Pemodelan Sistem Pakar Untuk Menentukan Penyakit Diabetes Mellitus Menggunakan Metode Naive Bayes Studi Kasus : Puskesmas Poncokusumo Malang
Vol. 2, No. 2, Februari 2018, hlm. 880-887 http://j-ptiik.ub.ac.id
Pemodelan Sistem Pakar Untuk Menentukan Penyakit Diabetes Mellitus
Menggunakan Metode Naive Bayes
Studi Kasus : Puskesmas Poncokusumo Malang
1 2 3 Irwan Andriyanto , Edy Santoso , SupraptoProgram Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
1
2
3 Email: irwanandriyanto23@gmail.com, edy144@ub.ac.id, spttif@ub.ac.id
Abstrak
Pencegahan penyakit diabetes mellitus dapat dilakukan jika gejala-gejala penyakit dapat diketahui sejak dini. Pengetahuan akan gejala penyakit diabetes mellitus dapat dilakukan dengan menggunakan sistem pakar. Salah satu metode yang dapat digunakan untuk mengetahui gejala penyakit diabetes mellitus adalah metode Naive Bayes. Metode Bayes merupakan pendekatan statistik untuk melakukan inferensi induksi pada persoalan klasifikasi. Metode ini menggunakan probabilitas bersyarat sebagai dasarnya. Hasil pengujian fungsional menghasilkan nilai 100%. Hal ini menunjukkan bahwa sistem telah berjalan dengan baik dan sesuai dengan daftar kebutuhan yang diharapkan. Semakin banyak data training yang digunakan maka semakin tinggi akurasi sistem. Hasil pengujian akurasi diperoleh nilai akurasi terbaik 100% dengan jumlah data training sebanyak 140.
Kata kunci Sistem Pakar, Naive Bayes, Data Training, Diabetes Mellitus
:
Abstract
Preventation of diabetes mellitus bale to do if the patient knows the signs of diabetes mellitus.
But people has difficulties to find it’s signs. Because the expert in this subject is very less and the cost
so expensive. That’s why people need to help to prevent this deases by knowing it’s signs by using
expert system. One of method can use to know diabetes mellitus is Naive Bayes. Naive Bayes a statistic
approach to do induction inferency in classification matter. This methode use probability. The basic of
Naive Bayes is Training Data. Training Data is Diabetes Mellitus and it’s signs that get from research
object. The result comes from the biggest probability.Functional test gets 100%. It’s means that the
system works well. Bigger training data will get higher system accuration. The best accuration is
100% comes from 140 data training.Expert System, Naive Bayes, Training Data, Diabetes Mellitus Keywords :
pakar dalam penyakit ini. Selain itu, mahalnya 1.
PENDAHULUAN biaya serta rumitnya proses mendiagnosa juga
menjadi kendala. Oleh sebab itu, para teknisi Diabetes melitus adalah kelainan metabolik dan masyarakat perlu dibantu dalam yang disebabkan oleh banyak faktor seperti pendeteksian penyakit ini. Pengetahuan yang kurangnya insulin atau ketidakmampuan tubuh dimiliki oleh para pakar atau ahli dalam bidang untuk memanfaatkan insulin (insulin penyakit diabetes melitus dapat membantu
resistance)
, dengan simtoma berupa teknisi kesehatan dalam ketanggapan hiperglikemia kronis dan gangguan pendeteksian penyakit ini. Pengetahuan yang metabolisme karbohidrat, lemak dan protein, dimiliki oleh pakar ini dapat diperoleh dari sebagai akibat dari defisiensi sekresi hormon teknisi kesehatan dengan bantuan teknologi saat insulin, aktivitas insulin, atau keduanya. ini tanpa harus mendatangi pakar secara
Pencegahan penyakit diabetes mellitus langsung. dapat dilakukan jika gejala-gejala penyakit
Berdasarkan penelitian B udi Cahyo dapat diketahui sejak dini. Dalam masyarakat
Saputro, Rosa Delima, Joko Purwadi (2007)
umumnya, orang mengalami kesulitan untuk
yang berjudul Sistem Diagnosa Penyakit
mengetahui gejala-gejala penyakit diabetes
Diabetes Melitus Menggunakan Metode mellitus . Hal ini dikarenakan kurangnya jumlah Fakultas Ilmu Komputer Universitas Brawijaya
880
Certainty Factor menjelaskan bahwa Diabetes melitus adalah suatu penyakit gangguan
kesehatan di mana kadar gula dalam darah seseorang menjadi tinggi karena kekurangan insulin atau reseptor insulin tidak berfungsi baik. Dari hasil ujicoba terhadap 8 pasien didapatkan prosentase ketepatan dari sistem adalah 62.5% (berdasarkan fakta dan gejala) dan hasil anaisa sistem 100% (berdasarkan kadar gula darah). Dari penelitian tersebut peneliti memberikan kesimpulan betapa penyakit diabetes mellitus masih merupakan salah satu penyakit yang berbahaya yang memerlukan pencegahan dini.
Untuk mengetahui gejala pada penyakit diabetes mellitus dapat dilakukan dengan menggunakan sistem pakar. Salah satu metode yang dapat digunakan dalam sistem pakar adalah metode Naive Bayes. Metode Naïve
Bayes merupakan pendekatan statistik untuk
melakukan inferensi induksi pada persoalan klasifikasi. Metode ini menggunakan probabilitas bersyarat sebagai dasarnya. Dasar penentuan penyakit diabetes mellitus adalah data training yang akan digunakan. Data training adalah data penyakit diabetes mellitus dan gejalanya yang diperoleh dari objek penelitian.
Berdasarkan judul skripsi yang dibahas, penulis menemukan beberapa hasil penelitian yang relevan untuk mendukung penelitian dalam skripsi ini, antara lain: penelitian (Saputro, Delima, & Purwadi, 2007) yang menjelaskan sistem pakar untuk mendiagnosa penyakit diabetes mellitus menggunakan certainty factor. Penulis berhasil mengimplementasikan sebuah sistem pakar berbasis web yang dapat mengatasi nilai derajat kepercayaan atau faktor kepastian data yang diperoleh dari hasil konsultasi dengan pasien melalui metode certainty factor. Harapan penulis, sistem ini dapat membantu dokter atau masyarakat awam sekalipun dalam mengambil keputusan ketika mendiagnosa penyakit diabetes mellitus.
Penelitian yang selanjutnya dilakukan oleh (Hotimah, 2015) menjelaskan penggunaan metode Naive Bayes untuk menentukan kelayakan calon tenaga kerja Indonesia. Dalam penelitian tersebut peneliti menggunakan data tenaga kerja Indonesia pada periode sebelumnya sebagai data training. Dalam penelitian tersebut digunakan data training sebanyak 100 data training. Hasil penelitian menunjukkan bahwa keakuratan mencapai 90%. Untuk memperoleh keakuratan yang lebih bagus, dapat dilakukan dengan menambah jumlah data training.
Penelitian (Pahlevi, 2010) yang berjudul Sistem Pendukung Keputusan Untuk Mendiagnosa Penyakit Tropis Yang Disebabkan Oleh Bakteri Menggunakan Metode Naive Bayes Classifier. Subjek pada penelitian ini adalah Sistem Pendukung Keputusan untuk mendiagnosa penyakit tropis yang disebabkan oleh bakteri. Metode Pengambil keputusan adalah Naïve Bayes Classifier sedangkan Metode pengumpulan datanya adalah dengan metode kepustakaan, wawancara, metode observasi. Tahap pengembangan perangkat lunak sistem pakar ini meliputi : pengumpulan data dari berbagai sumber yang di representasikan dalam basis pengetahuan, pembuatan basis aturan, pembuatan dfd, entity relationship diagram, desain interface, analisis dan perancangan sistem, perancangan model data konseptual, perancangan tabel dan perancangan dialog implementasi program menggunakan visual studio .Net 2005, dan tahap akhir adalah menguji program. Keluaran sistem berupa hasil penelusuran penyakit yang dilengkapi dengan nilai probabilitas yang diperoleh dengan menggunakan teorema bayes. Setealh diuji coba, program ini memiliki tingkat akurasi 77.5%. Aplikasi ini dapat membantu user untuk mendiagnosis penyakit tropis yang disebabkan oleh bakteri.
2. LANDASAN KEPUSTKAAN
2.1. Kajian Pustaka
2.2. Pemodelan
Pemodelan adalah proses untuk membuat sebuah model. Model adalah representasi dari sebuah bentuk nyata, jadi sebuah pemodelan sistem merupakan gambaran bentuk nyata yang dimodelkan secara sederhana. (Korniasari, 2015).
2.3. Sistem Pakar
Pengertian sistem pakar berasal dari istilah knowledge-based expert sistem. Istilah ini digunakan untuk memecahkan suatu masalah, sistem pakar menerapkan pengetahuan seorang pakar yang dimasukkan kedalam komputer. Sistem pakar adalah sebuah sistem yang menggunakan pengetahuan manusia di mana pengetahuan tersebut dimasukkan ke
- – masalah yang biasanya membutuhkan kepakaran atau keahlian manusia (Korniasari, 2015).
2
= Atribut (Inputan) Pernyataan Teorema Bayes terdapat pada persamaan 2
3 … . .
2
1
= Probabilitas tertinggi.
… . . ) ...(1) dimana :
3
2
1
( |
∈
ini dapat dilihat pada persamaan 1 =
n. Hal
….. a
1 , a
dalam sebuah komputer dan kemudian digunakan untuk menyelesaikan masalah
Metode Bayes merupakan pendekatan statistik untuk melakukan inferensi induksi pada persoalan klasifikasi. Metode ini menggunakan probabilitas bersyarat sebagai dasarnya. Dalam ilmu statistik, probabilitas bersyarat dinyatakan seperti gambar 2.
2.3.1. Konsep Dasar Sistem Pakar
Konsep dasar dari sistem pakar yaitu meliputi keahlian (expertise), ahli (experts), pemindahan keahlian (transfering expertise), inferensi (inferencing), aturan (rules) dan kemampuan memberikan penjelasan (explanation capability) (Korniasari, 2015). Keahlian (expertise) adalah pengetahuan yang mendalam tentang suatu masalah tertentu, dimana keahlian bisa diperoleh dari pelatihan/ pendidikan, membaca dan pengalaman dunia nyata. Ada dua macam pengetahuan yaitu pengetahuan dari sumber yang ahli dan pengetahuan dari sumber yang tidak ahli Pengetahuan dari sumber yang ahli dapat digunakan untuk mengambil keputusan dengan cepat dan tepat (Korniasari, 2015).
Ahli (experts) adalah seorang yang memiliki keahlian tentang suatu hal dalam tingkatan tertentu. Ahli dapat menggunakan suatu permasalahan yang ditetapkan dengan beberapa cara yang berubah-ubah dan merubahnya ke dalam bentuk yang dapat dipergunakan oleh dirinya sendiri dengan cepat dan cara pemecahan yang mengesankan (Korniasari, 2015).
2.3.2. Konsep Dasar Sistem Pakar
Arsitektur sistem pakar ditunjukkan pada Gambar 1.
Gambar 1. Arsitektur Sistem Pakar
Gambar 2. Fungsi Metode Bayesian Probabilitas X di dalam Y adalah probabilitas interseksi X dan Y dari probabilitas
tidaknya suatu fitur pada suatu kelas tidak berhubungan dengan ada atau tidaknya fitur lain di kelas yang sama. Pada saat klasifikasi, pendekatan bayes akan menghasilkan label kategori yang paling tinggi probabilitasnya (V map ) dengan masukan atribut a
Y, atau dengan bahasa lain P(X|Y) adalah prosentase banyaknya X di dalam Y. Selain data seperti diatas metode Naïve Bayes juga dapat menangani data berupa numerik. Untuk menangani data numerik metode Naive Bayes menggunakan asumsi distribusi normal.
Naïve Bayes Classifier merupakan
pengklasifikasi probabilitas sederhana berdasarkan pada teorema Bayes. Teorema Bayes dikombinasikan dengan “Naïve” yang berarti setiap atribut/variabel bersifat bebas (independent). Naïve Bayes Classifier dapat dilatih dengan efisien dalam pembelajaran terawasi (supervised learning).
Keuntungan dari klasifikasi adalah bahwa ia hanya membutuhkan sejumlah kecil data pelatihan untuk memperkirakan parameter (sarana dan varians dari variabel) yang diperlukan untuk klasifikasi. Karena variabel independen diasumsikan, hanya variasi dari variabel untuk masing-masing kelas harus ditentukan, bukan seluruh matriks kovarians.
Dalam prosesnya, Naïve Bayes
Classifier mengasumsikan bahwa ada atau
2.4. Metode Naïve Bayes
d. Turunnya berat badan tanpa alasan yang jelas
metabolik yang ditandai dengan terjadinya hiperglikemi yang disebabkan oleh gangguan sekresi insulin dan atau kerja insulin, sehingga terjadi abormalitas metabolisme karbohidrat, lemak dan protein. Secara klinik diabetes
1
2
3
… . . | ) ( ) semakin sulit karena jumlah gejala bisa jadi sangat besar. Hal ini disebabkan jumlah gejala tersebut sama dengan jumlah semua kombinasi gejala dikali dengan jumlah kategori yang ada.
Menghitung P(ai|vj) dengan rumus yang ada pada persamaan 5 : ( | ) =
(5) dimana: nc = jumlah record pada data learning yang v = v j dan a = a i p = 1/ banyaknya jenis class / penyakit m = jumlah parameter / gejala n = jumlah record pada data learning yang v =vj / tiap class
Langkah perhitunga naïve bayes sebagai berikut :
1. Menentukan nilai nc untuk setiap class
2. Menghitung nilai P (ai|vj) dan menghitung nilai P(vj) =
∈
( ) ( | ) ... (6)
3. Menghitung P(ai|vj) x P(vj) untuk tiap v
4. Menentukan hasil klasifikasi yaitu v yang memiliki hasil perkalian yang terbesar. (Setiawan, 2015)
2.5. Diabetes Mellitus Diabetes mellitus adalah penyakit
mellitus adalah sindroma yang merupakan
… . . | ) ( ) ...............(4)
gabungan kumpulan gejala-gejala klinik yang meliputi aspek metabolik dan vaskuler yaitu
hiperglikemi puasa dan post prandial, aterosklerotik dan penyakit vaskuler mikroangiopati, serta hampir semua organ
tubuh akan terkena dampaknya. Penyakit
Diabetes Mellitus (DM) yang juga dikenal
sebagai penyakit kencing manis atau penyakit gula darah adalah golongan penyakit kronis yang ditandai dengan peningkatan kadar gula dalam darah sebagai akibat adanya gangguan sistem metabolisme dalam tubuh, dimana organ pankreas tidak mampu memproduksi hormon insulin sesuai kebutuhan tubuh.
Jenis penyakit diabetes mellitus:
1. Diabetes Mellitus I Gejala Diabetes Mellitus tipe I sebagai berikut: a. Faktor keturunan
b. Umur kurang atau sama dengan (15-20) tahun c. Mudah kelelahan
d. Banyak minum (polodipsia)
e. Turunnya berat badan tanpa alasan yang jelas f. Timbulnya rasa kesemutan (mati rasa) atau sakit pada tangan atau kaki g. Timbulnya rasa borok (luka) pada kaki yang tak kunjung sembuh h. Gatal-gatal i. Kadar glukosa darah lebih dari 140 mg/dl
(sewaktu)
2. Diabetes Mellitus Tipe II Gejala diabetes mellitus tipe II sebagai berikut: a. Banyak makan (polifagia)
b. Sering buang air kecil (poliuria)
c. Banyak minum (polodipsia)
Untuk menghitung (
3
( | ) =
1
( | ) ( ) ( )
(2) dimana : ( | ) = Peluang B jika diketahui keadaan jenis penyakit A. ( | ) = Peluang evidence A jika diketahui hipotesis B ( ) = Probabilitas hipotesis B tanpa memandang evidence apapun ( ) = Peluang evidence penyakit A.
Menggunakan teorema Bayes ini, akan didapat persamaan 3 =
∈ (
1
2
3 … . .
| ) ( ) (
1
2
3 ….. )
............(3) dimana :
= Probabilitas tertinggi.
( ) = Peluang jenis penyakit ke-j (
2
2
2
1
(
∈
=
… . . ) nilainya konstan untuk semua sehingga persamaan ini dapat ditulis seperti pada persamaan 4
3
1
3
Karena nilai (
… . . ) = Peluang atribut-atribut (inputan)
3
2
1
… . . | ) = Peluang atribut-atribut (inputan) jika diketahui keadaan v j (
f. Mulut kering model maupun dari arsitektur sistem untuk
g. Sering mengantuk membantu dalam implementasi dan pengujian h. Timbulnya rasa kesemutan (mati rasa) atau sistem diagnosa penyakit diabetes mellitus. sakit pada tangan atau kaki
3.1 Model Perancangan Sistem
i. Timbulnya rasa borok (luka) pada kaki yang Model perancangan sistem merupakan tak kunjung sembuh j. Gatal-gatal penjelasan dari cara kerja sistem secara struktur mulai dari input yang dimasukkan hingga k. Disfungsi ereksi pada pria memperoleh hasil. Diagram model perancangan l. Obesitas 20% dari berat badan normal sistem dapat dilihat pada Gambar 3. m. Berumur 20 tahun atau lebih n. Kadar glukosa darah lebih dari 140 mg/dl Diagnosa penyakit diabetes militus
(sewaktu)
2.6. Precision, Recall, F-Measure dan
Input gejala Data Training probabillitas penyakit Menghitung nilai Akurasi Precision adalah jumlah dari sampel data Pengobatan
yang benar
- – benar merupakan class x dari Menentukan penyakit dari probabilita tertinggi semua sampel data yang diklasfikasikan sebagai class x. Perhitungan Precision dapat dilakukan menggunakan persamaan 7 (Kumar, 2012). Input Proses Output
TP
(7) =
(TP+FP)
Gambar 3 Model Perancangan Sistem Pakar Diagnosa Penyakit Diabetes Mellitus
Recall adalah ukuran kemampuan model prediksi untuk memilih contoh dari kelas Pada Gambar 3 terdiri dari tiga proses tertentu dari satu set data. Hal ini biasa juga utama, yaitu : disebut sensitivitas, dan sesuai dengan tingkat
positif benar. Hal ini didefinisikan oleh
a. Input
Input pada sistem ini merupakan masukkan persamaan 8 (Kumar, 2012).
dari pengguna berupa gejala
TP
- –gejala yang (8)
= dialami oleh pengguna. Dalam penelitian ini
(TP+FN)
terdapat 15 gejala yang digunakan sebagai F-Measure adalah ukuran gabungan untuk variabel input. presisi dan recall dan dihitung dengan b.
Proses persamaan 9 (Kumar, 2012).
Pada tahapan ini, proses penentuan jenis
2∗ ∗
penyakit diabetes mellitus dimulai dengan − = (9)
( + )
cara menentukan data training. Dari data Akurasi adalah nilai derajat kedekatan dari training, akan diperoleh dasar untuk pengukuran kuantitas untuk nilai sebenarnya menentukan nilai probabilitas penyakit.
(true). Nilai akurasi didapatkan dari hasil rule Penyakit yang diderita pasien didasarkan yang dihasikan dari perhitungan decision tree pada nilai probabilitas terbesar. kemudian di uji coba kan pada data testing dan c.
Output
menghasilkan derajat keakuratan dari rule Keluaran berupa hasil diagnosa jenis tersebut setelah di uji coba kan pada data penyakit diabetes mellitus dan saran testing. Tingkat akurasi diperoleh dengan penanganan dini penyakit diabetes mellitus. perhitungan sesuai dengan persamaan 10 (Rinarto, 2013).
=
ℎ
( 10 ) 100%
ℎ
3 METODOLOGI PENILITIAN
Perancangan sistem merupakan langkah yang digunakan untuk menggambarkan desain
1. Mengklik
N
o
Skenario Pengujian Hasil yang Diharapkan Hasil yang DidapatGambar 4. Arsitektur Sistem Pakar Diagnosa Penyakit Diabetes Mellitus 4.
IMPLEMENTASI
Implementasi sistem merupakan proses membuat sistem yang sudah dirancang dan menerapkan hal
Sistem mampu menampilkan menu user dengan benar.
Sistem menampilkan menu yang dapat diakses user .
menu user.
link
3.2 Arsitektur Sistem Pakar User Antarmuka Metode Naive Bayes Basis Pengetahuan Data gejala Data jenis penyakit Jenis penyakit Diabetes mellitus Blackboard Menyimpan hasil Naive Bayes Perbaikan Pengetahuan Pengetahuan Pakar Rekayasa Pengetahuan Gejala diabetes militus
5.1. Prosedur dan Hasil Pengujian Fungsionalitas
Pengujian fungsionalitas dilakukan dengan membuat kasus uji untuk setiap daftar kebutuhan sistem yang telah dirancang. Hasil pengujian fungsionalitas ditunjukkan pada Tabel 1.
Tabel 1. Pengujian Fungsionalitas
- –hal yang sudah didapat dalam proses studi literatur.
Pada sub bab ini dijelaskan mengenai pengujian fungsionalitas yang dilakukan pada Pemodelan Sistem Pakar Diagnosa Penyakit Diabetes Militus dengan Metode Naive Bayes. Pengujian fungsionalitas adalah pengujian yang dilakukan terhadap sistem dengan tujuan mengetahui apakah sistem yang dirancang telah memenuhi daftar kebutuhan sistem yang diharapkan.
Didalam halaman yang lain terdapat beberapa implementasi antarmuka seperti Menu Analisa, Menu Data, Login, Menu Home Admin, dan Menu Data
Gambar 5. Implementasi Antarmuka Halaman Utama
Halaman utama merupakan halaman awal yang diakses pengguna saat menggunakan sistem pakar, pada halaman ini terdapat judul, deskripsi sistem, menu pengunjung, dan menu yang dapat diakses oleh pendaftar dan admin. Implementasi antarmuka halaman utama ditunjukkan pada Gambar 5.
4.1. Implementasi Antarmuka Halaman Utama
2. Mengklik
link menu admin.
Sistem menampilkan menu admin untuk mengelola sistem.
Sistem mampu menampilkan menu admin dengan benar.
Analisa hasil pengujian fungsionalitas dilakukan dengan membandingkan kesesuaian antara hasil yang diharapkan dengan hasil yang didapat. Hasil pengujian yang ditunjukkan pada Tabel 1 memiliki tingkat kesesuaian 100%, sehingga dapat disimpulkan bahwa fungsionalitas dari Pemodelan Sistem Pakar Diagnosa Penyakit Daibetes Militus dengan Metode Naive Bayes berjalan sesuai dengan daftar kebutuhan yang diharapkan.
5.2 Pengujian Akurasi
Pengujian tingkat akurasi dilakukan dengan tujuan untuk mengetahui kesesuaian hasil diagnosa Pemodelan Sistem Pakar Diagnosa Penyakit Diabetes Militus dengan Metode Naive Bayes dengan hasil diagnosa pakar.
5.2.1 Prosedur dan Hasil Pengujian Akurasi
Pengujian akurasi dilakukan dengan cara menyesuaikan hasil diagnosa sistem dengan hasil diagnosa pakar. Dalam pengujian ini terdapat 150 data gejala penyakit diabetes militus yang diuji. Hasil pengujian ditunjukkan pada tabel 2 yang dilampirkan pada Lampiran I.
5. PENGUJIAN
5.2.2 Analisa Pengujian Akurasi
DAFTAR PUSTAKA
Pasien Terkena Stroke Dengan Metode Naïve Bayes dan Metode Jaringan Syaraf Tiruan Berbasis Web.
Keputusan Penentuan Kelayakan Calon Tenaga Kerja Indonesia Menggunakan Metode Naive Bayes. Jurusan Teknik
Informatika, Fakultas Teknik, Universitas Islam Madura .
Kurniasari, Dessy Rizky. Pemodelan Sistem
Pakar Diagnosa Penyakit Demam Berdarah Menggunakan Metode Naive Bayes
Informatika/Ilmu Komputer. Universitas Brawijaya. Malang. 2015. Kusumadewi dan Purnomo. Aplikasi Logika Fuzzy untuk Pendukung Keputusan.
Yogyakarta. Graha Ilmu. 2010. Mukhlis, M. K. (2012). Diagnosa Kemungkinan
Politeknik Elektronika Negeri Surabaya ,
Pada Sapi Menggunakan Metode Forward Chaining
1 –7. https://doi.org/10.1007/s13398-014-0173-
7.2 Natalius, S. (2011). Metoda Naïve Bayes Classifier dan Penggunaannya pada Klasifikasi Dokumen.
Jurnal Istitut Teknologi Bandung , (3).
Pahlevi, M. R. (2010). Sistem pendukung keputusan untuk mendiagnosa penyakit
50 100 150 50 100 150
Nilai Akurasi Jumlah Data Training
. Teknik Informatika Universitas Islam Madura (UIM) Pamekasan. 2015. Hotimah, H. (2015). Sistem Pendukung
Faruk, Umar. Sistem Pakar Penentuan Penyakit
Hasil akurasi dengan nilai 1 memiliki arti bahwa keluaran sistem sesuai dengan hasil diagnosa pakar. Berdasarkan perhitungan akurasi dengan menggunakan persamaan (9) dan menghasilkan tabel 2 pengujian akurasi :
Gambar 6. Grafik Akurasi Sistem Pakar 6.
Tabel 1 Pengujian Akurasi No Data Akurasi
Training Uji
1 50 100 40 %
2
80 20 100 % 3 100 50 98 % 4 120 30 96,7 % 5 140 10 100 %
Sehingga dapat disimpulkan bahwa untuk dapat menghasilkan nilai akurasi yang sempurna diperlukan data training yang banyak. Akurasi terbaik diperoleh untuk data training 140 dengan tingkat akurasi sebesar 100%
KESIMPULAN
PENS-ITS Surabaya .
Berdasarkan perancangan, implementasi, dan hasil pengujian dari peneletian dengan judul Pemodelan Sistem Pakar Diagnosa Penyakit Diabetes Militus dengan Metode Naive Bayes ini, maka didapatkan kesimpulan sebagai berikut :
1. Instrumen penelitian dengan judul Pemodelan Sistem Pakar Diagnosa Penyakit Diabetes Militus dengan Metode Naive Bayes ini dapat memberikan manfaat dalam memperluas pengetahuan tentang penangananan penyakit diabetes militus dan dapat memberikan rekomendasi solusi dalam melakukan diagnosa penyakit diabetes militus.
2. Hasil evaluasi pengujian dari sistem adalah sebagai berikut : a. Hasil pengujian fungsional menghasilkan nilai 100%. Hal ini menunjukkan bahwa sistem telah berjalan dengan baik dan sesuai dengan daftar kebutuhan yang diharapkan.
b. Nilai akurasi sistem tergantung jumlah data training dan jumlah data uji.
c. Semakin banyak data training yang digunakan, maka semakin besar nilai akurasinya.
d. Nilai akuarasi terbaik diperoleh dengan menggunakan data training sebanyak 140 dengan nilai akurasi 100%.
Candra, A. A., & Martiana, E. (2011). Diagnosa Penyakit Sinusitis Menggunakan Algoritma Genetika Dan Bayesian Berbasis JSP. Jurusan Teknik Informatika,
- – Weighted Product. Teknik
Fakultas Teknologi Industri Universitas Pembang unan Nasional “Veteran” Jawa Timur .
Saputro, B. C., Delima, R., & Purwadi, J.
(2007). Sistem Diagnosa Penyakit Diabetes Mellitus Menggunakan Metode Certainty Factor. Fakultas Teknologi
Informasi Universitas Kristen Duta Wacana , (1).