Professional Documents
Culture Documents
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
JURNAL RESTI
(Rekayasa Sistem dan Teknologi Informasi)
Vol. 3 No. 3 (2019) 518 - 523 ISSN Media Elektronik: 2580-0760
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
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
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 3 No.3 (2019) 518– 523
519
Asep Kurniawan, Sumijan, Jufriadif Naam
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 3 No.3 (2019) 518– 523
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
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 3 No.3 (2019) 518– 523
520
Asep Kurniawan, Sumijan, Jufriadif Naam
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 3 No.3 (2019) 518– 523
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 3 No.3 (2019) 518– 523
521
Asep Kurniawan, Sumijan, Jufriadif Naam
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 3 No.3 (2019) 518– 523
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.
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 3 No.3 (2019) 518– 523
522
Asep Kurniawan, Sumijan, Jufriadif Naam
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 3 No.3 (2019) 518– 523
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.
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol. 3 No.3 (2019) 518– 523
523
Jurnal Antivirus, Vol. 12 No. 1 Mei 2018 p-ISSN: 1978-5232
e-ISSN: 2527-337X
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
Antivirus: Jurnal Ilmiah dan Teknik Informatika, Mei 2018, Vol. 12, No. 1 1
Jurnal Antivirus, Vol. 12 No. 1 Mei 2018 p-ISSN: 1978-5232
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).
Antivirus: Jurnal Ilmiah dan Teknik Informatika, Mei 2018, Vol. 12, No. 1 2
Jurnal Antivirus, Vol. 12 No. 1 Mei 2018 p-ISSN: 1978-5232
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).
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
Antivirus: Jurnal Ilmiah dan Teknik Informatika, Mei 2018, Vol. 12, No. 1 3
Jurnal Antivirus, Vol. 12 No. 1 Mei 2018 p-ISSN: 1978-5232
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.
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
Antivirus: Jurnal Ilmiah dan Teknik Informatika, Mei 2018, Vol. 12, No. 1 4
Jurnal Antivirus, Vol. 12 No. 1 Mei 2018 p-ISSN: 1978-5232
e-ISSN: 2527-337X
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.
Antivirus: Jurnal Ilmiah dan Teknik Informatika, Mei 2018, Vol. 12, No. 1 5
Jurnal Antivirus, Vol. 12 No. 1 Mei 2018 p-ISSN: 1978-5232
e-ISSN: 2527-337X
Antivirus: Jurnal Ilmiah dan Teknik Informatika, Mei 2018, Vol. 12, No. 1 6
Jurnal Antivirus, Vol. 12 No. 1 Mei 2018 p-ISSN: 1978-5232
e-ISSN: 2527-337X
Antivirus: Jurnal Ilmiah dan Teknik Informatika, Mei 2018, Vol. 12, No. 1 7
Jurnal Antivirus, Vol. 12 No. 1 Mei 2018 p-ISSN: 1978-5232
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.
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
Antivirus: Jurnal Ilmiah dan Teknik Informatika, Mei 2018, Vol. 12, No. 1 8
Jurnal Antivirus, Vol. 12 No. 1 Mei 2018 p-ISSN: 1978-5232
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%.
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
Antivirus: Jurnal Ilmiah dan Teknik Informatika, Mei 2018, Vol. 12, No. 1 9
Jurnal Antivirus, Vol. 12 No. 1 Mei 2018 p-ISSN: 1978-5232
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 .
Antivirus: Jurnal Ilmiah dan Teknik Informatika, Mei 2018, Vol. 12, No. 1 10
Jurnal Rekayasa dan Manajemen Sistem Informasi, Vol. 1, No. 1, Februari 2015, pp.62-66
ISSN 2460-8181
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
62
Jurnal Rekayasa dan Manajemen Sistem Informasi, Vol. 1, No. 1, Februari 2015, pp.62-66
ISSN 2460-8181
63
Jurnal Rekayasa dan Manajemen Sistem Informasi, Vol. 1, No. 1, Februari 2015, pp.62-66
ISSN 2460-8181
64
Jurnal Rekayasa dan Manajemen Sistem Informasi, Vol. 1, No. 1, Februari 2015, pp.62-66
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
65
Jurnal Rekayasa dan Manajemen Sistem Informasi, Vol. 1, No. 1, Februari 2015, pp.62-66
ISSN 2460-8181
66
Mukhtar, Sistem Pakar Diagnosa Dampak Penggunaan Softlens Menggunakan Metode Backward Chaining 21
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).
Akuisisi
Pengetahuan
Mesin Inferensi
Aksi yang
direkomendasikan Pakar
Workplace Perbaikan
Pengetahuan
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.
Data Pasien
Diagnosa
Sistem Pakar
Pakar Mendiagnosa Dampak Admin
Softlens Mata Data Penyakit
Laporan Hasil Diagnosa Data Gejala
Data Pengetahuan
Diagnosa
Data Pasien
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.
26 Jurnal Buana Informatika, Volume 6, Nomor 1, Januari 2015: 21-30
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
Kode_Pengetahuan
ID
pertanyaan
Kode_penyakit Ya Fakta_Ya
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.
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.
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
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.
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
Jurnal SIMETRIS, Vol 8 No 1 April 2017
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
Jurnal SIMETRIS, Vol 8 No 1 April 2017
ISSN: 2252-4983
Gambar 1. Alur input proses output dari model jenis perilaku kecanduan game
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.
11
Jurnal SIMETRIS, Vol 8 No 1 April 2017
ISSN: 2252-4983
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.
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
Jurnal SIMETRIS, Vol 8 No 1 April 2017
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
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.
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
Jurnal SIMETRIS, Vol 8 No 1 April 2017
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
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
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.
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).
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
Penyakit
1.2 2
Data Penyakit Pembuatan Penanganan
Kaidah Masalah
Data Relasi
Data Kaidah
Kaidah
Data Kaidah
Admin
Penyakit
1.2 2
Data Penyakit Pembuatan Penanganan
Kaidah Masalah
Data Relasi
Data Kaidah
Kaidah
Data Kaidah
8.6 Form Data Hama/Penyakit Gambar 15. Antarmuka Form Penanganan Masalah
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
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
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
No Kode Gejala BU BP Kode Gejala 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
No Kode Gejala BU BP Kode Gejala 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
No Kode Gejala BU BP Kode Gejala 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].
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
Iterasi CF1 + (CF2 * (1 – CF1)) Iterasi CF1 + (CF2 * (1 – CF1))
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
Iterasi CF1 + (CF2 * (1 – CF1)) Iterasi CF1 + (CF2 * (1 – CF1))
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
Iterasi CF1 + (CF2 * (1 – CF1)) Iterasi CF1 + (CF2 * (1 – CF1))
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
Jurnal Teknik Elektro Vol. 10 No. 1 35
Januari - Juni 2018
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
JURNAL ILMIAH FIFO P-ISSN 2085-4315 / E-ISSN 2502-8332
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.
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).
Volume X/No.2/November/2018 19
JURNAL ILMIAH FIFO P-ISSN 2085-4315 / E-ISSN 2502-8332
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
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 :
Volume X/No.2/November/2018 20
JURNAL ILMIAH FIFO P-ISSN 2085-4315 / E-ISSN 2502-8332
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.
Volume X/No.2/November/2018 21
JURNAL ILMIAH FIFO P-ISSN 2085-4315 / E-ISSN 2502-8332
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
Volume X/No.2/November/2018 22
JURNAL ILMIAH FIFO P-ISSN 2085-4315 / E-ISSN 2502-8332
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:
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
Volume X/No.2/November/2018 23
JURNAL ILMIAH FIFO P-ISSN 2085-4315 / E-ISSN 2502-8332
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
CFk1 = CF[H,e]1 + CF[H,E]2 * (1- CF[H,e]1)
= 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.
Volume X/No.2/November/2018 24
JURNAL ILMIAH FIFO P-ISSN 2085-4315 / E-ISSN 2502-8332
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%.
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.
Volume X/No.2/November/2018 25
JURNAL ILMIAH FIFO P-ISSN 2085-4315 / E-ISSN 2502-8332
[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.
Volume X/No.2/November/2018 26
23
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
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
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
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
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
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
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
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.
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
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
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.
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.
43
Jurnal & Penelitian Teknik Informatika e-ISSN : 2541-2019
Volume 3 Nomor 1, Oktober 2018 p-ISSN : 2541-044X
44
Jurnal & Penelitian Teknik Informatika e-ISSN : 2541-2019
Volume 3 Nomor 1, Oktober 2018 p-ISSN : 2541-044X
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
Jurnal & Penelitian Teknik Informatika e-ISSN : 2541-2019
Volume 3 Nomor 1, Oktober 2018 p-ISSN : 2541-044X
46
Jurnal & Penelitian Teknik Informatika e-ISSN : 2541-2019
Volume 3 Nomor 1, Oktober 2018 p-ISSN : 2541-044X
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
47
Jurnal & Penelitian Teknik Informatika e-ISSN : 2541-2019
Volume 3 Nomor 1, Oktober 2018 p-ISSN : 2541-044X
48
Jurnal & Penelitian Teknik Informatika e-ISSN : 2541-2019
Volume 3 Nomor 1, Oktober 2018 p-ISSN : 2541-044X
49
Jurnal & Penelitian Teknik Informatika e-ISSN : 2541-2019
Volume 3 Nomor 1, Oktober 2018 p-ISSN : 2541-044X
[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
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.
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.
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
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
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
PENYUNTING PELAKSANA
Emha Taufiq Luthfi
Hanif Al Fatta
Hastari Utama
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
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
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)
Perancangan Arsitektur Dan Purwarupa Model Pembelajaran Massive Open Online Course
(MOOCS) Di Perguruan Tinggi Menggunakan Layanan Mobile…………...…....………………..25-30
Emigawaty
(Informatika Universitas AMIKOM 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)
iii
Penerapan Data Mining Untuk Clustering Data Penduduk Miskin Menggunakan Algoritma
Hard C-Means …..….……...….………………………………………………...….………….......64-69
Femi Dwi Astuti
(Teknik Informatika STMIK AKAKOM Yogyakarta)
iv
Jurnal Ilmiah DASI Vol. 18 No. 1 Hlm. 51-56 ISSN: 1411-3201
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
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] :
52
Jurnal Ilmiah DASI Vol. 18 No. 1 Hlm. 51-56 ISSN: 1411-3201
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
Acihmah, Sistem Pakar ….
n
Σ P(E2,E3| Fxk)* P(Fxk) =
k=1
54
Jurnal Ilmiah DASI Vol. 18 No. 1 Hlm. 51-56 ISSN: 1411-3201
3. Halaman Pengguna
Halaman pengguna merupakan halaman yang
berisikan tentang informasi data pribadi
pengguna.
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
Acihmah, Sistem Pakar ….
56
p-ISSN 2087-1716
e-ISSN 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 2 Agustus 2018
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 :
2015 2790
2014 2819
2013 2950
| 160
p-ISSN 2087-1716
e-ISSN 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 2 Agustus 2018
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(X)
Keterangan :
| 161
p-ISSN 2087-1716
e-ISSN 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 2 Agustus 2018
| 162
p-ISSN 2087-1716
e-ISSN 2548-7779
ILKOM Jurnal Ilmiah Volume 10 Nomor 2 Agustus 2018
2. Hasil proses klasifikasi menggunakan metode naïve bayes pada data testing yang berjumlah 19
record dihasilkan proses klasifikasinya sebagai berikut :
Dari hasil proses klasifikasi yang disajikan pada tabel diatas maka dapat dikonversi kedalam
bentuk tabel confussion matrix seperti dibawah :
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
ILKOM Jurnal Ilmiah Volume 10 Nomor 2 Agustus 2018
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
ILKOM Jurnal Ilmiah Volume 10 Nomor 2 Agustus 2018
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
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.
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.
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
Jurnal SIMETRIS, Vol 8 No 2 November 2017
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.
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.
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.
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
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
Jurnal SIMETRIS, Vol 8 No 2 November 2017
ISSN: 2252-4983
Permasalahan
Tujuan
Mengklasifikasikan Data Kegiatan Fakultas TIK dan jumlah peserta untuk
penggelompokan program studi Favorit dalam membuat suatu kegiatan di
Fakultas TIK
Eksperimen
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
2. METODOLOGI PENELITIAN
Pada bagian ini akan membahas mengenai jenis dana dan metode pengumpulan data yang di
gunakan.
605
Jurnal SIMETRIS, Vol 8 No 2 November 2017
ISSN: 2252-4983
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.
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.
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.
606
Jurnal SIMETRIS, Vol 8 No 2 November 2017
ISSN: 2252-4983
Kemudian Bagaimana Cara Menghitung No 13, Kategori Hasil Apakah Yang Akan di Dapatkan
Dalam Hasil Ranking ?, Perhitungan Naive Bayesian :
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.
Berikut ini adalah pengolahan data dengan menggunakan naive bayesian pada Rapid Miner :
607
Jurnal SIMETRIS, Vol 8 No 2 November 2017
ISSN: 2252-4983
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 .
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
Jurnal SIMETRIS, Vol 8 No 2 November 2017
ISSN: 2252-4983
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.
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
Jurnal SIMETRIS, Vol 8 No 2 November 2017
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
CITATIONS READS
32 9,410
3 authors, including:
Some of the authors of this publication are also working on these related projects:
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.
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
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
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
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2770
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%.
45
Jurnal Coding Sistem Komputer Untan
Volume 05, No. 1 (2017), hal. 45-55 ISSN : 2338-493X
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
Jurnal Coding Sistem Komputer Untan
Volume 05, No. 1 (2017), hal. 45-55 ISSN : 2338-493X
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
47
Jurnal Coding Sistem Komputer Untan
Volume 05, No. 1 (2017), hal. 45-55 ISSN : 2338-493X
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, peng- ujian 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
Jurnal Coding Sistem Komputer Untan
Volume 05, No. 1 (2017), hal. 45-55 ISSN : 2338-493X
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
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
Jurnal Coding Sistem Komputer Untan
Volume 05, No. 1 (2017), hal. 45-55 ISSN : 2338-493X
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
50
Jurnal Coding Sistem Komputer Untan
Volume 05, No. 1 (2017), hal. 45-55 ISSN : 2338-493X
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
51
Jurnal Coding Sistem Komputer Untan
Volume 05, No. 1 (2017), hal. 45-55 ISSN : 2338-493X
52
Jurnal Coding Sistem Komputer Untan
Volume 05, No. 1 (2017), hal. 45-55 ISSN : 2338-493X
Nama
Penyakit
Keterangan
Hasil Analisis Aplikasi
No. Nama Gejala
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
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
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
53
Jurnal Coding Sistem Komputer Untan
Volume 05, No. 1 (2017), hal. 45-55 ISSN : 2338-493X
54
Jurnal Coding Sistem Komputer Untan
Volume 05, No. 1 (2017), hal. 45-55 ISSN : 2338-493X
55
Jurnal Coding, Sistem Komputer Untan ISSN : 2338-493X
Volume 06, No.03 (2018), hal. 97-106
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%.
97
Jurnal Coding, Sistem Komputer Untan ISSN : 2338-493X
Volume 06, No.03 (2018), hal. 97-106
98
Jurnal Coding, Sistem Komputer Untan ISSN : 2338-493X
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
Jurnal Coding, Sistem Komputer Untan ISSN : 2338-493X
Volume 06, No.03 (2018), hal. 97-106
100
Jurnal Coding, Sistem Komputer Untan ISSN : 2338-493X
Volume 06, No.03 (2018), hal. 97-106
101
Jurnal Coding, Sistem Komputer Untan ISSN : 2338-493X
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
102
Jurnal Coding, Sistem Komputer Untan ISSN : 2338-493X
Volume 06, No.03 (2018), hal. 97-106
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.
103
Jurnal Coding, Sistem Komputer Untan ISSN : 2338-493X
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.
104
Jurnal Coding, Sistem Komputer Untan ISSN : 2338-493X
Volume 06, No.03 (2018), hal. 97-106
105
Jurnal Coding, Sistem Komputer Untan ISSN : 2338-493X
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
106
CESS (Journal Of Computer Engineering, System And Science) p-ISSN :2502-7131
Vol 2, No 1, Januari 2017 e-ISSN :2502-714x
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.
44
CESS (Journal Of Computer Engineering, System And Science) p-ISSN :2502-7131
Vol 2, No 1, Januari 2017 e-ISSN :2502-714x
45
CESS (Journal Of Computer Engineering, System And Science) p-ISSN :2502-7131
Vol 2, No 1, Januari 2017 e-ISSN :2502-714x
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
CESS (Journal Of Computer Engineering, System And Science) p-ISSN :2502-7131
Vol 2, No 1, Januari 2017 e-ISSN :2502-714x
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