Institutional Repository | Satya Wacana Christian University: Sistem Pakar Diagnosa Penyakit Tuberculosis Menggunakan Certainty Factor

  

Sistem Pakar Diagnosa Penyakit Tuberculosis

Menggunakan Certainty Factor

Artikel Ilmiah

  

Peneliti:

Rianni Ilya Angriani Siwalette (672014245)

Prof. Ir. Danny Manongga, M.Sc., Ph.D.

  

Program Studi Teknik Informatika

Fakultas Teknologi Informasi

Universitas Kristen Satya Wacana

Salatiga

  

Januari 2018

  1. Pendahuluan Tuberculosis adalah suatu penyakit menular yang disebabkan oleh Kuman

M.Tuberculosis . Terjangkitnya apabila penderita bukan hanya bersentuhan fisik dengan

  orang lain, melainkan bisa terjangkit lewat udara. Tuberculosis menyerang sistem Tubuh secara perlahan dan merupakan penyakit jangka panjang. Penyakit ini tidak mengenal umur untuk bisa menyerang ke tubuh manusia. Ketidaktahuan penyakit ini disebabkan karena minimnya informasi mengenai Tuberculosis dikalangan masyarakat .

  Sekitar 75% penderita Tuberculosisadalah kelompok usia yang paling produktif secara ekonomis (15 tahun). Dalam laporan WHO tahun 2013, diperkirakan terdapat 8.6 juta kasus Tuberculosis pada tahun 2012 dimana, 1,1 juta orang (13%) diantaranya adalah pasien Tuberculosis dengan HIV positif. Sekitar 75% dari penderita Tuberculosistersebut berada di wilayah Afrika [1].

  Dalam Implementasi sistem pakar dapat digunakan berbagai Metode untuk dapat membuat sistem, salah satunya adalahCertainty Factor. Certainty factormerupakan suatu metode yang digunakan untuk memecahkan permasalahan dari jawaban yang tidak pasti, dan menghasilkan jawaban yang tidak pasti pula. Ketidakpastian ini dipengaruhi oleh dua faktor yaitu aturan yang tidak pasti dan jawaban pengguna yang tidak pasti.

  Berdasarkan latar belakang tersebut, maka dilakukan penelitian untuk Sistem pakar diagnosa penyakit Tuberculosismenggunakan Certainty Factor. Sistem ini diharapkan dapat memberi manfaat bagi masyarakat untuk mendapatkan informasi ataupun dapat mendiagnosa gejala dan melakukan tindakan pencegahan untuk berkonsultasi dengan dokter ahli sebelum terlambat.

  2. Tinjauan Pustaka

  Dalam aplikasi sistem pakar terdapat suatu metode untuk menyelesaikan masalah ketidakpastian data,metode yang dapat digunakan adalah faktor kepastian (Certainty

  

Factor ). Penelitian tentang Sistem Pakar kerusakan mesin jahit dengan metode certainty

factor berbasis android, membahas tentang bagaimana kombinasi sistem pakar yang

  menggunakan metode certainty factor untuk menentukan ketidakpastian menjadi sebuah hasil yang akurat untuk mendeteksi kerusan mesin jahit [2]. Penelitian tentang penerapan metode Certainty Factor yang berjudul Penerapan Model Certainty Factor Untuk Mendeteksi Gejala Kanker Mulut Rahim,membahas tentang diagnosa penyakit gejala kanker mulut rahim kedalam bentuk sistem, dengan perhitungan metode Certainty Factor. Sehingga dapat memperkecil resiko-resiko kesalahan dalam proses diagnosa pada umumnya[3]. Penelitian tentang penerapan metode Certainty Factoryang berjudul Pengembangan Sistem Pakar Untuk Diagnosis Penyakit Hepatitis Berbasis Web Menggunakan Metode Certainty Factor, bertujuan untuk merancang sistem pakar yang mampu menjawab dan menganalisa penyakit hepatitis dalam bentuk web [4].

  Penelitian tentang penerapan metode Certainty Factoryang berjudul Penerapan Sistem Pakar untuk Pengembangan Strategi Pengamanan Perbatasan Wilayah Laut Indonesia, Penelitian ini bertujuan untuk merancang sistem pakar yang mampu menjawab dan menganalisa permasalahan yang sering terjadi di wilayah perbatasan laut NKRI seperti seorang pakar. Hasil akhir dari penelitian ini adalah menemukan gangguan yang terjadi jika beberapa gejala dimasukkan ke sistem untuk menyusun strategi pengamanan wilayah menggunakan metode Certainty Factor. yang bertujuan agar masyarakat dapat mendiagnosa kesehatan terutama pada penyakit Tuberculosis(TB).

  Dalam penelitian ini membahas tentang Sistem pakar. Sistem pakar adalah sistem yang mengadopsi pengetahuan manusia yang ditangkap dalam komputer untuk memecahkan masalah yang biasanya membutuhkan keahlian manusia.Sistem pakar digunakan untuk membantu orang-orang yang tidak ahli dalam hal tertentu dalam mengambil keputusan, atau dapat juga digunakan oleh para pakar sebagai asisten. Sistem pakar bahkan dapat menjadi lebih baik daripada pakar jika bekerja pada ruang lingkup pengetahuan atau keahlian yang sempit [2].

  Komponen utama pada struktur sistem pakar meliputi Basis Pengetahuan (Knowledge

  Base ), Mesin Inferensi (Inference Engine), Working Memory, dan Antarmuka pengguna (User Interface)[6]. Struktur sistem pakar dapat ditunjukkan pada Gambar 1.

  Gambar 1Blok Diagram Sistem Pakar

  Gambar 1 mengilustrasikan konsep pokok dari sistem pakar. User memberikan fakta atau informasi lainnya ke sistem pakar dan menerima nasihat atau expertise sebagai jawabannya. Sistem pakar berisi dua komponen pokok yaitu knowledge base dan inference

  

engine. Knowledge base (basis pengetahuan) berisi pengetahuan-pengetahuan dalam

  menyelesaikan masalah. Inference engine berfungsi untuk menganalisis pengetahuan dan menarik kesimpulan berdasarkan knowledge base [5].

  Dalam Sistem pakar yang digunakan, penelitian ini juga menggunakan metode

  

Certainty Factor (CF). Metode ini merupakan nilai parameter klinis yang diberikan MYCIN

  untuk menunjukkan besarnya kepercayaan. Metode Certainty Factors ini hanya dapat mengolah 2 bobot dalam sekali perhitungan[4]. Formula untuk metode Certainty Factors memiliki sedikit kebenaran [9].

  Faktor kepastian (Certainty Factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN pada tahun 1975 untuk mengakomadasi ketidakpastian pemikiran (inexact reasoning) seorang pakar. Teori ini berkembang bersamaan dengan pembuatan sistem pakar MYCIN. Team pengembang MYCIN mencatat bahwa dokter sering kali menganalisa informasi yang ada dengan ungkapan seperti misalnya: mungkin, kemungkinan besar, hampir pasti. Untuk mengakomodasi hal ini tim MYCIN menggunakan Certainty

  

Factor (CF) guna menggambarkan tingkat keyakinan pakar terhadap permasalahan yang

  sedang dihadapi. Secara umum, rule direpresentasikan dalam bentuk sebagai berikut [9] : CF(H,E) = MB(H,E) - MD(H, E)

  CF(H,E) : Certainty Factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E.Besarnya CF berkisar antara

• –1 sampai dengan 1. Nilai –1 menunjukkan

MB(H,E) : Ukuran kenaikan kepercayaan(measure of increased belief) terhadap hipotesis H yang dipengaruhi oleh gejala E. MD(H,E) : Ukuran kenaikan ketidakpercayaan (measure of increased disbelief) terhadap hipotesis H yang dipengaruhi oleh gejala E.

   Untuk menghitung kombinasi Certainty factor terhadap beberapa kondisi : untuk kaidah premis tunggal (single remis rules )

  Certainty factor

  CF[H,E] = CF[E] * CF[Rule] = CF[user] * CF[pakar]

   Certainty Factor untuk kaidah dengan kesimpulan yang serupa (similarly concluded :

  rules)

  CFcombine CF[H,E]1,2 = CF[H,E]1 + CF[H,E]2 * (1-CF[H,E]1)  Jika nilai CF yang dihitung lebih dari dua didefinisikan dengan persamaan berikut :

  CFcombine CF[H,E]old,3 = CF[H,E]old + CF[H,E] 3 * (1-CF[H,E] old) Pada penelitian yang menggunakan Metode Certainty Factor ini, ditujukan untuk mendiagnosa penyakit Tuberculosis. Tuberculosis adalah sebuah penyakit infeksi yang terjadi pada saluran pernafasan manusia yang disebabkan oleh bakteriM.Tuberculosis. Bakteri penyebab penyakit TBC ini merupakan jenis bakteri basil yang sangat kuat sehingga memerlukan waktu yang cukup lama untuk mengobati penyakit TBC ini. Secara umum, bakteri ini lebih sering menginfeksi organ pernapasan paru-paru (90%) dibandingkan dengan bagian lain pada tubuh manusia [7].

  Tuberculosis dapat dibagi beberapa jenis. Tuberculosis Paru yaitu tuberculosis yang

  menyerang bagian paru-paru, dan gejala yang paling umum adalah batuk berdahak secara trus menerus selama kurang lebih tiga minggu. Tuberculosis tulang yaitu, Tuberculosis yang menyerang bagian tulangdan mengalami pembengkakan pada persendian. Tuberculosis Kelenjar yaitu tuberculosis yang menyerang bagian kelenjar tubuh atau biasanya menyerang area leher, Lipatan paha, ketiak dan area lain yang rawan[9].

  Penelitian yang dilakukan, diselesaikan melalui tahapan yang terbagi dalam empat tahapan, yaitu : (1) Analisis kebutuhan dan pengumpulan data berupa gejala penyakit

  

Tuberculosis , (2) Studi Literatur, (3) Perancangan sistem, (4) Implementasi Sistem,

(5) Pengujian Sistem dan analisis hasil pengujian.

   Gambar 2 Tahapan Penelitian

  Tahapan penelitian pada Gambar 2, dapat dijelaskan sebagai berikut. Tahap

  

pertama : analisis kebutuhan dan pengumpulan data, yaitu mengumpulkan serta

  menganalisis gejala-gejala yang ditimbulkan oleh penyakit Tuberculosis; Tahap

  

kedua : perancangan sistem yang meliputi perancangan proses diagnosa penyakit

Tuberculosis dalam bentuk flowchart; Tahap ketiga: implementasi sistem, yaitu

  mengimplementasikan Certainty Factoryang sudah dirancang kedalam program;

  

Tahap keempat : pengujian dan analisis hasil pengujian, yaitu melakukan pengujian

  sistem serta analisis hasil pengujian sistem untuk melihat apakah aplikasi yang telah dibuat sudah sesuai dengan yang diharapkan atau tidak ada error.

  Pengumpulan data gejala penyakit Tuberculosis dalam penelitian ini merupakan data yang diperoleh melalui studi literatur berdasarkan hasil wawancara dengan pakar. Sistem yang dibangun untuk mendiagnosa penyakit Tuberculosisyang dibatasi atas 3 jenis dan gejalanya masing-masing seperti terlihat pada Tabel 1.

  Tabel 1 Gejala Penyakit Tuberculosis

  No Gejala

  Tuberculosis Tuberculosis Tuberculosis Tuberculosis

  Paru Tulang Kelenjar G01 Batuk berdahak * atau berlendir bahkan batuk disertai darah terus menerus selama 3 minggu.

• G02 Keringat pada malam hari tanpa aktivitas.
• G03 Demam pada malam hari.

  G04 Berat badan * * * terasa menurun kurang lebih 1 bulan

  G05 Mengalami * penurunan nafsu makan

• G06 Mudah merasa nyeri badan dan lemas.
• G07 Merasa pegal- * pegal berkepanjangan

  G08 * Nyeri pada tulang

• G09 Benjolan pada sendi dan sakit

  G10 Muncul warna * kulit area tukang seperti merah kebiruan

  G11 Benjolan yang * semakin membesar di area leher,ketiak, dan lipatan paha

  Gambar 3Proses Diagnosa Penyakit Tuberculosis

  Rancangan proses diagnosapenyakitTuberculosis pada Gambar 3 dirancang dengan menggunakan Metode perhitungan Certainty Factoryang dapat terjadi saat proses diagnosa penyakitTuberculosis.Proses pada Gambar 3 sangat berguna dalam merancang hasil akhir yang keluar sebagai jawaban apakah pengguna positif gejala

  Tuberculosis atau tidak. Karena segala kemungkinan yang ada sudah diwakilkan.

  Berdasarkan Rancangan Proses Diagnosa Penyakit Tuberculosispada Gambar 3, maka dapat dibuat rancangan Certainty Factorsecara bertahap. Setiap proses yang terjadi adalah sebuah tahapan pada metode Certainty Factor.

  Sequential Sequential Sequential

  Gambar 4 Diagram Alir Proses Perhitungan 4.

Hasil dan Pembahasan

  Pada Sistem pakar yang dilakukan berdasarkan metode Certainty Factor, untuk menyatakan seseorang terdiagnosa suatu penyakit atau tidak, perlu diketahui terlebih dahulu gejala-gejala yang ditimbulkan. Data berupa gejala tersebut didapatkan dari ahli/pakar (dokter), dokter dapat mengambil suatu kesimpulan berupa penyakit yang diderita.Tetapi ada kalanya diperlukan pemeriksaan lebih lanjut melalui pemeriksaan laboratorium untuk penyakit tertentu. Berikut merupakan data Pasien di Rumah Sakit Sumber Hidup ditunjukan pada Tabel 2,3, dan 4:

  Tabel 2 Jumlah Pasien Tuberculosis di Rumah sakit Sumber Hidup

  Lin V 7 6,9 Batu gantong 12 11,9

  TB Kasus Putus obat 18 17,8 TB Kasus Kambuh 37 36,6

  N=101 % TB Kasus Baru 23 22,8

  Tabel 4 Riwayat Pengobatan Pasien Tuberculosis

  Dokter Spesialis Lain 2 2,0 Dokter Spesialis Paru 19 18,9

  (RSUD) 71 71,0 Dokter Umum 9 8,9

  Rujukan Rumah Sakit Umum Daerah

  Lateri 39 38,6 Passo 29 28,7

  Skip 12 11,9 Benteng 2 2,0

  Tahun awal pasien

  N= 101 % Asal Kasus

  Tabel 3 Asal Kasus Pasien Tuberculosis

  27 Total Jumlah pasien 3012 101

  42 Tahun 2016 1030

  32 Tahun 2015 1007

  Pasien Tuberculosis Tahun 2014 975

  Total Pasien Tuberculosis di Rumah Sakit Sumber Hidup

  Tuberculosis

  TB Kasus Gagal 17 16,9 TB Kasus Kronik 6 5,9 Selanjutnya, tabel gejala beserta dengan bobot didapatkan dari wawancara dengan pakar atau dokter rumah sakit yang digunakan sebagai daftar pertanyaan dan bobotnya sebagai data yang dihitung untuk mencari nilai Certainty Factor setiap penyakit dan menentukan hasil akhir diagnosa. Karena setiap gejala memiliki penilaian bobot yang berbeda terhadap masingmasing penyakit.

  Tabel 5 Interpretasi Certainy Factor [2]

  No. Certainty Term CFakhir

  1. Pasti Tidak -1,0

  2. Hampir Pasti Tidak -0,8

  3. Kemungkinan Besar Tidak -0,6

  4. Mungkin Tidak -0,4

  5. Tidak Tahu/Tidak Yakin -0,2 --- 0,2

  6. Mungkin 0,4

  7. Kemungkinan Besar 0,6

  8. Hampir Pasti 0,8

  9. Pasti 1,0 Pada sesi diagnosa penyakit, user diberikan pilihan interpretasi yang masing-masing memiliki nilai CF sebagai berikut [2]:

• Tidak Yakin = 0.0
• (Ya) Kurang Yakin = 0.1
• (Ya) Kurang Yakin = 0.2
• (Ya) Kurang Yakin = 0.3
• (Ya) Sedikit Yakin = 0.4
• (Ya) Sedikit Yakin = 0.5
• (Ya) Cukup Yakin = 0.6
• (Ya) Cukup Yakin = 0.7
• (Ya) Yakin = 0.8
• (Ya) Yakin = 0.9
• (Ya) Sangat Yakin = 1.0

  Tabel 6 Gejala Beserta Bobot Penilaian

  No Gejala Tuberculosis

  Tuberculosis Tuberculosis Tuberculosis

  Paru Tulang Kelenjar G01 Batuk berdahak

  0.4 atau berlendir bahkan batuk disertai darah terus menerus selama 3 minggu. G02 Keringat pada

  0.2

  0.8 malam hari tanpa aktivitas. G03 Demam pada

  0.2

  0.4 malam hari. G04 Berat badan

  0.8

  0.2

  0.4 terasa menurun kurang lebih 1 bulan

  G05 Mengalami

  0.6 penurunan nafsu makan

  G06 Mudah merasa

  0.8

  0.8 nyeri badan dan lemas. G07 Merasa pegal-

  0.6

  0.6 pegal berkepanjangan

  G08 Nyeri pada

  0.8 tulang G09 Benjolan pada

  0.4

  0.8 sendi dan sakit G10 Muncul warna

  0.6 kulit area tukang seperti merah kebiruan

  G11 Benjolan yang

  0.8 semakin membesar di area leher, ketiak, dan lipatan paha Nama penyakit Solusi

  Tabel 6merupakan tabel solusi yang juga didapatkan dari hasil wawancara dengan pakar.

  

Tabel 7 Tabel Solusi Penyakit

  Tuberculosis Paru, Tulang,

• Mengonsumsi makanan yang baik dan benar

  Kelenjar

• Olahraga secara rutin dan teratur
• Hindari tempat yang lembab dan udara dingin
• Mendapat sinar matahari
• Menjaga fungsi organ pembuangan
• Konsultasi dan terapi dari dokter
• Mengonsumsi obat-obatan yang dianjurkan dokter
• Menghindari kontak langsung dengan penderita

  TBC

• Pastikan rumah memiliki sirkulasi udara yang baik
• Mencuci tangan secara teratur
• Memeriksa lebih detail (melakukan X-ray)
• Pemeriksaan darah
• Pemeriksaan dahak
• Tes kulit
• Menggunakan masker mulut ketika berpergian ke tempat ramai

  

Tabel 8 Simbol Basis Pengetahuan

  Simbol Nama penyakit TBP Tuberculosis Paru TBT Tuberculosis Tulang TBK Tuberculosis Kelenjar

  

Gambar 5 Pohon Keputusan Diagnosa Penyakit Tuberculosis

  Pada pengujian fungsional diambil Contoh kasus terhadap penderita

  

Tuberculosis Paru. Hasil penghitungan presentase keyakinan dimulai dengan

  pemberian bobot/nilai keyakinan (CF) untuk masing-masing fakta pasien dan gejala oleh pakar. Jawaban yang masing-masing memiliki bobot CF sebagai berikut:

  IF batuk berdahak dan berlendir [CF Rule = 0.4] AND keringat pada malam hari tanpa beraktivitas [CF Rule = 0.2] AND demam pada malam hari [CF Rule = 0.2] AND berat badan terasa menurun [CF Rule = 0.8] AND nafsu makan menurun [CF Rule = 0.6] AND mudah merasa badan nyeri dan lemas [CF Rule = 0.8] THEN Gejala Tuberculosis Paru

• Penilaian bobot
• Menghitung CF Sequential CF [H,E]1 =CF [E1] * CF [Rule 1]

  Batuk berdahak dan berlendir = tidak [CF E=0] Keringat pada malam hari = Hampir pasti [CF E = 0.6] Demam pada malam hari = Mungkin [CF E=0.2] Berat badan terasa menurun = Pasti [CF E = 0.8] Nafsu makan menurun = Kemungkinan = Kemungkinan Besar [CF E = 0.4] Mudah merasa badan nyeri dan lemas = Pasti [ CF E = 0.8 ]

  =0 * 0.4 = 0 CF [H,E]2 =CF [E2] * CF [Rule 2]

  =0.6 * 0.2 = 0.12 CF [H,E]3 =CF [E3] * CF [Rule 3]

  =0.2 * 0.2 = 0.4 CF [H,E]4 =CF [E4] * CF [Rule 4]

  =0.8 * 0.8 = 0.64 CF [H,E]5 =CF [E5] * CF [Rule 5]

  =0.4 * 0.6 = 0.24 CF [H,E]6 =CF [E6] * CF [Rule 6]

  =0.8 * 0.8 = 0.64

• Menghitung CF Combine CFcombine 1,2 = CF [H,E] + CF [H,E]2 * [1-CF [H,E] 1]

  =0 + 12 * [1-0] = 0 + 12 = 0.12 old 1

  CFcombine old 1,3 = CF [H,E]old 1 + CF [H,E]3 * [1-CF [H,E]old 1] = 0.12 + 0.04 * [1- 0.12] = 0.12 + 0.035 = 0.155 old 2

  CFcombine old 2,4 = CF [H,E]old 2 + CF [H,E]4 * [1-CF [H,E]old 1] = 0.155 + 0.64 * [1- 0.155]

  = 0.155 + 0.541 = 0.696 old 3 CFcombine old 3,5 = CF [H,E]old 3 + CF [H,E]5 * [1-CF [H,E]old 3]

  = 0.696 + 0.24 * [1- 0.696] = 0.696 + 0.073 = 0.769 old 4

  CFcombine old 4,6 = CF [H,E]old 4 + CF [H,E]6 * [1-CF [H,E]old 4] = 0.769 + 0.64 * [1- 0.769] = 0.769 + 0.148 = 0.917 old 5

  Untuk mendapatkan hasil akhir sesuai penilaian bobot, hasil akhir dari Cfcombine

• 100 maka : old 5 * 100 = 0.917 * 100 = 91.7 Maka sesuai dengan hasil yang di-output, apabila jawaban yang di-input-kan lebih dari 50% maka hasil akhir = Anda terkena Gejala Tuberculosis Paru, Silahkan berkonsultasi dengan dokter.

  

Gambar 6 Hasil Perhitungan Terdiagnosa Penyakit Tuberculosis Paru

  Pada Gambar 6 hasil perhitungan pada kode program tersebut haruslah sama dengan perhitungan manual yang sudah dihitung berdasarkan metode Certainty Factor. dan hasil pada Gambar 6 adalah hasil dari perhitungan kode program yang positif terkena Penyakit Tuberculosis.

  Apabila hasil input-an tidak melebihi dari 50% maka hasil akhir dinyatakan tidak terkena penyakit Tuberculosisparu.

  

Gambar 7Hasil Perhitungan tidak Terdiagnosa Penyakit Tuberculosis Paru

  Pada Gambar 7 ditampilkan hasil dibawah 50% dalam perhitungan Sistem dinyatakan bahwa tidak terkena gejala Tuberculosis, itu berarti pengguna negative mengalami gejala Tuberculosis.

   Gambar 8Tampilan Awal Pertanyaan Diagnosa Tuberculosis Paru

  Pada Gambar 8 masuk ke sistem awal yang harus dilakukan dari pengguna adalah menjawab pertanyaan yang telah tertera agar bisa mendapatkan hasil akhir berupa hasil diagnosa.

  

Gambar 9 Output Implementasi Program

  Gambar 9 merupakan output dari rancangan Certainty Factoryang telah diimplementasikan kedalam program sederhana. Program dibuat menggunakan aplikasi NetBeans IDE 8.1 dengan bahasa pemrograman Java serta menggunakan beberapa fungsi pendukung seperti if-else dan switch-case.

  Kode Program 1 Perintah untuk menghitung Certainty Factor

  39

  29

  30

  31

  32

  33

  34

  35

  36

  37

  38

  40

  27

  41

  42 //Menghitung CF switch (bobot1) { case "Tidak": cf1 = qs1 * r1; break; case "Mungkin": cf1 = qs1 * r2; break; case "Kemungkinan Besar": cf1 = qs1 * r3; break; case "Hampir Pasti": cf1 = qs1 * r4; break; default: cf1 = qs1 * r5; break; } .

  . . switch (bobot6) { case "Tidak": cf6 = qs6 * r1; break; case "Mungkin": cf6 = qs6 * r2; break; case "Kemungkinan Besar": cf6 = qs6 * r3; break; case "Hampir Pasti": cf6 = qs6 * r4; break; default: cf6 = qs6 * r5; break; } //Menghitung combine cbn1 = cf1+(cf2*(1-cf1)); cbn2 = cbn1+(cf3*(1-cbn1)); cbn3 = cbn2+(cf4*(1-cbn2)); cbn4 = cbn3+(cf5*(1-cbn3)); cbn5 = cbn4+(cf6*(1-cbn4));

  Kode program 1 menunjukkan fungsi perhitungan untuk mendapatkan hasil dari rumus yang telah dimasukkan. Perintah pada baris 1-101 menunjukkan proses

  switch

  tiap pertanyaan berdasarkan bobotpenilaianuntuk perhitungan setiap bobot penilaian jawaban pertanyaan. Ketika sudah mendapatkan hasil dari perhitungan bobot penilaian, setelah itu barulah memulai menghitung keseluruhan untuk mendapatkan hasil diagnosa.

  Kode Program 2 Perintah untuk Mendiagnosa hasil akhir Tuberculosis.

  1.

  //hasil akhir 2. hasilAkhir = cbn5 * 100; 3.

  4. if(hasilAkhir < 50){ 5. info = "<font color='green'>Anda Tidak Terkena Gejala Tuberculosis</font>"; 6. }else{

  28

  26

  1

  12

  2

  3

  4

  5

  6

  7

  8

  9

  10

  11

  13

  25

  14

  15

  16

  17

  18

  19

  20

  21

  22

  23

  24

  7. info = "<font color='red'>Anda Terkena Gejala Tuberculosis, Silahkan Berkonsultasi dengan

  Dokter</font>"; 8. } 9.

  Dapat melakukan login.

  pengguna untuk mengikuti solusi yang tertera di sistem setelah hasil diagnosa

  Admin mengarahkan

  3. Admin mengarahkan Pengguna untuk mengikuti Solusi

  Sesuai yang diharapkan.

  diri sesuai dengan yang diminta secara manual. Hasil dari pertanyaan yang sudah diisi menjadi jawaban apakah pengguna positif terjangkit Tuberculosis atau tidak.

  Admin dapat mengisi data

  pertanyaan kepada user untuk dijawab.

  testing berupa

  2. Admin mendata informasi pengguna dan memberikan

  Sesuai yang diharapkan.

  Jika username dan password benar,maka ditampilkan form Pertanyaan.

  username salah, maka muncul peringatan.

  Apabila password dan

  Admin melakukan login.

  10. request.setAttribute("info", info); 11.

  Sistem 1.

  No. Deskripsi Hasil yang Diharapkan Hasil yang Diberikan

  Tabel 8 Hasil Black Box Testing

  sistem untuk mengetahui apakah sistem sudah sesuai dengan yang diharapkan. Hal yang diuji beserta dengan hasil pengujian terdapat pada Tabel 8 [11].

  

Blackbox testing dilakukan untuk menguji fungsi, antarmuka, struktur data dan fitur

  Selanjutnya dilakukan pengujian sistem menggunakan blackbox testing.

  

Tuberculosis namun apabila skor kurang dari 50% maka user belum terdiagnosa

terkena Tuberculosis.

  Kode Program 2 merupakan perintah untuk menentukan diagnosauser terhadap penyakit Tuberculosis, user diminta menjawab 6 (enam) pertanyaan berupa gejala-gejala yang sudah disediakan dan setiap jawaban user mempunyai bobot penilaian untuk menentukkan diagnosa apakah user terkena penyakit Tuberculosis, jika hasil lebih dari atau sama dengan 50% maka user terdiagnosa terkena penyakit

  } 23. }

  20.

  19. System.out.println("Berdasarkan Data Yang Anda Input, Anda Mendapatkan Hasil Akhir : "+hasilAkhir*100+" %");

  //Untuk Melihat hasil akhir 15. System.out.println("old1 : "+cbn1); 16. System.out.println("old3 : "+cbn3); 17. System.out.println("old3 : "+cbn4); 18. System.out.println("old4 : "+cbn5);

  14.

  RequestDispatcher rd=request.getRequestDispatcher("/id.jsp"); 12. rd.forward(request, response); 13.

  Sesuai yang diharapkan. yang diberikan dari sistem setelah hasil diagnosa telah berhasil. terbaca, dan menyarankan agar tindak lanjut ke dokter spesialis penyakit Tuberculosis .

  5. Simpulan

  Berdasarkan hasil implementasi dan analisis sistem pada program sistem pakar untuk mendiagnosa penyakit Tuberculosis menggunakan metode Certainty Factor, maka dapat diambil simpulan sebagai berikut : (1)Metode Certainty Factor berhasil diimplementasikan dalam sistem pakar untuk mendiagnosa penyakit Tuberculosis. (2)Penerapan metode Certainty Factor dapat memberikan hasil berupa prosentase keyakinan terhadap kebenaran solusi. (3)Sistem pakar sebagai alat bantu pendiagnosa penayakit Tuberculosis berfungsi sebagai pendeteksi kemungkinan seseorang terjangkit penyakit Tuberculosis dan memberikan saran kepada pengguna Sistem.

  6. Daftar Pustaka [1] Direktorat Jenderal pengendalian Penyakit dan Penyehatan Lingkungan.

  2014. Pedoman Nasional Pengendalian Tuberkulosis. Jakarta: Kementrian Kesehatan Republik Indonesia. [2] Andrea, H.T. 2016. Sistem Pakar Kerusakan Mesin Jahit dengan Metode

  Certainty Factor Berbasis Android.

  ontent/uploads/downloads/2016/02/Jurnal _Hengki_Andrea_Taman_TeknikInformatika_SistemPakar.pdf

  [3] Mariana, Dkk. 2012. Penerapan Model Certainty Factor Untuk Mendeteksi Gejala Kanker Mulut Rahim. [4] Ramdhani,Dkk. 2015. Pengembangan Sistem Pakar Untuk Diagnosis

  Penyakit Hepatitis Berbasis Web Menggunakan Metode Certainty Factor [5] Hozairi,Dkk.2011. Penerapan Sistem Pakar untuk Pengembangan Strategi Pengamanan Perbatasan Wilayah Laut Indonesia.

  [6] Turban, E., and Jay, E.A. 1998. Decision Support System and Intelligent System . New Jersey : Prentice Hall Inc. [7] Rossy,M., 2015. Pengertian Penyakit TBC diakses tanggal

  11 oktober 2017) [8] Saputro, 2013. Sistem diagnosa Penyakit Diabetes Melitus Menggunakan

  Metode CertaintyFactor [9] Sembiring, A., 2012. Metode Certainty Factor https://asanisembiring.wordpress.com/2012/03/19/metode-certainty-factor/ diakses tanggal 25 oktober 2017) [10] Kusumadewi, S. 2003. Artificial Intelligence (Teori dan aplikasinya).

  Yogyakarta : Graha Ilmu, Indonesia. [11] Mustaqbal, M. S., dkk., 2015. Pengujian Aplikasi Menggunakan Black

  Box Testing Boundary Value Analysis (Studi Kasus : Aplikasi Prediksi Kelulusan SNMPTN). Bandung: Universitas Widyatama.