Implementasi Metode Dempster-Shafer untuk Mendeteksi Penyakit Diabetes Mellitus
Vol. 2, No. 8, Agustus 2018, hlm. 2956-2962 http://j-ptiik.ub.ac.id
Implementasi Metode Dempster-Shafer untuk Mendeteksi Penyakit
Diabetes Mellitus
1 2 3 Januar Dwie Amanda , Nurul Hidayat , MarjiProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: januardwiamanda@gmail.com, ntayadih@ub.ac.id, marji@ub.ac.id
Abstrak
Deteksi secara dini dapat meminimalisir resiko kematian penderita Diabetes Mellitus serta untuk penanganan awal penyakit ini. Proses deteksi yang ada selama ini masih manual, hal ini bergantung pada pakar penyakit organ dalam tubuh manusia yang jumlahnya tergolong terbatas serta biaya diagnosa yang relatif mahal. Pemanfaatan implementasi sistem proses deteksi menjadi lebih mudah dan singkat. Pakar penyakit ini dapat melakukan deteksi penyakit Diabetes Mellitus lebih awal dan mudah. Pada penelitian ini penyakit diabetes mellitus yang dapat dideteksi sebanyak 3 jenis menggunakan metode
Dempster-Shafer dengan masukan gejala dari pengguna. Metode tersebut digunakan untuk mengolah
data gejala penyakit Diabetes Mellitus dalam hasil perhitungan presentase sebesar 100%, sedangkan hasil pengujian sistem antara deteksi hasil perhitungan metode Demspter Shafer menggunakan 11 data kasus memiliki tingkat keakurasian sebesar 81,81%.
Kata kunci: Dempster-Shafer, Deteksi, Diabetes Mellitus
Abstract
Early detection can minimize the risk of death from Diabetes Mellitus disease and first treatment for
this disease. The detection that existed so far is still don manually, which means it depend on the expert
who very limited on itquantity and also it diagnosis are costly. The disease expert can detect Diabetes
Mellitus earlier and cheap. On this research this kind of Diabetes Mellitus that can be detected as many
as 3 disease using Demspster-Shafer Method with input from user of symptoms. The method is used to
analyze the data of system accuracy test between the detection and the result of Dempster-Shafer method
calculation with 11 case data has the data accuracy level of 81,81%.Keywords: Dempster-Shafer, Detection , Diabetes Mellitus
Asia lebih dari 50 persen (bahkan ada yang 1. mencapai 85 persen) penderita diabetes baru
PENDAHULUAN
mengetahui diri mengidap diabetes setelah Diabetes Mellitus merupakan salah satu mengalami komplikasi di berbagai organ tubuh penyakit yang penderitanya cukup tingg
(Hans, 2007). Pada penelitian yang dilakukan Kebanyakan penderita penyakit ini tidak sadar oleh Vonny Pawaka yang berjudul
“Sistem
bahwa dirinya telah mengidap Diabetes
Pakar Deteksi Diabetes Mellitus Menggunakan
Mellitus. Diagnosa membutuhkan waktu yang
Metode Bayesian Berbasis Web”
cukup lama dan biaya yang cukup mahal mengungkapkan bahwa tingkat kesadaran dikarenakan penderita harus melakikan cek masyarakat akan dampak buruk yang darah untuk mengetahui penderita mengidap ditimbulkan oleh penyakit Diabetes Mellitus penyakit ini atau tidak.. masih rendah dan banyak masyarakat yang tidak
Pada penelitian yang dilakukan oleh Budi menyadari dirinya sedang berada dalam resiko Cahyo Saputro , Rosa Delima, dan Joko Purwadi
Penyakit Diabetes Mellitus. Salah satu penyebab (2011) yang berjudul “Sistem Deteksi Penyakit yang disimpulkan oleh penulis adalah kurangnya
Diabetes Mellitus Menggunakan metode
pengetahuan tentang penyakit Diabetes Mellitus
Certainty Factor
” menyimpulkan bahwa banyak dan juga keterbatasan waktu maupun biaya orang awalnya tidak tahu bahwa dirinya untuk konsultasi ke dokter. Oleh karena itu, menderita diabetes mellitus, di negara-negara perlu adanya sebuah media edukasi kepada
Fakultas Ilmu Komputer Universitas Brawijaya
2956 pasien dan keluarganya yang bertujuan untuk implementasi, implementasi algoritma pada memberikan pemahaman mengenai gejala, program dan implementasi antarmuka pencegahan, dan informasi umum seputar 5.1 Spesifikasi Sistem 5.1.1 Spesifikasi Perangkat Keras penyakit Diabetes Mellitus. Oleh sebab itu, 5.1.2 Spesifikasi Perangkat Lunak masyarakat perlu dibantu dalam pendeteksian 5.2 Batasan Implementasi 5.3.1 Implementasi Algoritma penyakit ini. Pengetahuan yang dimiliki oleh 5.3 Implementasi Algoritma Plausibility para pakar atau ahli dalam bidang penyakit 5.3.2 Implementasi Algoritma Dempster-Shafer
Diabetes Mellitus dapat membantu masyarakat 5. Implementasi 5.4.1 Implentasi Antarmuka Halaman Login
umum lebih cepat dalam pendeteksian penyakit ini melalui gejala
- – gejala yang timbul. 5.4.2 Implementasi Antarmuka Halaman Utama Pakar Pengetahuan yang dimiliki oleh pakar ini dapat 5.4.3 Implementasi Antarmuka Diagnosa Penyakit diperoleh oleh teknisi kesehatan dengan bantuan 5.4 Implementasi Antarmuka 5.4.4 Implementasi Antarmuka teknologi saat ini tanpa harus mendatangi pakar Tambah/Ubah Pengguna secara langsung. 5.4.6 Implementasi Antarmuka 5.4.5 Implementasi Antarmuka Tambah/Ubah Penyakit
2. LANDASAN KEPUSTAKAAN
Halaman Detail Pengguna Gambar 1. Pohon Implementasi
2.1 Dempster-Shafer
Andino Maseleno dan Mahmud Hasan
3.1 Perhitungan Metode Dempster-Shafer
(2011) dalam penelitiannya yang berjudul Perhitungan manual berfungsi untuk
“Avian Influenza (H5N1) Expert System using memberikan gambaran umum perancangan
Dempster-Shafer Theory
” menyimpulkan sistem yang dibangun. Contoh manualisasi akan bahawa sistem pakar yang dibangun dapat dibagi menjadi 3 kasus, yaitu kasus 1 dengan memberikan hasil beserta tingkat kebenarannya perhitungan 1 gejala yang dimasukkan, kasus 2 berdasarkan nilai kepercayaan yang dimiliki dengan perhitungan 3 gejala dan kasus 3 dengan oleh gejala masing-masing kasus. perhitungan 5 gejala. Dengan kasus 2 dan 3 adalah perkembangan penambahan gejala dari
2.2 Diabetes Mellitus perhitungan kasus 1.
Diabetes Melitus merupakan suatu penyakit a.
Kasus 1 (Perhitungan 1 Gejala)
yang ditandai dengan tingginya kadar gula dalam darah yang terjadi karena kelainan sekresi Pada kasus 1 ini akan diberikan contoh 1 insulin, kerja insulin atau kedua-duanya. Tubuh gejala yang terjadi pada salah satu penyakit, penderita Diabetes Mellitus tidak dapat misal banyak makan atau Polifagia. memproduksi hormon insulin atau tidak mampu
Gejala 1: Banyak makan (Polifagia) memanfaatkan insulin sehingga berakibat tingginya kadar gula dalam darah dikarenakan Apabila setelah diamati pasien insulin tidak mampu mengurangi kadar gula. mengalami Polifagia dengan densitas Penyakit ini bersifat kronis yang dapat muncul m{DM2} = 0,8 sebagai gejala dari dan berkembang dengan lambat namun pasti Diabetes Mellitus Type 2 untuk m 1 nilai yang mengakibatkan komplikasi hampir di densitas yang dipilih adalah yang tertinggi, seluruh organ penderita seperti mata, otak, maka: jantung , ginjal, infeksi yang sulit diobati yang
1 { 2} = 0,8
berakibat pembusukan pada jaringan tubuh sehingga harus dioperasi atau bahkan dilakukan {θ} = 1 − 0,8 = 0,2
1
pemotongan (amputasi) pada jaringan tubuh Sehingga dapat dihitung menggunakan yang terkena infeksi. persamaan (2-3).
0,8 3.
IMPLEMENTASI 1 { 2} =
1 − 0 = 0,8
Bab ini membahas tentang implementasi
0,2
perangkat lunak berdasarkan hasil yang
1 {θ} = 1 − 0 = 0,2
diperoleh dari analisis kebutuhan dan proses b.
Kasus 2 (Perhitungan 3 Gejala) perancangan perangkat lunak yang dibuat.
Pembahasan terdiri dari penjelasan tentang Pada kasus 1 ini akan diberikan contoh 3 spesifikasi sistem, batasan-batasan gejala. Pada perhitungan deteksi gejala penyakit mengacu pada nilai densitas yang ada.
Gejala 1: Banyak Makan (Polifagia) Apabila setelah dilakukan observasi mengalami Polifagia dengan densitas m{DM2} = 0,8 sebagai gejala dari
4 { 1, 2} = 0,8 4 {θ} = 1 − 0,8 = 0,2
= 0,98
3 { } = 0,02
1 − 0 = 0,02
Gejala 3: Banyak Minum (Polidipsia) Kemudian gejala ketiga adalah banyak minum dengan densitas m{DM1} = (0,8); m{DM2} = (0,8) sebagai gejala dari
Diabetes Mellitus Type 1 dan Diabetes Mellitus Type 2
untuk m 4 nilai densitas yang dipilih yang tertinggi, maka:
Maka dihitung nilai densitas baru untuk beberapa kombinasi dengan fungsi densitas m 5 dapat dilihat pada tabel 2.
Sehingga dapat dihitung menggunakan persamaan (2-3)
Tabel 2. Aturan Kombinasi untuk m 5 Kasus 3 m 3 m 4 {DM1,DM2} (0,8)
{ϴ} (0,2) {DM2} (0,98) {DM2} (0,784) {DM2} (0,196) {ϴ} (0,02) {DM1,DM2} (0,016)
{ϴ} (0,004)
Dari tabel 2 ditunjukkan {DM2} diperoleh dari irisan antara m 3 {DM2} dan m 4 {DM1,DM2} sehingga dapat dihitung 0,98 x 0.8 menghasilkan 0,784. Demikian pula irisan m 3 { DM2 } dan m 4
{ ϴ } dapat dihitung 0,98 x 0,2 menghasilkan 0,96. Untuk {DM1,DM2} diperoleh dari irisan m 3
{ ϴ } dan m 2 { DM1,DM2 } sehingga dapat dihitung 0,02 x 0,8 menghasilkan 0,016.
3 { 2} = 0,72 + 0,18 + 0,08 1 − 0
{ ϴ} = 0,02
Diabetes Mellitus Type 2 untuk m 1 nilai
2 { 2} = 0,9 2 {θ} = 1 − 0,9 = 0,1
densitas yang dipilih adalah yang tertinggi, maka:
1 { 2} = 0,8
1 {θ} = 1 − 0,8 = 0,2
Gejala 2: Sering Buang Air Kecil Kemudian gejala selanjutnya adalah sering buang air kecil dengan densitas m{DM2} = 0,9 sebagai gejala dari
Diabetes Mellitus Type 2 untuk m 2 nilai
densitas yang dipilih adalah yang tertinggi, maka:
Maka dihitung nilai densitas baru untuk beberapa kombinasi dengan fungsi densitas m 3 dapat dilihat pada tabel 1.
{ϴ} ∩ {ϴ} = {ϴ} 0,2 * 0,1 = 0,02
Tabel 1. Aturan Kombinasi untuk m 3 Kasus 3 m 1 m 2 {DM2} (0,9)
{ϴ} (0,1) {DM2} (0,8) {DM2} (0,72) {DM2} (0,08) {ϴ} (0,2) {DM2} (0,18)
{ϴ} (0,02)
Dari tabel 1 ditunjukkan {DM2} diperoleh dari irisan antara m 1 {DM2} dan m 2 {DM2} sehingga dapat dihitung 0,8 x 0.9 menghasilkan 0,72. Demikian pula irisan m 1
{ ϴ } dan m 2 {DM2} dapat dihitung 0,2 x 0,9 menghasilkan 0,18 serta irisan m 1 {DM2} dan m 2
{ ϴ } dapat dihitung 0,8 x 0,1 menghasilkan 0,08.
{DM2} ∩ {DM2} = {DM2} 0,8 * 0,9 = 0,72 {DM2} = 0,72 {ϴ} ∩ {DM2} = {DM2} 0,2 * 0,9 = 0,18 {DM2} = 0,18 { DM2} ∩ {ϴ} = {DM2} 0,8 * 0,1 = 0,08 {DM2} = 0,08
{DM2} ∩ {DM1,DM2} = {DM2} 0,98 * 0,8 = 0,784 {DM2} = 0,784 {ϴ} ∩ {DM1,DM2} = {DM1,DM2} 0,02 * 0,8 = 0,016 {DM1,DM2} = 0,016 {DM2} ∩ {ϴ} = {DM2} 0,98 * 0,2 = 0,196 {DM2} = 0,196
{ϴ} ∩ {ϴ} = {ϴ}
Dari tabel 3 ditunjukkan {DM2}
0,02 * 0,2 = 0,004
diperoleh dari irisan antara m 1 {DM2} dan
m 2 {DM2} sehingga dapat dihitung 0,8 x 0.9 menghasilkan 0,72. Demikian pula
{ ϴ} = 0,004
Sehingga dapat dihitung menggunakan 1 2 irisan m {DM2} dapat { ϴ } dan m persamaan (2-3). dihitung 0,2 x 0,9 menghasilkan 0,18 serta
0,784 + 0,196
irisan m 1 {DM2} dan m 2 { ϴ } dapat
= 0,98 5 { 2} =
1 − 0 dihitung 0,8 x 0,1 menghasilkan 0,08.
0,016 { 1, 2} =
5 {DM2} ∩ {DM2} = {DM2} 1 − 0 = 0,016 0,8 * 0,9 = 0,72 0,004 = 0,004
5 { } = {DM2} = 0,72 1 − 0
c. Kasus 3 (Perhitungan 5 Gejala)
{ϴ} ∩ {DM2} = {DM2}
Pada kasus 3 ini akan diberikan contoh
0,2 * 0,9 = 0,18
dengan memasukkan 5 gejala. Pada perhitungan
{DM2} = 0,18
ini diibaratkan seseorang penyakit Diabetes
Mellitus dengan gejala banyak makan, sering {DM2} ∩ {ϴ} = {DM2}
buang air kecil, banyak minum, berat badan
0,8* 0,1 = 0,08 turun tanpa alasan yang jelas dan gatal - gatal. {DM2} = 0,08
Perhitungan deteksi penyakit ini mengacu pada nilai densitas yang ada pada akuisisi nilai
{ϴ} ∩ {ϴ} = {ϴ} densitas gejala.
0,2 * 0,1 = 0,02
Gejala 1: Banyak makan (Polifagia)
{ ϴ} = 0,02
Apabila setelah dilakukan observasi Sehingga dapat dihitung menggunakan
Banayk makan dengan densitas m{DM2} = persamaan (2-3). 0,8 sebagai gejala dari Diabetes Mellitus
0,72 + 0,18 + 0,08 Type 2 untuk m 1 nilai densitas yang dipilih
= 0,98 3 { 1} =
adalah yang tertinggi, maka:
1 − 0 0,02 { 2} = 0,8
1 { } =
3 1 − 0 = 0,02 {θ} = 1 − 0,8 = 0,2
1
Gejala 3: Banyak Minum (Polidipsia) Gejala 2: Sering buang air kecil
Kemudian gejala ketiga adalah Banyak Kemudian gejala selanjutnya adalah minum dengan densitas m{DM1} = (0,8); sering buang air kecil dengan densitas m{DM2} = (0,8) sebagai gejala dari m{DM2} = 0,9 sebagai gejala dari
Diabetes Mellitus Type 1 dan Diabetes Diabetes Mellitus Type 2 untuk m 2 nilai 4 Mellitus Type 2 untuk m nilai densitas
densitas yang dipilih adalah yang tertinggi, yang dipilih yang tertinggi, maka: maka:
4 { 1, 2} = 0,8 { 2} = 0,9
2 4 {θ} = 1 − 0,8 = 0,2 2 {θ} = 1 − 0,9 = 0,1
Maka dihitung nilai densitas baru untuk Maka dihitung nilai densitas baru untuk beberapa kombinasi dengan fungsi densitas beberapa kombinasi dengan fungsi densitas 5 m dapat dilihat pada tabel 4. m 3 dapat dilihat pada tabel 3.
Tabel 4. Aturan Kombinasi untuk m Kasus 3 5 Tabel 3. Aturan Kombinasi untuk m Kasus 3 3 m 4 m 3 m 2 {DM1,DM2} (0,8)
{ϴ} (0,2) m 1 {DM2} (0,9) {ϴ} (0,1) {DM2} (0,98) {DM2} (0,784) {DM2} (0,196)
{DM2} (0,8) {DM2} (0,72) {DM2} (0,08) {DM1,DM2} (0,016) {ϴ} (0,02) {ϴ} (0,004) {DM2} (0,18)
{ϴ} (0,2) {ϴ} (0,02)
Dari tabel 4 ditunjukkan {DM2} diperoleh dari irisan antara m 3 {DM2} dan m 4 {DM1,DM2} sehingga dapat dihitung 0,98 x 0.8 menghasilkan 0,784. Demikian pula irisan m 3 { DM2 } dan m 4
Maka dihitung nilai densitas baru untuk beberapa kombinasi dengan fungsi densitas m 7 dapat dilihat pada tabel 5.
7 { 2} = 0,4900 + 0,4900 1 − 0
Sehingga dapat dihitung menggunakan persamaan (2-3).
{DM2} ∩ {DM1,DM2} = {DM2} 0,98 * 0,5 = 0,4900 {DM2} = 0,4900 {DM1,DM2} ∩ {DM1,DM2} = {DM1,DM2} 0,016* 0,5 = 0,0080 {DM1,DM2} = 0,0080 {ϴ}∩ {DM1,DM2} = {DM1,DM2} 0,002* 0,5 = 0,0010 {DM1,DM2} = 0,0010 {DM2} ∩ {ϴ} = {DM2} 0,98 * 0,5 = 0,4900 {DM2} = 0,4900 {DM1,DM2} ∩ {ϴ} = {DM1,DM2} 0,016 * 0,5 = 0,0080 {DM1,DM2} = 0,0080 {ϴ} ∩ {ϴ} = {ϴ} 0,002 * 0,5 = 0,0010 { ϴ} = 0,0010
{ ϴ } dan m 6 {DM1,DM2} dapat dihitung 0,002 x 0,5 menghasilkan 0,0010.
{ ϴ } dapat dihitung 0,016 x 0,5 menghasilkan 0,0504. Irisan m 5
{ ϴ } dapat dihitung 0,98 x 0,5 menghasilkan 0,49. Untuk {DM1,DM2} diperoleh dari irisan m 5 { DM1,DM2 } dan m 6 { DM1,DM2 } sehingga dapat dihitung 0,016 x 0,5 menghasilkan 0,008. Irisan m 5 { DM1,DM2} dan m 6
Dari tabel 5 ditunjukkan {DM2} diperoleh dari irisan antara m 5 {DM2} dan m 6 {DM1,DM2} sehingga dapat dihitung 0,98 x 0.5 menghasilkan 0,49. Demikian pula irisan m 5 { DM2 } dan m 6
{DM1,DM2} (0,0010) {ϴ} (0,0010)
(0,0080) {DM1,DM2} (0,0504) {ϴ} (0,002)
(0,5) {ϴ} (0,5) {DM2} (0,980) {DM2} (0,4900) {DM2} (0,4900) {DM1,DM2} (0,016) {DM1,DM2}
Tabel 5. Aturan Kombinasi untuk m 7 Kasus 3 m 5 m 6 {DM1,DM2}
6 { 1, 2} = 0,5 6 {θ} = 1 − 0,5 = 0,5
{ ϴ } dapat dihitung 0,98 x 0,2 menghasilkan 0,96. Untuk {DM1,DM2} diperoleh dari irisan m 3
yang dipilih adalah yang tertinggi, maka:
Mellitus Type 2 untuk m6 nilai densitas
Selanjutnya turunnya berat badan tanpa alasan yang jelas dengan densitas m{DM2} = 0,1 gejala dari Diabetes Mellitus Type 1 dan m{DM2} = 0,5 gejala dari Diabetes
Tanpa Alasan yang Jelas
Gejala 4: Turunnya Berat Badan
0,002 1 − 0 = 0,002
0,016 1 − 0 = 0,016 5 { } =
= 0,98 5 { 1, 2} =
5 { 2} = 0,784 + 0,196 1 − 0
Sehingga dapat dihitung menggunakan persamaan (2-3).
{DM2} ∩ {DM1,DM2} = {DM2} 0,98 * 0,8 = 0,784 {DM2} = 0,784 {ϴ}∩ {DM1,DM2} = {DM1,DM2} 0,02 * 0,8 = 0,016 {DM1,DM2} = 0,016 {DM2} ∩ {ϴ} = {DM2} 0,98 * 0,2 = 0,196 {DM2} = 0,196 {ϴ} ∩ {ϴ} = {ϴ} 0,02 * 0,2 = 0,002 { ϴ} = 0,002
{ ϴ } dan m 2 { DM1,DM2 } sehingga dapat dihitung 0,02 x 0,8 menghasilkan 0,016.
= 0,98
0,008 + 0,008 0,016 * 0,2 = 0,0032 7 { 1, 2} =
1 − 0 {DM1,DM2} = 0,0032 = 0,016
{DM1,DM2,DMG} = ∩ {ϴ} 0,001 + 0,001 {DM1,DM2,DMG}
7 { } = = 0,002 1 − 0 0,002* 0,2 = 0,0004
Gejala 5: Gatal - Gatal
{DM1,DM2,DMG} = 0,0004
Kemudian selanjutnya adalah sesak nafas m{D1} = 0,1; m{DM2} = 0,2;
{DM2} ∩ {ϴ} = {DM2}
m{DMG} = 0,2 sebagai gejala dari
0,98* 0,8 = 0,784 Diabetes Mellitus Type 1, Diabetes
{DM2} = 0,784 Mellitus Type 2 dan Diabetes Mellitus Gestational dengan nilai densitas, untuk m 8
{DM1,DM2} ∩ {ϴ} = {DM1,DM2}
nilai sensitas yang dipilih adalah yang
0,016 * 0,8 = 0,0128
terbesar, maka:
{DM1,DM2} = 0,0128 8 { 1, 2, } = 0,2
{ϴ} ∩ {ϴ} = {ϴ} 8 {θ} = 1 − 0,2 = 0,8
0,002 * 0,8 = 0,0016
Maka dihitung nilai densitas baru untuk beberapa kombinasi dengan fungsi densitas { 8
ϴ} = 0,0016 m dapat dilihat pada tabel 6.
Sehingga dapat dihitung menggunakan persamaan (2-3).
Tabel 6. Aturan Kombinasi untuk m Kasus 3 9 0,196 + 0,784 m 8 { 2} = = 0,98
9 1 − 0 m 7 {DM1,DM2,DMG}
{ϴ} (0,8) (0,2) 0,0032 + 0,0128
9 { 1, 2} = {DM2} (0,98) {DM2} (0,196) {DM2} (0,784) 1 − 0
= 0,016 {DM1,DM2} {DM1,DM2} {DM1,DM2} (0,016) (0,0032) (0,0128)
9 { 1, 2, } 0,0004 + 0,0128 {DM1,DM2,DM3}
= {ϴ} (0,002) {ϴ} (0,0016) (0,0004)
1 − 0 = 0,0132
Dari tabel 6 ditunjukkan {DM2}
0,0016
diperoleh dari irisan antara m 7 {DM2} dan
9 { } = 1 − 0 = 0,0016
m 8 {DM1,DM2,DMG} sehingga dapat dihitung 0,98 x 0.2 menghasilkan 0,196.
3.2 Tampilan
Demikian pula irisan m 7 { DM2 } dan m 8 { ϴ } dapat dihitung 0,98 x 0,8 menghasilkan 0,784. Untuk {DM1,DM2} diperoleh dari irisan m 7 { DM1,DM2 } dan m 8 {
DM1,DM2,DMG } sehingga dapat dihitung 0,016 x 0,2 menghasilkan 0,0032. Irisan m 7 { DM1,DM2} dan m 8
{ ϴ } dapat dihitung 0,016 x 0,8 menghasilkan 0,0128. Untuk {DM1,DM2,DMG} diperoleh dari Irisan m 7 8 {DM1,DM2,DMG}
{ ϴ } dan m
Gambar 2. Form Login
dapat dihitung 0,002 x 0,2 menghasilkan 0,0004.
{DM2} ∩ {DM1,DM2,DMG} = {DM2} 0,98 * 0,2 = 0,196 {DM2} = 0,196 {DM1,DM2} ∩ {DM1,DM2,DMG} = {DM1,DM2}
Tidak
9 Kasus 9 DM 2 DM1 Cocok
10 Kasus 10 DM 2 DM 2 Cocok
11 Kasus 11 DM 2 DM 2 Cocok
Proses analisa dari pengujian akurasi sistem pendeteksi penyakit Diabetes Mellitus menggunakan metode dempster shafer dilakukan berdasarkan perbandingan hasil
Gambar 3. Menu Utama deteksi sistem dengan deteksi pakar.
Berdasarkan perbandingan hasil diagnosa sistem
4. PENGUJIAN DAN ANALISIS
dengan diagnosa pakar pada tabel 7 diketahui dari 11 data yang diuji, persentase kebenaran
4.1 Pengujian Fungsionalitas sistem adalah 81,81% (9 deteksi kasus).
Pada bagian ini akan dijelaskan tentang
5. PENUTUP
skenario pengujian yang akan dilakukan pada skenario pengujian pertama yaitu pengujian Berdasarkan pada hasil perancangan, fungsionalitas merupakan pengujian yang implementasi dan pengujian sistem yang telah dilakukan terhadap sistem untuk mengetahui dilakukan maka kesimpulan yang didapat apakah sistem yang dibangun telah sesuai sebagai berikut: dengan daftar kebutuhan yang telah ditentukan.
1. Pemodelan sistem untuk medeteksi Proses analisa terhadap hasil pengujian penyakit Diabetes Mellitus menggunakan fungsionalitas dilakukan dengan melihat metode Dempster-Shafer dapat digunakan kesesuaian antara hasil yang diharapkan sebagai salah satu cara untuk mendeteksi berdasarkan kebutuhan sistem dengan hasil penyakit Diabetes Mellitus . Sistem kinerja sistem memiliki kesesuaian 100%. diimplementasikan dengan menggunakan
Sehingga dapat disimpulkan bahwa gejala yang telah diberikan nilai densitas. implementasi dan fungsionalitas dari sistem 2.
Pemodelan sistem untuk mendeteksi pendeteksi penyakit Diabetes Mellitus dapat penyakit Diabetes Mellitus menggunakan berjalan dengan daftar kebutuhan yang ada. metode Dempster-Shafer dapat digunakan mendeteksi penyakit Diabetes Mellitus
4.2 Pengujian Akurasi
pengujian 18 gejala dari 3 penyakit yang ada pada sistem. Pengujian tingkat akurasi dilakukan untuk
a. pengujian fungsionalitas mengetahui performa dari sistem pendeteksi Hasil pemodelan sistem untuk medeteksi penyakit Diabetes Mellitus menggunakan penyakit Diabetes Mellitus metode Dempster-Shafer. Pengujian akurasi menggunakan metode Dempster-Shafer dilakukan dengan cara membandingkan data memiliki tingkat presentase 100%. hasil deteksi sistem dengan data hasil deteksi b. pakar.
Hasil pengujian akurasi pemodelan sistem untuk medeteksi penyakit
Tabel 7. Tabel pengujian akurasi Diabetes Mellitus menggunakan
metode Dempster-Shafer memiliki
No Keteran Kasus Pakar Sistem
. gan tingkat kesesuaian presentase sebesar
81,81%.1 Kasus 1 DM 2 DM 2 Cocok
2 Kasus 2 DM DM Cocok
Saran yang diberikan untuk pengembangan
Gestational Gestation
sistem dalam penelitian selanjutnya yaitu dapat
al
dilakukan penelitian lebih lanjut untuk nilai
3 Kasus 3 DM 2 DM 2 Cocok
densitas tiap gejala penyakit Diabetes Mellitus
4 Kasus 4 DM 2 DM 2 Cocok
sehingga akurasi sistem menjadi lebih optimal
5 Kasus 5 DM 2 DM 2 Cocok
serta dapat menambanh logika pada sistem
6 Kasus 6 DM 2 DM 2 Cocok
sehingga diagnosa sistem dapat memotong
7 Kasus 7 DM 2 DM 1 Tidak
perbedaan hasil diagnosa sistem tersebut dengan
Cocok diagnosa pakar.
8 Kasus 8 DM 2 DM 2 Cocok
DAFTAR PUSTAKA Barat Tahun 2012”. STIKes MH. Thamrin.
Jakarta Timur. Ermayani, Dewi. 2012.
“Aplikasi Diagnosa Penyakit Jantung Koroner Menggunakan Sulistyohati, Aprili. 2008.
“Aplikasi Sistem Metode Dempster-Shafer Diagnosa Penyakit Ginjal Dengan Metode
”. Universitas Caltex. Riau. Dempster -
Shafer”. Universitas Islam Indonesia. Yogyakarta. Fadhlil, Abdul. 2013.
“Sistem untuk Mendiagnosa Saluran Pencernaan Yuliani, Fadma. 2014.
“Hubungan Berbagai menggunakan Metode Dempster-Shafer Faktor Risiko Terhadap Kejadian Penyakit ”.
Universitas Islam Indonesia. Yogyakarta. Jantung Koroner Pada Penderita Diabetes Melitus tipe 2”. Universitas Andalas. Jogiyanto HM. 2008.
“Metode Penelitian Sistem Padang. Informasi”. Andi Offset. Yogyakarta.
Wahyuni, Elyza Gustri. 2013.
“Prototype Sistem Kadir, A. 2010. “Konsep dan Tuntutan Praktis untuk Mendeteksi Tingkat resiko Penyakit
Basis Data”. Andi Offset.
Jantung Koroner dengan Metode Dempster- Kusumadewi Sri. 2003. “Atificial Intelligence Shafer”. Universitas Islam Indonesia.
Universitas Gajah Mada. Yogyakarta. (Teknik dan Aplikasinya)”. Graha Ilmu.
Yogyakarta.
Yogmalanda, Taufiqillahi Nissano. 2016. Listiyono, Hersatoto. 2008.
“Merancang dan “Implementasi Metode Dempster-Shafer Untuk Diagnosa Penyakit Gigi Dan
Membuat Sistem”. Jurnal Fakultas Teknologi Informasi Universitas
Mulut ”. Universitas Brawijaya. Malang. Stikubank. Semarang.
Maseleno, Andino. 2011.
“Avian Influenza Expert System using Dempster-Shafer ”. Universitas Islam Indonesia. Yogyakarta. Mulyanto, A. 2009.
“Sistem Informasi dan Pustaka Fajar. Konsep Aplikasi”.
Yogyakarta. Nahampun, Maruli Tua. 2014.
“Sistem Diagnosa Penyakit Pada Tanaman Kelapa Sawit Dengan Metode Demspter-Shafer
” Prihatini, Putu Manik. 2011.
“Metode Ketidakpastian dan Kesamaran dalam Sistem”. Politeknik Negeri Bali. Bali.
Rikhiana, Esthi Dyah. 2013.
“Implementasi Sistem Untuk Mendiagnosa Penyakit Dalam Pada Manusia Menggunakan Metode Dempster-Shafer
”. Universitas Ahmad Dahlan. Yogyakarta. Rimawati. 2012.
“Perancangan Aplikasi Sistem untuk Mendiagnosa Penyakit Ginjal dengan Metode Dempster-Shafer
”. STMIK Budi Darma. Medan. Saputro, Budi Cahyo. 2011.
“Sistem Deteksi Penyakit Diabetes Mellitus Menggunakan metode Certainty Factor”. Universitas Kristen Duta Wacana. Yogyakarta. Shara Kurnia Trisnawati. 2013.
“Faktor Risiko Kejadian Diabetes Melelitus Tipe II Di Puskesmas Kecamatan Cengkareng Jakarta