Institutional Repository | Satya Wacana Christian University: Sistem Pakar Diagnosa Penyakit Sapi dengan Metode Forward Chaining Berbasis Web
Sistem Pakar Diagnosa Penyakit Sapi Dengan Metode
Forward Chaining Berbasis Web
Artikel Ilmiah
Peneliti:
Mochamad Chilmi Wirawan (672013031)
Dr. Kristoko Dwi Hartomo, M.Kom
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS KRISTEN SATYA WACANA SALATIGA
2018
1
2
3
4
5
1. Latar Belakang
Seiring pertambahan jumlah penduduk dan peningkatan daya beli
masyarakat dapat dipastikan penjualan daging sapi dalam negeri akan
semakin meningkat. Salah satu faktor yang perlu diperhatikan dalam
pemeliharaan ternak sapi adalah kesehatan ternak itu sendiri. Untuk menjaga
kesehatan ternak agar selalu prima sebaiknya peternak memahami penyakit
yang sering menyerang sapi dan cara pengobatannya yang biasanya hanya
diketahui oleh dokter hewan. Salah satu cara untuk memasyarkatkan
pengetahuan pakar atau dokter hewan adalah dengan menggunakan sistem
pakar. Sistem pakar adalah salah satu kecerdasan buatan yang mengadopsi
pengetahuan, fakta dan teknik penalaran pakar yang digunakan untuk
memecahkan permasalahan yang biasanya hanya dapat dipecahkan oleh pakar
dalam bidang tersebut. Sistem pakar dapat memungkinkan untuk memperluas
jangkauan kerja pakar sehingga pengetahuan pakar dapat diperoleh dan
dipakai dimana saja [1]
Saat ini sistem pakar banyak diimplementasikan dalam dunia
kesehatan untuk mediagnosa penyakit. Dengan memanfaatkan bahasa
pemrograman komputer seperti PHP maka para pakar dapat digantikan
dengan menggunakan sejumlah algoritma-algoritma pemrograman yang dapat
mediagnosa penyakit pada ternak sapi. Oleh karena itu, aplikasi sistem pakar
ini memberikan informasi penting bagi peternak mengetahui sejak dini
kemungkinan penyebab adanya penyakit, cara penyebarannya dan saran
tindakan sendiri yang dilakukan untuk penanggulannya. Dengan demikian
penyebaran dapat diatasi jauh sebelum sapi menderita penyakit kritis.
Dari latar belakang ditemukan permasalahan yang akan penulis
pecahkan melalui penelitian tugas akhir ini yang berjudul “Sistem Pakar
Diagnosa Penyakit Sapi Menggunkan Metode Forward Chaining Berbasis
6
Web” diharapkan dengan adanya sistem pakar ini maka gejala penyakit pada
sapi akan mudah didiagnosa dengan cepat.
2. Kajian Pustaka
Penelitian pertama adalah Sistem Pakar Diagnosa Penyakit Gigi dan
Mulut Manusia Menggunakan Knowledge Base System dan Certainly Factor.
Pembuatan aplikasi dengan konsep sistem pakar berbasis dekstop dalam
pendiagnosaan penyakit gigi dan mulut dapat membantu pendiagnosaan awal
penyakit yang berkaitan dengan gigi dan mulut. Aplikasi sistem pakar ini
dirancang dengan keluarannya berupa diagnosa beserta penanganan dan
pengobatan dari penyakit gigi dan mulut. Dengan adanya aplikasi sistem
pakar ini dapat menjadi database pengetahuan mengenai hal-hal yang
berhubungan dengan gejala dan diagnosa penyakit-penyakit gigi dan mulut
beserta solusi dari diagnosanya. Kelemahan dari penelitian ini pemodelan
ketidakpastian manusia dengan menggunakan numerik metode certainty
factor biasanya diperdebatkan. Metode ini hanya dapat mengolah
ketidakpastian/kepastian hanya 2 data saja. Perlu dilakukan beberapa kali
pengolahan data untuk data yang lebih dari 2 buah [3].
Penelitian ke dua adalah Sistem Pakar Berbasis Web Dengan Metode
Probabilitas Klasik Untuk Diagnosa Penyakit Tuberkulosis Pada Manusia
Dewasa. Sistem pakar ini dapat membantu para ahli medis pemula maupun
yang tidak mengetahui secara langsung bidang penyakit tuberkolosis pada
manusia dewasa. Media pembelajaran mengenai penyakit ini dapat
bermanfaat sebagai alat pembelajaran yang murah, praktis dan dapat diakses
secara mudah dimana saja. Kelemahan dari penelitian ini adalah tidak
pastinya informasi yang didapat membuat hasil dari keputusan yang
dihasilkan menjadi tidak pasti [6].
7
Penelitian ke tiga adalah yaitu “Sistem Pakar Diagnosa Penyakit
Jantung dan Paru dengan Fuzzy Logic dan Certainy Factory”. Sistem Pakar
yang akan dikembangkan mengkombinasikan metode Logika Fuzzy dan
faktor kepastian dengan objek penelitian adalah penyakit pada organ dada
meliputi paru-paru dan jantung. Metode Logika Fuzzy akan digunakan untuk
menangani ketidakpastian gejala yang dialami oleh pasien dan metode faktor
kepastian akan digunakan untuk menangani ketidakmampuan seorang pakar
dalam mendefinisikan hubungan antara gejala dengan penyakit secara pasti.
Sistem pakar yang dikembangkan berbasis web, dapat diakses dimana saja
dan kapan saja. Sistem pakar yang dikembangkan juga menyediakan fasilitas
perbaikan pengetahuan dan penjelasan, dimana pakar dapat menambahkan
pengetahuan baru terhadap suatu penyakit ataupun merubah pengetahuan
yang ada pada suatu penyakit, sehingga sistem akan tetap akurat dan
mutakhir. Kelemahan dari penelitian ini adalah penentuan model inference
yang kurang tepat untuk masalah intuitive dan penanganan kontrolnya [8].
Perbedaan penelitian sebelumnya dengan penelitian penulis adalah
metode yang dipakai oleh penulis yaitu dengan metode forward chaining
dimana metode tersebut memiliki kelebihan mampu bekerja dengan baik
ketika masalah bermula dari mengumpulkan atau menyatukan informasi lalu
kemudian mencari kesimpulan apa yang dapat diambil dari informasi
tersebut. Metode ini mampu menyediakan banyak informasi dari hanya
jumlah kecil dari data. Sistem ini menggunakan teknologi web berbasis PHP
dan boodstrap yang responsive dan kompatibel untuk semua device.
3. Metode dan Perancangan
Metode yang digunakan dalam tahapan penelitian yang akan
digunakan dalam Sistem Pakar Diagnosa Penyakit Sapi Dengan Metode
Forward Chaining Berbasis Web, yaitu: (1). Tahap Identifikasi Masalah (2).
8
Tahap Pengumpulan Data (3). Tahap Perancangan Sistem (4). Tahap
Impelemtasi Sistem (5). Tahap Pengujian Sistem.
1. Identifikasi Masalah
2.Pengumpulan Data
3. Desain dan Perancangan
4. Implementasi
5. Pengujian Sitem
Gambar 1 Tahap Penelitian
Metode untuk menentukan hasil diagnosa maka digunakan
metode forward chainning adalah metode pencarian atau teknik pelacakan kedepan yang dimulai dengan informasi yang ada dan penggabungan rule untuk
menghasilkan suatu kesimpulan atau tujuan. Metode ini merupakan grup dari
multipel inferensi yang melakukan pencarian dari suatu masalah kepada
solusinya. Metode forward chaining merupakan proses perunutan yang
dimulai dengan menampilkan kumpulan data atau fakta yang meyakinkan
menuju konklusi akhir. Jadi metode forward chaining dimulai dari informasi
masukan (if) dahulu kemudian menuju konklusi (then) [12].
Model forward chaining menggunakan model best-first search
adalah teknik penelusuran yang menggunnakan pengetahuan akan suatu
masalah untuk melakukan panduan pencarian ke arah node tempat dimana
solusi berada. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka
9
proses
akan
menyatakan
konklusi.
forward
chaining
adalah data-
driven karena inferensi dimulai dengan informasi yang tersedia dan baru
konklusi diperoleh [12]. Jika suatu aplikasi menghasilkan tree yang lebar dan
tidak dalam, maka gunakan forward chaining. Tipe sistem yang dapat dicari
dengan forward chaining :
1. Sistem yang dipersentasikan dengan satu atau beberapa kondisi.
2. Untuk setiap kondisi, sistem mecari rule dalam knowledge base
untuk rule yang berkorespondensi dengan kondisi dalam bagian
IF
3. Setiap rule dapat menghasilkan kondisi baru dari konklusi yang
diminta pada bagian THEN. Kondisi baru ini ditambahkan ke
kondisi lain yang sudah ada.
4. Setiap kondisi yang ditambahkan ke sistem akan diproses. Jika
ditemui suatu kondisi baru dari konklusi yang diminta, sistem
akan kembali ke langkah 2 dan mencari rule dalam knowledge
base kembali. Jika tidak ada konklusi baru, sesi ini berakhir.
Terdapat 10 contoh aturan yang dapat dimisalkan dalam basis
pengetahuan, yaitu :
R1 : if A and B then C
R2 : if C then D
R3 : if A and E then F
R4 : if A then G
R5 : if F and G then D
R6 : if G and E then H
R7 : if C and H then I
R8 : if I and A then J
R9 : if G then J
R10 : if J then K
10
Fakta awal yang diberikan hanya A dan E, ingin membuktikan
apakah K bernilai benar. Proses penalaran forward chaining terlihat pada
gambar 2:
Gambar 2 Forward Chaining [12]
Berdasarkan proses penalaran forward chaining yang telah
dijelaskan 10 aturan sudah cukup merepresentasikan seorang pakar, karena
aplikasi sitem pakar hanya dibutuhkan gejala untuk mendeteksi penyakit
sehingga proses diagnosa penyakit tidak terlalu rumit.
Setelah data maupun informasi yang diperlukan terkumpul, tahapan
selanjutnya adalah mendesain program yang akan dibuat. Desain program
ini meliputi rancangan tampilan program dan proses yang akan dilakukan di
dalamnya. Hasil dari desain ini kemudian akan diimplementasikan ke dalam
bentuk program dengan bahasa pemrograman yang telah ditentukan
sebelumnya. Program yang telah selesai dibuat kemudian akan diuji
cobakan pada tahap verification untuk melihat apakah program telah
berjalan dengan baik dan telah sesuai dengan kebutuhan. Proses terakhir
yaitu proses maintenance yang merupakan proses untuk pemeliharaan
program yang telah dibuat, termasuk juga proses pengembangan atau update
jika ada fitur-fitur baru yang perlu ditambahkan. Sistem ini menggunakan
pemodelan Unified Modeling Language (UML). Unified Modeling
Languange adalah himpunan struktur dan teknik untuk permodelan desain
11
program berorientasi objek (OOP) serta aplikasinya. UML adalah
metodelogi untuk mengembangkan sistem OOP dan sekelompok perangkat
tool untuk mendukung pengembangan sistem tersebut. Terdapat 3 tahapan
pada pemodelan UML yaitu Use Case Diagram, Class Diagram, dan
Activity Diagram. Tahap 1 bisa dilihat pada gambar 3.
hapus user
tambah gejala
edit user
login
edit gejala
mengelelola daftar gejala
register
hapus gejala
mengelola data user
admin
data relasi
mengelola data relasi
user
mengelola hasil diagnosa
mengelola data penyakit
tambah penyakit
mengisi form diagnosa
lihat hasil diagnosa
hapus penyakit
edit penyakit
Gambar 3 Use Case Diagram
Use Case Diagram yaitu salah satu jenis diagram pada UML yang
menggambarkan interaksi antara sistem dan actor. Terdapat 2 actor yaitu user
yaitu pengguna dan admin yang berperan sebagai administrator, actor user
mempunyai beberapa action yaitu register, login, input data diagnosa, dan
melihat hasil diagnosa. Actor admin mempunyai kewenangan yang lebih
tinggi yaitu bisa melakukan action, mengelola data penyakit, mengelola data
gejala, mengelola data penyakit, mengelola data relasi dan melihat hasil
diagnosa dari user.
12
Gambar 4 Class Diagram
Gambar 4 adalah Class Diagram yaitu salah satu jenis diagram pada
UML yang digunakan untuk menampilkan kelas-kelas maupun paket-paket
yang ada pada suatu sistem yang nantinya akan digunakan. Total tabel yang
digunakan pada database adalah 9 tabel, namun tabel yang saling berelasi
adalah 8 tabel yaitu tabel peternak, tabel penyakit, tabel tmp_penyakit, tabel
tabel hasil, tabel tmp_analisis, tabel relasi, tabel gejala, tabel tmp_analisis.
Tabel peternak berelasi dengan hasil diagnosa dimana id_peternak menjadi
foreign key pada hasil diagnosa. Kemudian tabel gejala dan penyakit yang
berelasi dengan tabel relasi, tabel relasi merupakan tabel yang berisi relasi
antara tabel penyakit dan tabel gejala. Data dari tabel relasi tersebut kemudian
berelasi dengan tabel tmp_analisis, tabel tmp_analisis berisi data penyakit dan
gejala sesuai dengan data geala yang diinput user. Tabel tmp_analisis berelasi
dengan tabel hasil dimana data dari hasil analisis pada tabel tmp_analisis akan
disimpan pada tabel hasil. Jadi diagram ini dapat memberikan sebuah
13
gambaran mengenai sistem maupun relasi-relasi yang terdapat pada sistem
tersebut.
user
sistem
login
cek data
user
database
get data
user
invalid
melakukan
diagnosa penyakit
menampilka
form diagnosa
menyim pan
data diagnosa
melakukan analisis
diagnosa
menampilkan
hasil diagnosa
menerima hasil
diagnosa
menyim pan
hasil diagnosa
Gambar 5 Activity Diagram
Gambar 5 adalah Activity Diagram yaitu salah satu jenis diagram
pada UML yang dapat memodelkan proses apa saja yang terjadi pada sistem.
Gambar 5 menunjukan proses alur login pada web tersebut dapat dibedakan
menjadi 2 bagian antara admin dan client. Pada admin hanya mampu melihat
serta mendownload hasil laporan pada client, sementara client hanya dapat
upload data hasil laporan kepada admin. User melakukan login, sistem akan
melakukan cek data user lalu dari database akan mendapat data dari user.
Setalah user melakukan login user akan menuju ke proses melakukan
diagnosa. Sistem akan menampilkan form diagnosa. User akan memilih
gejala penyakit yang diderita oleh sapi. Setelah selesai proses input gejala
penyakit, sistem akan menganalisa diagnosa penyakit. Database akan
14
menyimpan diagnosa penyakit. Dari database sistem akan menampilkan hasil
diagnosa yang akan diterima oleh user.
4. Hasil dan Pembahasan
Hasil dari sistem yang dibangun adalah sistem pakar diagnosa untuk
mengetahui penyakit yang diderita oleh sapi yang dimiliki peternak,
menggunakan bahasa pemrograman PHP. Dengan memilih gejala yang sama
pada tampilan pilihan daftar gejala, pengguna dapat melihat hasil diagnosa
yang telah ditampilkan.
Sistem pakar diagnosa ini untuk menampilkan hasil diagnosa dari
penyakit sapi yang telah diinputkan dengan menggunakan metode forward
chaining, dengan begitu akan didapatkan nilai pasti sebagai hasil dari
diagnosa.
Gambar 6 Tampilan daftar gejala penyakit sapi
15
Gambar 6 adalah tampilan daftar penyakit sapi, dimana user
memilih gejala-gejala yang diderita oleh sapi. Seperti pada tampilan gambar 6
user memilih ciri-ciri gejala penyakit demam, ngorok, demam tremor (kejangkejang), Pernapasan cepat lemah atau lesu, kesulitan makan dan menelan.
Setelah selesai memilih ciri-ciri gejala yang diderita oleh sapi, maka akan
ditampilkan hasil diagnosa seperti pada gambar 7.
Gambar 7 Tampilan hasil diagnosa
Gambar 7 menampilkan hasil diagnosa penyakit sapi setelah user
menginputkan ciri-ciri gejala penyakit yang dipilih oleh user. Gambar 7
terdapat tampilan data dari user yang menampilkan nama user, jenis kelamin
user dan alamat user. Data gejala yang diinputkan oleh user untuk
16
mengetahui penyakit apa yang diderita oleh sapi akan tampil pada hasil
diagnosa penyakit sapi. Hasil diagnosa pada gambar 7 menunjukan sapi
menderita penyakit septichameia epizooticae (penyakit ngorok). Gambar 7
juga menampilkan definisi hasil diagnosa penyakit yang diderita oleh sapi
dan juga menampilkan solusi pengobatan diagnosa penyakit yang diderita
oleh sapi. Sistem telah menyiapkan dan memanipulasi gejala dan penyakit
menggunakan metode forward chaining pada tabel relasi yang berisi gejala
dan penyakit.
Pengujian akurasi sistem dilakukan untuk mengetahui hasil akhir
atau output yang berupa kemungkinan jenis penyakit yang dihasilkan oleh
sistem pakar dengan yang dihasilkan oleh pakar. Data pakar yang dipakai
untuk mengetahui tingkat keakurasian hasil diagnosa sistem dari peneliti
didapat dari kepustakawan dan arsip dari puskeswan yang berada di pasar
hewan daerah Ambarawa Kab. Semarang. Data gejala, penyakit dan solusi
tersebut diambil dari pencatatan yang sudah ada pada puskeswan tersebut
untuk mendapatkan data yang relevan dengan kenyataan yang ada pada
daerah tersebut. Dengan data yang didapat dari pakar akan diketahui seberapa
akurasi dari sistem pakar diagnosa penyakit sapi ini.
17
No
1
2.
3.
4.
5.
6.
7.
8.
9.
10.
Tabel 1 Pengujian akurasi hasil diagnosa
Gejala yang diinputkan
Hasil Diagnosa
Hasil Diagnosa Pakar
Hasil Uji
Deman, nafsu makan turun
hidung mengeluarkan cairan,
kurus, lemah atau lesu,
batuknya sifatnya kronis,
sesak nafas
Lemah atau lesu, kesulitan
makan dan menelan,
kelemahan palyse,
sempoyongan
Demam tremor (kejangkejang), denyut jantung tidak
stabil, pernapasan cepat,
setelah mati
Demam, nafsu makan turun.
Demam tremor (kejangkejang), air kencing berwarna
merah, keguguran pada masa
hamil 3 minggu,
Kelenjar air susu
membengkak, kelenjar air
susu memerah diraba terasa
panas dan hewan kesakitan
Nafsu makan turun, hewan
menjadi ganas,suka menggigit
dan menronta jika diikat, suka
bersembunyi di tempat gelap,
Demam tremor (kejangkejang), sempoyongan, nafsu
makan turun
Demam, nafsu makan
turun,lemah atau lesu, terdapat
selaput, lendir didalam mulut,
bibir dan gysu tampak merah,
kering dan panas,
Penyakit T.B.C (Tuber
Culosis)
Penyakit T.B.C (Tuber
Culosis)
Valid
Penyakit Botulismus
Penyakit Botulismus
Valid
Penyakit Antraks
Penyakit Antraks
Valid
Penyakit Leptospirosis
Penyakit Leptospirosis
Valid
Penyakit Mastitis
Penyakit Mastitis
Valid
Penyakit Rabies
Penyakit Rabies
Valid
Penyakit Listeriosis
Invlaid
Penyakit Mulut dan Kuku
Penyakit Septichaema
Epizooticae (penyakit
Ngorok)
Penyakit Mulut dan Kuku
Demam, nafsu makan turun,
lema atau lesu, mencret
bercampur darah
Kakunya pergerakan kelopak
mata, kakukanya pergerakan
telinga,
Penyakit Eryspelas
Penyakit Eryspelas
Valid
Penyakit Tetanus
Penyakit Tetanus
Valid
18
Valid
Untuk mengetahui hasil tingkat akurasi sistem pada tabel 1, maka
perhitungannya sebagai berikut :
Nilai keakuratan =
Jumlah yang sesuai
× 100%
Jumlah kasus
Nilai keakuratan =
9
×
10
100% = 90%
Berdasarkan pengujian akurasi yang telah dilakukan terhadap 10
data uji pada tabel 1 didapatkan nilai akurasi pada sistem pakar tersebut
sebesar 90%, yang menunjukan bahwa sistem pakar ini dapat berfungsi
dengan baik sesuai dengan diagnosa pakar.
Penerapan Metode Forward Chaining
Penerapan metode forward chaining berada pada algoritma fungsi
relasi. Dimana dalam fungsi ini admin dapat memanipulasi rules dalam
forward chaining dengan merelasikan gejala dengan penyakit sesuai dengan
data yang diperoleh, gejala yang sama juga tidak dapat direlasikan dengan
penyakit yang sama. Untuk diagnosa suatu penyakit dapat memiliki berbagai
macam gejala yang berelasi pada penyakit tersebut disitu maka akan timbul
banyak rules untuk mendapatkan suatu diagnosa. Dalam diagnosa akan
terdapat banyak diagnosa penyakit yang timbul maka dari itu untuk
menganalisis dan menentukan diagnosa terbaik dipilihlah penyakit yang
paling banyak timbul dan memiliki gejala paling banyak yang sudah
diinputkan oleh user yang mana akan dijelaskkan pada kode program 1 fungsi
relasi. Model representasi pengetahuan pada metode ini sebagai berikut :
19
Input Relasi
Data Peternak
Input Gejala
Pilihan Gejala
Data Penyakit Dan Solusi
Sistem Pakar
Diagnosa
Penyakit Sapi
Admin
Info Gejala
Peternak
Data Gejala
Info Penyakit
Info Penyakit dan Solusi
Info Peternak
Daftar Gejala
Info Relasi
Gambar 8 Grafik Model Representasi Pengetahuan
Dalam metode ini menggunakan teknik representasi pengetahuan
rule-based knowledge, yaitu suatu pengetehuan yang di representasikan
dalam suatu bentuk fakta dan aturan. Bentuk represntasi ini terdiri premis dan
kesimpulan.
Kode Program 1 Fungsi Relasi
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
$sqlpil = "SELECT * FROM relasi WHERE
id_penyakit='$TxtKodeH'";
$qrypil = mysql_query($sqlpil);
while ($datapil=mysql_fetch_array($qrypil)){
for ($i = 0; $i < $jum; ++$i) {
if ($datapil['id_gejala'] != $CekGejala[$i]) {
$sqldel = "DELETE FROM relasi WHERE
id_penyakit='$TxtKodeH' AND NOT id_gejala IN
('$CekGejala[$i]')";
mysql_query($sqldel); }}}
for ($i = 0; $i < $jum; ++$i) {
$sqlr = "SELECT * FROM relasi WHERE
id_penyakit='$TxtKodeH' AND id_gejala='$CekGejala[$i]'";
$qryr = mysql_query($sqlr, $koneksi);
$cocok = mysql_num_rows($qryr);
if (! $cocok==1) {
$sql = "INSERT INTO relasi (id_penyakit,id_gejala)
VALUES ('$TxtKodeH','$CekGejala[$i]')";
mysql_query($sql, $koneksi) or die ("SQL Input Relasi
Gagal".mysql_error());}}
20
Kode program 1 tentang fungsi relasi merupakan fungsi untuk
menambah relasi antara data penyakit dan gejala untuk menentukan diagnosa
penyakit berdasarkan gejala – gejala yang diinputkan oleh user. Baris 5-6
untuk menyeleksi relasi data yang sudah ada dan data yang sudah dipilih.
Kalau relasi yang dipilih tidak sama dengan relasi yang sudah ada maka pada
tabel relasi akan dihapus.
Dari hasil penerapan metode forward chaining pada tabel relasi
maka untuk mendapatkan hasil diagnosa yang berhubungan dengan gejala
yang diinputkan kita menggunakan algoritma :
Algoritma 1 Forward Chaining analisis hasil relasi gejala inputan.
⃪ data gejala terhadap suatu penyakit yang diinputkan N.
Input : 𝑑𝑎𝑡𝑎[𝑁]
1. P = data penyakit
2. R = relasi gejala terhadap penyakit
3. Hg = id hasil gejala yang di inputkan
4. Hp = id hasil penyakit dari gejala inputan yg berelasi dengan penyakit
Foreach 𝑁 do
5.
If 𝑁 ! = 0 then
6.
If N = R then
7.
Insert N and P into table tmp_analisis
8.
Insert N into table tmp_gejala
9.
Else
10.
Delete N
11.
End
If
12.
Else
13.
Gejala belum di Inputkan
14.
End If
15.
End Foreach
16.
17.
18.
19.
20.
Max Count (Hp) => id_Total ( jumlah cacah tertinggi Hp pada tabel tmp_analisis
berasarkan banyaknya Hg )
If Hp = id_Total then
Insert Hp into tabel analisis
End If
Algoritma 1 forward chaining merupakan algoritma untuk
menentukan hasil diagnosa penyakit yang telah diinputkan oleh user. Baris 14 merupakan inisialisasi variabel data pada sistem pakar. Baris 5- 16
21
merupakan fungsi pengulangan untuk seluruh data inputan gejala yang sudah
diinputkan user kedalam. Baris 5-16 adalah pengecekan gejala apakah sudah
diinputkan atau belum dan juga memisahkan sekaligus menginputkan gejala
dan penyakit pada tabel tmp_analisis dan tmp_gejala, baris 17 merupakan
fungsi total jmlah cacah tertinggi pada tabel tmp_analisis baris 18 - 20
menginputkan hasil cacah tertinggi pada tabel analisis baris 18 – 20
menginputkan hasil cacah tertinggi pada tabel analisi yang selanjutnya akan
digunakan untuk menampilkan hasil diagnosa. Setelah user menginputkan
gejala yang dipilih sistem akan melakukan pemilahan untuk mengecek
apakah gejala(N) tersebut berelasi dengan penyakit(P) pada tabel relasi,
selanjutnya gejala dan relasi tersebut akan diinputkan pada tabel tmp_analisis
dan gejala inputan diinputkan pada tabel tmp_gejala. Setelah itu pada
tmp_gejala akan dihitung jumlah gejala setiap penyakit yang diinputkan dan
dicari jumlah gejala penyakit mana yang paling tinggi kemudian diinputkan
ke dalam tabel analisis yang selanjutnya akan ditampilkan beserta keterangan
dan solusinya, untuk gejala yang diinputkan ditampilkan dari tabel
tmp_gejala. Dalam penelitian ini menggunakan ujicoba metode testing yaitu
metode blackbox yang memfokuskan pada keperluan fungsional dari software
sistem informasi. Berikut ini adalah hasil tabel pengujian menggunakan tipe
testing equivalence class.
22
No
Tabel 2 Hasil Pengujian Fungsionalitas Program Menggunakan Black Box
Deskripsi
Validasi Input Data Input
Hasil Uji
Status Uji
1.
Fungsi login admin
Username dan
password
2.
Fungsi login User
Username dan
password
3
Fungsi register
Nama,
Username,
Password,
Jenis Kelamin,
No Telp,
Email, Alamat
4.
Fungsi Proses
Diagnosa Penyakit
Sapi
Fungsi Lihat Laporan
Diagnosa
Gejala Penyakit
Sapi
6
Fungsi Input Data
Gejala
Kode Gejala
dan Gejala
7
Fungsi Imput Data
Penyakit
Kode Penyakit,
Nama Penyakit,
Definis, Solusi
8
Fungsi Relasi
Kode Gejala
dan Kode
Penyakit
9.
Fungsi Laporan
Diagnosa User
Hasil Diagnosa
Penyakit
5.
Hasil Diagnosa
Penyakit
Username
dan
password
Username
dan
password
Nama,
Username,
Password,
Jenis
Kelamin,
No Telp,
Email,
Alamat
Gejala
PenyakitSa
pi
Hasil
Diagnosa
Penyakit
Kode
Gejala dan
Gejala
Kode
Penyakit,Na
ma
Penyakit,
Definisi,
Solusi
Kode
Gejala dan
Kode
Penyakit
Hasil
Diagnosa
Penyakit
23
Sistem akan
meampilakn halaman
login untuk admin
Sistem akan
menampilkan halaman
login untuk admin
Sistem akan melakukan
proses insert data
Valid
Menapilkan Hasil
Diagnosa Penyakit Sapi
Valid
Menampilkan daftar
hasil diagnosa penyakit
sapi yang pernah
dilakukan
Sistem akan insert data
gejala ke database
Valid
Sistem akan insert data
penyakit ke database
Valid
Sistem akan menyimpan
kode gejala dan kode
penyakit berdasarkan
data gejala dan penyakit
yang sudah di inpuntkan
kedalam database relasi
Menampilkan daftar
hasil diagnosa penyakit
sapi yang pernah
dilakukan oleh user
Valid
Valid
Valid
Valid
Valid
Setelah penelitian sistem dibuat, selanjutnya dilakukan pengujian
sistem dengan menggunakan black box yang dapat dilihat pada tabel 2.
Fungsinya adalah menguji sistem yang telah dibuat dan diimplementasikan
apakah sistem berjalan dengan baik atau tidak. Dari tabel 2 Pengujian
equivalence class sistem digunakan untuk mendefinisikan kasus uji yang
menemukan sejumlah kesalahan, dan mengurangi jumlah kasus uji yang
dibuat. Dalam pengujian tersebut equivalence setiap partisi menunjukan hasil
yang valid diharapkan dengan hasil yang ditampilkan juga sudah sesuai, maka
hasil uji equivalence dinyatakan baik.
5. Kesimpulan
Penelitian sistem pakar diagnosa penyakit sapi ini dapat disimpulkan
bahwa, sistem pakar ini dapat digunakan untuk mendiagnosa penyakit sapi
dengan menginputkan gejala yang diderita sapi dengan menggunakan metode
forward chaining untuk menganalisis dari rule yang sudah dibuat maka dapat
mengahasilkan diagnosa penyakit yang diderita oleh ternak sapi tersebut. Dari
diagnosa sapi, peternak sapi dapat mengetahui gejala apa saja yang juga
berkaitan dengan penyakit tersebut beserta penjelasan dan solusi bagaimana
cara menangani penyakit tersebut. Diharapkan sistem pakar diagnosa
penyakit sapi ini dapat memberikan manfaat bagi peternak sapi yang sedang
menderita penyakit untuk mengetahui diagnosa penyakit sapi tersebut.
6. Daftar Pustaka
[1]
Indriana Candra Dewi, Arief Andy Soebroto, M. Tanzil Furqon 2015.
Sistem Pakar Dignosa Penyakit Sapi Potong Dengan Metode Naive Bayes.
Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya.
Vol. 02 No. 02, November 2015
24
[2]
Puput Shinta Dewi, Ryana Dwi Lestari, Ryani Tri Lestari 2015. Sistem
Pakar Diagnosa Penyakit Ikan Koi Dengan Metode Bayes. Jurusan Teknik
Informatika Fakultas Teknik Universitas Nusantara PGRI Kediri. Vol. 4,
No. 1, Maret 2015, ISSN : 2089-9033
[3]
Jaenal Arifin 2016. Sistem Pakar Diagnosa Penyakit Gigi dan Mulut
Manusia Menggunakan Knowledge Base System dan Certainly Factor.
STMIK Asia Malang. Vol.10, No.2, Agustus 2016. ISSN: 0852-730X.
[4]
Sulis Triyanto, Abdul Fadlil 2014. Sistem Pakar Untuk Mendiagnosa
Penyakit Kelinci Dengan Metode Teorema Bayes Berbasis Web. Vol 2
Nomor 1, Februari 2014. ISSN: 2338-5197.
[5]
Chutchada Nusaia,*, Sirisak Cheechangb, Somkid Chaiphechc, and
Goragot Thanimkana Rajamangala 2015. Swine-Vet : a Web-based
Expert System of Swine Disease Diagnosis. University of Technology
Srivijaya, Nakhon Si Thammarat, Thailand.
[6]
Anggun Marlina, Suhartono, Kushartantya 2014. Sistem Pakar Berbasis
Web Dengan Metode Probabilitas Klasik Untuk Diagnosa Penyakit
Tuberkulosis Pada Manusia Dewasa. Jurnal Masyarakat Informatika, Vol
4, Nomor 7, ISSN 2086-4930 .
[7]
Ayangbekun Oluwafemi J.dan Jimoh Ibrahim A. 2015. Expert System for
Diagnosis
Neurodegenerative
Diseases.
International
Journal
Of
Computer and Information Technology Volume 4, July 2015. ISSN: 22790764.
[8]
Desak Putu Siska Dewi 2014. Sistem Pakar Diagnosa Penyakit Jantung
dan Paru dengan Fuzzy Logic dan Certainy Factor. Merpati Vol 2, No. 3,
Desember 2014. ISSN: 2252-3006.
[9]
Berlin P. Sitorus 2017.
Sistem Pakar Mendiagnosa Penyakit malaria
Berbasis Web. Jurusan Teknik Informatika Fakultas Teknik Universitas
Satya Negara Indonesia. ISSN 2580-5495.
25
[10] Derist Touriano, Erick Fernando, Pandapotan Siagian, Hetty Rohyani. AH
2014. Sistem Pakar Mendiagnosis Penyakit Jantung dengn Metode Fuzzy
Set. Seminar Nasional Aplikasi Teknologi Informasi (SNATI). Yogyakarta,
21 Juni 2014. ISSN: 1907-5022.
[11] Mardi Turnip, 2015 Sistem Pakar Diagnosa Penyakit THT Menggunakan
Metode Backward Chaining. Riau Journal Of Computer Science Vol.1,
No.1 2015.
[12] C'Otang
Uly,
“Metode
Forward
Chaining”
https://www.scribd.com/doc/59277934/Forward-Chaining (Diakses pada
tanggal 4 Desember 2017).
26
Forward Chaining Berbasis Web
Artikel Ilmiah
Peneliti:
Mochamad Chilmi Wirawan (672013031)
Dr. Kristoko Dwi Hartomo, M.Kom
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNOLOGI INFORMASI
UNIVERSITAS KRISTEN SATYA WACANA SALATIGA
2018
1
2
3
4
5
1. Latar Belakang
Seiring pertambahan jumlah penduduk dan peningkatan daya beli
masyarakat dapat dipastikan penjualan daging sapi dalam negeri akan
semakin meningkat. Salah satu faktor yang perlu diperhatikan dalam
pemeliharaan ternak sapi adalah kesehatan ternak itu sendiri. Untuk menjaga
kesehatan ternak agar selalu prima sebaiknya peternak memahami penyakit
yang sering menyerang sapi dan cara pengobatannya yang biasanya hanya
diketahui oleh dokter hewan. Salah satu cara untuk memasyarkatkan
pengetahuan pakar atau dokter hewan adalah dengan menggunakan sistem
pakar. Sistem pakar adalah salah satu kecerdasan buatan yang mengadopsi
pengetahuan, fakta dan teknik penalaran pakar yang digunakan untuk
memecahkan permasalahan yang biasanya hanya dapat dipecahkan oleh pakar
dalam bidang tersebut. Sistem pakar dapat memungkinkan untuk memperluas
jangkauan kerja pakar sehingga pengetahuan pakar dapat diperoleh dan
dipakai dimana saja [1]
Saat ini sistem pakar banyak diimplementasikan dalam dunia
kesehatan untuk mediagnosa penyakit. Dengan memanfaatkan bahasa
pemrograman komputer seperti PHP maka para pakar dapat digantikan
dengan menggunakan sejumlah algoritma-algoritma pemrograman yang dapat
mediagnosa penyakit pada ternak sapi. Oleh karena itu, aplikasi sistem pakar
ini memberikan informasi penting bagi peternak mengetahui sejak dini
kemungkinan penyebab adanya penyakit, cara penyebarannya dan saran
tindakan sendiri yang dilakukan untuk penanggulannya. Dengan demikian
penyebaran dapat diatasi jauh sebelum sapi menderita penyakit kritis.
Dari latar belakang ditemukan permasalahan yang akan penulis
pecahkan melalui penelitian tugas akhir ini yang berjudul “Sistem Pakar
Diagnosa Penyakit Sapi Menggunkan Metode Forward Chaining Berbasis
6
Web” diharapkan dengan adanya sistem pakar ini maka gejala penyakit pada
sapi akan mudah didiagnosa dengan cepat.
2. Kajian Pustaka
Penelitian pertama adalah Sistem Pakar Diagnosa Penyakit Gigi dan
Mulut Manusia Menggunakan Knowledge Base System dan Certainly Factor.
Pembuatan aplikasi dengan konsep sistem pakar berbasis dekstop dalam
pendiagnosaan penyakit gigi dan mulut dapat membantu pendiagnosaan awal
penyakit yang berkaitan dengan gigi dan mulut. Aplikasi sistem pakar ini
dirancang dengan keluarannya berupa diagnosa beserta penanganan dan
pengobatan dari penyakit gigi dan mulut. Dengan adanya aplikasi sistem
pakar ini dapat menjadi database pengetahuan mengenai hal-hal yang
berhubungan dengan gejala dan diagnosa penyakit-penyakit gigi dan mulut
beserta solusi dari diagnosanya. Kelemahan dari penelitian ini pemodelan
ketidakpastian manusia dengan menggunakan numerik metode certainty
factor biasanya diperdebatkan. Metode ini hanya dapat mengolah
ketidakpastian/kepastian hanya 2 data saja. Perlu dilakukan beberapa kali
pengolahan data untuk data yang lebih dari 2 buah [3].
Penelitian ke dua adalah Sistem Pakar Berbasis Web Dengan Metode
Probabilitas Klasik Untuk Diagnosa Penyakit Tuberkulosis Pada Manusia
Dewasa. Sistem pakar ini dapat membantu para ahli medis pemula maupun
yang tidak mengetahui secara langsung bidang penyakit tuberkolosis pada
manusia dewasa. Media pembelajaran mengenai penyakit ini dapat
bermanfaat sebagai alat pembelajaran yang murah, praktis dan dapat diakses
secara mudah dimana saja. Kelemahan dari penelitian ini adalah tidak
pastinya informasi yang didapat membuat hasil dari keputusan yang
dihasilkan menjadi tidak pasti [6].
7
Penelitian ke tiga adalah yaitu “Sistem Pakar Diagnosa Penyakit
Jantung dan Paru dengan Fuzzy Logic dan Certainy Factory”. Sistem Pakar
yang akan dikembangkan mengkombinasikan metode Logika Fuzzy dan
faktor kepastian dengan objek penelitian adalah penyakit pada organ dada
meliputi paru-paru dan jantung. Metode Logika Fuzzy akan digunakan untuk
menangani ketidakpastian gejala yang dialami oleh pasien dan metode faktor
kepastian akan digunakan untuk menangani ketidakmampuan seorang pakar
dalam mendefinisikan hubungan antara gejala dengan penyakit secara pasti.
Sistem pakar yang dikembangkan berbasis web, dapat diakses dimana saja
dan kapan saja. Sistem pakar yang dikembangkan juga menyediakan fasilitas
perbaikan pengetahuan dan penjelasan, dimana pakar dapat menambahkan
pengetahuan baru terhadap suatu penyakit ataupun merubah pengetahuan
yang ada pada suatu penyakit, sehingga sistem akan tetap akurat dan
mutakhir. Kelemahan dari penelitian ini adalah penentuan model inference
yang kurang tepat untuk masalah intuitive dan penanganan kontrolnya [8].
Perbedaan penelitian sebelumnya dengan penelitian penulis adalah
metode yang dipakai oleh penulis yaitu dengan metode forward chaining
dimana metode tersebut memiliki kelebihan mampu bekerja dengan baik
ketika masalah bermula dari mengumpulkan atau menyatukan informasi lalu
kemudian mencari kesimpulan apa yang dapat diambil dari informasi
tersebut. Metode ini mampu menyediakan banyak informasi dari hanya
jumlah kecil dari data. Sistem ini menggunakan teknologi web berbasis PHP
dan boodstrap yang responsive dan kompatibel untuk semua device.
3. Metode dan Perancangan
Metode yang digunakan dalam tahapan penelitian yang akan
digunakan dalam Sistem Pakar Diagnosa Penyakit Sapi Dengan Metode
Forward Chaining Berbasis Web, yaitu: (1). Tahap Identifikasi Masalah (2).
8
Tahap Pengumpulan Data (3). Tahap Perancangan Sistem (4). Tahap
Impelemtasi Sistem (5). Tahap Pengujian Sistem.
1. Identifikasi Masalah
2.Pengumpulan Data
3. Desain dan Perancangan
4. Implementasi
5. Pengujian Sitem
Gambar 1 Tahap Penelitian
Metode untuk menentukan hasil diagnosa maka digunakan
metode forward chainning adalah metode pencarian atau teknik pelacakan kedepan yang dimulai dengan informasi yang ada dan penggabungan rule untuk
menghasilkan suatu kesimpulan atau tujuan. Metode ini merupakan grup dari
multipel inferensi yang melakukan pencarian dari suatu masalah kepada
solusinya. Metode forward chaining merupakan proses perunutan yang
dimulai dengan menampilkan kumpulan data atau fakta yang meyakinkan
menuju konklusi akhir. Jadi metode forward chaining dimulai dari informasi
masukan (if) dahulu kemudian menuju konklusi (then) [12].
Model forward chaining menggunakan model best-first search
adalah teknik penelusuran yang menggunnakan pengetahuan akan suatu
masalah untuk melakukan panduan pencarian ke arah node tempat dimana
solusi berada. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka
9
proses
akan
menyatakan
konklusi.
forward
chaining
adalah data-
driven karena inferensi dimulai dengan informasi yang tersedia dan baru
konklusi diperoleh [12]. Jika suatu aplikasi menghasilkan tree yang lebar dan
tidak dalam, maka gunakan forward chaining. Tipe sistem yang dapat dicari
dengan forward chaining :
1. Sistem yang dipersentasikan dengan satu atau beberapa kondisi.
2. Untuk setiap kondisi, sistem mecari rule dalam knowledge base
untuk rule yang berkorespondensi dengan kondisi dalam bagian
IF
3. Setiap rule dapat menghasilkan kondisi baru dari konklusi yang
diminta pada bagian THEN. Kondisi baru ini ditambahkan ke
kondisi lain yang sudah ada.
4. Setiap kondisi yang ditambahkan ke sistem akan diproses. Jika
ditemui suatu kondisi baru dari konklusi yang diminta, sistem
akan kembali ke langkah 2 dan mencari rule dalam knowledge
base kembali. Jika tidak ada konklusi baru, sesi ini berakhir.
Terdapat 10 contoh aturan yang dapat dimisalkan dalam basis
pengetahuan, yaitu :
R1 : if A and B then C
R2 : if C then D
R3 : if A and E then F
R4 : if A then G
R5 : if F and G then D
R6 : if G and E then H
R7 : if C and H then I
R8 : if I and A then J
R9 : if G then J
R10 : if J then K
10
Fakta awal yang diberikan hanya A dan E, ingin membuktikan
apakah K bernilai benar. Proses penalaran forward chaining terlihat pada
gambar 2:
Gambar 2 Forward Chaining [12]
Berdasarkan proses penalaran forward chaining yang telah
dijelaskan 10 aturan sudah cukup merepresentasikan seorang pakar, karena
aplikasi sitem pakar hanya dibutuhkan gejala untuk mendeteksi penyakit
sehingga proses diagnosa penyakit tidak terlalu rumit.
Setelah data maupun informasi yang diperlukan terkumpul, tahapan
selanjutnya adalah mendesain program yang akan dibuat. Desain program
ini meliputi rancangan tampilan program dan proses yang akan dilakukan di
dalamnya. Hasil dari desain ini kemudian akan diimplementasikan ke dalam
bentuk program dengan bahasa pemrograman yang telah ditentukan
sebelumnya. Program yang telah selesai dibuat kemudian akan diuji
cobakan pada tahap verification untuk melihat apakah program telah
berjalan dengan baik dan telah sesuai dengan kebutuhan. Proses terakhir
yaitu proses maintenance yang merupakan proses untuk pemeliharaan
program yang telah dibuat, termasuk juga proses pengembangan atau update
jika ada fitur-fitur baru yang perlu ditambahkan. Sistem ini menggunakan
pemodelan Unified Modeling Language (UML). Unified Modeling
Languange adalah himpunan struktur dan teknik untuk permodelan desain
11
program berorientasi objek (OOP) serta aplikasinya. UML adalah
metodelogi untuk mengembangkan sistem OOP dan sekelompok perangkat
tool untuk mendukung pengembangan sistem tersebut. Terdapat 3 tahapan
pada pemodelan UML yaitu Use Case Diagram, Class Diagram, dan
Activity Diagram. Tahap 1 bisa dilihat pada gambar 3.
hapus user
tambah gejala
edit user
login
edit gejala
mengelelola daftar gejala
register
hapus gejala
mengelola data user
admin
data relasi
mengelola data relasi
user
mengelola hasil diagnosa
mengelola data penyakit
tambah penyakit
mengisi form diagnosa
lihat hasil diagnosa
hapus penyakit
edit penyakit
Gambar 3 Use Case Diagram
Use Case Diagram yaitu salah satu jenis diagram pada UML yang
menggambarkan interaksi antara sistem dan actor. Terdapat 2 actor yaitu user
yaitu pengguna dan admin yang berperan sebagai administrator, actor user
mempunyai beberapa action yaitu register, login, input data diagnosa, dan
melihat hasil diagnosa. Actor admin mempunyai kewenangan yang lebih
tinggi yaitu bisa melakukan action, mengelola data penyakit, mengelola data
gejala, mengelola data penyakit, mengelola data relasi dan melihat hasil
diagnosa dari user.
12
Gambar 4 Class Diagram
Gambar 4 adalah Class Diagram yaitu salah satu jenis diagram pada
UML yang digunakan untuk menampilkan kelas-kelas maupun paket-paket
yang ada pada suatu sistem yang nantinya akan digunakan. Total tabel yang
digunakan pada database adalah 9 tabel, namun tabel yang saling berelasi
adalah 8 tabel yaitu tabel peternak, tabel penyakit, tabel tmp_penyakit, tabel
tabel hasil, tabel tmp_analisis, tabel relasi, tabel gejala, tabel tmp_analisis.
Tabel peternak berelasi dengan hasil diagnosa dimana id_peternak menjadi
foreign key pada hasil diagnosa. Kemudian tabel gejala dan penyakit yang
berelasi dengan tabel relasi, tabel relasi merupakan tabel yang berisi relasi
antara tabel penyakit dan tabel gejala. Data dari tabel relasi tersebut kemudian
berelasi dengan tabel tmp_analisis, tabel tmp_analisis berisi data penyakit dan
gejala sesuai dengan data geala yang diinput user. Tabel tmp_analisis berelasi
dengan tabel hasil dimana data dari hasil analisis pada tabel tmp_analisis akan
disimpan pada tabel hasil. Jadi diagram ini dapat memberikan sebuah
13
gambaran mengenai sistem maupun relasi-relasi yang terdapat pada sistem
tersebut.
user
sistem
login
cek data
user
database
get data
user
invalid
melakukan
diagnosa penyakit
menampilka
form diagnosa
menyim pan
data diagnosa
melakukan analisis
diagnosa
menampilkan
hasil diagnosa
menerima hasil
diagnosa
menyim pan
hasil diagnosa
Gambar 5 Activity Diagram
Gambar 5 adalah Activity Diagram yaitu salah satu jenis diagram
pada UML yang dapat memodelkan proses apa saja yang terjadi pada sistem.
Gambar 5 menunjukan proses alur login pada web tersebut dapat dibedakan
menjadi 2 bagian antara admin dan client. Pada admin hanya mampu melihat
serta mendownload hasil laporan pada client, sementara client hanya dapat
upload data hasil laporan kepada admin. User melakukan login, sistem akan
melakukan cek data user lalu dari database akan mendapat data dari user.
Setalah user melakukan login user akan menuju ke proses melakukan
diagnosa. Sistem akan menampilkan form diagnosa. User akan memilih
gejala penyakit yang diderita oleh sapi. Setelah selesai proses input gejala
penyakit, sistem akan menganalisa diagnosa penyakit. Database akan
14
menyimpan diagnosa penyakit. Dari database sistem akan menampilkan hasil
diagnosa yang akan diterima oleh user.
4. Hasil dan Pembahasan
Hasil dari sistem yang dibangun adalah sistem pakar diagnosa untuk
mengetahui penyakit yang diderita oleh sapi yang dimiliki peternak,
menggunakan bahasa pemrograman PHP. Dengan memilih gejala yang sama
pada tampilan pilihan daftar gejala, pengguna dapat melihat hasil diagnosa
yang telah ditampilkan.
Sistem pakar diagnosa ini untuk menampilkan hasil diagnosa dari
penyakit sapi yang telah diinputkan dengan menggunakan metode forward
chaining, dengan begitu akan didapatkan nilai pasti sebagai hasil dari
diagnosa.
Gambar 6 Tampilan daftar gejala penyakit sapi
15
Gambar 6 adalah tampilan daftar penyakit sapi, dimana user
memilih gejala-gejala yang diderita oleh sapi. Seperti pada tampilan gambar 6
user memilih ciri-ciri gejala penyakit demam, ngorok, demam tremor (kejangkejang), Pernapasan cepat lemah atau lesu, kesulitan makan dan menelan.
Setelah selesai memilih ciri-ciri gejala yang diderita oleh sapi, maka akan
ditampilkan hasil diagnosa seperti pada gambar 7.
Gambar 7 Tampilan hasil diagnosa
Gambar 7 menampilkan hasil diagnosa penyakit sapi setelah user
menginputkan ciri-ciri gejala penyakit yang dipilih oleh user. Gambar 7
terdapat tampilan data dari user yang menampilkan nama user, jenis kelamin
user dan alamat user. Data gejala yang diinputkan oleh user untuk
16
mengetahui penyakit apa yang diderita oleh sapi akan tampil pada hasil
diagnosa penyakit sapi. Hasil diagnosa pada gambar 7 menunjukan sapi
menderita penyakit septichameia epizooticae (penyakit ngorok). Gambar 7
juga menampilkan definisi hasil diagnosa penyakit yang diderita oleh sapi
dan juga menampilkan solusi pengobatan diagnosa penyakit yang diderita
oleh sapi. Sistem telah menyiapkan dan memanipulasi gejala dan penyakit
menggunakan metode forward chaining pada tabel relasi yang berisi gejala
dan penyakit.
Pengujian akurasi sistem dilakukan untuk mengetahui hasil akhir
atau output yang berupa kemungkinan jenis penyakit yang dihasilkan oleh
sistem pakar dengan yang dihasilkan oleh pakar. Data pakar yang dipakai
untuk mengetahui tingkat keakurasian hasil diagnosa sistem dari peneliti
didapat dari kepustakawan dan arsip dari puskeswan yang berada di pasar
hewan daerah Ambarawa Kab. Semarang. Data gejala, penyakit dan solusi
tersebut diambil dari pencatatan yang sudah ada pada puskeswan tersebut
untuk mendapatkan data yang relevan dengan kenyataan yang ada pada
daerah tersebut. Dengan data yang didapat dari pakar akan diketahui seberapa
akurasi dari sistem pakar diagnosa penyakit sapi ini.
17
No
1
2.
3.
4.
5.
6.
7.
8.
9.
10.
Tabel 1 Pengujian akurasi hasil diagnosa
Gejala yang diinputkan
Hasil Diagnosa
Hasil Diagnosa Pakar
Hasil Uji
Deman, nafsu makan turun
hidung mengeluarkan cairan,
kurus, lemah atau lesu,
batuknya sifatnya kronis,
sesak nafas
Lemah atau lesu, kesulitan
makan dan menelan,
kelemahan palyse,
sempoyongan
Demam tremor (kejangkejang), denyut jantung tidak
stabil, pernapasan cepat,
setelah mati
Demam, nafsu makan turun.
Demam tremor (kejangkejang), air kencing berwarna
merah, keguguran pada masa
hamil 3 minggu,
Kelenjar air susu
membengkak, kelenjar air
susu memerah diraba terasa
panas dan hewan kesakitan
Nafsu makan turun, hewan
menjadi ganas,suka menggigit
dan menronta jika diikat, suka
bersembunyi di tempat gelap,
Demam tremor (kejangkejang), sempoyongan, nafsu
makan turun
Demam, nafsu makan
turun,lemah atau lesu, terdapat
selaput, lendir didalam mulut,
bibir dan gysu tampak merah,
kering dan panas,
Penyakit T.B.C (Tuber
Culosis)
Penyakit T.B.C (Tuber
Culosis)
Valid
Penyakit Botulismus
Penyakit Botulismus
Valid
Penyakit Antraks
Penyakit Antraks
Valid
Penyakit Leptospirosis
Penyakit Leptospirosis
Valid
Penyakit Mastitis
Penyakit Mastitis
Valid
Penyakit Rabies
Penyakit Rabies
Valid
Penyakit Listeriosis
Invlaid
Penyakit Mulut dan Kuku
Penyakit Septichaema
Epizooticae (penyakit
Ngorok)
Penyakit Mulut dan Kuku
Demam, nafsu makan turun,
lema atau lesu, mencret
bercampur darah
Kakunya pergerakan kelopak
mata, kakukanya pergerakan
telinga,
Penyakit Eryspelas
Penyakit Eryspelas
Valid
Penyakit Tetanus
Penyakit Tetanus
Valid
18
Valid
Untuk mengetahui hasil tingkat akurasi sistem pada tabel 1, maka
perhitungannya sebagai berikut :
Nilai keakuratan =
Jumlah yang sesuai
× 100%
Jumlah kasus
Nilai keakuratan =
9
×
10
100% = 90%
Berdasarkan pengujian akurasi yang telah dilakukan terhadap 10
data uji pada tabel 1 didapatkan nilai akurasi pada sistem pakar tersebut
sebesar 90%, yang menunjukan bahwa sistem pakar ini dapat berfungsi
dengan baik sesuai dengan diagnosa pakar.
Penerapan Metode Forward Chaining
Penerapan metode forward chaining berada pada algoritma fungsi
relasi. Dimana dalam fungsi ini admin dapat memanipulasi rules dalam
forward chaining dengan merelasikan gejala dengan penyakit sesuai dengan
data yang diperoleh, gejala yang sama juga tidak dapat direlasikan dengan
penyakit yang sama. Untuk diagnosa suatu penyakit dapat memiliki berbagai
macam gejala yang berelasi pada penyakit tersebut disitu maka akan timbul
banyak rules untuk mendapatkan suatu diagnosa. Dalam diagnosa akan
terdapat banyak diagnosa penyakit yang timbul maka dari itu untuk
menganalisis dan menentukan diagnosa terbaik dipilihlah penyakit yang
paling banyak timbul dan memiliki gejala paling banyak yang sudah
diinputkan oleh user yang mana akan dijelaskkan pada kode program 1 fungsi
relasi. Model representasi pengetahuan pada metode ini sebagai berikut :
19
Input Relasi
Data Peternak
Input Gejala
Pilihan Gejala
Data Penyakit Dan Solusi
Sistem Pakar
Diagnosa
Penyakit Sapi
Admin
Info Gejala
Peternak
Data Gejala
Info Penyakit
Info Penyakit dan Solusi
Info Peternak
Daftar Gejala
Info Relasi
Gambar 8 Grafik Model Representasi Pengetahuan
Dalam metode ini menggunakan teknik representasi pengetahuan
rule-based knowledge, yaitu suatu pengetehuan yang di representasikan
dalam suatu bentuk fakta dan aturan. Bentuk represntasi ini terdiri premis dan
kesimpulan.
Kode Program 1 Fungsi Relasi
1.
2.
3.
4.
5.
6.
7.
8.
9.
10.
11.
12.
13.
14.
15.
$sqlpil = "SELECT * FROM relasi WHERE
id_penyakit='$TxtKodeH'";
$qrypil = mysql_query($sqlpil);
while ($datapil=mysql_fetch_array($qrypil)){
for ($i = 0; $i < $jum; ++$i) {
if ($datapil['id_gejala'] != $CekGejala[$i]) {
$sqldel = "DELETE FROM relasi WHERE
id_penyakit='$TxtKodeH' AND NOT id_gejala IN
('$CekGejala[$i]')";
mysql_query($sqldel); }}}
for ($i = 0; $i < $jum; ++$i) {
$sqlr = "SELECT * FROM relasi WHERE
id_penyakit='$TxtKodeH' AND id_gejala='$CekGejala[$i]'";
$qryr = mysql_query($sqlr, $koneksi);
$cocok = mysql_num_rows($qryr);
if (! $cocok==1) {
$sql = "INSERT INTO relasi (id_penyakit,id_gejala)
VALUES ('$TxtKodeH','$CekGejala[$i]')";
mysql_query($sql, $koneksi) or die ("SQL Input Relasi
Gagal".mysql_error());}}
20
Kode program 1 tentang fungsi relasi merupakan fungsi untuk
menambah relasi antara data penyakit dan gejala untuk menentukan diagnosa
penyakit berdasarkan gejala – gejala yang diinputkan oleh user. Baris 5-6
untuk menyeleksi relasi data yang sudah ada dan data yang sudah dipilih.
Kalau relasi yang dipilih tidak sama dengan relasi yang sudah ada maka pada
tabel relasi akan dihapus.
Dari hasil penerapan metode forward chaining pada tabel relasi
maka untuk mendapatkan hasil diagnosa yang berhubungan dengan gejala
yang diinputkan kita menggunakan algoritma :
Algoritma 1 Forward Chaining analisis hasil relasi gejala inputan.
⃪ data gejala terhadap suatu penyakit yang diinputkan N.
Input : 𝑑𝑎𝑡𝑎[𝑁]
1. P = data penyakit
2. R = relasi gejala terhadap penyakit
3. Hg = id hasil gejala yang di inputkan
4. Hp = id hasil penyakit dari gejala inputan yg berelasi dengan penyakit
Foreach 𝑁 do
5.
If 𝑁 ! = 0 then
6.
If N = R then
7.
Insert N and P into table tmp_analisis
8.
Insert N into table tmp_gejala
9.
Else
10.
Delete N
11.
End
If
12.
Else
13.
Gejala belum di Inputkan
14.
End If
15.
End Foreach
16.
17.
18.
19.
20.
Max Count (Hp) => id_Total ( jumlah cacah tertinggi Hp pada tabel tmp_analisis
berasarkan banyaknya Hg )
If Hp = id_Total then
Insert Hp into tabel analisis
End If
Algoritma 1 forward chaining merupakan algoritma untuk
menentukan hasil diagnosa penyakit yang telah diinputkan oleh user. Baris 14 merupakan inisialisasi variabel data pada sistem pakar. Baris 5- 16
21
merupakan fungsi pengulangan untuk seluruh data inputan gejala yang sudah
diinputkan user kedalam. Baris 5-16 adalah pengecekan gejala apakah sudah
diinputkan atau belum dan juga memisahkan sekaligus menginputkan gejala
dan penyakit pada tabel tmp_analisis dan tmp_gejala, baris 17 merupakan
fungsi total jmlah cacah tertinggi pada tabel tmp_analisis baris 18 - 20
menginputkan hasil cacah tertinggi pada tabel analisis baris 18 – 20
menginputkan hasil cacah tertinggi pada tabel analisi yang selanjutnya akan
digunakan untuk menampilkan hasil diagnosa. Setelah user menginputkan
gejala yang dipilih sistem akan melakukan pemilahan untuk mengecek
apakah gejala(N) tersebut berelasi dengan penyakit(P) pada tabel relasi,
selanjutnya gejala dan relasi tersebut akan diinputkan pada tabel tmp_analisis
dan gejala inputan diinputkan pada tabel tmp_gejala. Setelah itu pada
tmp_gejala akan dihitung jumlah gejala setiap penyakit yang diinputkan dan
dicari jumlah gejala penyakit mana yang paling tinggi kemudian diinputkan
ke dalam tabel analisis yang selanjutnya akan ditampilkan beserta keterangan
dan solusinya, untuk gejala yang diinputkan ditampilkan dari tabel
tmp_gejala. Dalam penelitian ini menggunakan ujicoba metode testing yaitu
metode blackbox yang memfokuskan pada keperluan fungsional dari software
sistem informasi. Berikut ini adalah hasil tabel pengujian menggunakan tipe
testing equivalence class.
22
No
Tabel 2 Hasil Pengujian Fungsionalitas Program Menggunakan Black Box
Deskripsi
Validasi Input Data Input
Hasil Uji
Status Uji
1.
Fungsi login admin
Username dan
password
2.
Fungsi login User
Username dan
password
3
Fungsi register
Nama,
Username,
Password,
Jenis Kelamin,
No Telp,
Email, Alamat
4.
Fungsi Proses
Diagnosa Penyakit
Sapi
Fungsi Lihat Laporan
Diagnosa
Gejala Penyakit
Sapi
6
Fungsi Input Data
Gejala
Kode Gejala
dan Gejala
7
Fungsi Imput Data
Penyakit
Kode Penyakit,
Nama Penyakit,
Definis, Solusi
8
Fungsi Relasi
Kode Gejala
dan Kode
Penyakit
9.
Fungsi Laporan
Diagnosa User
Hasil Diagnosa
Penyakit
5.
Hasil Diagnosa
Penyakit
Username
dan
password
Username
dan
password
Nama,
Username,
Password,
Jenis
Kelamin,
No Telp,
Email,
Alamat
Gejala
PenyakitSa
pi
Hasil
Diagnosa
Penyakit
Kode
Gejala dan
Gejala
Kode
Penyakit,Na
ma
Penyakit,
Definisi,
Solusi
Kode
Gejala dan
Kode
Penyakit
Hasil
Diagnosa
Penyakit
23
Sistem akan
meampilakn halaman
login untuk admin
Sistem akan
menampilkan halaman
login untuk admin
Sistem akan melakukan
proses insert data
Valid
Menapilkan Hasil
Diagnosa Penyakit Sapi
Valid
Menampilkan daftar
hasil diagnosa penyakit
sapi yang pernah
dilakukan
Sistem akan insert data
gejala ke database
Valid
Sistem akan insert data
penyakit ke database
Valid
Sistem akan menyimpan
kode gejala dan kode
penyakit berdasarkan
data gejala dan penyakit
yang sudah di inpuntkan
kedalam database relasi
Menampilkan daftar
hasil diagnosa penyakit
sapi yang pernah
dilakukan oleh user
Valid
Valid
Valid
Valid
Valid
Setelah penelitian sistem dibuat, selanjutnya dilakukan pengujian
sistem dengan menggunakan black box yang dapat dilihat pada tabel 2.
Fungsinya adalah menguji sistem yang telah dibuat dan diimplementasikan
apakah sistem berjalan dengan baik atau tidak. Dari tabel 2 Pengujian
equivalence class sistem digunakan untuk mendefinisikan kasus uji yang
menemukan sejumlah kesalahan, dan mengurangi jumlah kasus uji yang
dibuat. Dalam pengujian tersebut equivalence setiap partisi menunjukan hasil
yang valid diharapkan dengan hasil yang ditampilkan juga sudah sesuai, maka
hasil uji equivalence dinyatakan baik.
5. Kesimpulan
Penelitian sistem pakar diagnosa penyakit sapi ini dapat disimpulkan
bahwa, sistem pakar ini dapat digunakan untuk mendiagnosa penyakit sapi
dengan menginputkan gejala yang diderita sapi dengan menggunakan metode
forward chaining untuk menganalisis dari rule yang sudah dibuat maka dapat
mengahasilkan diagnosa penyakit yang diderita oleh ternak sapi tersebut. Dari
diagnosa sapi, peternak sapi dapat mengetahui gejala apa saja yang juga
berkaitan dengan penyakit tersebut beserta penjelasan dan solusi bagaimana
cara menangani penyakit tersebut. Diharapkan sistem pakar diagnosa
penyakit sapi ini dapat memberikan manfaat bagi peternak sapi yang sedang
menderita penyakit untuk mengetahui diagnosa penyakit sapi tersebut.
6. Daftar Pustaka
[1]
Indriana Candra Dewi, Arief Andy Soebroto, M. Tanzil Furqon 2015.
Sistem Pakar Dignosa Penyakit Sapi Potong Dengan Metode Naive Bayes.
Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya.
Vol. 02 No. 02, November 2015
24
[2]
Puput Shinta Dewi, Ryana Dwi Lestari, Ryani Tri Lestari 2015. Sistem
Pakar Diagnosa Penyakit Ikan Koi Dengan Metode Bayes. Jurusan Teknik
Informatika Fakultas Teknik Universitas Nusantara PGRI Kediri. Vol. 4,
No. 1, Maret 2015, ISSN : 2089-9033
[3]
Jaenal Arifin 2016. Sistem Pakar Diagnosa Penyakit Gigi dan Mulut
Manusia Menggunakan Knowledge Base System dan Certainly Factor.
STMIK Asia Malang. Vol.10, No.2, Agustus 2016. ISSN: 0852-730X.
[4]
Sulis Triyanto, Abdul Fadlil 2014. Sistem Pakar Untuk Mendiagnosa
Penyakit Kelinci Dengan Metode Teorema Bayes Berbasis Web. Vol 2
Nomor 1, Februari 2014. ISSN: 2338-5197.
[5]
Chutchada Nusaia,*, Sirisak Cheechangb, Somkid Chaiphechc, and
Goragot Thanimkana Rajamangala 2015. Swine-Vet : a Web-based
Expert System of Swine Disease Diagnosis. University of Technology
Srivijaya, Nakhon Si Thammarat, Thailand.
[6]
Anggun Marlina, Suhartono, Kushartantya 2014. Sistem Pakar Berbasis
Web Dengan Metode Probabilitas Klasik Untuk Diagnosa Penyakit
Tuberkulosis Pada Manusia Dewasa. Jurnal Masyarakat Informatika, Vol
4, Nomor 7, ISSN 2086-4930 .
[7]
Ayangbekun Oluwafemi J.dan Jimoh Ibrahim A. 2015. Expert System for
Diagnosis
Neurodegenerative
Diseases.
International
Journal
Of
Computer and Information Technology Volume 4, July 2015. ISSN: 22790764.
[8]
Desak Putu Siska Dewi 2014. Sistem Pakar Diagnosa Penyakit Jantung
dan Paru dengan Fuzzy Logic dan Certainy Factor. Merpati Vol 2, No. 3,
Desember 2014. ISSN: 2252-3006.
[9]
Berlin P. Sitorus 2017.
Sistem Pakar Mendiagnosa Penyakit malaria
Berbasis Web. Jurusan Teknik Informatika Fakultas Teknik Universitas
Satya Negara Indonesia. ISSN 2580-5495.
25
[10] Derist Touriano, Erick Fernando, Pandapotan Siagian, Hetty Rohyani. AH
2014. Sistem Pakar Mendiagnosis Penyakit Jantung dengn Metode Fuzzy
Set. Seminar Nasional Aplikasi Teknologi Informasi (SNATI). Yogyakarta,
21 Juni 2014. ISSN: 1907-5022.
[11] Mardi Turnip, 2015 Sistem Pakar Diagnosa Penyakit THT Menggunakan
Metode Backward Chaining. Riau Journal Of Computer Science Vol.1,
No.1 2015.
[12] C'Otang
Uly,
“Metode
Forward
Chaining”
https://www.scribd.com/doc/59277934/Forward-Chaining (Diakses pada
tanggal 4 Desember 2017).
26