Membuat tabel rule sebagai data traning dalam pendiagnosaan Tabel 3.2. Data Rule

UNIVERSITAS SUMATERA UTARA

b. Membuat tabel rule sebagai data traning dalam pendiagnosaan Tabel 3.2. Data Rule

User G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 G11 G12 G13 G14 Diagnosa D0001 Y Y Y Y Y Y Y Y Y Y Y Y Y Y D D0002 Y T Y Y Y Y Y Y T Y Y T Y T TD D0003 Y Y T Y Y Y Y Y Y Y T Y Y Y D D0004 Y T Y T Y Y T Y Y T Y Y Y Y TD D0005 Y Y Y Y T Y Y Y T Y Y Y Y Y D D0006 Y T Y Y Y T Y T Y T Y Y Y T TD D0007 Y Y Y Y Y Y Y Y Y Y Y Y Y Y D D0008 T T Y Y Y T Y Y Y Y Y T Y T TD D0009 Y Y T Y Y Y T Y Y Y Y Y Y Y D D0010 Y Y Y Y Y T Y Y Y Y Y T T Y D D0011 Y T T T Y T Y Y T Y T Y Y T TD D0012 T Y Y Y Y T Y Y Y T Y Y Y Y D D0013 Y Y Y T T T Y Y T Y T Y Y Y TD D0014 Y Y Y Y Y Y Y T T Y T Y Y Y D D0015 Y T Y Y Y Y Y Y Y Y Y Y T T TD D0016 Y T Y Y T Y T Y Y Y Y Y Y Y TD Keterangan: Y : Ya T : Tidak D : Terdiagnosa Disleksia TD : Tidak terdiagnosa Disleksia Universitas Sumatera Utara UNIVERSITAS SUMATERA UTARA c. Menghitung probabilitas gejala terhadap Disleksia dan Tidak Disleksia berdasarkan rule. P Disleksia = 816 P Tidak Disleksia = 816 Tabel 3.3. Perhitungan Probabilitas Gejala “Ya” dan “Tidak” Tehadap Disleksia ID Gejala Disleksia Tidak Disleksia Ya Tidak Ya Tidak G1 78 0,875 18 0,125 78 0,875 18 0,125 G2 88 1 18 0,125 78 0,875 G3 68 0,75 28 0,25 78 0,875 18 0,125 G4 88 1 58 0,625 38 0,375 G5 78 0,875 18 0,125 68 0,75 28 0,25 G6 68 0,75 28 0,25 48 0,5 48 0,5 G7 78 0,875 18 0,125 68 0,75 28 0,25 G8 78 0,875 18 0,125 78 0,875 18 0,125 G9 68 0,75 28 0,25 58 0,625 38 0,375 G10 78 0,875 18 0,125 68 0,75 28 0,25 G11 68 0,75 28 0,25 68 0,75 28 0,25 G12 78 0,875 18 0,125 68 0,75 28 0,25 G13 78 0,875 18 0,125 78 0,875 18 0,125 G14 88 1 38 0,375 58 0,625 Universitas Sumatera Utara UNIVERSITAS SUMATERA UTARA d. Menghitung Probabilitas berdasarkan jawaban pasien Pada Tabel 3.4 rincian jawaban dimana user memasukan gejala yang sering mereka rasakan untuk mendapatkan hasil konsultasi. Tabel 3.4. Contoh Jawaban Pasien IDG G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 G11 G12 G13 G14 Diag User Y T Y T Y Y T T Y Y T Y T T ? Probabilitas gejala untuk PDisleksia PDisleksia = PDisleksia PG1|Y PG2|T PG3|Y PG4|Y PG5|Y PG6|Y PG7|T PG8|T PG9|Y PG10|Y PG11|T PG12|Y PG13|T PG14|T = 0,5 0,875 0 0,75 0 0,875 0,75 0,125 0,125 0,75 0,875 0,25 0,875 0,125 0 = 0 Probabilitas gejala untuk PTidak Disleksia PTDisleksia = PTDisleksia PG1|Y PG2|T PG3|Y PG4|Y PG5|Y PG6|Y PG7|T PG8|T PG9|Y PG10|Y PG11|T PG12|Y PG13|T PG14|T = 0,5 0,875 0,875 0,875 0,375 0,75 0,5 0,25 0,125 0,375 0,75 0,25 0,75 0,125 0,625 = 0,0000060644 Setelah menghitung probabilitas terindikasi disleksia atau tidak dari setiap gejala, maka rincian jawabannya dibandingkan untuk mengetahui hasil diagnosanya. Universitas Sumatera Utara UNIVERSITAS SUMATERA UTARA Tabel 3.5. Hasil Perhitungan Naive Bayesian ID Gejala User Disleksia Tidak Disleksia G1 Ya 0,875 0,875 G2 Tidak 0,875 G3 Ya 0,75 0,875 G4 Tidak 0,375 G5 Ya 0,875 0,75 G6 Ya 0,75 0,5 G7 Tidak 0,125 0,25 G8 Tidak 0,125 0,125 G9 Ya 0,75 0,375 G10 Ya 0,875 0,75 G11 Tidak 0,25 0,25 G12 Ya 0,875 0,75 G13 Tidak 0,125 0,125 G14 Tidak 0,625 Diagnosa Kemungkinan Tidak Disleksia Membandingkan probabilitas dari: PGejala|Disleksia dan PGejala|Tidak Disleksia = 0 0,0000060644. Hasil diagnosa berdasarkan perhitungan Naive Bayesian yaitu Pasien diduga Tidak Disleksia

3.4. Perancangan Antarmuka Interface