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
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.