkebunan Pematang Siantar Sumatera Utara seluas
terhadap sistem . 1 hektar/10.000m2. Adapun nilai probabilitas awal
6. Penarikan kesimpulan dari penelitian yang (priori) masing-masing jenis penyakit TB terjadi
dilakukan. tanpa memandang bukti apapun (Fi) didapat dengan
menghitung jumlah penderita penyakit pada tanaman
Hasil dan Pembahasan dibagi dengan jumlah semua data sample yang
dilakukan. Nilai ini dapat dilihat di tabel 2.
Jenis Penyakit pada kelapa sawit yang akan coba
didiagnosa dalam penelitian ini ada 4, yaitu : busuk Tabel 2 Nilai Probabilitas awal masing-masing
pangkal batang, busuk pupus, busuk tandan, korat hipotesa
daun. Gejala dari masing-masing jenis penyakit No. Gejala Jumlah H(Fi)
tanaman kelapa sawit tersebut dapat dilihat pada Penderita
tabel 1. : 1. Busuk Pangkal
Tabel 1 Gejala Masing-Masing Penyakit Batang 6.800 68 %
Tanaman Kelapa sawit
2. Busuk Pupus 5.600 56 %
NO GEJALA A B C D
1 Pembusukan pada 3. Busuk Tandan
√ 4.200 42 %
pangkal batang
2 Daun menguning √ √ √ √ 4. Korat Daun 3.800 38 %
3 Anak daun dan pelepah
√ √ √
mengering
Sedangkan untuk nilai probabilitas evidence pada
4 Akumulasi daun tombak √ √ setiap hipotesa didapat dengan menghitung jumlah
5 Pelepah mengantung √ √ kemunculan gejala dibagi dengan jumlah hipotesa
6 Tumbangnya pohon √ pada setiap jenis Penyakit yang akan dicari.
7 Pembusukan pada tengah √ Perhitungan algoritma bayes ketika ada tanaman
53
mengalami daun menguning (E2) dan anak daun

dan pelepah mengering (E3) dapat dihitung dengan
cara :
n
Σ P(E2,E3| Fxk)* P(Fxk) =
k=1
(P(E2| Fx1) * P(E3| Fx1) * P(Fx1)) + P(E2| Fx2) *

P(E3| Fx2) * P(Fx2)) + (P(E2| Fx3) * P(E3| Fx3) *
P(Fx3)) + (P(E2| Fx4) * P(E3| Fx4) * P(Fx4))
= (0,76 x 0,76 x 0,68) + (0,21 x 0,13 x 0,56) + Gambar 2. Flowchart sistem.

(0,19 x 0,12 x 0,42) + (0,55 x 0 x 0,38)
= 0,5821 Antarmuka Aplikasi.
Tampilan antar muka sistem pakar diagnosa Penyakit
tanaman sawit dapat dilihat pada gambar berikut ini
P(Fx1|E2,E3) = P(E2| Fx1) * P(E3| Fx1) * P(Fx1)
n 1. Halaman Utama
Σ P(E2,E3| Fxk)* P(Fxk) Halaman utama merupakan halaman awal dari
k=1 sistem pakar. Berisikan link-link untuk menuju
= (0,76*0,76*0,68)/0,5821= 0,9139 halaman lainnya.

n
Σ P(E2,E3| Fxk)* P(Fxk)
k=1
= (0,21*0,13*0,56)/0,5821= 0,0469

n
k=1
Gambar 3 Halaman Utama
= (0,19*0,12*0,42)/0,5821= 0,0391
2. Halaman Pendaftaran
Halaman pendaftaran merupakan halaman yang
P(Fx4|E2,E3) = P(E2| Fx4) * P(E3| Fx4) * P(Fx4) berisikan formulir pendaftaran untuk pengguna
n baru.
k=1
= (0,55*0*0,38)/0,5821= 0
Dari hasil perhitungan tersebut, dapat diketahui

Hipotesa (Jenis Penyakit) yang dialami oleh
penderita berdasarkan Evidence (Gejala) yang
timbul saat ini, yaitu :
Fx1 = Busuk Pangkal Batang
Perancangan Sistem Gambar4 Halaman Pendaftaran

Rancangan flowchart sistem, pada sistem pakar ini
adalah sebagai berikut
54
3. Halaman Pengguna
Halaman pengguna merupakan halaman yang
berisikan tentang informasi data pribadi
pengguna.
Gambar 8 Halaman hasil Diagnosa

Pengujian.
Gambar 5 Halaman Pengguna Pengujian yang dilakukan pada system ini adalah
4. Halaman Role menggunakan metode black box testing.
Halaman role ini merupakan halaman yang Tabel 3. Pengujian Black Box Testing
berisikan role, atau aturan yang digunakan pada
sistem ini.
Gambar 6. Halaman Role.

5. Halaman Diagnosa
Halaman Diagnosa merupakan halaman untuk
pengguna dalam mendiagnosa penyakit Kesimpulan Dan Saran
berdasarkan gejala yang ada pada tanaman Sistem ini berhasil dibangun sebuah sistem pakar
kelapa sawit.
untuk mendiagnosa penyakit tanaman kelapa sawit
menggunakan metode teorema bayes. sistem ini telah
dapat membantu para petani dalam memberikan
mendiagnosa penyakit tanaman kelapa sawit
berserta solusi penanggulangannya. hasil dari
pengujian sistem ini mencapai keakuratan 92,25 %.
Perlu adanya update data minimal 6 bulan untuk

memperoleh perkembangan informasi penyakit yang
terbaru Sistem pakar ini dapat dikembangkan
menjadi aplikasi berbasis mobile.
Daftar Pustaka
Gambar 7 Halaman Diagnosa [1] G.A. adhitama., A.D. Hartanto. 2015. Sistem
6. Halaman Hasil Diagnosa Pakar Deteksi Dini Penyakit Herniated Nuckeus
Puposus (HNP) Berbasis Web Menggunakan
Halaman hasil diagnosa merupakan halaman
Teorema Bayes. Thesis. STMIK AMIKOM
hasil dari aktivitas diagnosa yang dilakukan oleh
Yogyakarta.
pengguna, halaman ini berisi prediksi penyakit
dan solusi penanggulangannya.
55
[2] D.Puput Shinta., L.R. Dwi, L.R. Tri. 2015.

Sistem Pakar Diagnosis Penyakit Ikan Koi
Dengan Metode Bayes, Jurnal KOMPUTA, Vol.
4, No. 1.
[3] A.D. Yusa, 2016, Sistem Pakar Diagnosa
Penyakit Kulit Pada Manusia, Skripsi, STMIK
AMIKOM Yogyakarta.
[4] Kusrini. 2016. Sistem Pakar Teori Dan Aplikasi.
Yogyakarta. Andi Offset.
[5] Natalius, Samuel. 2010. Metode Naive Bayes
Classifer dan Penggunaannya Pada Klasifikasi
Dokumen. Skripsi, Prodi Sistem dan Teknologi
Informasi : Institut Teknologi Bandung.
[6] Dennis.,Wixom., Roth., 2006, Systems Analysis
and Design, 3rd Edition Copyright 2006 © John
Wiley & Sons, Inc. PowerPoint Presentation, All
rights reserved
56
p-ISSN 2087-1716
e-ISSN 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 2 Agustus 2018
KLASIFIKASI MASYARAKAT MISKIN MENGGUNAKAN METODE

NAÏVE BAYES
Haditsah Annur
haditsah@gmail.com
Universitas Ichsan Gorontalo
Abstrak
Permasalahan utama dalam upaya pengurangan kemiskinan saat ini terkait dengan adanya
fakta bahwa pertumbuhan ekonomi tidak tersebar secara merata. Penelitian akan melakukan
klasifikasi berdasarkan data penduduk miskin yang diperoleh dari Kecamatan Tibawa dengan
menggunakan teknik data mining. Atribut yang akan digunakan dalam melakukan klasifikasi penduduk
adalah Umur, Pendidikan, Pekrjaan, Penghasilan, Tanggungan, Status (Kawin/Belum Kawin). Metode
yang akan digunakan adalah metode Naïve Bayes Classifier, yang merupakan salah satu teknik
pengklasifikasian dalam data mining. Berdasarkan penelitian yang dilakukan dihasilkan kesimpulan
bahwa, Sistem klasifikasi masyarakat miskin di wilayah pemerintahan Kecamatan Tibawa Kab.
Gorontalo dapat direkayasa dan Berdasarkan hasil pengujian confussion matrix dengan teknik split
validasi, penggunaan metode klasifikasi naïve bayes terhadap dataset yang telah diambil pada objek
penelitian diperoleh tingkat akurasi sebesar 73% atau termasuk dalam kategori Good. Sementara nilai
Precision sebesar 92% dan Recall sebesar 86%.
Kata kunci: Tingkat kemiskinan, Data Mining, Klasifikasi, Naïve Bayes
Abstract
The main problem in the current poverty reduction effort is related to the fact that economic
growth is not evenly distributed. The research will classify based on the data of poor people obtained
from Tibawa District by using data mining technique. Attributes to be used in classifying the population
are Age, Education, Work, Income, Dependent, Status (Married / Unmarried). The method to be used
is the Naïve Bayes Classifier method, which is one of the classification techniques in data mining.
Based on the research, it is concluded that, the classification system of the poor in the administrative
area of Tibawa sub-district, Gorontalo regency can be engineered and Based on the result of
confusion matrix testing with split validation technique, the use of naïve Bayes classification method to
the dataset which has been taken on the research object obtained the level of accuracy 73% or
included in the Good category. While the Precision value of 92% and Recall of 86%.
Keywords: Poverty Level, Data Mining, Classification, Naïve Bayes
1. Pendahuluan
Semua Masyarakat miskin merupakan suatu kondisi dimana fisik masyarakat yang tidak
memiliki akses ke prasarana dan sarana daser lingkungan yang memadai, dengan kualitas
perumahan dan pemukiman yang jauh dibawah standar kelayakan serta mata pencaharian yant tidak
menentu yang mencakup serluruh mulitidimensi. Penggolongan kemikskinan didasarkan pada suatu
standart tertentu yaitu dengan membandingkan tingkat pendapatan orang atau keluarga dengan
tingkat pendapatan yang diperlukan untuk memenuhi kebutuhan pokok minimum [1]. Wilayah
Kecamatan Tibawa yang terbagi ke dalam 16 Desa, dan Kecamatan Tibawa termasuk Kecamatan
yang memiliki penduduk yang masih di bawah taraf hidupnya, yang biasa dikatakan masyarakat
miskin. Berdasarkan data masyarakat miskin yang peroleh dari Kecamatan Tibawa Kabupaten
Gorontalo yaitu sebagai berikut :
Tabel 1. Data Penduduk Miskin
Tahun Jumlah Penduduk Miskin
2015 2790
2014 2819
2013 2950
Sumber : Kecamatan Tibawa
| 160
p-ISSN 2087-1716
e-ISSN 2548-7779
Permasalahan utama dalam upaya pengurangan kemiskinan saat ini terkait dengan adanya
fakta bahwa pertumbuhan ekonomi tidak tersebar secara merata di seluruh wilayah Indonesia,
khususnya di Kecamatan Tibawa, ini dibuktikan dengan tingginya perbedaan pendapatan antar
daerah. Selain itu kemiskinan juga merupakan sebuah hubungan sebab akibat (kausalitas melingkar)
artinya tingkat kemiskinan yang tinggi terjadi karena rendahnya pendapatan perkapita, pendapatan
perkapita yang rendah terjadi karena investasi perkapita yang juga rendah [2]. Salah satu metode
Data Mining yang bisa digunakan adalah Association rule discovery merupakan tugas yang sama
dalam data mining, dengan pengecualian bahwa tujuan utama dari klasifikasi adalah prediksi label
kelas, sedangkan asosiasi aturan penemuan menggambarkan korelasi antara item dalam database
transaksional [3]. Metode yang akan digunakan adalah metode Naïve Bayes Classifier, yang
merupakan salah satu teknik pengklasifikasian dalam data mining [4]. Dimana akan dilakukan analisis
untuk memperoleh informasi terhadap data lama tingkat kemiskinan. Diharapkan dari penelitian yang
dilakukan terhadap sampel data penduduk miskin tersebut dapat diperoleh suatu informasi yang bisa
membantu pihak kecamatan untuk merancang strategi dalam meningkatkan kesejahteraan
masyarakat. Penelitian akan membuat aplikasi klasifikasi berdasarkan data penduduk miskin yang
diperoleh dari Kecematan Tibawa tahun 2015 dengan menggunakan teknik data mining. Variabel
inputan yang akan digunakan dalam melakukan klasifikasi penduduk miskin tahun 2016 adalah Umur,
Pendidikan, Pekerjaan, Penghasilan, Tanggungan, Status (Kawin/Belum Kawin), sesuai data yang
telah diambil dan sesuai dengan variabel yang akan diinputkan, maka hasil klasifikasinya nanti akan
menentukan tingkat kemiskinan seperti : Miskin dan Tidak Miskin. Rumusan Masalah penelitian ini
adalah menentukan cara merekayasa sistem untuk klasifikasi masyarakat miskin Menggunakan
Algoritma Naive Bayes dan Hasil penerapan Algoritma Naive Bayes untuk klasifikasi masyarakat
miskin di kecamatan tibawa. Adapun tujuan dari penelitian ini adalah : Klasifikasi masyarakat miskin di
Kecamatan Tibawa Menggunakan Algoritma Naive Bayes dan Menerapkan Algoritma Naïve Bayes
klasifikasi masyarakat miskin di Kecamatan Tibawa.
2. Metode
1.1 Klasifikasi
Proses penemuan model (atau fungsi) yang menggambarkan dan membedakan kelas data
atau konsep yang bertujuan agar bisa digunakan untuk memprediksi kelas dari objek yang
label kelasnya tidak diketahui [5]. Algoritma klasifikasi yang banyak digunakan secara luas, yaitu
Decision/classification trees, Bayesian classifiers/ Naïve Bayes classifiers, Neural networks,
Analisa Statistik, Algoritma Genetika, Rough sets, k-nearest neighbor, Metode Rule Based,
Memory based reasoning, dan Support vector machines (SVM) [6].
1.2 Algoritma Naïve Bayes
Bayesian classification adalah pengklasifikasian statistik yang dapat digunakan untuk
memprediski probabilitas keanggotaan suatu class. Bayesian classification didasarkan pada teorema
Bayes yang memiliki kemampuan klasifikasi serupa dengan decesion tree dan neural network.
Bayesian classification terbukti memiliki akurasai dan kecepatan yang tinggi saat diaplikasikan ke
dalam database dengan data yang besar [7]. Metode Bayes merupakan pendekatan statistic untuk
melakukan inferensi induksi pada persoalan klasifikasi. Pertama kali dibahas terlebih dahulu tentang
konsep dasar dan definisi pada Teorema Bayes, kemudian menggunkan teorema ini untuk melakukan
klasifikasi dalam Data Mining.Teorema Bayes memiliki bentuk umum sebagai berikut :
P(H | X) = P(X|H)P(H) (1)
P(X)
Keterangan :
X = Data dengan class yang belum diketahui

H = Hipotesis data X merupakan suatu class spesifik
P(H|X) = Probabilitas hipotesis H berdasarkan kondisi x (posteriori prob.)
P(H) = Probabilitas hipotesis H (prior prob.)
P(X|H) = Probabilitas X berdasarkan kondisi tersebut
P(X) = Probabilitas dari X
| 161
p-ISSN 2087-1716
e-ISSN 2548-7779
Gambar 1. Teorema Bayes
3. Hasil dan Pembahasan
3.1 Manual Penggunaan Metode Klasifikasi
Klasifikasi dengan Naïve Bayes Menggunakan Data Latih

Berdasarkan dataset/data latih, maka akan dilakukan proses klasifikasi terhadap data baru berikut :
Umur = Tua
Status = Kawin
Pendidikan = SLTP
Tanggungan = 1 Orang
Pekerjaan = Pedagang
Penghasilan = Tinggi
Proses naïve bayes
Probabilitas Kelas Miskin :
P(Miskin) = 145/171 = 0.847
Probabilitas Kelas Tidak Miskin :
P(Tidak Miskin) = 26/171 = 0.152
Menghitung kemungkinan termasuk kategori miskin :
P(Class.Miskin | Umur.Tua) = 86 / 145 = 0.59
P(Class. Miskin | Status.Kawin) = 122 / 145 = 0.84
P(Class.Miskin | Pendidikan.SLTP) = 121 / 145 = 0.83
P(Class.Miskin | Tanggungan.1 Org) = 19 / 145 = 0.13
P(Class.Miskin | Pekerjaan.Pedagang) = 1 / 145 = 0.006
P(Class.Miskin | Penghasilan.Tinggi) = 0 / 145 = 0
Maka kemungkinan termasuk kategori miskin adalah
Class.Miskin = 0.847 x 0.59 x 0.84 x 0.83 x 0.13 x 0.006 x 0
Class.Miskin = 0
Menghitung kemungkinan termasuk kategori tidak miskin :

P(Class.Tidak Miskin | Umur,Tua) = 13 / 26 = 0.5
P(Class.Tidak Miskin | Status.Kawin) = 20 / 26 = 0.77
P(Class.Tidak Miskin | Pendidikan.SLTP) = 3 / 26 = 0.11
P(Class.Tidak Miskin | Tanggungan.1 Org) = 2 / 26 = 0.08
P(Class.Tidak Miskin | Pekerjaan.Pedagang) = 4 / 26 = 0.15
P(Class.Tidak Miskin | Penghasilan.Tinggi) = 8 / 26 = 0.31
Maka kemungkinan termasuk kategori tidak miskin :
Class.Tidak Miskin = 0.152 x 0.5 x 0.77 x 0.11 x 0.08 x 0.15 x 0.31
Class.Tidak Miskin = 0.00023
Karena nilai probabilitas Class.Miskin lebih kecil dari nilai probabilitas Class.Tidak Miskin, maka dapat
disimpulkan bahwa data baru diatas termasuk dalam kategori TIDAK MISKIN
3.2 Pengujian Metode Klasifikasi Menggunakan Data Testing

1. Adapun pengujian terhadap metode klasifikasi naïve bayes yang digunakan, dilakukan dengan
menggunakan teknik split validation dengan confussion matrix, dimana dataset yang disajikan
diatas akan dibagi kedalam dua bagian yakni 90% (171 record) dari dataset akan dijadikan
sebagai data training atau latih dan 10% (19 record) sisanya akan dijadikan sebagai data testing
atau uji.
| 162
p-ISSN 2087-1716
e-ISSN 2548-7779
2. Hasil proses klasifikasi menggunakan metode naïve bayes pada data testing yang berjumlah 19
record dihasilkan proses klasifikasinya sebagai berikut :
Tabel 2. Hasil Klasifikasi Data Testing
Pendidika Tangg Pengha Actual Predicted

id Umur Status Pekerjaan
n ungan silan Class Class
TIDAK TIDAK
1 Tua Kawin SLTP 1 Pedagang Tinggi
MISKIN MISKIN
Belum Buruh
2 Muda SD 0 Rendah MISKIN MISKIN
Kawin Lepas
Aparatur TIDAK TIDAK
3 Tua Kawin Sarjana 3 Tinggi
Negara MISKIN MISKIN
4 Tua Kawin SLTP 4 Petani Rendah MISKIN MISKIN
Aparatur TIDAK TIDAK
5 Muda Kawin Sarjana 4 Tinggi
Negara MISKIN MISKIN
6 Muda Kawin SD 3 Petani Rendah MISKIN MISKIN
Tidak TIDAK
7 Muda Kawin 2 Petani Sedang MISKIN
Sekolah MISKIN
Buruh
8 Tua Kawin SLTP 3 Rendah MISKIN MISKIN
Lepas
9 Tua Cerai SLTA 2 Tiada Tiada MISKIN MISKIN
10 Muda Kawin SD 3 Petani Rendah MISKIN MISKIN
TIDAK TIDAK
11 Muda Kawin SLTP 3 Petani Sedang
MISKIN MISKIN
Belum Buruh TIDAK
12 Muda SD 0 Rendah MISKIN
Kawin Lepas MISKIN
13 Tua Kawin SD 1 Tiada Tiada MISKIN MISKIN
Buruh
14 Muda Kawin SD 3 Rendah MISKIN MISKIN
Lepas
TIDAK
15 Muda Kawin SD 5 Petani Sedang MISKIN
MISKIN
16 Tua Kawin SD 3 Petani Rendah MISKIN MISKIN
17 Tua Cerai SLTA 1 Tiada Tiada MISKIN MISKIN
18 Tua Cerai SD 2 Tiada Tiada MISKIN MISKIN
Buruh
19 Tua Kawin SD 3 Rendah MISKIN MISKIN
Lepas
Dari hasil proses klasifikasi yang disajikan pada tabel diatas maka dapat dikonversi kedalam
bentuk tabel confussion matrix seperti dibawah :
Tabel 3. Pengujian Confussion Matrix
19 Record Tidak Miskin Miskin

Actual: Tidak Miskin 4 1 5
Actual: Miskin 2 12 14
6 13
Berdasarkan tabel conffussion matrix diatas maka kinerja dari penggunaan metode klasifikasi naïve
bayes dapat diukur dengan menghitung nilai accurasi, precision dan recall.
Accuracy : (TP+TN)/Total
: (12 + 4) / 19 = 73 %
Precision : TP / Predicted Miskin
: 13 / 13 = 92 %
Recall : TP / Actual Miskin
: 12 / 14 = 86 %
| 163
p-ISSN 2087-1716
e-ISSN 2548-7779
3.3 Hasil Klasifikasi pada Sistem

Form di bawah ini menunjukkan Hasil akhir dari sistem, yang merupakan hasil klasifikasi pada
setiap objek dengan menggunakan metode yang diusulkan, pada halaman ini juga nantinya dapat
dilakukan proses pencetakan dari hasil klasifikasi tersebut sebagai bahan laporan kepada
pimpinan/yang membutuhkan hasil klasifikasi tersebut.
Gambar 2. Halaman Hasil Klasifikasi
3.4 Pengujian Black-Box

Tabel 4. Hasil Pengujian Black-Box
Input event Fungsi Hasil sistem Hasil uji
Klik menu kelas Untuk menampilkan form Ditampilkan form input Sesuai
input kelas kelas
Klik menu parameter Untuk menampilkan form Ditampilkan form input Sesuai
input parameter / atribut parameter / atribut
Klik menu sub Untuk menampilkan form Ditampilkan form input Sesuai
parameter input sub parameter sub parameter
Klik menu training Untuk menampilkan form Ditampilkan form input Sesuai
input data latih / training data latih / training
Klik menu objek Untuk menampilkan form Ditampilkan form input Sesuai
input objek objek
Klik menu hasil Untuk menampilkan hasil Ditampilkan hasil Sesuai
Klasifikasi Klasifikasi keseluruhan Klasifikasi keseluruhan
objek objek
Beri masukan pada Untuk menyimpan data Data kelas disimpan Sesuai
form kelas dan klik kelas yang diketikkan kedalam database
tombol simpan/save pada database
Klik tombol tambah Untuk menampilkan form Ditampilkan form input Sesuai
pada data objek input data fakta / uji pada data latih
objek yang dimaksudkan
Diberi masukan pada Untuk menyimpan data Data fakta/uji disimpan Sesuai
form input data latih fakta/uji untuk objek kedalam database
dan klik tombol tersebut
simpan/save
4. Kesimpulan dan Saran
4.1 Kesimpulan
1. Sistem klasifikasi masyarakat miskin di wilayah pemerintahan Kab. Gorontalo dapat direkayasa,
hal tersebut dapat dibuktikan melalui interface yang disajikan dan sistem yang telah direkayasa
sudah dilakukan pengujian sistem dengan menggunakan whitebox untuk memeriksan alur logika
yang digunakan pada sistem dan juga telah dilakukan pengujian blackbox untuk memeriksa
kesesuaian fungsi pada setiap interface yang ada.
2. Berdasarkan hasil pengujian confussion matrix dengan teknik split validasi, penggunaan metode
klasifikasi naïve bayes terhadap dataset yang telah diambil pada objek penelitian diperoleh
tingkat akurasi sebesar 73% atau termasuk dalam kategori Good. Sementara nilai Precision
sebesar 92% dan Recall sebesar 86%. Berdasarkan hal tersebut dapat dinyatakan bahwa sistem
klasifikasi yang dibangun dapat gunakan sebagai bahan masukan bagi pengambil keputusan
| 164
p-ISSN 2087-1716
e-ISSN 2548-7779
4.2 Saran
1. Mengingat nilai akurasi masih berada pada angka 73%, maka masih sangat dimungkin untuk
dapat dilakukan penelitian selanjutnya untuk meningkatkan nilai akurasi dengan menambahkan
fitur seleksi atau penggunaan Algoritma komputer yang lain.
2. Pada penelitian lain diharapkan dapat digunakan dataset dalam jumlah yang lebih besar atau
dengan sejumlah variabel lainnya guna meningkatkan performa dari metode yang digunakan.
5. Terima Kasih
Terwujudnya publikasi karya ilmiah ini tidak lepas dari bantuan berbagai pihak,yang telah
memberikan dana penelitian melalui Hibah Penelitian Kompetitif di lingkungan Universitas Ichsan
Gorontalo, oleh karena itu penulis mengucapkan terima kasih yang sebesar-besarnya kepada : Ketua
Yayasan PIPT Ichsan Gorontalo, Rektor Universitas Ichsan Gorontalo, Ketua Lembaga Penelitian
Unisan Gorontalo dan Sekretaris Lemlit Unisan Gorontalo. Semoga hasil publikasi karya ilmiah ini,
dapat bermanfaat bagi peneliti dan masyarakat.
Daftar Pustaka
[1] Sumanta, Jaka. 2005. Fenomena lingkaran kemiskinan di Indonesia : Analisis ekonometri regional
data panel propinsi tahun 1999-2002. MPKP UI.
[2] Suryawati. 2004. Teori Ekonomi Mikro. UPP. AMP YKPN. Yogyakarta
[3] Ayub, Mewati. (2007). “Proses Data Mining dalam Sistem Pembelajaran Berbantuan Komputer”,
Jurnal Sistem Informasi Vol. 2 No. 1 Maret 2007 : 21-30
[4] Mustafa , Muhammad Syukri . Simpen, I Wayan. (2014). Perancangan Aplikasi Prediksi Kelulusan
Tepat Waktu Bagi Mahasiswa Baru Dengan Teknik Data Mining (Studi Kasus: Data Akademik
Mahasiswa STMIK Dipanegara Makassar), ISSN: 2354-5771
[5] Kursini, Luthfi, E. T., 2009, Algoritma Data Mining, Andi Offset, Yogyakarta.
[6] Jananto, Arief. 2013. Algoritma Naive Bayes untuk Mencari Perkiraan Waktu Studi Mahasiswa.
[7] Supriyanto, Catur. Purnama Parida. 2013. deteksi penyakit diabetes type ii dengan naive bayes
berbasis particle swarm optimization. Jurnal Teknologi Informasi, Volume 9 Nomor 2, Oktober 2013
[8] Kusumadewi, Sri dkk. 2006. Fuzzy Multi Attribute Decison Making (FMADM). Yogyakarta.Graha
Ilmu.
[9] Bambang Hariyanto, (2004), Sistem Manajemen Basis Data, Informatika, Bandung
[10] Jeffry, L. Whitten,et al. 2004. Metode Desain dan Analisis Sistem. Edisi I. Diterjemahkan oleh tim
penerjemah ANDI. Yogyakarta: Penerbit Andi Madcoms.
[11] Jogiyanto, HM.,2005, Analisis dan Desain Sistem Informasi : PendekatanTerstruktur Teori dan
Praktek Aplikasi Bisnis, Yogyakarta : Andi
| 165
Jurnal SIMETRIS, Vol 8 No 2 November 2017
ISSN: 2252-4983
PENERAPAN NAIVE BAYESIAN UNTUK PERANKINGAN KEGIATAN DI

FAKULTAS TIK UNIVERSITAS SEMARANG
Astrid Novita Putri
Fakultas TIK
Universitas Semarang
Email: astrid@usm.ac.id
ABSTRAK
Universitas Semarang adalah Salah satu perguruan tinggi swasta di Semarang, dengan jumlah
mahasiswa aktif 12.000. Universitas Semarang mempunyai berbagai macam fakultas dan juga program
studi di dalamnya. Di setiap program studi setiap tahun pasti selalu mengadakan kegiatan, entah kegiatan
kemahasiswaan maupun kegiatan akademik. Salah satu kegiatan yang selalu di adakan setiap tahun
adalah kegiatan Workshop, Kuliah Umum, Festifal, dsb. Dengan begitu banyaknya kegiatan yang sudah
terlewati terkadang fakultas belum memberikan urutan dari mana sajakah program studi yang sering
mengadakan kegiatan dan memiliki banyak peminat di dalam kegiatan tersebut. Oleh karena itu di
perlukan suatu perankingan berdasarkan favorit dan tidak pada program studi manakah yang memiliki
peminat sangat banyak, sehingga memacu program studi yang lain untuk giat membuat kegiatan yang
menarik mahasiswa dan akan menambah pengetahuan baru bagi mahasiswa.Di Universitas Semarang
memiliki beberapa fakultas dan program studi salah satunya adalah Fakultas Teknologi Informasi dan
Komunikasi. Kemudian perankingan akan di buat menggunakan salah satu metode klasifikasi yaitu
metode naive bayesian.
Kata Kunci: perankingan, naive, bayesian, kegiatan.
ABSTRACT
Semarang University is one of the private universities in Semarang, with an active student
population of 12,000. Semarang University has a variety of faculties and courses in it. In each course of
study every year must always hold activities, whether student activities or academic activities. One of the
activities that is always held every year is the workshop, Public Lecture, Festifal, etc .. With so many
activities that have been missed sometimes the faculty has not given the order from which study programs
are often held activities and have many enthusiasts in the activity. Therefore, in need of a ranking based
on favorites and not on which study program has a lot of enthusiasts, thus spurring other study programs
to actively create activities that attract students and will add new knowledge for students. At the
University of Semarang has several faculties and programs one of which is the Faculty of Information
and Communication Technology. Then the ranking will be made using one method of classification is
naive bayesian method.
Keywords: ranking, naive, bayesian, activity.
1. PENDAHULUAN
Kegiatan adalah suatu aktivitas peristiwa atau kejadian pada umumnya yang di lakukan secara terus,
pada universitas semarang memiliki beberapa fakultas dan program studi, setiap fakultas memiliki
beberapa program studi, salah satunya adalah Fakultas Teknologi informasi dan komunikasi memiliki 3
program studi yaitu Teknik Informatika, Sistem Informasi dan Ilmu Komunikasi, di setiap program studi
setiap tahun mengadakan suatu kegiatan, contohnya : Kuliah Umum, Seminar, Workshop, Festifal, dsb.
Pada setiap kegiatan memiliki peserta baik dalam maupun dari luar Universitas Semarang, mahasiswa
juga di wajibkan mengikuti kegiatan kegiatan yang ada di kampus, namun terkadang kegiatan pihak
fakultas tidak memberikan klasifikasi pembeda manakah program studi yang memiliki banyak kegiatan
dan memiliki jumlah peserta terbanyak. Oleh sebab itu di perlukan suatu klasifikasi pembeda, agar
memacu program studi membuat kegiatan yang terbaru dan menambah pengetahuan untuk mahasiswa.
Untuk mengklasifikasikan tersebut menggunakan metode pada artifical intelligent yaitu naive bayesian.
Metode naive bayesian adalah salah satu metode klasifikasi dan percabangan dari artifical
intellegence, kegiatan-kegiatan tersebut akan di bentuk suatu Ranking yaitu Favorit dan Tidak Favorit,
sehingga mahasiswa dan masyarakat dapat mengetahui kegiatan apa sajakah yang ada di fakultas TIK,
603
ISSN: 2252-4983
dengan kriteria di bawah ini program studi, jenis kegiatan, hasil kegiatan, dan ranking. Dengan di latar
belakangi tersebut peneliti akan membuat perhitungan klasifikasi program studi mana sajakah yang
favorit dan tidak favorit.
1.1. Data Mining
Data mining yang di kenal dengan nama pattern recognition adalah metode pengolahan untuk
menemukan suatu pola yang tersembunyi untuk dapat di olah menjadi pengetahuan dan ilmu pengetahuan
baru dan informasi dari data dan hasil untuk keputusan di masa depan.
Data mining juga dapat di sebut sebagai sistem pengolahan data yang sangat besar, yang
memberikan peranan dalam beberapa bidang di dunia yaitu bidang keuangan, industri, transportasi, cuaca,
dan teknologi. Dalam data mining juga terdapat metode metode yang daat di gunakan anatra lain metode
klasifikasi, clustering, regresi, seleksi variabel, dan market bisnis. Data mining dapat di artikan sebagai
data dalam jumlah besar yang di simpan dalam suatu database, data warehouse untuk menyimpan dapat
sehingga dapat menemukan pola. Ada beberapa teknik dalam data mining antara lain data analisis, signal
proccesing, neural network dan pengenalan pola.
1.2. Metode Klasifikasi Naive Bayesian
Naïve Bayes adalah suatu metode klasifikasi dalam data mining dengan menggunakan metode
probabilitas dan statistik sesuai dengan di kemukakan oleh ilmuwan inggris bernama Thomas Bayes.
Kemudian Menurut Olson: 2008 : p 102 menjelaskan bahwa Naïve Bayes merupakan suatu kelas
keputusan, dengan menggunakan perhitingan probabilitas matematika dengan syarat bahwa nilai
keputusan adalah benar, berdasarkan informasi obyek.
Sedangkan The Naïve Bayesian classifier, atau Simple Bayesian Classifier menurut Han, Kamber
2011 : p3 : 51 yaitu :
a) Variabel D merupakan suatu set tuple dan label yang berkait dengan kelas, kemudian setiap tuple
mewakili vektor atribut n dan dimensi X = (x1, x2, ..., xn), yang menggambarkan pengukuran n
pada tuple dari atribut n, masing masing adalah A1, A2, ..., An.
b) Kelas M, C1, C2,.., Cm. Di berikan suatu tuple X, untuk klasifikasi prediksi X yang akan
menjadi kelompok memiliki probabilitas posterior tertinggi, kondisi tersebut di sebutkan pada X.
Artinya adalah sebagai berikut klasifikasi Naïve Bayes memprediksi bahwa X tuple memiliki
kelas Ci. Rumus dapat di sebutkan pada gambar di bawah ini.
P(Ci|X) > P(Cj|X) For 1 ≤ j ≤ m, j ≠ i

Rumus Classifier Naïve Bayesian
Sumber: Han, Kamber :2011: p351
Keterangan :
a. P(Ci|X) = Probabilitas hipotesis Ci jika diberikan fakta atau record X (Posterior
probability)
b. P(X|Ci) = mencari nilai parameter yang memberi kemungkinan yang paling
besar (likelihood)
c. P(Ci) = Prior probability dari X (Prior probability)
d. P(X) = Jumlah probability tuple yg muncul
1.3. Kerangka Pemikiran
Kerangka pemikiran merupakan garis besar dari langkah – langkah penelitian yang sedang
dilakukan, kerangka pemikiran dijadikan acuan untuk melakukan tahap – tahap yang sedang dilakukan
dalam penelitian.
604
ISSN: 2252-4983
Permasalahan
Data Kegiatan di Fakultas TIK sangat banyak dan menjadi tumpukan,

secara statistik di gali hanya dalam setiap program studi saja belum
menyeluruh ke Fakultas, sehingga informasinya juga belum di gali lebih
jauh. Program studi manakah yang sering mengadakan kegiatan dan jumlah
pesertanya cukup banyak,dan di klasifikasikan
Tujuan
Mengklasifikasikan Data Kegiatan Fakultas TIK dan jumlah peserta untuk
penggelompokan program studi Favorit dalam membuat suatu kegiatan di
Fakultas TIK
Eksperimen
Inputan : Data Metode : Naive Bayesian Implementasi :

Kegiatan di FTIK Rapid Miner
HASIL
Menghasilkan sistem yang mampu mengklasifikasikan data kegiatan di
Fakultas TIK Menggunakan Metode Naive Bayesian
Manfaat
Membantu Pihak Fakultas TIK Dalam Mengevaluasi Kegiatan di Fakultas
TIK, juga di jadikan sebagai bahan acuan dan monitoring kepada Fakultas
TIK mengenai kegiatan yang telah ada
Gambar 1. Flow Chart Kerangka Pemikiran
2. METODOLOGI PENELITIAN
Pada bagian ini akan membahas mengenai jenis dana dan metode pengumpulan data yang di
gunakan.
2.1 Jenis Data
Jenis data yang digunakan dalam penelitian ini yaitu:

a) Data primer, yaitu data yang diperoleh secara langsung dari objek penelitian, sebagai berikut :
Kegiatan yang ada di fakultas TIK, Jumlah peserta, kemudian ranking yang akan di dapatkan.
b) Data sekunder, yaitu data yang diperoleh dari literature, buku referensi, maupun browsing
internet.
2.2 Metode Pengumpulan Data
Metode pengumpulan data yang dilakukan dalam penelitian ini adalah:

a) Observasi dan Wawancara : Pengumpulan data melalui pengamatan dan wawancara secara
langsung dengan Ketua Program Studi Teknik Informatika, Sistem Informasi, dan Ilmu
Komunikasi mengenai kegiatan apa sajakah yang ada di dalamnya dan menganalisa kriteria yang
di gunakan dari jenis kegiatan, tanggal kegiatan, hasil kegiatan, dan ranking yang di dapat dari
hasil klasifikasi jumlah peserta.
b) Studi Pustaka : Mengumpulkan literatur pendukung penelitian, baik dari buku referensi ataupun
browsing dari internet.
605
ISSN: 2252-4983
Gambar 2. Alur Analisis
Pada penelitian ini di awali dengan pendefinisian masalah hingga metode yang akan di gunakan. Di
bawah ini adalah tahapan sebagai berikut :
a) Pendefinisian permasalahan berkaitan dengan merancang suatu analisa.
b) Studi Pustaka : Pengumpulan data yaitu berupa literatur buku, jurnal nasional maupun
internasional, kemudian penelitian yang pernah di lakukan peneliti sebelumnya.
c) Wawancara : Melakukan proses wawancara tanya jawab dengan pihak ketua program studi
Teknik Informatika, Sistem Informasi, dan Ilmu Komunikasi.
d) Observasi : Pengamatan langsung proses kegiatan yang ada
e) Analisa : Melakukan analisa pada hasil observasi, wawancara, penelitian sebelumnya.
f) Penerapan Metode : Metode mana sajakah yang akan di gunakan pada klasifikasi program studi
mana sajakah yang favorit.
g) Pengambilan Kesimpulan Oleh Peneliti.
3. HASIL DAN PEMBAHASAN
3.1 Penentuan Kriteria
Berikut ini adalah kriteria dalam menentukan hasil berdasarkan ranking menggunakan metode
klasifikasi : Naive Bayesian berikut ini :
a) Progdi : Teknik Informatika, Sistem Informasi, Ilmu Komunikasi.
b) Jenis Kegiatan : Kuliah Umum, Workshop, Pelatihan, Kegiatan Akademik, Kegiatan Ilmiah.
c) Hasil Kegiatan (Berdasarkan Peserta) : Memuaskan, Cukup (Di dapatkan dari jumlah peserta
kegatan)
d) Ranking : Favorit, Tidak Favorit.
3.2 Analisa Perhitungan Metode Naive Bayesian
Berikut ini adalah tabel traning dari dataset kegiatan di Fakultas TIK Pada Tahun 2016 adalah di
bawah ini ada 13 data terdiri dari 4 data kegiatan program studi Teknik Informatika, 3 kegiatan program
studi Sistem Informasi dan 6 kegiatan pada program studi Ilmu Komunikasi.
Tabel 1. Traning kegiatan fakultas TIK Universitas Semarang

No Program Studi Jenis Kegiatan Hasil Kegiatan Ranking
1. Teknik Informatika Workshop Instal U-Buntu Realase Memuaskan Favorit
Party 11.04
2. Teknik Informatika Workshop Framework PHP Memuaskan Favorit
3. Teknik Informatika Worshop Linux Cukup Tidak
Favorit
4. Teknik Informatika Workshop Sistem Sensor Memuaskan Favorit
5. Sistem Informasi Workshop Website Cukup Tidak
606
ISSN: 2252-4983
No Program Studi Jenis Kegiatan Hasil Kegiatan Ranking

Favorit
6. Sistem Informasi Festifal IT Fest Memuaskan Favorit
7. Sistem Workhsop Mikrotik Cukup Tidak

Informasi Favorit
8. Ilmu Komunikasi Pelatihan Lab. TV Cukup Tidak
Favorit
9. Ilmu Komunikasi Festival Charity Cukup Tidak
Favorit
10. Ilmu Komunikasi Festifal Komukino Memuaskan Favorit
11. Ilmu Komunikasi Pelatihan Acara Retorika Memuaskan Favorit
12. Ilmu Komunikasi Festifal Review TV Memuaskan Favorit
13 Ilmu Komunikasi Festifal Public Relation Cukup ???
Kemudian Bagaimana Cara Menghitung No 13, Kategori Hasil Apakah Yang Akan di Dapatkan
Dalam Hasil Ranking ?, Perhitungan Naive Bayesian :
a) Tahap 1 Menghitung jumlah class/label (Ranking)

P(Favorit) = 7/12
P(Tidak Favorit ) = 5/12
b) Tahap 2 :
Menghitung Jumlah Untuk Masalah Sama dengan Class Yang Sama (Berdasarkan : Program
Studi)
P(IK\Favorit) =3/5
P(IK\Tidak Favorit) =2/5
Menghitung Jumlah Untuk Masalah Sama dengan Class Yang Sama (Berdasarkan : Kegiatan)
P(Festifal\Favorit) = 3/4
P(Festifal\Tidak Favorit) = 1/4
Menghitung Jumlah Untuk Masalah Sama dengan Class Yang Sama (Berdasarkan : Hasil
Kegiatan)
P(Cukup\Favorit) = 0/5
P(Cukup\Tidak Favorit) = 5/5
c) Tahap 3 Mengkalikan Semua Variabel Favorit dan Tidak Favorit
Klasifikasi Bayes Untuk Ranking : Favorit
= P(Favorit). P(IK\Favorit). P(Festifal\Favorit). P(Cukup\Favorit)
= 7/12 * 3/5 * 3/4* 0/5
= 0,58 * 0,6 * 0,75 * 0
=0
Klasifikasi Bayes Untuk Ranking : Tidak Favorit
= P(Tidak Favorit). P(IK\ (Tidak Favorit). P(Festifal\ (Tidak Favorit). P(Cukup\ (Tidak Favorit)
= 5/12 * 2/15 * 1/4 * 5/5
= 0,416 * 0,4 * 0,25 * 1
= 0,0416
Dari hasil perhitungan di atas, maka klasifikasi Bayes untuk Ranking dari record 13 yang di peroleh
adalah “TIDAK FAVORIT” dengan nilai 0,0416 dibandingkan dengan kegiatan yang favorit.
3.3 Implementasi Klasifikasi Naive Bayesian Pada Rapid Miner
Berikut ini adalah pengolahan data dengan menggunakan naive bayesian pada Rapid Miner :
607
ISSN: 2252-4983
Gambar 3. Pemodelan Klasifikasi Naive Bayesian Pada Rapid Miner
Dengan menggunakn pemodelan klasifikasi naive bayesian seperti gamnar di atas dengan
mengklasifikasi 2 jenis Favorit dan Tidak Favorit.Kemudian Berikut ini adalah hasil implementasi
Kegiatan Curva Berdasarkan Favorit dan Tidak Favorit menggunakan RapidMiner menunjukkan kegiatan
yang tidak favorit sangat tinggi di Fakultas TIK .
Gambar 4. Nilai Ranking Hasil Kegiatan Menggunakan Rapid Miner
Kemudian berdasarkan chart di Fakultas TIK pada hasil di bawah ini menunjukkan bahwa Program
Studi Ilmu Komunikasi Menempati Urutan Terfavorit dengan Nilai 6, Menyusul urutan kedua yaitu
Program Studi Teknik Informatika dengan nilai 4, dan urutan terakhir adalah Program Studi Sistem
Informasi dengan nilai 3 pada Hasil Rapidminer.
608
ISSN: 2252-4983
Gambar 5. Chart Berdasarkan Program Studi
4. KESIMPULAN
Dapat di simpulkan bahwa hasil perankingan pada Fakultas TIK Untuk kegiatan kegiatan yang telah
ada masih menggunakan cara perhitungan manual dari hasil rata rata, klasifikasi menggunakan rata-rata
hasil indikator data teknik statistik dasar, sehingga output yang di hasilkan kurang maksimal. Tumpukan
data kegiatan di Fakultas TIK.
Berdasarkan data tahun 2017 menghasilkan klasifikasi menggunakan metode naive bayesian,dan
program studi favorit adalah ilmu komunikasi berdasarkan hasil dari rapiminer. Untuk saran pada
penelitian ini dapat di kembangkan dalam suatu aplikasi menggunakan bahasa pemrograman dan dapat di
kembangkan dengan metode alghoritma klasifikasi yang lainnya.
UCAPAN TERIMA KASIH
Peneliti ucapkan terimakasih kepada pihak Dikti dan Universitas Semarang yang telah membiayai
penelitian ini.
DAFTAR PUSTAKA
[1] Zhang, Harry, and Shengli Sheng. "Learning weighted naive Bayes with accurate ranking”. ICDM
1-4 Nov 2004 : Fourth IEEE International Conference : 567-570 .
[2] Wagner, Daniel, et al. "Real-time detection and tracking for augmented reality on mobile phones”.
(2010). IEEE transactions on visualization and computer graphics : 355-368.
[3] Coiras, E., et al. "Supervised target detection and classification by training on augmented reality
data". 2007 : IET Radar, Sonar & Navigation 1.1. : 83-90.
[4] Silva, R., et al. "Object recognition using bayesian networks for augmented reality
applications".2004 : VII Symposium on Virtual Reality.
[5] Arsyad, Azhar.”Media Pembelajaran. cetakan ke-15”.Jakarta:Rajawalli Pers”.2011
[6] Andi Prastowo.”Metode Penelitian Kualitatif dalam Perspektif Rancangan Penelitian”.2012
[7] J. O. Ong. “Implementasi Algoritma K-Means Clustering Untuk Menentukan Strategi Marketing
President University”. 2013. Jurnal Ilmiah Teknik Industri, Vol. 12, no. 1, pp. : 10 - 20.
609
ISSN: 2252-4983
[8] K. R. Prilianti dan H. Wijaya. “Aplikasi Text Mining Untuk Automasi Penentuan Tren Topik Skripsi
Dengan Metode K-Means Clustering”. 2014. Jurnal Cybermatika,Vol. 2, no. 1, pp. 1-6.
610
See discussions, stats, and author profiles for this publication at: https://www.researchgate.net/publication/322959527
Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive

Bayes dan Seleksi Fitur Query Expansion Ranking
Article · August 2018
CITATIONS READS
32 9,410
3 authors, including:
Muhammad Ali Fauzi Sigit Adinugroho

Brawijaya University Brawijaya University
131 PUBLICATIONS 870 CITATIONS 44 PUBLICATIONS 223 CITATIONS
SEE PROFILE SEE PROFILE
Some of the authors of this publication are also working on these related projects:
Smart Wheelchair View project
Optimasi Sisa Bahan Baku Pada Industri Mebel Menggunakan Algoritma Genetika View project
All content following this page was uploaded by Muhammad Ali Fauzi on 06 February 2018.
The user has requested enhancement of the downloaded file.

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X
Vol. 2, No. 8, Agustus 2018, hlm. 2766 - 2770 http://j-ptiik.ub.ac.id
Analisis Sentimen Pariwisata di Kota Malang Menggunakan Metode Naive

Bayes dan Seleksi Fitur Query Expansion Ranking
Shima Fanissa1, M. Ali Fauzi2, Sigit Adinugroho3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1shimafanissa@gmail.com, 2moch.ali.fauzi@ub.ac.id, 3sigit.adinu@ub.ac.id
Abstrak
Pariwisata merupakan salah satu sektor usaha untuk memajukan suatu kota. Kota Malang pada saat ini
memiliki sebuah branding city yang bernama “Beautiful Malang”. Masyarakat Indonesia memilih
pariwisata Kota Malang sebagai destinasi dan mengulasnya pada website salah satunya adalah
TripAdvisor. Dengan demikian penelitian ini mencoba menganalisis ulasan dari masyarakat tentang
pariwisata Kota Malang melalui analisis sentimen dan diklasifikasikan menjadi dua kelas yaitu positif
dan negatif. Pada penelitian ini metode yang digunakan adalah Naive Bayes dengan seleksi fitur Query
Expansion Ranking untuk mengurangi jumlah fitur pada proses klasifikasi. Proses dari analisis
sentimen terdiri dari preprocessing, seleksi fitur dengan metode Query Expansion Ranking, dan
klasifikasi dengan Naive Bayes. Pengujian pada penelitian ini adalah uji akurasi dengan menggunakan
variasi rasio seleksi fitur, hasilnya seleksi fitur 75% memiliki akurasi terbaik sebesar 86.6%.
Kata kunci: analisis sentimen, query expansion ranking, naïve bayes
Abstract
Tourism is one of effort to promote a city. Malang currently has a branding city called "Beautiful
Malang". Indonesian choose Malang tourism as a destination and review it on the website, one of
them is TripAdvisor. Thus this research tried to analyze the reviews from the public about the tourism
of Malang City through sentiment analysis and classified into two classes, that is positive and
negative. In this research the method used is Naive Bayes with Query Expansion Ranking feature
selection to reduce the number of features in the classification process. The process of sentiment
analysis consists of preprocessing, feature selection with Query Expansion Ranking method, and
classification with Naive Bayes. This research is testing the accuracy by using the variation of feature
selection ratio, the result of 75% feature selection has the best accuracy of 86.6%.
Keywords: sentiment analysis, query expansion ranking, naïve bayes
dimana pertumbuhan internet dan media

1. PENDAHULUAN sosial telah berkembang pesat sehingga
Word of Mouth yang diketahui sebagai menyediakan berbagai informasi opini
penyampaian informasi dari mulut ke mulut orang lain.
(orang ke orang) adalah sebuah metode Analisis Sentimen yaitu studi yang
yang digunakan oleh konsumen untuk terdiri dari Natural Language Processing,
mengungkapkan perasaan dan pengalaman komputasi linguistik , dan analisis teks
mereka mengenai sebuah produk, merek, untuk mengidentifikasi sentimen teks
atau layanan namun metode tersebut tidak (Vinodhini dan Chandrasekaran, 2016)
bertujuan untuk memasarkan atau dapat membantu untuk mengidentifikasi
mempromosikan (Hung, 2017). Dengan opini mengenai suatu produk yang
berbagi dan menyebarkan dokumen Word disampaikan oleh pengguna online untuk
of Mouth, masyarakat luas dapat mengekspesikan emosi, perilaku, atau
menggunakan dokumen Word of Mouth secara otomatis. Analisis sentimen biasanya
tersebut sebagai referensi dan pengambilan terbagi menjadi dua kelas yaitu positif dan
keputusan. Terlebih lagi pada era sekarang negatif.
Fakultas Ilmu Komputer

Universitas Brawijaya 2766
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2767
Malang yaitu sebuah kota di yang menjadi dua kelas yaitu positif dan negatif
terletak di Jawa Timur Indonesia sedang yang menghasilkan akurasi hingga 91.67%.
melakukan usaha untuk memajukan sektor Selanjutnya, terdapat penelitian analisis
pariwisatanya dengan membuat sebuah sentimen pada review aplikasi mobile yang
branding city bernama “Beautiful Malang” dilakukan oleh (Firmansyah et al., 2016)
dengan tujuan Kota Malang dapat berjudul “Sentiment Analysis Pada Review
diposisikan menjadi kota yang indah, Aplikasi Mobile Menggunakan Metode
nyaman, ramah huni, tujuan wisata, Naïve Bayes Dan Query Expansion” hasil
mempunyai banyak heritage dan tempat penelitian ini menghasilkan akurasi 95%
kuliner (Aminudin, 2016). Maka dari itu dan 98% jika tanpa Query Expansion.
penting bagi pemerintah kota dan Penelitian mengenai analisis sentimen
masyarakat untuk mengetahui apa sentimen dengan Naive Bayes juga diterapkan pada
pariwisata di Kota Malang, sentimen Big Data berjudul “Scalable Sentiment
tersebut bisa digunakan untuk pengambilan Classification for Big Data Analysis Using
keputusan mengenai pariwisata Kota Naive Bayes Classifier” oleh (Liu et al.,
Malang. 2013). Hasil penelitian ini dapat berjalan
Ulasan atau dokumen Word of Mouth dengan baik pada Big Data dan
mengenai pariwisata di Kota Malang menghasilkan akurasi sebesar 82%.
jumlahnya sangat banyak di internet, karena Pada dasarnya, analisis sentimen
semua orang bebas untuk menuliskan merupakan klasifikasi teks yang membagi
pendapat mereka. Maka dari itu dipilihlah dokumen menjadi dua kelas yaitu positif
Trip Advisor sebagai sumber data dalam dan negatif yang dilakukan dengan
penelitian ini karena TripAdvisor adalah menghitung nilai setiap fiturnya. Dengan
website yang menyediakan berbagai begitu, tingginya dimensi fitur pada proses
informasi mengenai pariwisata yang klasifikasi menjadi masalah pada analisis
meliputi restoran, objek wisata, tempat sentimen. Oleh karena itu, pada beberapa
penginapan, dll. penelitian digunakan seleksi fitur untuk
Untuk membuat sebuah analisis mengurangi jumlah fitur dalam proses
sentimen banyak hal yang harus klasifikasi.
dipersiapkan terlebih dahulu, salah satunya Seleksi fitur ini berguna untuk
dengan memilih classifier yang akan mereduksi fitur-fitur sehingga proses
digunakan. Clasifier metode yang dapat klasifikasi bisa lebih efektif dan efisien.
melakukan klasifikasi data menjadi Pada penelitian ini, metode seleksi fitur
beberapa kelas. Dalam penelitian ini, yang dipilih adalah Query Expansion
classifier yang dipilih adalah Naive Bayes, Ranking (QER) yang pernah diterapkan
sebuah metode sederhana yang dalam penelitian (Parlar dan Özel, 2016)
dikembangkan berdasarkan aturan Bayes berjudul “A New Feature Selection Method
dengan melihat kondisi-kondisi yang ada for Sentiment Analysis of Turkish Reviews”.
dan peluang-peluang setiap kondisinya. Penelitian ini menerapakan seleksi fitur
Penelitian sebelumnya mengenai QER untuk analisis sentimen empat
analisis sentimen dengan menggunakan kategori. Setelah itu, metode QER
Naive Bayes sebagai clasifier-nya telah dibandingkan dengan metode seleksi fitur
banyak dilakukan, diantaranya adalah lain yaitu Chi-Square dan Document
penelitian menggunakan data twitter Frequency Difference dan hasilnya QER
berjudul “Analisis Sentimen Tentang Opini menghasilkan akurasi terbaik dengan
Film pada Dokumen Twitter Berbahasa akurasi tertinggi 91%.
Indonesia Menggunakan Naive Bayes
dengan Perbaikan Kata Tidak Baku” oleh 2. ANALISIS SENTIMEN
(Antinasari et al., 2017). Penelitian ini Analisis sentimen adalah bidang
menganalisa opini twitter dan membaginya interdisipliner, sebuah bidang dimana
Fakultas Ilmu Komputer, Universitas Brawijaya

pendekatan pemecahan masalahnya dengan digabung dengan cara probabilistic weighting

menggunakan tinjauan dari berbagi sudut model untuk memberi skor pada pada setiap
pandang ilmu serumpun secara relevan dan fitur (Parlar dan Özel, 2016). Persamaan dari
terpadu. Analisis sentimen terdiri dari QER sebagai berikut:
pemrosesan bahasa alami, analisis teks dan 𝑝𝑓 +𝑞𝑓
komputasi linguistik untuk mengidentifikasi 𝑆𝑐𝑜𝑟𝑒𝑓 = 𝑝 (4)
𝑓 −𝑞𝑓
sentimen dari suatu dokumen (Vinodhini dan
Chandrasekaran, 2016). 𝑆𝑐𝑜𝑟𝑒𝑓 adalah skor atau nilai QER, 𝑝𝑓
adalah peluang fitur f dalam dokumen kelas
3. MULTINOMIAL NAIVE BAYES
positif, 𝑞𝑓 adalah peluang fitur f dalam
Multinomial Naive Bayes merupakan dokumen kelas negatif.
sebuah metode yang bekerja dengan cara Nilai-nilai diatas dihitung berdasarkan
menghitung frekuensi setiap term pada persamaan 5 dan 6 berikut.
dokumen (McCallum dan Nigam, 1998). 𝑓
Sebagai contoh, frekuensi kata “jaringan” pada 𝑝𝑓 =
𝑑𝑓+ +0.5
(5)
berita teknologi. Sehingga peran tokenisasi 𝑛+ +1.0
dalam Multinomial Naive Bayes ini sangat
penting. 𝑓
𝑑𝑓− +0.5
Dalam Multinomial Naive Bayes, dokumen 𝑑𝑓 = (6)
𝑛− +0.5
urutan kejadian munculnya kata dalam
dokumen tidak dipedulikan, jadi dokumen 𝑑𝑓𝑓+ adalah jumlah dokumen positif yang
dianggap seperti “bag of words”, sehingga
setiap kata diolah menggunakan distribusi mengandung fitur f, 𝑑𝑓𝑓− adalah jumlah
multinomial. Secara umum persamaan dokumen negative yang mengandung fitur f,
Multinomial Naive Bayes adalah sebagai 𝑛+ adalah jumlah dokumen positif, 𝑛− adalah
berikut: jumlah dokumen negatif.
𝑃(𝑐|𝑑 ) = 𝑃(𝑐 ) ∏𝑛𝑖=1 𝑃 (𝑤𝑖 |𝑐 ) (1) 5. PERANCANGAN SISTEM

𝑃(𝑐|𝑑 ) adalah peluang kelas 𝑐
Sistem yang akan dibuat pada penelitian
berdasarkan dokumen 𝑑, 𝑛 adalah jumlah Analisis Sentimen Pariwisata di Kota Malang
seluruh kata pada dokumen menggunakan Metode Naive Bayes dan seleksi
𝑁 fitur Query Expansion Ranking adalah sistem
𝑃(𝑐 ) = 𝑁𝑐 (2)
yang mampu memuat dokumen dan melakukan
𝑃(𝑐 ) adalah peluang kelas 𝑐, 𝑐 adalah serangkaian proses sehingga dokumen tersebut
kelas 𝑁𝑐 adalah jumlah dokumen kelas 𝑐, 𝑁 bisa diklasifikasikan menjadi dua kelas, positif
adalah jumlah seluruh dokumen. atau negatif. Sistem ini memiliki beberapa
𝑐𝑜𝑢𝑛𝑡(𝑤𝑖 ,𝑐)+1
tahap dari awal hingga selesai, yaitu:
𝑃(𝑤𝑖 |𝑐 ) = (3) 1. Preprocessing terdiri dari tokenisasi,
𝑐𝑜𝑢𝑛𝑡 (𝑐)+|𝑉|
filtering, dan stemming. Tokenisasi
𝑃(𝑤𝑖 |𝑐 ) adalah peluang kata ke-i pada
untuk memisahkan dokumen menurut
kelas 𝑐, 𝑐𝑜𝑢𝑛𝑡(𝑤𝑖 , 𝑐 ) adalah jumlah kata tokennya. Filtering yaitu membuang
ke-i pada kelas 𝑐, 𝑐𝑜𝑢𝑛𝑡 (𝑐 ) adalah jumlah kata-kata yang tidak berguna dalam
seluruh kata pada kelas 𝑐, |𝑉| adalah jumlah proses klasifikasi. Stemming yaitu
kata unik pada semua kelas. merubah setiap kata ke dalam kata
dasarnya, pada penelitian ini proses
4. QUERY EXPANSION RANKING stemming menggunakan library
Query Expansion Ranking adalah sebuah Sastrawi.
metode seleksi fitur yang berguna untuk 2. Seleksi fitur menggunakan metode
mengurangi kompleksitas komputasi tanpa Query Expansion Ranking yang
mengurangi kualitas dari analisis sentimen bertujuan untuk mengurangi jumlah
(Fauzi et al., 2017). Query Expansion Ranking fitur sehingga dapat meningkatkan
terinsipirasi dari metode Query Expansion yang akurasi.
berguna untuk mengingkatkan kualitas query 3. Klasifikasi menggunakan Naive Bayes.
yang dimasukkan oleh pengguna kemudian

Diagram alir dari sistem ini ditunjukkan ulasan-ulasan pada website TripAdvisor. Data
dengan Gambar 1 berikut. latih juga harus dilabeli kelas sentimennya oleh
start pakar untuk proses klasifikasi. Tahap dalam
analisis sentimen penelitian ini adalah
preprocessing (tokenisasi, filtering, stemming),
Masukan: seleksi fitur Query Expansion Ranking, dan
dokumen Naive Bayes.
ulasan
Pemberian seleksi fitur dalam proses
analisis sentimen bertujuan untuk mengurangi
dimensi fitur, dan metode Query Expansion
Preprocessing
Ranking bekerja dengan baik bersama metode
Multinomial Naive Bayes. Berdasarkan
pengujian, algoritma Query Expansion Ranking
Seleksi fitur QER menghasilkan akurasi tertinggi sebesar 86.6
pada seleksi fitur 75%.
Dalam penyempuranaan penelitian ini
Klasifikasi maka penelitian selanjutnya disarankan untuk
sentimen
dengan Naive memperhatikan singkatan, gabungan dua kata
Bayes atau lebih (bigram, trigram, n-gram), kata-kata
ambigu, dan kalimat sarkastik supaya hasil
klasifikasinya lebih sempurna.
Keluaran:
Hasil klasifikasi
sentimen ulasan 8. DAFTAR PUSTAKA
Aminudin, M. 2016. Beautiful Malang
Branding City Kota Menjual
end
Keindahan. [News] detiknews.
Tersedia di:
Gambar 1. Diagram alir sistem
<http://news.detik.com/berita-jawa-
6. PENGUJIAN DAN ANALISIS timur/3207407/beautiful-malang-
branding-city-kota-menjual-keindahan>
Tabel 1. Hasil akurasi sistem [Diakses 17 Mei 2017].
Antinasari, P., Perdana, R. & Fauzi, M. 2017.
Fitur akurasi
25% 83.3% Analisis Sentimen Tentang Opini Film
50% 83.3% pada Dokumen Twitter Berbahasa
75% 86.6% Indonesia Menggunakan Naive Bayes
100% 83.3% dengan Perbaikan Kata Tidak Baku.
Jurnal Pengembangan Teknlogi
Informasi dan Ilmu Komputer (J-
Pengujian pada penelitian ini PTIIK), 1: 1733–1741.
menggunakan pengujian seleksi fitur dengan
mengganti rasio seleksi fitur antara 0-100 Fauzi, M.A., Arifin, A.Z., Gosaria, S.C. &
menggunakan jumlah data latih dan data uji Prabowo, I.S. 2017. Indonesian News
pada setiap pengujian yang sama, yaitu 200 data Classification Using Naïve Bayes and
latih (100 data positif dan 100 data negatif) dan Two-Phase Feature Selection Model.
data uji sejumlah 30 dokumen. Indonesian Journal of Electrical
Semua percobaan variasi rasio seleksi fitur Engineering and Computer Science,
dilihat dan dicatat perubahan akurasinya 8(3): 610–615.
kemudian dianalisis. Untuk hasil dari pengujian Firmansyah, R.F.N., Fauzi, M. & Afirianto, T.
ini dapat dilihat pada Tabel 1. 2016. SENTIMENT ANALYSIS
PADA REVIEW APLIKASI MOBILE
7. KESIMPULAN MENGGUNAKAN METODE NAÏVE
Metode Multinomial Naive Bayes dapat BAYES DAN QUERY EXPANSION.
diterapkan pada proses analisis sentimen DORO PTIIK, 8.
pariwisata Malang menggunakan data latih dari Hung, C. 2017. Word of mouth quality
classification based on contextual

sentiment lexicons. Information
Processing & Management, 53(4):
751–763.
Liu, B., Blasch, E., Chen, Y., Shen, D. & Chen,
G. 2013. Scalable sentiment
classification for Big Data analysis
using Naive Bayes Classifier. 2013
IEEE International Conference on Big
Data. 2013 IEEE International
Conference on Big Data. hal.99–104.
McCallum, A. & Nigam, K. 1998. A
Comparison of Event Models for Naive
Bayes Text Classification. Learning for
Text Categorization: Papers from the
1998 AAAI Workshop. hal.41–48.
Tersedia di:
<http://www.kamalnigam.com/papers/
multinomial-aaaiws98.pdf>.
Parlar, T. & Özel, S.A. 2016. A new feature
selection method for sentiment analysis
of Turkish reviews. 2016 International
Symposium on INnovations in
Intelligent SysTems and Applications
(INISTA). 2016 International
Symposium on INnovations in
Intelligent SysTems and Applications
(INISTA). hal.1–6.
Vinodhini, G. & Chandrasekaran, R.M. 2016. A
comparative performance evaluation of
neural network based approach for
sentiment classification of online
reviews. Journal of King Saud
University - Computer and Information
Sciences, 28(1): 2–12.
View publication stats

Jurnal Coding Sistem Komputer Untan
Volume 05, No. 1 (2017), hal. 45-55 ISSN : 2338-493X
SISTEM PAKAR DIAGNOSA PENYAKIT PADA KUCING

MENGGUNAKAN METODE DEMPSTER-SHAFER BERBASIS ANDROID
[1]
Dwi Purnomo, [2]Beni Irawan, [3]Yulrio Brianorman
[1][3]
Jurusan Sistem Komputer, Fakultas MIPA Universitas Tanjungpura Pontianak
[2]
Jurusan Sistem Informasi, Fakultas MIPA Universitas Tanjungpura Pontianak
Jalan Prof. Dr. H. Hadari Nawawi, Pontianak
Telp./Fax.: (0561) 577963
e-mail :
[1]
dwipurnomo99@student.untan.ac.id, [2]beni.irawan@sisfo.untan.ac.id,
[3]
yulrio.brianorman@siskom.untan.ac.id
Abstrak
Kucing merupakan salah satu hewan peliharaan yang dipelihara oleh sebagian banyak manusia. Penyakit
kucing seringkali disebabkan virus, parasit atau bakteri yang berkembang di dalam tubuh kucing tanpa
sepengetahuan pemilik kucing. Permasalahan yang sering terjadi yaitu ketidaktahuan pemilik kucing
tentang informasi dalam diagnosis dan penanganan penyakit pada kucing, serta sulitnya menemui seorang
dokter hewan dalam keadaan mendesak serta mahalnya biaya untuk seorang dokter hewan juga menjadi
penyebab malasnya pemilik kucing membawa kucing peliharaan mereka ke dokter hewan. Karena alasan
tersebut, maka pada penelitian ini dibangun sebuah sistem pakar yang mampu mendiagnosis penyakit pada
kucing berbasis android. Sistem pakar ini memiliki 9 penyakit kucing dan 25 gejala. Sistem pakar ini
dibangun dengan bahasa pemrograman PHP, Cordova, serta MySQL sebagai database. Untuk
perancangannya menggunakan Flowchart, DFD dan ERD. Sistem pakar berbasis android ini memberikan
output diagnosis penyakit, hasil perhitungan, penjelasan mengenai penyakit serta saran dalam memberikan
tindakan pertolongan pertama terhadap penyakit kucing berdasarkan hasil input gejala yang dilakukan
oleh pengguna. Metode yang digunakan dalam sistem pakar ini adalah metode Dempster-Shafer. Metode
ini melakukan perhitungan melalui gejala yang dipilih oleh pengguna dari masing-masing gejala yang
memiliki nilai densitas. Nilai densitas dari masing-masing gejala merupakan hasil wawancara dengan
dokter hewan. Aplikasi yang dibuat berdasarkan pengujian memiliki tingkat keberhasilan dengan
perbandingan data rekam medis dalam 1 tahun terakhir adalah 94,59%.
Kata Kunci : Android, Cordova, Dempster-Shafer, Penyakit Kucing, Sistem Pakar.
1. PENDAHULUAN berkembang di dalam tubuh kucing tanpa

sepengetahuan pemilik kucing. Terkadang
Kucing termasuk hewan mamalia
pemilik kucing memberikan obat yang
karnivora karena secara garis besar kucing
seharusnya tidak diberikan kepada kucing,
merupakan hewan bertulang belakang,
seperti menggunakan obat cacing yang
berdarah panas dan menyusui atau memiliki
bukan dikhususkan untuk kucing. Oleh
kelenjar mamae [1]. Kucing merupakan
karena itu apabila penyakit kucing tidak
salah satu hewan peliharaan yang paling
ditangani oleh ahli atau pakar yang sesuai
banyak dipelihara oleh manusia. Manusia
dengan bidangnya, maka kucing tersebut
sebagai pemilik kucing diharapkan dapat
akan mengalami penurunan dan gangguan
mengetahui pencegahan maupun perawatan
kesehatan, overdosis hingga menimbulkan
berbagai macam penyakit pada kucing agar
kematian.
tidak mengganggu kesehatan lingkungan.
Berdasarkan masalah kesehatan pada
Kucing memiliki penyakit yang seringkali
kucing yang dipaparkan, perlu dibangun
tidak dapat terdeteksi oleh si pemilik karena
suatu sistem pakar yang dapat mendiagnosis
penyakit pada kucing tidak seperti penyakit
penyakit kucing. Sunardi dan Saputra telah
pada manusia yang umumnya memiliki
melakukan penelitian yang berkaitan dengan
gejala-gejala yang terlihat.
penyakit kucing yaitu mendiagnosis penya-
Penyakit kucing seringkali disebab-
kit pada kucing melalui perangkat mobile.
kan adanya virus, parasit atau bakteri yang
45
Penelitian Sunardi dan Desi Saputra ini suatu pakar akan mudah didapat oleh
menggunakan metodologi MSF (Microsoft pengguna, tanpa harus mengunjungi seorang
Solutions Framework), yaitu Envisioning ahli atau pakar yang ahli pada bidangnya.
Phase, Planning Phase, Developing Phase, Dengan demikian, si pemilik tahu persis apa
Stablizing Phase dan Deployment Phase, penyakit yang sedang diderita oleh hewan
namun penelitian dengan menggunakan peliharaannya, apa penyebabnya dan bagai-
metode Certainty Factor ini masih me- mana cara pengobatan atau penanganan
merlukan pengembangan [2]. Selanjutnya pertama bila gangguan kesehatan tersebut
Nugroho, menggunakan metode Forward terjadi.
Chaining dan menghitung Certainty Factor Tujuan penelitian ini adalah sebagai
untuk menyimpulkan penyakit yang diderita berikut :
oleh kucing berdasarkan pertanyaan gejala- a. Dapat merancang aplikasi sistem pakar
gejala serta memberikan cara pencegahan untuk mendiagnosa penyakit kucing
dan penanganan pertama penyakit pada dengan metode Dempster-Shafer.
kucing [3]. Selain itu Pratama, mengguna- b. Dapat mengimplementasikan sistem
kan metode Forward Chaining dan menggu- pakar untuk mendiagnosa penyakit ku-
nakan bahasa pemrograman Microsoft cing kepada masyarakat pecinta kucing
Visual Basic 6.0, namun penelitian ini berbasis android.
dilakukan terhadap kucing persia saja [4].
Manfaat penelitian ini adalah sebagai
Penelitian selanjutnya dilakukan Nugraha
berikut :
dan Mariyatus, menggunakan metode
a. Memberikan diagnosa awal bagi ke-
Forward Chaining dan Waterfall yang
sehatan kucing kepada pemilik kucing
digunakan dalam pengembangan sistem
untuk mengetahui penyakit yang diderita
pakar diagnosa penyakit kucing berbasis
oleh hewan peliharaannya.
web [5].
b. Memberikan saran pertolongan pertama
Berdasarkan masalah sulitnya men-
yang harus dilakukan terhadap kucing
diagnosa penyakit pada kucing dan peneli-
yang sakit melalui smartphone.
tian tentang sistem pakar diagnosis penyakit
c. Membuktikan bahwa metode Dempster-
pada kucing, maka pada penelitian ini akan
Shafer dapat digunakan untuk melakukan
dibangun sebuah sistem pakar yang dapat
pendeteksian penyakit terhadap kucing
mendiagnosis penyakit pada kucing. Hasil
berdasarkan gejala yang diderita.
diagnosis diperoleh berdasarkan gejala yang
terlihat dimasukkan ke dalam aplikasi sistem
2. DASAR TEORI
pakar. Metode yang digunakan pada
2.1. Sistem Pakar
penelitian ini adalah metode Dempster-
Shafer. Metode Dempster-Shafer merupa- Sistem pakar dikembangkan pada
kan metode penalaran non monotonis yang pertengahan tahun 1960-an oleh Artificial
digunakan untuk mencari ketidakkonsis- Intelligence Corporation. General Purpose
tenan akibat adanya penambahan maupun Problem-Solver (GPS) yang berupa sebuah
pengurangan fakta baru yang akan merubah prosedur yang dikembangkan oleh Allen
aturan yang ada, sehingga metode Demp- Newell, John Cliff Shaw dan Herbert
ster-Shafer dapat mengetahui proba-bilitas Alexander Simon dari Logic Theorist me-
atau persentase dari penyakit yang mungkin rupakan sebuah percobaan untuk mencipta-
diderita. kan mesin yang cerdas [6].
Saat ini keberadaan platform android Sistem pakar adalah sistem yang
sangat populer dikalangan pengguna berusaha mengadopsi pengetahuan manusia
smartphone. Platform yang satu ini berhasil ke komputer, agar komputer dapat menye-
mencuri perhatian para pengguna smart- lesaikan masalah seperti yang biasa dila-
phone dan mampu menduduki posisi yang kukan oleh para ahli [7]. Sistem pakar yang
setara bahkan lebih populer dari pada baik dirancang agar dapat menyelesaikan
platform lainnya seperti Blackberry, suatu permasalahan tertentu dengan meniru
Windows dan iOS. Dengan menggunakan kerja dari para ahli. Dengan sistem pakar ini,
sistem pakar berbasis android, informasi dari orang awam pun dapat menyelesaikan
46
masalahnya atau hanya sekedar mencari  m2 (Y) adalah mass function dari evidence
suatu informasi berkualitas yang sebenarnya Y
hanya dapat diperoleh dengan bantuan para  m3 (Z) adalah mass function dari evidence
ahli dibidangnya. Sistem pakar juga akan Z
dapat membantu aktivitas para pakar sebagai  k adalah jumlah conflict evidence
asisten yang berpengalaman dan mempunyai
pengetahuan yang dibutuhkan. 2.3. Penyakit Umum Kucing
2.2. Dempster-Shafer Kucing merupakan makhluk hidup

dan tidak bisa berharap kucing akan hidup
Secara umum, teori Dempster-Shafer sehat selamanya. Pasti juga suatu saat akan
ditulis dalam suatu interval : terkena penyakit. Banyak cara dan banyak
[Belief,Plausibility] (1) kemungkinan kucing akan menderita dari
penyakit kucing. Ada beberapa hal yang
Belief (Bel) adalah ukuran kekuatan seharusnya dilakukan agar si kucing terbe-
evidence dalam mendukung suatu himpunan bas dari penyakit kucing, diantaranya selalu
proposisi. Jika bernilai 0 maka meng- bersihkan kucing itu sendiri, selain kucing
indikasikan bahwa tidak ada evidence dan kandang maupun peralatannya juga harus
jika bernilai 1 menunjukkan adanya kepas- dibersihkan, minimal satu bulan sekali
tian. didentifikasikan dan selalu beri makan-
Plausibility (Pl) adalah hal yang makanan yang seimbang atau penuh protein.
masuk akal yang dinotasikan sebagai : Pada penelitian ini terdapat sembilan jenis
Pl(s) = 1 - Bel(¬s) (2) penyakit kucing, yaitu cacingan, Der-
matomikosis/Ringworm, Feline Chlamydia
Plausibility akan mengurangi tingkat (FeC), Feline Panleukopenia (FeP), Feline
kepercayaan dari evidence. Plausibility juga Infectious Peritonitis (FIP), ispa atau flu
bernilai 0 sampai 1. Jika kita yakin akan ¬s, kucing, Leptospirosis, Salmonellosis dan
maka dapat dikatakan bahwa Bel(¬s) = 1 dan Scabiosis.
Pl(¬s) = 0. Pada teori Dempster-Shafer
dikenal adanya frame of discernment yang 2.4. Pemrograman Android
dinotasikan dengan θ. Frame ini merupakan
semesta pembicaraan dari sekumpulan hipo- Android adalah sistem operasi yang
tesis. Pada teori Dempster-Shafer terdapat digunakan di smartphone dan juga tablet.
mass function yaitu tingkat kepercayaan dari Fungsinya sama seperti sistem operasi
suatu evidence measure yang dinotasikan Symbian di Nokia, iOS di Apple dan
dengan (m). BlackBerry OS. Android tidak terikat ke satu
Andaikan diketahui X adalah subset merek handphone saja, beberapa vendor
dari θ, dengan m1 sebagai fungsi densi- terkenal yang sudah memakai android antara
tasnya, dan Y juga merupakan subset dari θ lain Samsung, Sony Ericsson, HTC, Nexus,
dengan m2 sebagai fungsi densitasnya, maka Motorolla dan lain-lain.
kita dapat membentuk fungsi kombinasi m1 Android pertama kali dikembangkan
dan m2 sebagai m3 untuk mengatasi sejumlah oleh perusahaan bernama Android Inc., dan
evidence pada teori Dempster-Shafer dengan pada tahun 2005 diakuisisi oleh raksasa
menggunakan aturan yang lebih dikenal Internet Google. Android dibuat dengan
dengan Dempster’s Rule of Combination, basis kernel Linux yang telah dimodifikasi
yaitu : dan untuk setiap rilisnya diberi kode nama
berdasarkan nama hidangan makanan.
∑X∩Y=Z m1 (X).m2 (Y)
m3 (Z) = (3) Keunggulan utama android adalah
1-k
gratis dan open source, yang membuat
Dimana k = ∑X∩Y=ϕ m1 (X).m2 (Y) smartphone android dijual lebih murah
dibandingkan dengan Blackberry atau
Dengan : iPhone meski fitur (hardware) yang
 m1 (X) adalah mass function dari evidence ditawarkan android lebih baik. Beberapa
X
47
fitur utama dari android antara lain WiFi Phonegap ini diserahkan ke Apache Soft-
hotspot, Multi-touch, Multitasking, GPS, ware Foundation [9].
accelerometers, support java, mendukung Dukungan untuk platform Apache
banyak jaringan (GSM/EDGE, IDEN, Cordova (sebelumnya Phonegap) ditambah-
CDMA, EV-DO, UMTS, Bluetooth, Wi-Fi, kan ke Visual Studio dan termasuk dari
LTE & WiMAX) serta juga kemampuan bagian Visual Studio 2015. Apache Cordova
dasar handphone pada umumnya. Sistem memungkinkan pengembang aplikasi untuk
operasi android tidak hanya dirancang untuk mengembangkan aplikasi untuk perangkat
ponsel, tetapi juga dapat digunakan pada mobile dengan Javascript, HTML5 dan
smartphone, tablet, televisi internet, jam CSS3. Mirip dengan HTML aplikasi di
tangan pintar (smart-watch), kacamata Windows 8/10. Apache Cordova umumnya
pintar (Google glass) dan lain-lain. memungkinkan menggunakan kembali kode
Perkembangan android sangat pesat diseluruh platform yang didukung (iOs,
ditandai dengan setiap tahun dikeluarkannya Android dan Windows Phone) [10].
versi terbaru. Versi resmi android dirilis
secara resmi dimulai pada tahun 2009 dan 3. METODOLOGI PENELITAN
dalam jangka beberapa tahun hingga saat ini
Proses penelitian ini dimulai dengan
sudah ada beberapa versi. Berikut adalah
studi literatur yaitu untuk mendapatkan
versi android yang telah beredar, yaitu
informasi dan referensi untuk menunjang
Cupcake, Donut, Eclair, Froyo/Frozen
penelitian sesuai dengan topik yang diang-
Yogurt, Gingerbread, Honeycomb, Ice
kat. Seperti teori mengenai sistem pakar,
Cream Sandwich, Jelly Bean, KitKat,
metode Dempster-Shafer, pemrograman
Lollipop, Marshmallow dan saat ini versi
android serta penyakit umum pada kucing
baru sudah dirilis oleh Google dan baru
melalui literatur seperti jurnal, buku, sumber
beberapa perangkat saja yang sudah
ilmiah yang didapat dari internet dengan
mendapatkan android yang diberi nama
topik yang bersangkutan, serta konsultasi
Nougat. Pada umumnya aplikasi android
dengan ahli khususnya dokter hewan.
disusun menggunakan bahasa Java yang
Kemudian dilanjutkan tahap analisis
terintegrasi dengan bantuan beberapa tools
kebutuhan dimana pada tahap ini dilakukan
seperti IDE (Integrated Development
sesuai dengan kebutuhan sistem yang
Environment), ADT (Android Development
dibangun untuk dapat melakukan diagnosis
Tool), JDK (Java Development Kit), SDK
penyakit pada kucing. Kebutuhan yang
(Software Development Kit) [8].
dianalisis dibagi menjadi analisis kebutuhan
fungsional dan fungsi non-fungsional yang
2.5. Apache Cordova
diperoleh dari studi literatur. Selanjutnya
Saat ini Phonegap sudah berganti dilanjutkan proses perancangan sistem yaitu
nama yaitu Apache Cordova. Karena banyak merupakan langkah-langkah yang akan
kontribusi dari perusahaan-perusahaan besar dilakukan dalam upaya mencapai tujuan
serta lembaga lain terhadap Phonegap, penelitian. Setelah perancangan selesai,
kemudian Phonegap diserahkan ke Apache proses berikutnya yaitu pengujian sistem
Software Foundation. Phonegap sebelumnya yang bertujuan memastikan sistem ber-
merupakan sebuah proyek open source yang fungsi dengan baik, apabila sistem tidak
dikembangkan oleh perusahaan yang ber- berfungsi dengan baik maka sistem akan
nama Nitobi lalu kemudian diakusisi oleh dilakukan perbaikan fungsi. Apabila peng-
Adobe. Sebelum dinamakan Cordova, pengujian telah berhasil, maka dapat ditarik
ganti nama Phonegap adalah “Callback” kesimpulan dan pemberian saran dari pene-
atau “Apache Callback”. Karena perusahaan litian yang telah dilakukan agar kedepannya
Adobe bukan membeli source code dari penelitian dapat dikembangkan lagi lebih
proyek Phonegap ini, melainkan hanya lanjut.
membeli perusahaan Nitobi dan para karya-
wannya, maka setelah perusahaan Nitobi
diakusisi, nasib kelanjutan dari proyek
48
4. PERANCANGAN SISTEM Tabel 2 Sebagian Relasi antara Gejala

4.1. Basis Pengetahuan dan Penyakit Kucing
Basis pengetahuan merupakan inti
program sistem pakar dimana basis penge- Kode Penyakit
tahuan ini adalah representasi pengetahuan
P1
P2
P3
P4
P5
P6
P7
P8
P9
(knowledge representation) dari seorang
pakar. Basis pengetahuan ini tersusun
berdasarkan fakta yang berupa informasi
0.3
0.3
G1
tentang objek dan kaidah (rule) yang
merupakan informasi tentang cara bagai-
0.7
0.7
0.7
0.7
G2
mana membangkitkan fakta baru dari fakta
yang sudah diketahui.
0.5
0.5
G3
Tabel 1 Kode Nama Penyakit
0.65
0.65
0.65
Kode
G4
No. Nama Penyakit
Penyakit
Kode Gejala
1 P1 Cacingan
2 P2 Dermatomikosis/Ringworm
...
...
...
...
...
...
...
...
...
...
3 P3 FeC (Feline Chlamydia)
4 P4 FeP (Feline Panleukopenia)
G22
0.2
FIP (Feline Infectious
5 P5
Peritonitis)
0.65
0.65
0.65
G23
6 P6 Ispa atau flu kucing
7 P7 Leptospirosis
8 P8 Salmonellosis
0.55
0.55
0.55
G24
9 P9 Scabiosis
G25
Tabel 1 merupakan basis pengetahuan

0.3
0.3
nama penyakit dari sistem pakar diagnosa
penyakit pada kucing berbasis android, pada
tabel terdapat kode penyakit dan nama Keterangan :
penyakit. P1, P2, P3, P4, P5, P6, P7, P8 dan P9 adalah
nama penyakit kucing masing-masing, yaitu
4.2. Nilai Kepercayaan/Densitas dan cacingan, Dermatomikosis/Ringworm, Feli-
Relasinya ne Chlamydia (FeC), Feline Panleukopenia
(FeP), Feline Infectious Peritonitis (FIP),
Nilai kepercayaan/densitas merupa-
ispa atau flu kucing, Leptospirosis, Salmo-
kan nilai kemungkinan dari sebuah gejala
nellosis dan Scabiosis.
terhadap suatu penyakit. Nilai densitas
Sedangkan G1, G2, G3, G4 s/d G22, G23.
diperoleh dari hasil wawancara terhadap
G24, G25 adalah nama gejala masing-
dokter yang ahli pada hewan yaitu dokter
masing yaitu batuk, berat badan turun,
hewan yang berada di Dinas Peternakan dan
bersin, bulu rontok, bulu berdiri atau kusam,
Kesehatan Hewan Provinsi Kalimantan
perubahan suara, perut kembung atau buncit,
Barat. Skala 0 sampai 1 merupakan skala
pucat dan radang paru-paru.
nilai densitas, semakin tinggi nilai densitas
yang diperoleh, maka semakin tinggi pula
4.3. Perancangan Sistem
nilai kemungkinan gejala tersebut. Sedang-
kan relasi atau hubungan antara penyakit dan Perancangan sistem merupakan pro-
gejala tidak hanya diperoleh dari wawancara ses pengembangan spesifikasi sistem baru
terhadap dokter hewan saja, tetapi pada berdasarkan hasil rekomendasi analisis
bermacam sumber referensi. Tabel relasi sistem. Perancangan sistem bertujuan untuk
antara gejala dan penyakit umum pada memenuhi kebutuhan pemakai sistem serta
kucing dapat dilihat pada Tabel 2. menggambarkan yang jelas dan rancang
49
bangun yang lengkap untuk pemrogram dan administrator (admin) dan pengguna (user).
ahli-ahli yang terlibat. Seorang admin dapat mengolah data
penyakit, data gejala dan data pengetahuan.
4.3.1. Flowchart Sistem Dari data-data gejala yang telah dimasukkan
terdapat nilai-nilai densitas, nilai tertinggi
Mulai
dari perhitungan metode Dempster-Shafer
Input Username dan
Password
tersebut akan menentukan suatu penyakit
Tidak dari gejala-gejala yang dipilih user pada
Cek Validasi Login?
aplikasi. Outputnya berupa hasil diagnosa,
Ya
hasil perhitungan, penjelasan serta saran
 Data Penyakit ∑X∩Y=Z m1 (X).m2 (Y)
 Data Gejala
 Data Pengetahuan
Banyaknya Gejala = 1
Tidak
m3 (Z)=
1- ∑X∩Y=ϕ m1 (X).m2 (Y) pertolongan pertama yang harus dilakukan
Ya
Penyakit = {X}
terhadap kucing yang sakit. Gambar DFD
 Pengelolaan Data Max = m{X}
Penyakit
 Pengelolaan Data Gejala
Tidak Dapat
Menunjukkan Hasil Level 0 dapat dilihat pada Gambar 3.
Analisis
hasil analisis, hasil
Informasi Penyakit, Gejala perhitungan, penjelasan dan
dan Pengetahuan saran
User
Selesai
data penyakit
data gejala
data pengetahuan Sistem Pakar
Gambar 1 Flowchart Sistem pada Admin Diagnosa

Penyakit Kucing data gejala
Gambar 1 menunjukkan flowchart

Admin
sistem pada admin, dimana admin dapat daftar penyakit
daftar gejala
melakukan olah data yaitu penambahan, daftar pengetahuan
pengubahan dan penghapusan data jika Gambar 3 Diagram Konteks/DFD Level 0

admin memiliki penyakit atau gejala baru.
b. DFD Level 1
Mulai
Gambar 4 merupakan DFD level 1
Pilih Gejala sistem pakar diagnosa penyakit pada kucing
Tidak
berbasis android berikut terdapat dua buah
Banyaknya Gejala = 1 Kalkulasi Gejala dari Web
entitas yaitu admin dan user dan empat buah
Ya
Penyakit = {X}
Tidak Dapat
Informasi Penyakit, Gejala proses yaitu proses pengolahan data penya-
dan Pengetahuan
Menunjukkan Hasil
Analisis kit, pengelolaan data gejala, pengelolaan
Selesai data pengetahuan dan proses analisis.
Gambar 2 Flowchart Sistem pada User Admin

data penyakit
1
data penyakit
Penyakit
Pengelolaan Data
daftar penyakit Penyakit daftar penyakit
Selanjutnya pada Gambar 2 menun-
jukkan flowchart pada user, dimana user
2
dapat melakukan pemilihan gejala secara data gejala
Pengelolaan Data
data gejala
Gejala
daftar gejala daftar gejala
spesifik melalui smartphone dan hasil Gejala
diagnosis yang ditampilkan berupa nama

3 daftar penyakit
penyakit, nilai kepercayaan hasil per- daftar pengetahuan
Pengelolaan Data daftar gejala
hitungan, deskripsi penyakit serta saran Pengetahuan
pertolongan pertama yang harus dilakukan daftar pengetahuan
terhadap penyakit kucing yang diderita. data pengetahuan

4
Pengetahuan
daftar pengetahuan Proses Analisis daftar gejala
4.3.2. Data Flow Diagram (DFD) data gejala

a. Diagram Konteks/DFD Level 0 hasil analisis, hasil perhitungan, penjelasan dan saran
Diagram konteks (context diagram) User
adalah diagram tingkat atas, merupakan

diagram dari sebuah sistem yang meng- Gambar 4 DFD Level 1
gambarkan aliran data yang masuk dan c. DFD Level 2
keluar dari sistem dan masuk dan keluar dari
entitas luar. Terdapat dua buah entitas yaitu Gambar 5 merupakan DFD level 2
proses 4, terdapat satu buah proses yaitu
50
hitung analisis. Proses 4.1 hitung analisis, 5.2. Pengujian Aplikasi

proses ini merupakan proses perhitungan
Pengujian ini bertujuan untuk me-
Dempster-Shafer dimana user sebelumnya
mastikan aplikasi telah terpasang pada
telah memilih gejala penyakit pada kucing
smartphone sesuai dengan rancangan yang
dan memberikan hasil analisis, hasil
dibuat sebelumnya.
perhitungan, penjelasan dan saran per-
tolongan pertama yang harus dilakukan
5.2.1. Menu Utama Aplikasi
terhadap kucing yang sakit.
data gejala
Menu utama aplikasi merupakan
User
tampilan awal saat pengguna (user) meng-
hasil analisis,
hasil perhitungan,
gunakan aplikasi. Ada lima pilihan menu
4.1 penjelasan dan
Gejala
daftar gejala
Menghitung
saran
User
yang tersedia pada aplikasi, yaitu mulai
Analisis
analisis, indeks penyakit, petunjuk, tentang
dan keluar. Gambar menu utama aplikasi
Pengetahuan
daftar pengetahuan
dapat dilihat pada Gambar 8.
Gambar 5 DFD Level 2 Proses 4
4.3.3. Entity Relationship Diagram (ERD)
Gambar 6 menjelaskan hubungan
antar data dalam basis data berdasarkan
objek-objek dasar data yang mempunyai
hubungan antar relasi.
id_gejala nama_gejala densitas id_pengetahuan id_penyakit id_gejala
1 M
Gejala Memiliki Pengetahuan
M 1
Relasi Menghasilkan
id_penyakit nama_penyakit
M M
nama_penyakit densitas
Gambar 8 Menu Utama Aplikasi
Penyakit Diagnosa
deskripsi penjelasan
5.2.2. Menu Mulai Analisis
saran saran
Menu mulai analisis merupakan menu

Gambar 6 Entity Relationship Diagram yang menyajikan bermacam gejala penyakit
5. IMPLEMENTASI DAN dengan identifikasi gejala pada kucing itu
PENGUJIAN SISTEM sendiri. Pengguna (user) dapat memilih
5.1. Halaman Login gejala yang ditimbulkan oleh si kucing
dengan memilih gejala pertama hingga
Halaman login digunakan oleh gejala terakhir dengan menekan tombol
administrator (admin) untuk mengakses “Ya” atau “Tidak”. Proses inilah yang
halaman didalamnya seperti menginput, nantinya akan menampilkan hasil analisis
mengubah dan menghapus data penyakit, penyakit kucing, hasil perhitungan
data gejala, data pengetahuan dan mengubah Dempster-Shafer, penjelasan penyakit ku-
password. Untuk masuk ke halaman selan- cing serta saran tindakan pertolongan
jutnya admin harus memasukkan username pertama penyakit kucing dengan menekan
dan password. Gambar halaman login dapat tombol “Lihat Hasil”. Gambar menu mulai
dilihat pada Gambar 7. analisis dapat dilihat pada Gambar 9.
Gambar 7 Halaman Login
51
Gambar 10 Menu Indeks Penyakit

5.2.4. Menu Petunjuk
Menu petunjuk merupakan menu
yang didalamnya terdapat petunjuk peng-
gunaan aplikasi sistem pakar penyakit pada
kucing. Pengguna (user) dapat melihat
dengan menekan pilihan menu petunjuk.
Gambar menu petunjuk dapat dilihat pada
Gambar 11.
Gambar 9 Menu Mulai Analisis

5.2.3. Menu Indeks Penyakit
Menu indeks penyakit merupakan
menu yang menyajikan bermacam penyakit
dengan penjelasan penyakit pada kucing itu
sendiri. Pengguna (user) dapat memilih
penyakit untuk mendapatkan informasi
seputar penyakit kucing. Ada sembilan
macam penyakit pada kucing, yaitu Gambar 11 Menu Petunjuk
cacingan, Dermatomikosis/Ringworm, Fe- 5.2.5. Menu Tentang
line Chlamydia (FeC), Feline Panleu-
kopenia (FeP), Feline Infectious Peritonitis Menu tentang merupakan menu yang
(FIP), ispa atau flu kucing, Leptospirosis, menyajikan informasi singkat seputar apli-
Salmonellosis dan Scabiosis. Gambar menu kasi. Pengguna (user) dapat melihat dengan
indeks penyakit dapat dilihat pada Gambar menekan pilihan menu tentang. Gambar
10. menu tentang dapat dilihat pada Gambar 12.
52
Tabel 3 Sebagian Perbandingan Pengujian

Data Rekam Medis dengan Analisis
Aplikasi
Nama
Penyakit
Keterangan
Hasil Analisis Aplikasi
No. Nama Gejala
Hasil Rekam Medis

Gambar 12 Menu Tentang
5.2.6. Menu Keluar (Close)
Menu keluar (close) merupakan menu
apabila pengguna (user) telah selesai meng- Berat badan turun
Bulu rontok, bulu
gunakan aplikasi. Gambar menu keluar berdiri atau kusam
Cacingan
Cacingan
(close) dapat dilihat pada Gambar 13.
Sama
Hilang nafsu makan
1
Kotoran berdarah
Lemah lesu
Perut kembung atau
buncit
Batuk
Bersin
Gangguan
pernafasan
FeC (Feline Chlamydia)
FeC (Feline Chlamydia)

Hidung meler
Hilang nafsu makan
Lemah lesu
Sama
2 Mata berair
Mata merah
Perubahan suara
Pucat
Gambar 13 Menu Keluar (Close) Hilang nafsu makan
5.3. Pengujian Rekam Medis Lemah lesu
Perut kembung atau
Data yang digunakan dalam pengujian buncit
aplikasi merupakan data rekam medis Dinas Berat badan turun
Peternakan dan Kesehatan Hewan Provinsi Bersin
Ispa/Flu Kucing
Ispa/Flu Kucing
Kalimantan Barat bagian UPT Laboratorium Hilang nafsu makan

Sama
Lemah lesu
Kesehatan Hewan dan Kesehatan Masya- 3
Mata bengkak
rakat Veteriner dalam 1 tahun terakhir. Mata berair
Pengujian ini dilakukan untuk memban- Perubahan suara
dingkan hasil data rekam medis dengan hasil Pucat
analisis aplikasi. Berat badan turun
Data yang digunakan dalam pengujian Dehidrasi
Leptospirosis
Leptospirosis
aplikasi ini berdasarkan hasil diagnosis Diare

Sama
dokter hewan. Hasil pengujian data rekam 4 Hilang nafsu makan

medis dengan analisis aplikasi dapat dilihat Lemah lesu
Muntah
pada Tabel 3.
Pucat
53
Hasil pengujian antara data rekam b. Penggunaan metode Dempster-Shafer

medis dengan analisis aplikasi yaitu 94,59% dapat dikombinasikan dengan metode
dari 37 data hanya 2 data yang berbeda lain agar tingkat keberhasilan aplikasi
dikarenakan penyakit Dermatomikosis/ semakin baik.
Ringworm dan Scabiosis merupakan penya- c. Perlunya penambahan jenis penyakit
kit kulit yang memiliki ciri khas gejala yang sifatnya meragukan (prognosa
masing-masing, kedua penyakit ini hanya dubius) dan yang menurut logika pro-
dapat didiagnosa atau dibedakan oleh dokter fesional kedokteran hewan penyakit
hewan saat melakukan pemeriksaan lebih tersebut tidak dapat diobati atau jika
lanjut. diobati juga tidak ekonomis (prognosa
fausta).
6. KESIMPULAN DAN SARAN
6.1. Kesimpulan DAFTAR PUSTAKA
Berikut beberapa kesimpulan yang [1] Hariyanti, Rosana, dan Genevieve De
dapat diuraikan, yaitu : Becker. 2007. Atlas Binatang :
a. Telah berhasil membuat aplikasi sistem Mamalia Volume 1. Jakarta : Tiga
pakar untuk mendiagnosa penyakit Serangkai.
kucing dengan menggunakan metode [2] Sunardi dan Desi Saputra. 2011. Sistem
Dempster-Shafer. Pakar Untuk Mendiagnosa Penyakit
b. Telah berhasil mengimplementasikan Pada Kucing Melalui Perangkat
aplikasi sistem pakar diagnosa penyakit Mobile. Tugas Akhir. Palembang :
kucing metode Dempster-Shafer dengan STMIK GI MDP.
menggunakan android. [3] Nugroho, Fride. 2012. Sistem Pakar
c. Hasil pengujian aplikasi dilakukan Untuk Mendiagnosa Penyakit Pada
dengan data rekam medis selama satu Kucing. Tugas Akhir. Semarang :
tahun terakhir, secara keseluruhan UDINUS.
tingkat keberhasilan pengujian 94,59% [4] Pratama, Raditya. 2014. Analisis dan
dikarenakan adanya 2 penyakit yang Perancangan Sistem Pakar untuk
memiliki gejala hampir sama dan Mendiagnosa Penyakit pada Kucing
mengharuskan pemeriksaan lebih lanjut Persia Berbasis Desktop dengan
ke ahli/pakar atau dokter hewan. Menggunakan Metode Forward
d. Aplikasi akan mendiagnosa penyakit Chaining. Tugas Akhir. Yogyakarta :
dengan tepat apabila pengguna (user) STMIK AMIKOM.
memberikan gejala spesifik sesuai [5] Nugraha, Rikky Wisnu dan Miftaqul
dengan yang dialami si kucing. Beberapa Mariyatus S. 2014. Sistem Pakar
penyakit memerlukan gejala spesifik, Diagnosa Penyakit Pada Kucing
oleh karena itu pengguna (user) harus Berbasis Web. Tugas Akhir. Bandung :
memiliki gejala spesifik sesuai dengan STMIK LPKIA.
yang dialami si kucing. [6] Kusrini. 2006. Sistem Pakar, Teori dan
Aplikasi. Yogyakarta : CV. Andi
6.2. Saran Offset.
[7] Kusumadewi, Sri. 2003. Artificial
Berikut beberapa saran yang dapat
Intelligence Teknik dan Aplikasinya.
diuraikan, yaitu :
Yogyakarta : Graha Ilmu.
a. Aplikasi diagnosa penyakit kucing
[8] Kadir, Abdul. 2013. From Zero To A
berdasarkan gejala tanpa adanya peme-
Pro Pemrograman Aplikasi Android.
riksaan lebih lanjut, tidaklah 100% benar
Yogyakarta : Andi Offset.
karena aplikasi ini hanya membantu
[9] Fikri, Nurul. 2016. Habis Phonegap
dalam masalah penyakit yang dapat
Terbitlah Apache Cordova. Depok :
dikatakan ringan. Oleh sebab itu, kucing
LP3 STT.
yang sakit harus segera dibawa ke klinik
hewan terdekat dan terpercaya untuk
mendapatkan perawatan lebih lanjut.
54
[10] Ritchie, Peter. 2016. Practical

Microsoft Visual Studio 2015. Arizona,
USA : Apress Media.
55
Jurnal Coding, Sistem Komputer Untan ISSN : 2338-493X
Volume 06, No.03 (2018), hal. 97-106
IMPLEMENTASI METODE DEMPSTER SHAFER PADA SISTEM PAKAR

DIAGNOSA INFEKSI PENYAKIT TROPIS
BERBASIS WEB
[1]
Reza Setiawan, [2]Cucu Suhery [3]Syamsul Bahri
[1] [2] [3]
Jurusan Sistem Komputer, Fakultas MIPA Universitas Tanjungpura
Jalan Prof. Dr. H. Hadari Nawawi, Pontianak
Telp./Fax.: (0561) 577963
e-mail : rezas.student@gmail.com, [2]csuhery@siskom.untan.ac.id,
[1]
[3]
syamsul.bahri@siskom.untan.ac.id
ABSTRAK
Penyakit tropis merupakan penyakit yang umumnya terjadi pada wilayah beriklim tropis.
Seseorang yang terkena gejala penyakit tropis cenderung mengabaikannya, sehingga penyakit yang
diderita menjadi semakin parah. Untuk membantu seseorang mendiagnosa dini penyakit tropis yang
mungkin diderita salah satunya caranya adalah menggunakan sistem pakar. Sistem ini diharapkan
dapat memberikan diagnosa awal terkait penyakit yang diderita oleh seseorang sehingga dapat
ditangani secara dini. Pada penelitian ini dibangun sistem pakar dengan menggunakan metode
Dempster-Shafer berbasis web yang dapat mendiagnosa penyakit tropis berdasarkan gejala-gejala
yang dialami. Penyakit tropis yang diteliti sebanyak 9 jenis penyakit yaitu Demam Berdarah Dengue
(DBD), Kaki Gajah (Filariasis), Tuberkulosis Paru (TBC Paru), ISPA, Cacar Air (Varicela), Demam
Tifoid, Campak (Morbili), Hepatitis,dan Malaria. Dari penelitian ini menghasilkan nilai densitas
kemungkinan suatu penyakit yang diderita berdasarkan belief functions (fungsi kepercayaan) dan
plausible reasoning (pemikiran yang masuk akal) pada setiap gejala yang ada. Tingkat keberhasilan
pengujian sistem dengan menggunakan 104 data sampel rekam medis adalah 94.23%.
Kata Kunci: penyakit tropis, sistem pakar, web, dempster-shafer.
1. PENDAHULUAN peralatan yang digunakan (vektor). Seseorang

Indonesia merupakan salah satu Negara yang terkena gejala-gejala awal penyakit tropis
yang beriklim tropis, karena terletak di garis cenderung mengabaikannya karena keterbatasan
Khatulistiwa. Secara Geografis Indonesia waktu dan biaya untuk berkonsultasi serta
berada antara 6 LU - 11 LS dan 95 BT - 141 BT. terbatasnya ketersediaan dokter pada suatu
Iklim tropis yang dimiliki Indonesia daerah. Oleh karena itu dibutuhkan suatu sistem
menyebabkan berkembangnya beberapa dalam bidang kesehatan yang dapat membantu
penyakit yang umumnya terjadi di daerah tropis. seseorang dalam mendiagnosa dini penyakit
Iklim tropis berkaitan erat dengan yang diderita. Sistem ini diharapkan dapat
pembentukan tempat berkembang biak agen memberikan diagnosa awal kepada seseorang
penyakit. Beberapa penyakit yang pada dalam mengetahui penyakit yang mungkin
umumnya terjadi yaitu Demam Berdarah diderita berdasarkan gejala - gejala yang ada
Dengue (DBD), Kaki Gajah (Filariasis), dengan melakukan diagnosa dini, sehingga
Tuberkulosis Paru (TBC Paru), ISPA, Cacar Air dapat ditangani lebih awal dan di tindak lanjuti
(Varicela), Demam Tifoid, Campak (Morbili), ke dokter atau tindakan medis.
Hepatitis, Malaria, dan beberapa penyakit tropis Saat ini telah ada beberapa penelitian
lainnya [1]. tentang mendiagnosa penyakit, diantaranya
Penyakit tropis dapat berjangkit dari penelitian oleh Ramdhani [2] dengan judul
seseorang kepada orang lain yang sehat dengan “Sistem Pakar Diagnosa Infeksi Penyakit Tropis
berbagai cara. Ada yang menularkan langsung Berbasis Web”. Penelitian ini menggunakan
dari penderita ke orang sehat melalui udara, metode Bayesian Network dalam melakukan
kontak langsung, makanan/minuman yang proses diagnosa. Penyakit yang diteliti sebanyak
terkontaminasi penyebab infeksi, atau melalui 3 jenis penyakit yaitu DBD, Malaria, dan
97
Volume 06, No.03 (2018), hal. 97-106
Demam tifoid. Penelitian ini menghasilkan 2. LANDASAN TEORI

sistem yang dapat mendiagnosa penyakit tropis 2.1 Kecerdasan Buatan
yang mungkin diderita dengan kesamaan hasil Kecerdasan buatan berasal dari bahasa
diagnosa sebesar 78% dengan diagnosa dokter inggris “Artificial Intelligence” yaitu
berdasarkan analisa dengan data sampel. Intelligence yang berarti cerdas, sedangkan
Kurniasih [3] melakukan penelitian artificial artinya buatan. Kecerdasan buatan
dengan judul “Diagnosa Penyakit Tropis merupakan salah satu ilmu komputer yang dapat
Berbasis Web Dengan Metode Certainty membuat sebuah mesin (komputer) mampu
Factor”. Penyakit yang diteliti sebanyak 7 jenis berpikir, mengambil tindakan, dan mampu
penyakit yaitu Demam Tifoid, DBD, Malaria, mengambil keputusan seperti layaknya seorang
Gastroentritis akut, Pneumonia, ISPA, dan manusia. Dengan ilmu kecerdasan buatan, maka
Hepatitis. Penelitian ini menggunakan metode suatu sistem dapat memberikan kemudahan
Certainty Factor dalam proses diagnosa. kepada manusia dalam menyelesaikan masalah
Penelitian ini menghasilkan sistem yang dapat dengan kemampuan seperti yang dimiliki
mendiagnosa penyakit tropis yang mungkin seorang manusia. Dalam ilmu kecerdasan
diderita dengan hasil pengujian sebesar 86%. buatan, persoalan-persoalan yang ditangani
Selain itu penelitian lainnya oleh semakin berkembang sehingga dapat
Kurniawati [4] dengan judul “Implementasi memungkinkan untuk merambah ke bidang ilmu
Metode Dempster-Shafer Pada Sistem Pakar yang lain [5].
Untuk Diagnosa Jenis-jenis Penyakit Diabetes
2.2 Sistem Pakar
Melitus“. Penelitian dilakukan untuk
Sistem pakar merupakan salah satu
menentukan jenis penyakit Diabetes Melitus
cabang ilmu dari kecerdasan buatan (artificial
dengan metode Dempster-Shafer. Implementasi
inteligence) yang berusaha mengadopsi
dari sistem ini yakni berbasis Web. Data yang
pengetahuan manusia ke komputer, agar
diuji berjumlah 30 sampel data analisa pakar.
komputer dapat menyelesaikan masalah seperti
Hasil pengujian akurasi sistem pakar dari 30
yang biasa dilakukan oleh seorang pakar. Sistem
sampel yang telah diuji menunjukkan hasil uji
pakar adalah suatu sistem yang didesain dan
akurasi sebesar 96,67%.
diimplementasikan dengan bantuan bahasa
Berdasarkan penelitian sebelumnya maka
pemrograman komputer tertentu untuk dapat
dilakukan penelitian tentang penyakit tropis
menyelesaikan masalah seperti dilakukan oleh
dengan menggunakan sistem pakar. Sistem
seorang pakar yang mempunyai knowledge atau
pakar merupakan sistem yang berusaha
kemampuan khusus dalam bidang yang
mengadopsi pengetahuan manusia ke komputer
dimilikinya [6].
yang dirancang untuk menyelesaikan masalah
seperti layaknya seorang pakar. Pada penelitian 2.3 Dempster Shafer
ini sistem pakar dibangun menggunakan metode Teori Dempster-Shafer adalah suatu teori
Dempster-Shafer. Dempster-Shafer adalah suatu matematika untuk pembuktian berdasarkan
teori matematika untuk pembuktian berdasarkan belief functions (fungsi kepercayaan) dan
belief functions (fungsi kepercayaan) dan plausible reasoning (pemikiran yang masuk
plausible reasoning (pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan
akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk
potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu
mengkalkulasi kemungkinan dari suatu peristiwa [7].
peristiwa. Penelitian ini diharapkan mampu Secara umum teori Dempster-Shafer
mendeteksi dini penyakit tropis yang mungkin ditulis dalam suatu interval [8]:
diderita oleh seseorang berdasarkan gejala- [Belief, Plausibility]
gejala yang ada sehingga dengan adanya sistem Belief (Bel) adalah ukuran kekuatan
ini diharapkan dapat memberikan informasi evidence dalam mendukung suatu himpunan
awal terkait penyakit tropis dan tindakan proposisi. Jika bernilai 0 maka mengindikasikan
selanjutnya secara tepat dan informatif kepada bahwa tidak ada evidence, dan jika m bernilai 1
penggunanya. menunjukkan adanya kepastian.
98
Volume 06, No.03 (2018), hal. 97-106
Plausibility (Pl) dinotasikan sebagai: penyakit yang tidak sakit) yang masuk kedalam
𝑃𝑙(𝑥) = 1 − 𝐵𝑒𝑙(𝑥) (2.1) tubuh manusia melalui air dan makanan.
Plausibility juga bernilai 0 sampai 1. Jika 3. Campak
kita yakin akan x, maka dapat dikatakan bahwa Campak merupakan penyakit yang sangat
Bel(x)=1, dan Pl(x)=0. Plausibility akan menular yang disebabkan oleh virus. Penyakit
mengurangi tingkat kepercayaan dari evidence. ini disebabkan oleh virus famili paraxymovirus
dari genus morbilivirus. Campak dapat
Pada teori Dempster-Shafer kita
ditularkan lewat droplet percikan ludah saat
mengenal adanya frame of discernment yang
penderita batuk, bersin, ataupun bicara.
dinotasikan dengan θ dan mass function yang 4. Tuberkulosis Paru (TBC)
dinotasikan dengan m. Frame ini merupakan Tuberkulosis Paru (TB Paru) merupakan
semesta pembicaraan dari sekumpulan hipotesis penyakit yang disebabkan oleh mycobacterium
sehingga disebut dengan environtment. tuberculosis . Penyakit ini dapat ditularkan
Sedangkan mass function (m) dalam melalui udara (doplet nucle) saat seorang
teori Dempster-Shafer adalah tingkat penderita tuberkulosis itu batuk dan percikan
kepercayaan dari suatu evidence measure ludah terhirup oleh orang lain saat bernafas. Bila
sehingga dinotasikan dengan (m). Untuk penderita batuk,bersin,atau berbicara saat
mengatasi sejumlah evidence pada teori berhadapan dengan orang lain.
Dempster-Shafer menggunakan aturan yang 5. Cacar Air ( Varisela )
lebih dikenal dengan Dempster’s Rule of Cacar Air (Varisela) merupakan penyakit
Combination. Fungsi kombinasi m1 dan m2 infeksi virus akut yang ditandai dengan adanya
vesikel pada kulit yang sangat menular. Penyakit
sebagai m3 dibentuk dengan persamaan :
varisela disebabkan oleh virus varicella-zoster-
∑X∩Y=Z m1(X).m2(Y)
virus. Varisela ditularkan melalui kontak
m3(Z) = 1− ∑X∩Y=∅ m1(X).m2(Y)
(2.2) langsung (cairan vesikel) dan droplet .
6. Malaria
Malaria disebabkan oleh parasit sporozoa
Dengan :
plasmodium yang ditularkan melalui gigitan
m1 (X) adalah mass function dari evidence X
nyamuk anopheles betina. Sebagian besar
m2 (Y) adalah mass function dari evidence Y nyamuk anopheles betina akan menggigit pada
m3 (Z) adalah mass function dari evidence Z waktu senja atau malam hari. Selain ditularkan
melalui gigitan nyamuk, malaria dapat
2.4 Penyakit Tropis menjangkiti orang lain melalui bawaan lahir dari
Penyakit tropis merupakan salah satu ibu ke anak.
bentuk penyakit yang sering terjadi di daerah 7. Hepatitis
beriklim tropis dan subtropis. Penyakit tropis Hepatitis merupakan penyakit radang hati
dapat disebabkan oleh infeksi virus, bakteri, dan yang disebabkan oleh virus hepatitis
parasit. Penyakit tropis dapat ditularkan melalui (Picornavirus). Hepatitis ditularkan melalui
kontak langsung, udara, makanan dan minuman, makanan dan minuman yang terinfeksi.
dan vektor [1]. 8. ISPA (Infeksi Saluran Pernafasan Akut)
Berikut ini adalah beberapa jenis penyakit ISPA adalah penyakit saluran pernapasan
tropis: atas yang meliputi rhinitis, sinusitis, faringitis,
1. Demam Berdarah Dengue (DBD) laringitis, epiglotitis, tonsilitis dan otitis. Secara
Demam Berdarah Dengue merupakan umum penyebab dari infeksi saluran napas
penyakit yang disebabkan oleh virus dengue dari adalah mikroorganisme, namun kebanyakan
kelompok Arboirus B yang disebarluaskan oleh disebabkan oleh infeksi virus dan bakteri.
artropoda. Vektor utama DBD adalah nyamuk 9. Kaki Gajah (Filariasis)
Aedes aegypti dan Aedes albopictus. Kaki Gajah (Filariasis) merupakan penyakit
2. Demam Tifoid yang disebabkan oleh infeksi parasit nematoda.
Penyakit Demam Tifoid adalah infeksi akut Penyakit ini biasa disebut dengan penyakit kaki
pada saluran pencernaan yang disebabkan oleh gajah. Penyakit ini dapat menurunkan
Salmonella typhi. Penularan penyakit ini adalah produktivitas penderitanya karena timbulnya
melalui fekal-oral. Kuman berasal dari tinja atau gangguan fisik .
urin penderita atau bahkan carrier (pembawa
99
Volume 06, No.03 (2018), hal. 97-106
3. METODOLOGI PENELITIAN dimasukkan ke dalam komputer untuk

Metodologi Penelitian yang digunakan pembuatan dan pengembangan sistem. Sumber
dalam penelitian ini adalah sebagai berikut: pengetahuan data penyakit dan gejala penyakit
1. Studi Literatur tropis yang dikumpulkan melalui wawancara
Penelitian ini dimulai dengan melakukan langsung dengan pakar.
pedalaman literatur untuk mengumpulkan 4.1.1 Data Gejala dan Penyakit Tropis
pengetahuan yang didapat mengenai sistem Setelah dilakukan pengumpulan data
pakar, metode Dempster-Shafer, dan penyakit
berdasarkan sumber pengetahuan, maka
tropis. Sumber pustaka yang digunakan
dibuatlah tabel daftar penyakit yang dapat
diperoleh dari jurnal karya ilmiah, buku-buku,
internet (website), dan jurnal-jurnal serta sumber dilihat pada Tabel 1 dan tabel daftar gejala pada
informasi lainnya yang berkaitan dengan Tabel 2.
penelitian. Tabel 1 Daftar Penyakit Tropis
2. Pengumpulan Data Kode Penyakit Nama Penyakit
Pengumpulan data dilakukan untuk
mengumpulkan data dan informasi yang P01 Demam Berdarah Dengue
dibutuhkan. Adapun pengumpulan data jenis P02 Demam Tifoid
penyakit tropis dan gejala-gejala penyakit tropis P03 Campak
terkait yang dikumpulkan adalah melalui
wawancara langsung dengan pakar. Selain itu P04 Tuberkulosis Paru (TB paru)
juga meminta kesediaan pakar untuk P05 Cacar Air
memberikan bobot nilai belief terhadap setiap P06 Malaria
gejala yang nantinya dapat menghasilkan nilai
P07 Hepatitis
densitas pada diagnosa penyakit.
3. Analisis Kebutuhan P08 ISPA
Analisis Kebutuhan berupa pada analisis P09 Kaki Gajah
kebutuhan perangkat lunak dan perangkat keras
yang dibutuhkan. Tabel 2 Daftar Gejala Penyakit Tropis
4. Perancangan Sistem
Tahap perancangan ini meliputi akuisisi Kode
Nama Gejala
pengetahuan, perancangan sistem, dan Gejala
perancangan antarmuka (interface) sistem G01 Demam
berbasis web. G02 Demam Mendadak
5. Implementasi G03 Demam Naik turun
Tahap ini diimplementasikan sistem pakar G04 Menggigil (sering menggigil
dengan perancangan sistem dan tampilan kedinginan)
aplikasi dengan berbasis web. G05 Anoreksia (penurunan nafsu
6. Pengujian Sistem. makan dan minum)
Pengujian sistem dilakukan bertujuan untuk G06 Penurunan Berat Badan
G07 Mual
mengetahui kelayakan sistem yang telah dibuat,
G08 Lemah
apakah sistem telah berfungsi dengan baik dan
G09 Muntah
akan dilakukan perbaikan sistem bila terdapat G10 Meriang
kesalahan atau kekurangan pada aplikasi yang G11 Nyeri Kepala (pusing)
telah dibuat. Setelah dilakukan pengujian G12 Nyeri Dada (dada sesak)
selanjutnya sistem dilakukan analisis. Analisis G13 Nyeri Otot/Persendian
terhadap sistem secara keseluruhan dilakukan G14 Nyeri Perut
untuk memudahkan dalam melakukan penarikan G15 Nyeri Ulu Hati
kesimpulan apakah sistem yang dirancang G16 Diare (konstipasi)
sesuai dengan tujuan penelitian. G17 Mimisan
G18 Pendarahan Gusi
4. PERANCANGAN G19 BAB Berwarna Hitam
4.1 Akuisisi Pengetahuan G20 Pembesaran Kelenjar Limfe
(pangkal paha)
Akuisisi pengetahuan merupakan proses G21 Kaki Bengkak
pengumpulan pengetahuan dari pakar yang G22 Bintik Merah di Kulit
100
Volume 06, No.03 (2018), hal. 97-106
G23 Bintik-Bintik Merah di Kulit 4.2 Perancangan Sistem

Berisi Cairan Berwarna Putih Pada tahap ini dilakukan perancangan
G24 Bintik-Bintik Merah di Kulit di
sistem menggunakan Diagram Blok Sistem,
Wajah, Belakang Telinga, Kulit
Kepala, Dada, Perut, Lengan, dan Data Flow Diagram (DFD), dan Entity
Kaki Relationship Diagram (ERD).
G25 Ruam Merah Kulit di Seluruh 4.2.1 Diagram Blok Sistem
Badan Diagram blok sistem bertujuan untuk
G26 Kulit Gatal
menggambarkan alur kerja yang ada dalam
G27 Berkeringat Hebat
G28 Sering Berkeringat (terutama
sebuah sistem. Diagram blok sistem dapat
malam hari) dilihat pada Gambar 1.
G29 Batuk-Batuk (cenderung sering
kering)
Basis Mesin Antar
G30 Batuk (cenderung sering Pengetahuan Infere
Peng
muka
berdahak) nsi guna
G31 Batuk Sering Pada Malam Hari
G32 Batuk Sudah Lama (>2-3 Minggu) Gambar 1 Diagram Blok Sistem
G33 Batuk Berdarah (ada darah)
G34 Bersin Pada Gambar 1, pengguna melakukan
G35 Pilek (hidung berair/tersumbat) akses sistem dengan milih data berupa gejala-
G36 Sesak nafas (kesulitan bernafas) gejala yang dialaminya melalui antarmuka
(kesulitan bernafas)
pengguna, kemudian setiap gejala tersebut akan
G37 Radang Tenggorokan (nyeri/sulit
menelan) dieksekusi oleh mesin inferensi untuk
G38 Mata Tampak Merah menganalisis pengetahuan berdasarkan basis
G39 Mata Sensitif Cahaya pengetahuan untuk kemudian ditarik
G40 Lidah Kotor (banyak bercak putih) kesimpulan. Kesimpulan kemudian ditampilkan
G41 Pembesaran Hati pada antarmuka pengguna.
G42 Mata Kuning (Sklera Ikterik)
4.2.2 Data Flow Diagram (DFD)
G43 Warna Kulit Menguning
G44 Urine Berwarna Kuning/Coklat DFD sistem pakar ini dimulai dari DFD
Pekat Seperti Teh level 0 sampai level 2 untuk menggambarkan
G45 Panas Tinggi (Umumnya Suhu aliran informasi dan proses data yang bergerak
Badan > 38º C) dari input data hingga output. DFD level 0
G46 Kelumpuhan Otot Kaki sampai 2 dapat dijabarkan sebagai berikut:
1. Data Flow Diagram level 0
Gambar 2 DFD level 0 Sistem Pakar Diagnosa Penyakit Tropis

Gambar 2 merupakan DFD level 0 atau admin dan user. User melakukan input ke sistem
diagram konteks sistem pakar diagnosa penyakit berupa data profil login user serta proses
tropis. Pada sistem terdiri dari 2 entitas yaitu konsultasi berupa data gejala yang dialaminya.
101
Volume 06, No.03 (2018), hal. 97-106
Sistem memberikan info hasil diagnosa ke user sistem akan mengeluarkan output kepada user
berdasarkan gejala yang dialaminya. Admin berupa informasi hasil pemeriksaan konsultasi
melakukan input ke sistem berupa data gejala, dari user tersebut.
data penyakit, dan data basis aturan, kemudian
2. Data Flow Diagram (DFD) Level 1
Gambar 3 DFD level 1 Sistem Pakar Diagnosa Penyakit Tropis
Penjelasan Gambar 3 proses-proses pada atau diagnosa. Sedangkan admin melakukan

DFD level 1, yaitu: proses login agar dapat melakukan
a. Proses 1.0 merupakan Pendaftaran. Sebelum pengolahan data pada aplikasi.
menggunakan sistem, user perlu melakukan c. Proses 3.0 merupakan Olah Data. Proses ini
proses daftar terlebih dahulu. user akan dilakukan oleh admin untuk dapat mengelola
memberikan masukan berupa data pengguna data (menambah, mengubah, menghapus,
sehingga user kemudian dapat menggunakan mencari, melihat) diantaranya terdapat data
aplikasi untuk proses konsultasi. Data user, data gejala, data penyakit dan data basis
pendaftaran kemudian disimpan ke dalam aturan.
tabel user. d. Proses 4.0 merupakan Diagnosa. Proses ini
b. Proses 2.0 merupakan Login. Proses ini dilakukan user untuk berkonsultasi dengan
digunakan oleh user dan admin untuk sistem sehingga mendapatkan hasil diagnosa
mengakses aplikasi. User melakukan proses dari gejala yang dipilih oleh user.
login agar dapat melakukan proses konsultasi
102
Volume 06, No.03 (2018), hal. 97-106
3. Data Flow Diagram (DFD) Level 2 Proses 3 Pengolahan Data
Gambar 4 DFD level 2 Proses 3 Pengolahan Data
DFD level 2 Proses 3 Pengolahan data c. Proses 3.3 merupakan Olah Data Penyakit.
terdiri dari 4 proses, yaitu: Pada proses ini seorang administrator dapat
a. Proses 3.1 merupakan Olah Data User. Pada melakukan pengolahan data penyakit
proses ini seorang administrator dapat diantaranya melihat, menambah, mengubah,
mengelola data user diantaranya melihat dan menghapus, dan menyimpan.
menghapus. d. Proses 3.4 merupakan Olah Data Basis
b. Proses 3.2 merupakan Olah Data Gejala. Aturan. Pada proses ini seorang
Pada proses ini seorang administrator dapat administrator dapat melakukan pengolahan
melakukan pengolahan data gejala data basis aturan (rule) diantaranya melihat,
diantaranya melihat, menambah, mengubah, menambah, mengubah, menghapus, dan
menghapus, dan menyimpan. menyimpan.
4. Data Flow Diagram (DFD) Level 2 Proses 4 Diagnosa
Gambar 5 DFD level 2 Proses 4 Diagnosa
103
Volume 06, No.03 (2018), hal. 97-106
DFD level 2 Proses 4 Diagnosa terdiri dari b. Proses 4.2 merupakan Diagnosa Penyakit.
2 proses, yaitu: Pada proses ini dilakukan perhitungan nilai
a. Proses 4.1 merupakan Proses Gejala. Pada dari gejala yang telah dipilih, kemudian akan
proses ini menampilkan pertanyaan gejala menampilkan hasil dari diagnosa yang telah
yang ada sehingga user dapat memilih gejala dilakukan berdasarkan gejala yang dipilih.
yang dialaminya untuk kemudian di proses.
4.2.3 Entity Relationship Diagram (ERD)

Entity Relationship Diagram sistem pakar diagnosa penyakit tropis dapat dilihat pada
Gambar 6.
Gambar 6 Entity Relational Diagram Sistem Pakar Diagnosa Penyakit Tropis
memasukan username dan password dengan

5. HASIL DAN PEMBAHASAN benar untuk dapat masuk kehalaman konsultasi.
5.1 Implementasi Sistem 2. Tampilan Halaman Konsultasi
Perancangan sistem yang dibuat pada
tahap sebelumnya, diimplementasikan ke dalam
halaman web .
1. Tampilan Halaman Login User
Gambar 8 Tampilan Halaman Konsultasi
Gambar 8 merupakan halaman konsultasi.

Halaman ini digunakan oleh user untuk
melakukan konsultasi pada sistem. Pada
halaman konsultasi terdapat daftar gejala yang
Gambar 7 Tampilan Halaman Login User kemudian dapat dipilih dengan mengisi centang
pada box yang ada. Setelah memilih gejala yang
Gambar 7 merupakan halaman login user.
dirasakan, user kemudian mengklik tombol
Pada halaman ini terdapat form untuk login
diagnosa untuk mendapatkan hasil diagnosa.
dimana user yang telah terdaftar dapat
104
Volume 06, No.03 (2018), hal. 97-106
3. Tampilan Halaman Hasil Konsultasi 3 - anoreksia Hepatitis Hepatitis sama

- urine
berwarna
kuning/
coklat seperti
teh
- mual
- muntah
- mata kuning
4 - anoreksia Tuberkul ISPA berbeda
- sesak nafas osis Paru
- lemah
- nyeri perut
- batuk –
batuk
5 - pilek ISPA ISPA sama
- batuk- batuk
- sesak nafas
Gambar 9 Tampilan Halaman Hasil Konsultasi Pada pengujian dengan menggunakan
Gambar 9 merupakan halaman hasil data rekam medis didapat hasil diagnosa yang
konsultasi. Halaman ini digunakan oleh user berbeda antara diagnosa rekam medis dan
untuk melihat hasil diagnosa berdasarkan diagnosa sistem. Pengujian yang dilakukan pada
konsultasi sebelumnya. Pada halaman ini 104 buah data rekam medis didapatkan 98
ditampilkan hasil diagnosa berupa penyakit diagnosa sama dan terdapat 6 hasil diagnosa
yang mungkin diderita oleh user berserta yang berbeda. Hasil diagnosa sistem berbeda
persentasenya. Pada halaman ini juga dengan data rekam medis disebabkan oleh
ditampilkan informasi terkait yang diderita user. terdapat beberapa kesamaan gejala penyakit
Hasil diagnosa menampilkan penyakit yang dengan penyakit lainnya serta gejala penyakit
mungkin diderita dan nilai densitas dari yang kurang spesifik. Pada tiap penyakit
perhitungan Dempster-Shafer. terdapat gejala spesifik, sehingga bila gejala
5.2 Pengujian Dengan Rekam Medis spesifik tidak terpenuhi maka sistem akan
Untuk memperoleh tingkat akurasi memberikan hasil diagnosis yang kurang tepat.
keberhasilan sistem dilakukan pengujian dengan Berdasarkan pengujian dengan
menggunakan data rekam medis. Data rekam menggunakan data rekam medis dapat
medis yang digunakan adalah data sampel kasus disimpulkan bahwa tingkat akurasi keberhasilan
yang di ambil dari RSUD Sultan Syarif
sistem adalah:
Mohamad Alkadrie Pontianak. Tabel Hasil jumlah diagnosa
Perbandingan Diagnosa Sistem dan Diagnosa Persentase keberhasilan sesuai
= total x 100%
kasus
Rekam Medis. Hasil pengujian menggunakan 98
rekam medis dengan membandingkan hasil = 104
x 100% = 94,23%.
diagnosa sistem dengan 104 buah data rekam
medis yang diperoleh dari RSUD Sultan Syarif 6. KESIMPULAN
Mohamad Alkadrie.Hasil pengujian dengan data Beberapa kesimpulan yang dapat
rekam medis dapat dilihat pada Tabel 3. diuraikan:
Tabel 3 Sebagian Pengujian Data Rekam medis 1. Penyakit yang mungkin diderita adalah
Diagnosa penyakit yang memiliki nilai densitas yang
Diagnosa
No Nama Gejala Rekam Hasil
Sistem paling tinggi berdasarkan gejala-gejala yang
Medis
dipilih. Untuk menentukan hasil diagnosa
1 - demam Demam Demam sama penyakit adalah dengan melihat nilai densitas
- anoreksia Berdarah Berdarah
- nyeri Dengue Dengue yang muncul dari perhitungan menggunakan
otot/persendian metode Dempster-Shafer. Nilai denistas
- mual
- mimisan
yang dihasilkan dari perhitungan sistem ini
- nyeri kepala sama dengan hasil perhitungan secara
- bab berwarna manual dengan menggunakan teori
hitam
Dempster-Shafer.
2 - Demam Demam Demam berbeda
- nyeri kepala Berdarah Tifoid 2. Nilai belief pada masing-masing gejala
- nyeri ulu hati Dengue sangat berpengaruh terhadap yang hasil
- anoreksia
- lemah
diagnosa penyakit. Semakin tinggi nilai
105
Volume 06, No.03 (2018), hal. 97-106
belief pada sebuah gejala maka semakin [2] Ramadhani, Purnama. 2012. Sistem Pakar
besar kemungkinan seseorang menderita Diagnosa Infeksi Penyakit Tropis Berbasis
suatu penyakit berdasarkan gejala yang Web. Jurnal Aksara Komputer Terapan.
dialami tersebut. Gejala spesifik pada sebuah Politeknik Caltex Riau.
penyakit memiliki nilai belief yang tinggi. [3] Kurniasih, Meiwati. 2017. Diagnosa
Apabila gejala spesifik tidak terpenuhi maka Penyakit Tropis Berbasis Web Dengan
aplikasi akan memberikan diagnosis yang
Metode Certainty Factor. Jurnal Coding
kurang tepat. Sehingga semakin lengkap
gejala yang dimasukan, maka sistem akan Sistem Komputer Untan. Universitas
menghasilkan diagnosis yang tepat. Tanjungpura Pontianak.
3. Pengujian sistem dengan menggunakan [4] Kurniawati, Dewi Pratama. 2012
Blackbox Testing didapat keberhasilan Implementasi Metode Dempster-Shafer Pada
sistem dapat berfungsi dengan baik sesuai Sistem Pakar Untuk Diagnosa Jenis-jenis
yang diharapkan. Penyakit Diabetes Melitus. Jurnal Edinus
4. Pada pengujian akurasi sistem dengan Respitory. Universitas Dian Nuswantoro
menggunakan data rekam medis terdapat Semarang.
hasil diagnosa yang berbeda. Hal ini [5] Sutojo dkk, T. 2011. Kecerdasan Buatan.
disebabkan terdapat beberapa kesamaan Yogyakarta: Andi.
gejala penyakit dengan penyakit lainnya serta [6] Arhami, Muhammad. 2005. Konsep Dasar
gejala penyakit yang kurang spesifik
Sistem Pakar. Yogyakarta: Andi.
sehingga menghasilkan diagnosa yang
[7] Tyas. 2013. Teori Dempster-Shafer.
berbeda. Hasil pengujian sistem secara
keseluruhan dengan membandingkan data http://informatika.web.id/teori-dempster-
hasil diagnosa sistem dan hasil diagnosa shafer.htm di akses 1 Maret 2017
rekam medis rumah sakit RSUD. Sultan [8] Kusumadewi, Sri. 2013. Artificial
Syarif Mohammad Alkadrie, didapat tingkat Intelligence (Teknik dan Aplikasinya).
akurasi keberhasilan sistem sebesar 94,23 %. Yogyakarta: Graha Ilmu.
7. SARAN
Beberapa hal yang disarankan untuk
pengembangan lebih lanjut dari penelitian
ini agar lebih baik lagi adalah sebagai
berikut :
1. Pengembangan sistem dengan
menambahkan jenis penyakit tropis agar
penyakit yang dapat didiagnosa pada aplikasi
sistem pakar ini semakin lengkap. Jenis
penyakit tropis lainnya yang dapat
ditambahkan seperti Chikungunya, Difteria,
Rabies, Polio, dan beberapa penyakit tropis
lainnya.
2. Dapat menggunakan metode lain dalam
sistem pakar agar didapat tingkat akurasi
keberhasilan sistem yang lebih tinggi dan
dapat mengetahui perbandingan dari metode
yang digunakan dalam sistem pakar.
DAFTAR PUSTAKA
[1] Widoyono. 2011. Penyakit Tropis,

Epidemiologi, Penularan, Pencegahan dan
Pemberantasannya. Jakarta: Penerbit
Erlangga.
106
CESS (Journal Of Computer Engineering, System And Science) p-ISSN :2502-7131
Vol 2, No 1, Januari 2017 e-ISSN :2502-714x
SISTEM PAKAR DIAGNOSA PENYAKIT PARU-PARU

PADA ANAK DENGAN METODE DEMPSTER-SHAFER
1
Eli Rosmita Ritonga, 2Muhammad Dedi Irawan
Program Studi Teknik Informatika Universitas Asahan
Jl. Jend. Ahmad Yani, Kisaran, Sumatera Utara 21216
1
elirosmitaritonga@gmail.com, 2temansejati.dedi@gmail.com
Abstrak— Sistem pakar merupakan program Artificial Intelligence yang menggabungkan basis
pengetahuan dengan mesin inferensi. Ini merupakan bagian perangkat lunak spesialisasi tingkat
tinggi, yang berusaha menduplikasi fungsi seorang pakar dalam satu bidang keahlian tertentu.
Sistem pakar memprediksi penyakit paru pada anak ini bertujuan untuk mengetahui bagaimana
cara mendiagnosa penyakit paru pada anak sehingga dapat dilakukan penanganan yang tepat
sesuai dengan ciri-ciri penyakit yang terdapat pada anak tersebut. Didalam penerapan sistem
pakar ini dibantu dengan metode Dempster Shafer. Dempster Shafer adalah suatu teori
matematika untuk pembuktian berdasarkan belief functions and plausible reasoning (fungsi
kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan
potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu peristiwa.
Atas dasar tersebut maka akan dibuat sistem yang dapat membantu user untuk dapat
mendiagnosa penyakit paru pada anak sesuai dengan gejala-gejala yang terdapat pada anak yang
terserang penyakit.
Keywords— sistem pakar, diagnosa, penyakit paru anak, dempster shafer
pengetahuan maupun bisnis yang terbukti sangat

I. PENDAHULUAN membantu dalam mengambil keputusan dan sangat luas
A. Latar Belakang Masalah penerapannya. Sistem pakar adalah sebuah program
Perkembangan teknologi dipakai hampir disemua komputer yang dirancang untuk memodelkan
kalangan dan semua bidang. Salah satu bidang yang kemampuan menyelesaikan masalah seperti layaknya
juga tidak terlepas dari teknologi adalah bidang seorang pakar (human expert). Biasanya sistem pakar
kesehatan. Dengan adanya perkembangan teknologi berupa perangkat lunak pengambil keputusan yang
dibidang kesehatan akan membuat tingkat kesehatan mampu mencapai tingkat performa yang sebanding
pada saat ini lebih baik lagi. Akan tetapi permasalahan seorang pakar dalam bidang yang khusus dan sempit.
yang sering muncul adalah bagaimana menjadikan Ide dasarnya adalah kepakaran ditransfer dari seorang
teknologi sebagai penunjang kesehatan kita. pakar atau sumber kepakaran yang lain ke komputer,
Penyakit paru merupakan penyakit yang pengetahuan yang ada disimpan dalam komputer, dan
tingkat kejadiannya cukup luas dan dapat menyerang pengguna dapat berkonsultasi pada komputer itu untuk
siapa saja tanpa memandang usia dan suku bangsa. suatu nasehat, lalu komputer dapat mengambil inferensi
Dalam kehidupan sehari-hari kita banyak menjumpai (menyimpulkan, mendiskusikan) seperti layaknya
penyakit seperti asma, bronkitis, TBC, batuk serta seorang pakar, kemudian menjelaskannya ke pengguna
demam dalam masyarakat. Sekalipun ada beberapa tersebut, bila perlu dengan alasan-alasannya
penyakit paru yang tidak membahayakan jiwa, namun Sistem pakar hanya digunakan untuk memecahkan
tetap tidak boleh di anggap sepele, mengingat berbagai masalah yang memang sulit untuk dipecahkan dengan
komplikasi yang dapat di timbulkan. Paru merupakan menggunakan program biasa, mengingat biaya yang
organ vital bagi tubuh, sehingga kesehatan paru diperlukan untuk membuat sistem pakar jauh lebih besar
sangatlah penting untuk dijaga. Mengingat fungsi dari dari pada sistem biasa. Aplikasi sistem pakar dapat
paru sebagai pusat alat pernafasan manusia. dikembangkan dan diterapkan pada banyak bidang,
Lingkungan yang kotor, polusi udara yang kian salah satunya sistem pakar digunakan untuk
bertambah berat serta pola hidup tidak sehat mendiagnosa penyakit paru-paru pada anak.
menyebabkan penyakit paru. Sekecil apapun terserang Pengembangan sistem pakar ini diharapkan dapat
penyakit paru selain berbahaya juga sangat membantu pengguna untuk mempelajari atau
menggangu aktivitas sehari hari. Ada beberapa hal mengetahui tentang penyakit paru-paru tersebut. Sistem
yang dapat menjadi penyebab penyakit pada paru, pakar akan memberikan kesimpulan akhir berupa
misalnya zat yang berasal dari lingkungan sekitar, penyakit yang diderita dan dengan menggunakan
seperti polusi udara, bakteri, virus, dan lain metode dempster shafer dapat diketahui berapa persen
sebagainya. pasien tersebut mengalami penyakit paru-paru tersebut..
Sistem pakar (expert system) merupakan salah satu Sistem pakar untuk memprediksi penyakit pada tanaman
bidang teknik kecerdasan buatan yang cukup diminati cabai telah dikembangkan oleh Anis Mistanti (2014).
karena penerapan di berbagai bidang baik bidang ilmu Sistem pakar yang dikembangkan merupakan sebuah
39
software aplikasi untuk memprediksi penyakit pada “pernapasan eksternal” atau bernapas. Paru-paru juga
tanaman cabai. Sistem pakar ini juga dapat menberikan mempunyai fungsi non respirasi. Istilah kedokteran yang
hasil diagnosa terhadap penyakit pada tanaman cabai berhubungan dengan paru-paru sering mulai di pulmo-
dan juga menghasilkan persentase hasil diagnosa, dari kata latin pulmones untuk paru-paru.
persentase yang dihasilkan juga menggunakan metode Penyakit paru-paru memiliki berbagai macam jenis,
dempster shafer . diantaranya adalah sebagai berikut :
1. Pneumonia
B. Rumusan Masalah 2. Bronkitis
Adapun rumusan masalah dalam penulisan skripsi ini 3. Tuberculosis
Berdasarkan uraian latar belakang diatas maka 4. Asma
permasalahan yang dibahas adalah sebagai berikut: 5. Effusi Pleura
1. Bagaimana merancang suatu sistem informasi
untuk mengetahui jenis penyakit paru-paru C. Metode Dempster – Shafer
berdasarkan gejala yang dialami pasien ? Teori Dempster-Shafer merupakan teori matematika
2. Bagaimana menerapkan sistem pakar untuk dari bukti. Teori tersebut dapat memberikan sebuah cara
menganalisis penyakit paru-paru untuk menggabungkan bukti dari beberapa sumber dan
mendatangkan atau memberikan tingkat kepercayaan
C. Batasan Masalah (direpresentasikan melalui fungsi kepercayaan) dimana
1. Agar pembahasan tidak menyimpang dari mengambil dari seluruh bukti yang tersedia. (Anis
tujuan utama, maka penulis membatasi Mistanti, 2014)
permasalahan sebagai berikut: Teori Dempster-Shafer pertama kali diperkenalkan
2. Batasan-batasan masalah yang digunakan oleh oleh Arthur P.Dempster and Glenn Shafer, yang
dalam skripsi ini dapat di rumuskan sebagai melakukan percobaan ketidakpastian dengan range
berikut : probabilities daripada sebagai probabilitas tunggal.
3. Pembangunan sistem pakar menggunakan Kemudian pada tahun 1976 Shafer mempublikasikan
metode Dempster Shafer. teori Dempster pada buku yang berjudul Mathematichal
4. Diagnosa penyakit paru-paru pada manusia Theory of Evident.
umur 5 sampai dengan 12 tahun. Secara umum Teori Dempster-Shafer ditulis dalam
5. Hanya membahas jenis gejala penyakit paru - suatu interval :
paru yang umum dirasakan oleh anak.
6. Bahasa pemrograman yang digunakan dalam [Belief,Plausibility]....................... [1]
membangun sistem aplikasi ini adalah
Microsoft Visual Basic.Net 2010 dan program Belief (Bel) adalah ukuran kekuatan evidence dalam
database menggunakan MySQL. mendukung suatu himpunan proposisi. Jika bernilai 0
7. Penyakit yang dibahas adalah penyakit maka mengindikasikan bahwa tidak ada evidence, dan
Tuberculosis, Bronkitis, Asma, Effusi Pleura, jika m bernilai 1 menunjukkan adanya kepastian.
Pneumonia. Plausibility (Pl) dinotasikan sebagai:
8. Sistem pendeteksian penyakit paru-paru
digunakan dengan cara menginteraksi antara Pl(s) = 1 – Bel (-s)…..….…………. [2]
program dan user menggunakan pilihan dari
user untuk dapat diketahui apakah user tersebut Plausability akan mengurangi tingkat kepercayaan dari
mengalami gejala tersebut. evidence.
Pada teori Dempster-Shafer dikenal adanya frame of
discrement yang dinotasikan dengan θ. Frame ini
II. LANDASAN TEORI merupakan semesta pembicaraan dari sekumpulan
A. Sistem Pakar hipotesis. Tujuannya adalah mengaitkan ukuran
Sistem pakar adalah suatu sistem yang dirancang kepercayaan elemen-elemen θ. Tidak semua evidence
untuk dapat menirukan keahlian seorang pakar dalam secara langsung mendukung tiap-tiap elemen. Untuk itu
menjawab pertanyaan dan memecahkan suatu masalah, perlu adanya probabilitas fungsi densitas (m). Nilai m
sistem pakar akan memberikan pemecahan suatu tidak hanya mendefinisikan elemen-elemen θ saja, namun
masalah yang didapat dari dialog dengan pengguna. juga semua subsetnya. Sehingga jika θ berisi n elemen,
Dengan bantuan sistem pakar seseorang yang bukan maka subset θ adalah 2n . Jumlah semua m dalam subset
pakar atau ahli dapat menjawab pertanyaan, θ sama dengan 1. Apabila tidak ada informasi apapun
menyelesaikan masalah serta mengambil keputusan untuk memilih hipotesis, maka nilai m{θ} = 1,0. Apabila
yang biasanya dilakukan oleh seorang pakar (T.Sutojo, diketahui X adalah subset dari θ, dengan m1 sebagai
2011) fungsi densitasnya, dan Y juga merupakan subset dari θ
dengan m2 sebagai fungsi densitasnya, maka dapat
B. Paru-Paru dibentuk fungsi kombinasi m1 dan m2 sebagai m3, yaitu:
Paru-paru adalah organ pada sistem penapasan
respirasi dan berhubungan dengan sistem peredaran
darah atau sirkulasi Vertebrata yang bernapas dengan m3(Z)= …… [3]
udara. Fungsinya adalah menukar oksigen dari udara
dengan karbondioksida dari darah. Prosesnya disebut
40
keterangan : dibuat.
m1 = densitas untuk gejala pertama
m2 = densitas gejala kedua
m3 = kombinasi dari kedua densitas diatas Studi
θ = semesta pembicaraan dari sekumpulan Literatur
hipotesis (X’dan Y’)
X dan y = subset dari Z Data
X’ dan y’= subset dari θ Penelitian
Contoh Penerapan Dempster-Shafer Pada Contoh
dibawah ini, akan di cari persentase kemungkinan dari 2 Desain
objek dengan menggunakan perhitungan dibawah ini : Umum
m1 , yaitu objek pertama dengan nilai densitas = 90%
atau dirubah menjadi desimal = 0.9 Desain Sistem
m2 , yaitu objek kedua dengan nilai densitas = 80% atau
dirubah menjadi desimal = 0.8
Maka untuk menghitung nilai Dempster Shafer , Implementa
dengan menggunakan nilai believe yang telah si
ditentukan pada setiap gejala.
m1(θ) = 1 – Bel , Dimana nilai Bel (believe)
Maintenanc
merupakan bobot yang diinput sesuai kepercayaan, e
maka untuk mencari nilai kedua gejala diatas , terlebih Gambar 1 Desain Penelitian
dahulu dicari nilai dari θ, contohnya dapat dilihat
dibawah ini . B. Analisis Data
Maka m1(Bel) = 0.9 Pengklasifikasian penyakit paru menggunakan kaidah
m1(θ) = 1- 0.9 = 0.1 produksi yang dituliskan dalam bentuk pernyataan JIKA
Maka m2(Bel) = 0.8 [premis] MAKA [konklusi]. Pada perancangan sistem ini
m2(θ) = 1- 0.8 = 0.2 premis adalah gejala dan konklusi adalah penyakit paru,
Gunakan rumus sehingga bentuk pernyataannya adalah JIKA [gejala]
MAKA [jenis penyakit paru].
M3 (Z ) = ∑ X ∩ Y = Zm1(x).m2(y) Pada sistem ini dalam satu kaidah dapat memiliki lebih
dari satu gejala. Gejala-gejala tersebut dihubungkan
1 − ∑ X ∩ Y = θm1(x).m2(y) menggunakan operator logika AND dan OR. Adapun
bentuk pernyataannya adalah:
Maka nilai total dari 2 objek diatas = JIKA [gejala 1]
DAN [gejala 2]
0.9 * 0.8 = 0.72/1 – 0.02 = = 0.73 ATAU [ gejala 3]
1 – ( 0.1 * 0.2 ) MAKA [penyakit]
Untuk penarikan kesimpulan diagnose penyakit paru-
Maka nilai dari 2 densitas gejala diatas adalah 0.73 paru menggunakan reference engine modus ponens.
atau 73% , Modus ponens merupakan salah satu unsur dalam
matematika dimana terdapat premis atau kalimat awal
III. METODOLOGI PENELITIAN yang diketahui dan konklusi yaitu hasil kesimpulan.
A. Rancangan Penelitian Modus ponens mempunyai pola seperti berikut ini:
Tahapan penelitian yang dilakukan adalah sebagai Premis 1 : Jika A maka B
berikut : Premis 2 :A
1. Menentukan kebutuhan data yang digunakan, seperti Disimpulkan B
data gejala penyakit Paru-paru, teori metode Sebagai contoh :
Dempster – shafer dan perhitungan mencari belief - Jika batuk lebih dari dua minggu maka teridentifikasi
serta nilai persentase kepastiannya. penyakit paru-paru.
2. Mengumpulkan data yang dibutuhkan, data yang - Seno batuk-batuk satu bulan lebih.
sudah ditentukan diatas kemudian dikumpulkan - Kesimpulan dari dua kalimat diatas adalah Seno
untuk proses. teridentifikasi penyakit paru-paru.
3. Mempersiapkan alat dan bahan penelitian. Alat disini Sehingga argumennya dapat berbentuk:
adalah perangkat keras (hardware) dan perangkat A B
lunak (software) yang akan digunakan untuk A
membuat sebuah sistem diagnosa paru-paru, _______
sedangkan bahannya merupakan data-data yang :B
telah dikumpulkan, untuk selanjutnya diproses
kedalam program. C. Penerapan Dempster Shafer Pada Diagnosa
Proses diatas tersebut adalah studi literatur. Penyakit Paru-Paru
Kemudian data penelitian untuk selanjutnya Pada contoh dibawah ini, akan dicari kepastian dari
diimplementasikan menjadi sebuah sistem diagnosa gangguan penyakit Paru-paru dengan menggunakan rule
paru-paru. Berikut adalah desain penelitian yang pada tabel dibawah ini :
41
TABEL 1. CONTOH RULE G10 Nafsu makan turun
No Gejala Bobot G11 Panas naik turun

1 Sesak napas 0.2 G12 Batuk berdahak setelah 2-3 hari
2 Badan panas 0.05 G13 Suara ada lender
3 Susah tidur 0.05 G14 Dahak kental dan kuning
4 Batuk berdahak 0.1
kuning Sesak nafas mengeluh rasa sakit
G15
5 Leher bengkak 0.1 retrostenal
G16 Mengigau
Dik :
GP1 = 0.2 GP1 (θ ) = 1 – 0.2 = 0.8 G17 Batuk berdahak lebih dari 2 minggu
GP2 = 0.05 GP2 (θ ) = 1 – 0.05 = 0.95
G18 Batuk berdarah
GP3 = 0.05 GP3 (θ ) = 1 – 0.05 = 0.95
GP4 = 0.1 GP4 (θ ) = 1 – 0.1 = 0.9 G19 Batuk
GP5 = 0.1 GP5 (θ ) = 1 – 0.1 = 0.9
G20 Berat badan turun
G21 Sesak nafas dipicu udara dingin
G22 Mual
G23 Muntah
= = = 0.58
G24 Kesulitan bernafas
Artinya, kombinasi GP1, GP2 ,GP3, GP4, GP5 akan G25 Badan panas
menghasilkan 58 % kemungkinan kesimpulan penyakit
G26 Nyeri dada
pneumonia terjadi. Dari tabel diatas, sistem dapat
memberikan informasi mengenai penyakit paru-paru G27 Sesak nafas dipicu udara dingin
pada anak, jika gejala pada anak sesuai dengan yang di
G28 Batuk pada jam 1 sampai 4 pagi
input.
G29 Suara pernafasan wheezing
IV. PEMBAHASAN G30 Riwayat asma pada keluarga positif
A. Analisa dan Konseptual
Dalam tahap knowledge engineer dan pakar akan G31 Alergi debu, serat kain, bulu binatang
menentukan konsep yang akan dikembangkan menjadi G32 Batuk malam keras dan kering
sistem pakar untuk mendiagnosa penyakit paru.
Hasil dari pemuatan konsep ini antara knowledge G33 Batuk tanpa riak
engineer dan pakar adalah dengan terkumpulnya data- G34 Perut terasa sakit
data mengenai pengelompokan pemeriksaan penyakit
paru. Berdasarkan analisa pemeriksaan fisik pasien
penyakit paru yang terdiri dari 2. Jenis Penyakit
1. Gejala Penyakit Basis pengetahuan dari jenis penyakit dapat dilihat
Basis pengetahuan dari gejala penyakit paru-paru pada tabel 3
dapat dilihaht pada tabel 2. TABEL 3. JENIS PENYAKIT
kode Penyakit
TABEL 2. GEJALA PENYAKIT
P01 Pneumonia ( radang paru-paru )
kode Gejala penyakit
P02 Bronchitis
G1 Batuk berdahak kuning
P03 Tuberculosis (TB)
G2 Sakit pada dada
P04 Asma
G3 Sesak nafas
P05 Effuse Pleura
G4 Badan panas
G5 Susah tidur
B. Mesin Inferensi
G6 Badan lemah Dalam tahap ini, penulis melakukan penalaran dengan
G7 Batuk bulanan menggunakan isi daftar aturan berdasarkan urutan dan
pola tertentu. Mekanisme inferensi untuk pengujian
G8 Sakit kepala aturan yang penulis gunakan adalah metode dempster
G9 Leher bengkak shafer.
Penelusuran dilakukan dengan memilih gejala terlebih
42
dahulu dan kemudian dicocokkan dengan aturan –aturan Then P04
yang ada. 12 if gejala G21 AND G29 AND G17 AND G19
Dibawah ini merupakan tabel mesin inferensi yang Then P03
digunakan sebagai acuan dalam pembuatan aplikasi 13 if gejala G10 AND G16 AND G21 AND G2
sistem pakar penyakit paru-paru. Mesin inferensi untuk AND G28 Then P02
basis pengetahuan gejala dan penyakit dapat dilihat 14 If gejala G9 AND G30 AND G10 AND G26
pada tabel 4. mesin inferensi untuk basis pengetahuan AND G18 Then P05
penyakit dan saran dapat dilihat pada tabel 5. 15 If gejala G7 AND G8 AND G21 AND G6 AND
G23 Then P01
TABEL 4 DAFTAR HUBUNGAN GEJALA DAN PENYAKIT
16 if gejala G21 AND G5 AND G25 AND G31
AND G1 Then P04
Then P02
18 gejala G12 AND G27 AND G28 AND G29
AND G17 Then P04
19 gejala G23 AND G14 AND G15 AND G19
AND G2 Then P02
20 if gejala G1 AND G3 AND G4 AND G24 AND
G23 Then P05
Then Penyakit P02
AND G28 AND G11 Then P02
G23 AND G14 Then P01
G24 AND G25 Then P05
AND G22 Then P02
TABEL 5. BASIS PENGETAHUAN GEJALA DAN PENYAKIT AND G11 AND G12 Then P02
No Aturan
AND G28 AND G13 AND G14 ANG G12
Then P02
2 :if gejala G5 AND G21 AND G25 AND G26
Then P05
3 if gejala G16 AND G21 AND G32 Then P02
7 if gejala G12 AND G27 AND G28 AND G29 AND G28 AND G11 AND G12 Then P02
Then P04
Then P04
9 if gejala G7 ANG G8 AND G21 AND G6 Then G23 AND G14 AND G15 Then P02
P01
Then P02
11 if gejala G5 AND G25 AND G31 AND G1 AND G28 AND G11 AND G12 AND G27 Then
43
P02 D. Rancangan Input
42 if gejala G21 AND G11 AND G12 AND G27 1. Rancangan Input Data Login
AND G29 AND G17 AND G19 AND G2 Then Rancangan input data login digunakan untuk
P03 mendapatkan hak akses untuk melakukan konsultasi pada
43 if gejala G7 AND G8 AND G21 AND G6 AND sistem pakar ini. Rancangan data login dapat dilihat pada
G23 AND G14 AND G15 AND G19 Then P02 gambar 5.
AND G15 AND G19 AND G2 AND G20 Then
P02
AND G1 AND G3 AND G4 AND G23 Then
P04
46 if gejala G10 AND G16 AND G21 AND G2 Gambar 5. Input data login
AND G28 AND G11 AND G12 AND G27 AND
G29 Then P02 2. Rancangan Menu Input Data Penyakit
47 if gejala G7 AND G8 AND GP21 AND G6 Rancangan input data penyakit merupakan form input
AND G23 AND G14 AND G15 AND G19 AND penyakit yang digunakan oleh pakar untuk mengolah data
G2 Then P02 penyakit. Rancangannya pada gambar 6.
G23 Then P04
G29 AND G17 AND G19 Then P02
G23 AND G14 AND G15 AND G19 AND G2
C. Rancangan Arsitektur Program

1. Rancangan Menu Utama
Rancangan antarmuka menu pemakai merupakan Gambar 6. Input Data Penyakit
tampilan bagi pemakai untuk melakukan penelusuran
penyakit untuk mendapatkan informasi yang dicari. 3. Rancangan Input Data Gejala
Rancangan Menu Utama dapat dilihat pada gambar 2. Rancangan input gejala merupakan form input gejala
yang digunakan oleh pakar untuk mengolah data gejala.
Rancangannya pada gambar 7.
Gambar 2. Rancangan Menu Utama
2. Rancangan Menu Konsultasi dan Output

Rancangan antarmuka menu konsultasi merupakan
tampilan dimana pemakai (user) memilih gejala Gambar 7. Input Data Gejala
penyakit yang dia alami. Rancangan menu konsultasi 4. Rancangan Input Data Pengetahuan
dapat dilihat pada Gambar 3. Rancangan ini merupakan form input yang digunakan
oleh pakar untuk mengolah data relasi antara gejala dan
penyakit. Rancangan input data pengetahuan dapat dilihat
pada gambar 8.
Gambar 3. Menu Konsultasi
44
Gambar 8. Data Pengetahuan

Gambar 11. Implementasi Input Data Penyakit
5. Tampilan Halaman Utama
Tampilan halaman utama ini merupakan
8. Tampilan Input Data Gejala
implementasi dari rancangan home. Pada gambar ini
Tampilan menu gejala ini merupakan implementasi
untuk menjelaskan menu apa saja yang ada pada sistem
dari rancangan input gejala. Halaman ini merupakan form
pakar ini, halaman utama berisi menu file, konsultasi,
yang digunakan admin untuk menginput data gejala baru
dan keluar. Bentuk halaman utama dapat dilihat pada
atau mengedit data yang telah ada. Bentuk tampilannya
gambar 9.
dapat dilihat pada gambar 12.
Gambar 9. Halaman Utama

Gambar 12. Implementasi Input Data Gejala
6. Halaman Menu Konsultasi 9. Tampilan Input Data Pengetahuan
Tampilan menu konsultasi ini merupakan Tampilan menu data pengetahuan ini meupakan
implementasi dari rancangan menu konsultasi. Halaman implementasi dari rancangan input data pengetahuan.
ini berisi tentang form menu pilihan tentang gejala yang Halaman ini merupakan form yang digunakan admin
dialami user untuk mendaapatkan hasil analisanya. untuk menginput data pengetahuan baru atau mengedit
Bentuk tampilan menu ini dapat dilihat pada gambar 10. data yang telah ada. Bentuk tampilannya dapat dilihat
pada gambar 13.
Gambar 10. Implementasi Menu Konsultasi
7. Tampilan Input Data Penyakit

Tampilan menu penyakit ini meupakan implementasi
dari rancangan input penyakit. Halaman ini merupakan
Gambar 13. Implementasi Input Data Pengetahuan
form yang digunakan admin untuk menginput data baru
atau mengedit data yang telah ada. Bentuk tampilannya
dapat dilihat pada gambar 11.
45
10. Tampilan Output Hasil Konsultasi a. Input gejala yang anda alami :
Tampilan ini merupakan implementasi dari 1. batuk berdahak lebih dari dua minggu
rancangan output hasil konsultasi. Bentuk tampilan 2. sakit kepala
menu ini dapat dilihat pada gambar 10. 3. suara pernafasan wheezing
4. serangan sesak pada malam hari rutin
5. riwayat asma pada keluarga positif
6. badan panas
b. Cek aturan / basis pengetahuan yang berdasarkan
jawaban gejala-gejala tersebut.
c. Tampilkan hasil analisa gejala.
Dari gejala diatas akan dianalisa dan disimpulkan
bahwa penyakit yang diderita adalah asma dengan
densitas 0.28 atau 28 %.
Solusi untuk penyakit asma adalah:
a. Salah satu penyebab asma pada anak adalah
alergi makanan. Jadi pengobatan pertama adalah
mengobati alerginya terlebih dahulu atau hindari
makanan yang membuatnya alergi.
b. Mengkonsumsi bayam dan pisang dengan
frukuansi sering akan membantu mengurangi
Gambar 11. Implementasi Output Hasil Konsultasi resiko asma.
c. Banyak minum air mineral agar tidak dehidrasi.
E. Analisa Hasil Program d. Bila perlu pakai inhaler untuk melancarkan
Penulis memberikan beberapa contoh hasil analisa pernafasan anak.
program yang telah diuji adalah sebagai berikut :
1. Pengerjaan Pertama untuk rule pertama (1) : V. PENUTUP
Komponen-komponen pada form konsultasi sampai A. Kesimpulan
dengan form hasil analisa data dijawab seperti berikut : Dari analisa dan pembahasan yang telah dilakukan
a. Input gejala yang anda alami : pada bab-bab sebelumnya, penulis dapat menarik
1. nafsu makan turun kesimpulan bahwa :
2. mengi 1. Aplikasi sistem penyakit paru-paru dapat membantu
3. sesak nafas dipicu udara dingin masyarakat umum dalam mendeteksi dini, mencegah
4. badan panas dan mengobati penyakit paru-paru dan pernafasan.
5. batuk pada jam 1 sampai 4 pagi 2. Aplikasi sistem pakar dapat dijadikan sebagai media
6. suara ada lender penerapan intelegensi seorang ahli atau pakar dalam
7. dahak kental dan kuning menganalisis dan mendeteksi suatu penyakit.
8. batuk berdahak setelah 2-3 hari 3. Sistem pakar penyakit paru-paru ini dapat dijadikan
b. Cek aturan / basis pengetahuan yang berdasarkan sebagai alat bantu untuk pembelajaran tentang
jawaban gejala-gejala tersebut. penyakit paru berdasarkan pemeriksaan fisik.
c. Tampilkan hasil analisa gejala. 4. Sistem pakar ini dirancang beserta keluarannya
Dari gejala diatas akan dianalisa dan disimpulkan berupa solusi tentang penyakit paru.
bahwa penyakit yang diderita adalah bronchitis dengan
densitas 0.49 atau 49 %. B. Saran
Solusi untuk penyakit bronkitis adalah sebagai Penulis berharap agar aplikasi sistem pakar ini dapat
berikut : dikembangkan lebih lanjut, sehingga dapat menjadi lebih
a. Berikan cukup cairan agar terhindar dari sempurna lagi. Saran – saran penulis terhadap
dehidrasi dan membantu membilas lender yang pengembangan aplikasi sistem pakar ini adalah sebagai
menyebabkan penyumbatan saluran nafas. berikut :
b. Agar hidung tidak tersumbat, berikan obat tetes 1. Aplikasi sistem pakar ini dikembangkan cakupannya,
pada hidung untuk memudahkan bernafas. sehingga topic yang dibahas tidak terbatas pada lima
c. Usahakan anak cukup tidur dan pastikan kamar penyakit saja didalam paru.
yang ditempati anak bebas debu dan asap 2. Agar sistem ini lebih berguna maka diperlukan
rokok. sosialisasi pemanfaatan sistem pakar bagi dunia
d. Jika perlu topanglah tubuhnya degan bantal kedokteran, khususnya penyakit paru.
mmenjadi posisi setengah duduk saat tidur 3. Untuk pengembangan selanjutnya sistem pakar yang
untuk memudahkan bernafas. akan dibangun nantinya bisa dibuat dengan tingkatan
e. Berikan nutrisi yang baik dan seimbang pada level yang lebih baik, supaya proses analisa penyakit
anak agar sistem kekebalan tubuh anak dapat bisa lebih mendalam.
bekerja secara optimal. 4. Semua kekurangan yang tidak disadari penulis, dapat
2. Pengujian kedua untuk rule ketiga puluh dua (32) : disempurnakan lagi.
Komponen-komponen pada form konsultasi sampai
dengan form hasil analisa data dijawab seperti berikut :
46
REFERENSI
Andi.2010. Visual Basic 2010 Source Code. Andi Offset. Yogyakarta.
Andri Saputra. 2011. “Sistem Pakar Identtifikasi Penyakit Paru Pada
Manusia Munggunakan Pemrograman Visual Basic 6.0”. Jurnal
Teknologi Dan Informatika. No.3. Vol.1. Palembang.
Anis Mistanti. 2014. “Sistem Pakar Untuk Memprediksi Penyakit Pada
Tanaman Cabai Menggunakan Metode Dempster – Shafer”. Jurnal
Program Teknik Informatika, No.1, Vol. VI, STMIK Budidarma
Medan.
Aru. W. Sudoyo. 2007. Ilmu Penyakit Dalam Jilid II Edisi IV. Pusat
Penerbitan Depertemen Ilmu Penyakit Dalam Fakultas
Kedokteran Universitas Indonesia. Jakarta.
Dedi Irawan. 2013. Sistem Pakar Diagnosis Kerusakan Jaringan LAN
Warnet Dengan Metode Forward Chaining Menggunakan Bahasa
Pemrograman Visual Basic 6.0. Skripsi Program S1 Fakultas
Teknik Universitas Asahan (tidak dipublikasikan).
Eka Iswandy, 2014, Perancangan Sistem Informasi Tentang Pencatatan
Hasil Tes Kemampuan Fisik Atlet, jurnal Teknoif, No.2, Vol.2,
STMIK Jayanusa Padang.
Aprilia Sulistyohati. 2008. “Aplikasi Sistem Pakar Diagnosa Penyakit
Ginjal Dengan Metode Dempster Shafer “. Seminar Nasional
Aplikasi Teknologi Informasi. Yogyakarta .
Ismail Juriwansyah. 2014. “Perancangan Aplikasi WEB Untuk Deteksi
Penyakit Paru-Paru Dengan Inference Forward Menerapkan
Metode Dampster-Shefer”. Jurnal Program Studi Teknik
Informatika, No.3. Vol. VII. STMIK Budidarma Medan.
Mahmud Yunus, Sigit Setyowibowo.”Aplikasi Sistem Pendukung
Keputusan Diagnosa Penyakit Paru – Paru Dengan Metode
Forward Chaining”. Jurnal Teknologi Informasi. No.2, Vol.II,
STMIK PPKIA Pradnya Paramita Malang.
Uswatun Hasanah, Sukadi, 2013, Perancangan Sistem Informasi
Penjualan On Line Pada Toko Kreatif Suncom Pacitan, Indonesian
Journal on Networking and Security.
47

Sistem Pakar PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Sistem Pakar PDF

Uploaded by

Copyright:

Available Formats

Terakreditasi SINTA Peringkat 2

Terbit online pada laman web jurnal: http://jurnal.iaii.or.id

Sistem Pakar Identifikasi Modalitas Belajar Siswa Menggunakan

1. Pendahuluan hanya dalam satu bentuk, terutama yang bersifat verbal

No Anjuran Siswa Modalitas Gambar 2.Flowchart Metode Forward Chaining

perencanaan identifikasi modalitas belajar, maka

Tabel 6. Daftar Aturan (Rule)Identifikasi Modalitas Belajar

No Kode M01 M02 M03 3. Hasil dan Pembahasan

3.2 Tampilan Menu Pendafataran

Gambar 5. Tampilan Menu Pendaftaran

3.3 Tampilan Halaman Utama Siswa

Gambar 8. Tampilan Menu Hasil Identifikasi

Setelah tampil hasil identifikasi kemudian klik tombol

3.5 Tampilan Menu Laporan

Gambar 9. Tampilan Menu Laporan

SISTEM PENDUKUNG KEPUTUSAN

Era globalisasi,informasi, dan komunikasi membawa dampak di berbagai bidang

II. METODE PENELITIAN

Gambar 1 Flowchart Sistem

2. Flowchart Forward chaining

Gambar 2 FlowchartForward chaining

Gambar 3 Diagram konteks

III. HASIL DAN PEMBAHASAN

Gambar 4Halaman utama

2. Tampilan daftar pasien

Gambar 5 Halaman daftar pasien

3. Tampilan halaman diagnosis

Gambar 6Halaman diagnosis

Gambar 7Halaman data obat

5. Tampilan halaman transaksi

Gambar 8Halaman transaksi

Gambar 9 Laporan Data PasienGambar 10 Laporan Data Transasksi

Gambar 11 Halaman Cetak Kartu

IV. SIMPULAN DAN SARAN

Alimul, H.Aziz.A.2005.Pengantar ilmu keperawatan anak 1, Jakarta: Salemba Medika.

SISTEM PAKAR PENENTUAN BAKAT ANAK DENGAN

Febi Nur Salisah1, Leony Lidya2, Sarjon Defit3

I. PENDAHULUAN akan diidentifikasi pada penelitian ini adalah

menuju ke kesimpulan [5]. Pada teknik ini data

I9 Kemampuan memainkan ide-ide Mencoba dan menceritakan tentang proses

Bakat anak psikomotorik (K6) memerlukan 14

REFERENSI Mechanical Engineering Research Day 2015.

Sistem Pakar Diagnosa Dampak Penggunaan Softlens

Masuk: 25 Mei 2014; Direvisi: 6 Juli 2014; Diterima: 15 Juli 2014

2.1. Struktur Sistem Pakar

LINGKUNGAN KONSULTASI LINGKUNGAN PENGEMBANGAN

Pemakai Basis pengetahuan

Antar Muka Knowledge

Gambar 1. Struktur Sistem Pakar

2.2. Representasi Pengetahuan Sistem Pakar

2.3. Mesin Inferensi Sistem Pakar

Observasi A Aturan R1 Fakta C Aturan R3 Kesimpulan 1

Observasi Aturan Fakta C Aturan

Fakta D Tujuan Kesimpulan

Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi, arahan, atau

3. Metodologi Pengembangan Sistem

3.1. Kontek Diagram

Gambar 4. Kontek Diagram

3.2. Data Flow Diagram level 0

Data Penyakit 1.0

Data Pasien 2.0 Data Penyakit

Laporan Hasil Diagnosa 3.0

Gambar 5. DFD Level 0