Sistem Pakar Diagnosis Penyakit Hati Menggunakan Metode Fuzzy Tsukamoto Berbasis Android

  Vol. 2, No. 8, Agustus 2018, hlm. 2373-2381 http://j-ptiik.ub.ac.id

  

Sistem Pakar Diagnosis Penyakit Hati Menggunakan Metode Fuzzy

Tsukamoto Berbasis Android

1 2 3 Achmad Igaz Falatehan , Nurul Hidayat , Komang Candra Brata

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 Email: falatehanigaz@gmail.com, ntayadih@ub.ac.id, k.candra.brata@ub.ac.id

  

Abstrak

  Hati adalah organ vital pada manusia. Karena fungsi hati yang vital, tentu kesehatan hati perlu untuk dijaga. Akan tetapi di indonesia sendiri penyakit hati khususnya Hepatitis berdasarkan survey dari kementerian kesehatan justru mengalami peningkatan dua kali lipat dari tahun 2007 sampai 2013. Pada tahun 2013, diperkirakan terdapat 1,2% penduduk Indonesia yang mengidap penyakit Hepatitis. Berdasarkan survey yang dilakukan WHO Diperkirakan 95% dari pengidap gejala awal Hepatitis tidak mengetahui bahwa mereka beresiko terkena penyakit Hepatitis. Permasalahan yang disebutkan dapat diatasi dengan mengenali gejala-gejala umum dari penyakit hati. Permasalahan mengenali gejala penyakit hati dapat diseleseikan dengan menggunakan sistem pakar. Sistem pakar menerapkan pengetahuan tentang gejala penyakit hati kedalam sistem. Metode Fuzzy Tsukamoto adalah salah satu metode yang dapat digunakan untuk mengolah nilai masukan gejala menjadi diagnosis penyakit. Pada penelitian ini akan menggunakan metode Fuzzy Tsukamoto untuk mendiagnosis penyakit hati berdasarkan nilai masukan gejala yang menghasilkan keluaran berupa keterangan terdeteksi atau tidaknya suatu penyakit hati. Berdasarkan hasil pengujian yang telah dilakukan dalam penelitian ini menghasilkan pengujian akurasi dari 64 data uji sebesar 96,87%.

  Kata kunci: hati, gejala, penyakit hati, fuzzy tsukamoto, sistem pakar.

  

Abstract

The liver is a vital organ in humans. Because the vital liver function, the liver health needs to be

maintained. However, in Indonesia alone, especially Hepatitis liver disease based on survey from the

health ministry actually has doubled from 2007 to 2013. In 2013, it is estimated that there are 1.2% of

Indonesians who suffer from Hepatitis. Based on WHO survey It is estimated 95% of people with early

symptoms of Hepatitis do not know that they are at risk of Hepatitis. The mentioned problems can be

solved by recognizing the common symptoms of liver disease. The problem of recognizing the symptoms

of liver disease can be solved by using an expert system. Expert systems apply knowledge of symptoms

liver disease into the system. The Fuzzy Tsukamoto method is one of the methods that can be used to

process the input value of symptoms into a disease diagnosis. In this research will use Fuzzy Tsukamoto

method to diagnose liver disease based on input value of the symptoms that produce output of detected

yes or not a liver disease. Based on the results of tests that have been done in this study resulted in

accuracy testing of 64 test data 96,87%.

  Keywords: liver, symptoms, liver disease, fuzzy tsukamoto, expert system.

  bahan makanan tersebut dikirim ke dalam darah 1.

   PENDAHULUAN sesuai dengan kebutuhan. Di dalam hati,

  makanan yang mengandung racun akan Hati merupakan organ vital manusia yang dinetralisir sehingga makanan tidak memiliki fungsi kompleks dan beragam seperti mengandung racun jika telah melewati hati. Hati menawarkan dan menetralisir zat-zat racun yang memiliki peran vital dalam tubuh manusia, salah tidak bisa diserap oleh usus, menyaring darah satunya adalah menjaga kebutuhan organ dalam yang datang dari usus melalui vena porta, tubuh, khususnya otak. Karena fungsi hati yang kemudian menyimpan dan mengubah bahan kompleks dan beragam, kesehatan hati perlu makanan dari vena porta untuk selanjutnya

  Fakultas Ilmu Komputer Universitas Brawijaya

2373 diperhatikan agar tubuh tetap sehat. (Pujiyanta et al, 2012) Jenis-jenis penyakit hati yang umum antara lain yaitu Hepatitis, Sirosis, Kanker Hati atau

  Hepatoma , Abses Hati, Kolesistitis dan

  6 bulan. Hal ini tentu saja dengan penanganan yang cepat dan tepat. Jumlah pengidap Hepatitis yang banyak dan usia standart tingkat kematian Sirosis dapat dikurangi dengan cara salah satunya adalah mengenali gejala-gejala awal dan umum dari penyakit hati yang memungkinkan memudahkan masyarakat dalam mengetahui gejala penyakit hati secara dini. Dengan mengetahui gejala-gejala penyakit hati secara dini, masyarakat dapat melakukan tindakan pencegahan terjadinya penyakit hati akut.

  ”. penelitian tersebut menggunakan metode Fuzzy Tsukamoto untuk mendiagnosis penyakit pada tanaman jagung. Variable yang digunakan adalah gejala yang berjumlah 16 gejala dan 5 penyakit. Pengguna sistem tersebut memilih daftar gejala untuk hasil diagnosis penyakit tanaman jagung. Tingkat akurasi perbandingan hasil diagnosis sistem dan hasil diagnosis pakar dari sistem tersebut mencapai nilai 95% (Pradana, 2016).

  Tsukamoto

  Penelitian terdahulu dilakukan oleh Fendy Gusta Pradana pada tahun 2016 dengan judul “Sistem diagnosa penyakit pada tanaman jagung dengan menggunakan metode Fuzzy

  Penelitian tersebut memiliki hasil uji korelasi antara nilai sistem dan nilai pakar menggunakan rank Spearman sebesar 0,952. Nilai spearman tersebut menunjukkan keakuratan sistem yang dikembangkan adalah sangat akurat (Sari, 2015).

  Penelitian sebelumnya dilakukan oleh Nadia Roosmalita Sari dan Wayan Firdaus Mahmudy pada tahun 2015 dengan judul “Fuzzy inference system Tsukamoto untuk menentukan kelayakan calon pegawai”. Penelitian tersebut menggunakan metode Fuzzy Tsukamoto untuk menentukan layak atau tidaknya seorang pegawai. Variabel dalam penelitian tersebut terdiri dari delapan kriteria kelayakan pegawai yang masing-masing kriteria memiliki dua derajat keanggotaan yaitu rendah dan tinggi. Dari delapan kriteria tersebut menghasilkan keluaran ditolak, dipertimbangkan dan diterima.

  Pada penelitian sebelumnya yang telah dilakukan oleh Vika Lailiyah yang berjudul Pemodelan Sistem Pakar diagnosis penyakit HIV menggunakan metode Fuzzy Tsukamoto. Pada penelitian tersebut penulis menggunakan metode Fuzzy Tsukamoto untuk diterapkan pada sistem pakar diagnosis penyakit HIV. Hasil dari penelitian tersebut berupa diagnosis penyakit HIV dan solusi pengobatan dengan tingkat akurasi sebesar 85% (Lailiyah, 2016).

  Permasalahan dari mengenali gejala-gejala umum penyakit hati dapat diseleseikan dengan menggunakan sistem pakar. Sistem pakar adalah cabang dari kecerdasan buatan atau artificial intelligence yang digunakan untuk mengambil dan menerapkan pengetahuan yang berasal dari pakar (Kusumadewi, 2003). Dengan menerapkan pengetahuan yang berasal dari pakar, sistem pakar dapat membantu menyeleseikan masalah di dalam dunia nyata dengan biaya yang relatif murah (Siswanto, 2005).

  Hepatitis C dapat sembuh dalam kurun waktu 3-

  perlemakan hati non alkoholik. Berdasarkan data dari WHO, penyakit yang memiliki kasus paling banyak menyerang hati manusia adalah

  WHO menyebutkan 90% dari pengidap

  data dari WHO pada tahun 2012, Indonesia memiliki usia standar tingkat kematian 52,7 untuk pria dan 16,6 untuk perempuan.

  Hepatitis . Sedangkan untuk Sirosis, berdasarkan

  Jumlah tersebut menunjukkan banyaknya penduduk indonesia yang terjangkit penyakit

  Hepatitis , ada sekitar 2.981.075 jiwa penduduk Indonesia yang mengidap penyakit Hepatitis.

  Di Indonesia sendiri, penyakit Hepatitis menjadi perhatian Kementerian Kesehatan. Berdasarkan data dari Pusdatin (Pusat Data dan Informasi) Kementerian Kesehatan, jumlah orang yang mengidap Hepatitis naik dua kali lipat dari tahun 2007 sampai 2013. Pada tahun 2013, diperkirakan terdapat 1,2% penduduk Indonesia yang mengidap penyakit Hepatitis. Berdasarkan data, tahun 2013 penduduk Indonesia berjumlah 248.422.956 jiwa, maka bisa dikatakan jika 1,2% mengidap penyakit

  akut akan mempengaruhi fungsi-fungsi hati, tetapi penyakit hati tersebut dapat diketahui gejala klinis maupun fisik yang timbul pada pasien. Gejala klinis dapat diketahui dari apa yang dirasakan oleh pasien, sedangkan gejala fisik dapat diketahui dari keadaan tubuh pasien. Gejala penyakit hati ada banyak dan kompleks, serta penyakit hati memiliki kemiripan gejala dengan beberapa penyakit. Hal ini perlu diperhatikan karena masyarakat kesulitan dalam mengenali gejala-gejala yang umum dari penyakit hati dengan penyakit lainnya.

  Hepatitis dan Sirosis. Penyakit hati yang sudah

  Metode Fuzzy Tsukamoto adalah metode yang memiliki toleransi pada data dan sangat fleksibel. Kelebihan dari metode Tsukamoto sebagai hasilnya (proses fuzzifikasi). keluaran hasil inferensi dari tiap-tiap rule diberikan secara tegas (crisp) berdasarkan α-predikat. Hasil akhirnya di peroleh dengan menggunakan defuzzifikasi rata-rata terbobot. (Maryaningsih et al, 2013).

  Dalam proses inferensinya, metode Fuzzy

  Pada metode Fuzzy Tsukamoto, setiap konsekuen pada Rule yang berbentuk IF-Then harus direpresentasikan dengan suatu himpunan

  Berdasarkan latar belakang yang telah diuraikan, pada penelitian ini penulis memilih metode Fuzzy Tsukamoto untuk membangun sebuah sistem dalam mendiagnosis penyakit hati yang akan diimplementasikan dalam penelitian yang berjudul “Sistem Pakar Diagnosis Penyakit Hati Menggunakan Metode Fuzzy Tsukamoto berbasis Android”. penulis berharap dengan penelitian ini diharapkan dapat memudahkan masyarakat dalam mengetahui penyakit hati secara dini dan memperoleh hasil akurasi yang tinggi.

  2. Pembentukan Rules IF-Then Proses untuk membentuk Rule yang akan digunakan dalam bentuk IF

  masukan sistem yang mempunyai nilai tegas atau crisp menjadi himpunan fuzzy dan menentukan derajat keanggotaannya di dalam himpunan fuzzy.

  Fuzzifikasi adalah Proses untuk mengubah

  1. Fuzzifikasi

  Tsukamoto memiliki beberapa tahapan, yaitu:

  yaitu bersifat intuitif dan dapat memberikan tanggapan berdasarkan informasi yang bersifat kualitatif, tidak akurat, dan ambigu (Thamrin, 2012). Pada metode Tsukamoto, setiap Rule direpresentasikan dengan suatu himpunan Fuzzy dengan fungsi keanggotaan yang monoton disebut dengan fuzzifikasi. Sebagai hasilnya, keluaran hasil dari tiap-tiap aturan berupa nilai tegas (crisp) berdasarkan α-predikat atau nilai minimum dari tiap Rule dan nilai z. Hasil akhirnya diperoleh dengan melakukan defuzzifikasi rata-rata berbobot (Pujiyanta, 2012).

  fuzzy dengan fungsi keanggotaan yang monoton

  2.3 Fuzzy Tsukamoto

  • – THEN yang tersimpan dalam basis keanggotaan fuzzy.

2. TINJAUAN PUSTAKA

  Menurut Siswanto pada tahun 2005, sistem pakar merupakan sistem yang mempunyai aplikasi paling banyak dalam menyeleseikan masalah di dunia nyata. Sistem pakar ini memiliki banyak pilihan dalam menjalankannya seperti pada komputer pribadi atau perangkat mobile pribadi. sistem pakar dapat dilakukan dengan mudah serta memiliki biaya yang terjangkau (Siswanto, 2005).

  Sistem pakar merupakan program komputer yang meniru pengetahuan dan penalaran manusia dalam menyelesaikan suatu masalah. Pengetahuan dari sistem pakar diambil dari seseorang yang ahli dalam permasalahan tersebut atau biasa disebut dengan pakar. sistem pakar dibangun untuk menyeleseikan suatu permasalahan dengan cara meniru kerja dari para pakar. Sistem pakar juga membantu para pakar dalam menjalankan aktifitasnya sebagai asisten yang berpengalaman. (Kusumadewi, 2003).

  2.2 Sistem pakar

  Dari empat jenis penyakit hati tersebut memiliki 16 gejala. Masing-masing penyakit hati memiliki empat gejala yang berbeda-beda.

  hepatitis, sirosis, abses hati serta hepatocellular carcinoma disingkat hepatoma atau kanker hati.

  Pada penelitian ini menggunakan empat jenis penyakit untuk mendiagnosis yaitu

  2.1 Penyakit hati

  3. Mesin Inferensi Proses untuk mengubah masukan fuzzy menjadi keluaran fuzzy dengan cara fuzzifikasi tiap Rule (IF-THEN Rules) yang telah ditetapkan. Menggunakan fungsi implikasi MIN untuk mendapatkan nilai alpha-predikat tiap- tiap Rule. Kemudian masing-masing nilai alpha-

  predikat digunakan untuk menghitung output masing-masing Rule (nilai z).

  4. Defuzzifikasi Mengubah keluaran fuzzy yang diperoleh dari mesin inferensi menjadi nilai tegas atau crisp. Hasil akhir diperoleh dengan menggunakan persamaan rata-rata pembobotan menggunakan metode rata-rata Weight Average.

  3. METODOLOGI

  3.1 Data

  Pada penelitian ini pengumpulan data dilakukan di Rumah Sakit Universitas Brawijaya pada bulan april dengan pakar dr. Mirzaulin Leonaviri yang merupakan salah satu dokter umum di Rumah sakit tersebut. Variabel dalam penelitian ini berupa jenis-jenis penyakit hati beserta gejala-gejala dari penyakit hati. Data yang diperoleh dari pakar terdiri dari data gejala dan penyakit hati, data hasil keluaran rule serta data uji diagnosis dari pakar.

  Tabel 1 gejala penyakit hepatitis Kode gejala Nama gejala G1

  tsukamoto yang digunakan dalam penelitian ini

  Fuzzy Tsukamoto. Data yang digunakan dalam aplikasi adalah data gejala tentang penyakit hati.

  Pada penelitian akan dibangun sebuah aplikasi sistem pakar diagnosis penyakit hati berbasis android yang menggunakan metode

  3.3 Perancangan Sistem

  Gambar 1 Diagram alir fuzzy tsukamoto

  tsukamoto ditunjukkan pada Gambar 1.

  terdiri dari lima proses utama. Yang pertama adalah fuzzifikasi, kemudian menghitung alpha predikat dengan fungsi implikasi MIN, dilanjutkan dengan menghitung nilai z atau konsekuen tiap rule dan melakukan defuzzifikasi pada proses terakhir. Diagram alir fuzzy

  Tahapan-tahapan dari metode fuzzy

  Ikterus (warna kulit/sclera mata menjadi kuning) G2 Tubuh terasa tidak nyaman / kurang fit

  3.2 Alur Fuzzy Tsukamoto

  Data yang digunakan berupa gejala beserta jenis penyakit hatinya. Setiap penyakit memiliki gejala yang berbeda-beda. Dalam penelitian ini data tentang gejala didapatkan sejumlah 16 gejala dengan empat penyakit. Untuk tiap penyakit memiliki empat gejala. Dari keempat gejala tersebut dapat digunakan untuk penalaran suatu penyakit dengan cara menggabungkan gejala spesifik dari penyakit dan gejala umum. Jika yang diisikan hanya gejala umum, penyakit tidak akan terdeteksi. Untuk mendeteksi penyakit dibutuhkan rule yang telah ditentukan oleh pakar. Setiap penyakit hati mempunyai rule masing-masing. Rule yang digunakan sendiri terdiri dari 64 rule dengan 16 rule untuk tiap penyakit.

  Pendarahan pada hidung/gusi/kulit/saluran cerna G3 BAB hitam seperti kopi G4 Terdapat benjolan pada perut kanan atas

  Tabel 4 gejala penyakit hepatoma Kode gejala Nama gejala G1 Pelebaran pembuluh darah perut G2

  Tabel 3 gejala penyakit abses hati Kode gejala Nama gejala G1 Riwayat diare G2 Nyeri pada perut kanan atas G3 Mual muntah G4 Demam

  G3 Nyeri pada sendi G4 Nyeri pada otot Tabel 2 gejala penyakit sirosis Kode gejala Nama gejala G1 Muntah darah G2 Berat badan menurn G3 Terdapat bercak kemerahan pada telapak tangan G4 Pembesaran payudara pada laki-laki

  Hasil keluaran dari aplikasi adalah berupa diagnosis keterangan terdeteksi penyakit hati atau tidak. Hasil keluaran sistem berupa keterangan untuk memudahkan pengguna dalam mengetahui tentang penyakit yang diderita.

  Sistem Pakar Diagnosis penyakit hati pada penelitian ini menggunakan metode Fuzzy

  Tsukamoto sebagai mesin inferensi. Diagram

  blok perancangan sistem ditunjukkan pada Gambar 2 berikut.

  Gambar 3 Fungsi keanggotaan gejala ikterus

  Fungsi keanggotaan pada himpunan rendah dan tinggi dapat dirumuskan sebagai berikut:

  1 ( ≤ 40) 65 − ℎ( ) = { (40 < < 65)

  25 0 ( ≥ 65) 0 ( ≤ 40) − 40

  ( ) = { (40 < < 65) 25 1 ( ≥ 65)

  Keterangan: = derajat keanggotaan

  x = himpunan objek Gambar 2 Diagram Blok Sistem Pakar Diagnosis

  Penyakit Hati

  Variable output dalam contoh ini adalah diagnosis terdeteksi atau tidaknya penyakit

4 TAHAPAN METODE

  hepatitis. Variabel ini terdiri dari 2 himpunan

  Berdasarkan Gambar 1 tentang diagram alir

  fuzzy yaitu Ya dan Tidak. Himpunan ya dan tidak fuzzy tsukamoto tahapan metode fuzzy tsukamoto

  ditunjukkan pada Gambar 3. dapat dijabarkan sebagai berikut:

  1. Himpunan Fuzzy Pembentukan

  (Fuzzifikasi) Pembentukan himpunan fuzzy terdiri dari variabel input dan variabel output. Variabel tersebut dibagi menjadi satu atau lebih himpunan

  fuzzy. Pada proses ini, variabel input adalah

  gejala-gejala dalam penyakit hati, sedangkan variabel output berupa hasil diagnosis terdeteksi atau tidaknya penyakit hati. Sebagai contoh

  Gambar 4 fungsi keanggotaan penyakit hepatitis

  variabel input yang digunakan dalam penelitian ini adalah gejala penyakit hati. Tiap penyakit Fungsi keanggotaan himpunan Ya atau memiliki gejala yang berbeda-beda. Penyakit

  Tidak ditunjukkan pada rumus berikut:

  hepatitis memiliki salah satu gejala ikterus

  (warna kulit/sclera mata menjadi kuning). Gejala

  0 ( ≤ 30)

  tersebut memiliki bilangan real yang merupakan − 30

  ( ) = { (30 < < 70)

  bobot nilai gejala. Gejala ikterus memiliki dua

  40

  himpunan fuzzy yaitu Rendah dan Tinggi. 1 ( ≥ 70) Masing-masing memiliki domain seperti

  1 ( ≤ 30) ditunjukkan pada Gambar 3. 70 − ( ) = {

  (30 < < 70)

  40 0 ( ≥ 70)

  2. Pembentukan Rule Hasil dari perhitungan fuzzifikasi kemudian diinferesikan terhadap rule. Fungsi implikasi pada metode fuzzy tsukamoto adalah MIN. untuk menghitung alpha-predikat harus merepresentasikan semua rule yang ada menggunakan rumus MIN(fuzzifikasi).

  Hasil pengujian yang dilakukan pada penelitian ini terdiri dari pengujian blackbox, pengujian akurasi serta pengujian usability. pengujian blackbox digunakan untuk menguji fungsionalitas sistem apakah berjalan dengan baik atau tidak. Pengujian akurasi digunakan untuk mengetahui kemampuan dari sistem dengan cara membandingkan hasil diagnosis sistem dengan hasil diagnosis pakar. Pengujian

  Berikut adalah salah satu data uji yang digunakan dan seluruh hasil uji pengujian akurasi. No Skenario pengujian Test case Hasil yang diharapkan Hasil dari sistem Hasil 1 Pengujian halaman diagnosis penyakit hati Memilih menu diagnosis penyakit hati Menampilkan halaman diagnosis penyakit hati Menampilkan halaman diagnosis penyakit hati Valid 2 Pengujian halaman diagnosis penyakit Hepatitis Mengisi nilai gejala dan Mengklik button diagnosis Menampilkan hasil diagnosis penyakit Hepatitis Menampilkan hasil diagnosis penyakit Valid 3 Pengujian halaman diagnosis penyakit Sirosis Mengisi nilai gejala dan Mengklik button diagnosis Menampilkan hasil diagnosis penyakit Sirosis Menampilkan hasil diagnosis penyakit Sirosis Valid 4 Pengujian halaman diagnosis penyakit abses hati Mengisi nilai gejala dan Mengklik button diagnosis Menampilkan hasil diagnosis penyakit abses hati Menampilkan hasil diagnosis penyakit abses hati Valid 5 Pengujian halaman diagnosis penyakit Hepatoma Mengisi nilai gejala dan Mengklik button diagnosis Menampilkan hasil diagnosis penyakit Hepatoma Menampilkan hasil diagnosis penyakit Hepatoma Valid 6 Pengujian halaman daftar penyakit hati Memilih menu daftar penyakit hati Menampilkan halaman daftar penyakit Menampilkan halaman daftar penyakit Valid 7 Pengujian halaman daftar penyakit Sirosis Memilih penyakit Sirosis pada halaman daftar penyakit hati Menampilkan rincian penyakit Sirosis Menampilkan rincian penyakit Sirosis Valid 8 Pengujian halaman Tentang Memilih menu Tentang Menampilkan halaman Tentang Menampilkan halaman Tentang Valid

  62 64 100 = 96,87%

  Hasil dari pengujian akurasi yang telah dilakukan pada penelitian ini adalah 96,87%. Pengujian akurasi menggunakan 64 data uji yang berupa nilai masukan gejala beserta diagnosis penyakitnya. Masing-masing penyakit memiliki 16 data uji. Perhitungan akurasi dilakukan dengan rumus Jumlah data benar / jumlah data uji dikali 100%. Berikut adalah rumus untuk menghitung nilai akurasi.

  5.2 Hasil Pengujian Akurasi

  Tabel 5 hasil pengujian blackbox

  Hasil dari pengujian blackbox yang telah dilakukan pada penelitian ini menghasilkan tingkat fungsionalitas sistem mencapai 100% karena fungsi semua yang diuji dapat berjalan dengan baik sesuai dengan harapan.

  usability digunakan untuk menguji tingkat kepuasan pengguna.

  5 HASIL DAN PEMBAHASAN

  Contoh rule yang digunakan pada penyakit

  alpha-predikat .

  defuzzifikasi dilakukan dengan cara membagi nilai sigma alpha-predikat dikali z dengan sigma

  predikat , selanjutnya adalah proses menghitung nilai setiap konsekuen setiap rules atau nilai z.

  adalah melakukan defuzzifikasi atau mengubah nilai himpunan fuzzy menjadi nilai tegas atau crisp. Setelah didapatkan nilai alpha-

  tsukamoto

  3. Defuzzifikasi Langkah terakhir dari tahapan metode fuzzy

  AND G3 Rendah AND G4 rendah THEN Tidak terdeteksi. Rumus tadi dapat diimplementasikan menjadi MIN(G1 rendah,G2 rendah,G3 rendah,G4 rendah).

  hepatitis adalah IF G1 rendah AND G2 rendah

5.1 Hasil Pengujian Blackbox

  Tabel 6 data uji penyakit abses hati Tabel 7 hasil pengujian akurasi abses hati Tabel 8 hasil pengujian akurasi hepatitis Tabel 9 hasil pengujian akurasi sirosis Tabel 10 hasil pengujian akurasi hepatoma

  5.3 Hasil Pengujian Usability

  Hasil dari pengujian usability yang telah dilakukan dalam penelitian adalah sistem memiliki tingkat kepuasan yang sangat baik dengan nilai mean 4,45. Nilai tersebut didapatkan dengan melakukan rata-rata tiap pertanyaan kemudian rata-rata tersebut dijumlahkan untuk dibagi menjadi total pertanyaan dikalikan dengan jumlah kuisioner. Total pertanyaan pada pengujian usability adalah 10 pertanyaan. Jumlah pengguna yang mengisi kuisioner adalah 20 orang. Berikut adalah hasil rincian hitungan pengujian usability:

  = − ℎ ℎ =

  885 10 x 20 = 885 200 = 4.425 No Riwayat diare Nyeri pada perut kanan atas Mual muntah demam Abses hati 1 20 20 20 20 Tidak 2 20 20 20 90 Tidak 3 20 20 90 20 Tidak 4 20 20 90 80 Ya 5 20 95 20 20 Tidak 6 20 80 20 90 Ya 7 20 80 85 20 Ya 8 20 80 85 90 Ya 9 90 50 20 20 Tidak 10 90 40 20 85 Ya 11 90 40 70 20 Ya 12 80 20 80 80 Ya 13 75 75 20 20 Ya 14 75 75 20 70 Ya 15 75 75 50 20 Ya 16 60 60 60 No Nilai 60 Ya defuzzifikasi Diagnosis sistem Diagnosis pakar Sesuai 1 38.62 Tidak terdeteksi Tidak terdeteksi Ya 2 33.75 Tidak terdeteksi Tidak terdeteksi Ya 3 32.90 Tidak terdeteksi Tidak terdeteksi Ya 4 25 Tidak terdeteksi Tidak terdeteksi Ya 5 29.90 Tidak terdeteksi Tidak terdeteksi Ya 6 56.25 Terdeteksi Terdeteksi Ya 7 57.10 Terdeteksi Terdeteksi Ya 8 65 Terdeteksi Terdeteksi Ya 9 38.95 Tidak terdeteksi Tidak terdeteksi Tidak 10 50.16 Terdeteksi Terdeteksi Ya 11 50.52 Terdeteksi Terdeteksi Ya 12 57.10 Terdeteksi Terdeteksi Ya 13 51.38 Terdeteksi Terdeteksi Ya 14 56.25 Terdeteksi Terdeteksi Ya 15 51.38 Terdeteksi Terdeteksi Ya 16 48.67 Terdeteksi Terdeteksi Ya No Nilai defuzzifikasi Diagnosis sistem Diagnosis pakar Sesuai 1 49.03 Tidak terdeteksi Tidak terdeteksi Ya 2 47 Tidak terdeteksi Tidak terdeteksi Ya 3 47 Tidak terdeteksi Tidak terdeteksi Ya 4 47 Tidak terdeteksi Tidak terdeteksi Ya 5 46 Tidak terdeteksi Tidak terdeteksi Ya 6 46 Tidak terdeteksi Tidak terdeteksi Ya 7 46 Tidak terdeteksi Tidak terdeteksi Ya 8 46 Tidak terdeteksi Tidak terdeteksi Ya 9 52.07 Terdeteksi Terdeteksi Ya 10 70 Terdeteksi Terdeteksi Ya 11 70 Terdeteksi Terdeteksi Ya 12 70 Terdeteksi Terdeteksi Ya 13 70 Terdeteksi Terdeteksi Ya 14 70 Terdeteksi Terdeteksi Ya 15 70 Terdeteksi Terdeteksi Ya 16 70 Terdeteksi Terdeteksi Ya No Nilai defuzzifikasi Diagnosis sistem Diagnosis pakar Sesuai 1 38.75 Tidak terdeteksi Tidak terdeteksi Ya 2 50.42 Terdeteksi Terdeteksi Ya 3 44.58 Tidak terdeteksi Terdeteksi Tidak 4 65 Terdeteksi Terdeteksi Ya 5 30 Terdeteksi Terdeteksi Ya 6 65 Terdeteksi Terdeteksi Ya 7 65 Terdeteksi Terdeteksi Ya 8 65 Terdeteksi Terdeteksi Ya 9 30 Tidak terdeteksi Tidak terdeteksi Ya 10 65 Terdeteksi Terdeteksi Ya 11 65 Terdeteksi Terdeteksi Ya 12 65 Terdeteksi Terdeteksi Ya 13 65 Terdeteksi Terdeteksi Ya 14 65 Terdeteksi Terdeteksi Ya 15 65 Terdeteksi Terdeteksi Ya 16 No Nilai 65 Terdeteksi Terdeteksi Ya defuzzifikasi Diagnosis sistem Diagnosis pakar Sesuai 1 40.1 Tidak terdeteksi Tidak terdeteksi Ya 2 34.44 Tidak terdeteksi Tidak terdeteksi Ya 3 34.44 Tidak terdeteksi Tidak terdeteksi Ya 4 62.1 Terdeteksi Terdeteksi Ya 5 34.44 Tidak terdeteksi Tidak terdeteksi Ya 6 70 Terdeteksi Terdeteksi Ya 7 60.20 Terdeteksi Terdeteksi Ya 8 70 Terdeteksi Terdeteksi Ya 9 30 Tidak terdeteksi Tidak terdeteksi Ya 10 70 Terdeteksi Terdeteksi Ya 11 62.1 Terdeteksi Terdeteksi Ya 12 62.1 Terdeteksi Terdeteksi Ya 13 70 Terdeteksi Terdeteksi Ya 14 70 Terdeteksi Terdeteksi Ya 15 70 Terdeteksi Terdeteksi Ya 16 70 Terdeteksi Terdeteksi Ya

  Nilai mean = 0,1-1 sistem sangat buruk Nilai mean = 1,1-2 sistem buruk Nilai mean = 2,1-3 sistem cukup baik Nilai mean = 3,1-4 sistem baik Nilai mean = 4,1-5 sistem sangat baik

6 PENUTUP

  

  Rohman, F. F. & Fauzijah, A., 2008. Rancang Bangun Aplikasi Sistem Pakar untuk

  Pakar Penentuan Jenis Penyakit Hati dengan Metode Inferensi Fuzzy Tsukamoto. Jurnal Informatika, 6(1 januari 2012), pp. 1- 13.

  Pradana, F. G., 2016. Sistem diagnosa Penyakit pada Tanaman Jagung dengan menggunakan metode Fuzzy Tsukamoto. Malang: Universitas Brawijaya. Pujiyanta, A. & Pujiantoro, A., 2012. Sistem

  Nurdjanah, S., 2007. Buku Ajar Ilmu Penyakit Dalam. 2nd ed. Jakarta: Pusat Penerbitan Ilmu Penyakit Dalam FKUI.

  Metode Logika Fuzzy Tsukamoto Dalam Sistem Pengambilan Keputusan Penerimaan Beasiswa. JurnalMedia Infotama, 9(1 februari 2013), pp. 1-13.

  Maryaningsih, Siswanto & Mesterjon, 2013.

  Tsukamoto . Malang: Universitas Brawijaya.

  Lailiyah, V., 2016. Sistem Pakar Diagnosis Penyakit HIV menggunakan metode Fuzzy

  Kusumadewi, S., 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.

  [Accessed 11 Maret 2017]. Kusrini, 2006. Sistem Pakar Teori dan Aplikasinya. Yogyakarta: Andi.

  Kesehatan, K., 2015. www.pusdatin.kemkes.go.id. [Online] Available at:

  Dari keterangan yang dijelaskan, nilai 4,425 masuk kategori sistem sangat baik.

  Nominal Beasiswa Yang diterima Siswa dengan Metode Logika Fuzzy Tsukamoto. Jurnal Ilmiah Ilmu Komputer, 8(2 maret 2012), pp. 167-173.

  Hayadi, B. H., 2016. Sistem Pakar. Yogyakarta: Deepublish. Ihsan, A. & Shoim, A., 2012. Penentuan

  Fuzzy -Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta: Graha Ilmu.

  Hartati, S. & Kusumadewi, S., 2006. Neuro

  Budihusodo, U., 2007. Buku Ajar Ilmu Penyakit Dalam. 2nd ed. Jakarta: Pusat Penerbitan Ilmu Penyakit Dalam FKUI.

  Abbasy, M. & Mohamed, A., 2016. Mobile Expert System to Detect Liver Disease Kind. International journal of computer science and information security, 14(5 may 2016), pp. 320-322.

  3. Berdasarkan hasil pengujian yang telah dilakukan pada penelitian ini, pengujian blackbox memiliki tingkat fungsionalitas yang baik. Pengujian akurasi memiliki tingkat akurasi 96,87% dengan 64 data uji dari pakar. Dengan tingkat akurasi sebesar 96,87% sistem pakar ini dapat membantu melakukan diagnosis penyakit hati ataupun mengenali gejala-gejala umum dari penyakit hati. Pengujian usability memiliki nilai rata-rata mean 4,425. Dengan nilai rata-rata mean tersebut sistem yang dibangun dapat digunakan dengan baik oleh pengguna.

  2. Sistem pakar diagnosis penyakit hati dapat diimplementasikan dengan menggunakan metode Fuzzy Tsukamoto dengan melalui lima proses utama, yaitu fuzzifikasi, menentukan alpha-predikat untuk setiap Rule, menghitung nilai z setiap Rule, mengkalikan alpha predikat dengan z pada setiap Rule, kemudian melakukan defuzzifikasi dengan cara membagi jumlah alpha-predikat dikali z dengan jumlah alpha predikat. Nilainya akan menjadi penentu apakah pengguna terdeteksi penyakit hati yang dipilih oleh pengguna.

  1. Sistem pakar diagnosis penyakit hati dapat dirancang dan diimplementasikan untuk digunakan oleh pengguna dengan baik karena telah digunakan secara langsung oleh pengguna.

  beberapa kesimpulan sebagai berikut:

  Tsukamoto berbasis android, dapat diambil

  Berdasarkan hasil dari penelitian yang telah dilakukan tentang sistem pakar diagnosis penyakit hati menggunakan metode Fuzzy

DAFTAR PUSTAKA

  Menentukan Jenis Gangguan Perkembangan Pada Anak.. Media Informatika, 6(1 juni 2008), pp. 1-23.

  Sanityoso, A., 2007. Buku Ajar Ilmu Penyakit Dalam. 2nd ed. Jakarta: Pusat Penerbitan Ilmu Penyakit Dalam FKUI.

  Sari Nadia, R. & Mahmudy, W. F., 2015. Fuzzy Inference System Tsukamoto untuk Menentukan Kelayakan Calon Pegawai.

  Seminar Nasional SIstem Informasi Indonesia, Issue 2-3 november 2015, pp. 245-252. Siswanto, 2005. Kecerdasan Tiruan. 2nd ed.

  Yogyakarta: Graha Ilmu. Siswoyo, B. & J, G. I., 2008. Diagnoss Penyakit

  Hati melalui SIstem Pakar. Jurnal Computech & Bisnis, 2(1 juni 2008), pp. 45-51. Sutojo & dkk, 2011. Kecerdasan Buatan.

  Yogyakarta: Andi. Thamrin, F., 2012. Studi Inferensi Fuzzy

  Tsukamoto untuk penentuan pembebanan trafo. Semarang: Universitas DIponengoro.

  Turban, E., 1995. Decission Support and Expert System. 4th ed. New Jersey: Prentice-Hall International inc.

  Turban, E. & dkk, 2005. Decission Support System and Intelligent Systems. 7th ed.

  Yogyakarta: Andi. Wenas, N. T. & Waleleng, B. J., 2007. Buku

  Ajar Ilmu Penyakit Dalam. 2nd ed. Jakarta: Pusat Penerbitan Ilmu Penyakit Dalam FKUI.

  WHO, 2016. http://www.who.int/. [Online] Available at:

   [Accessed 12 Maret 2017].

  WHO, 2016. http://www.who.int/. [Online] Available at: http://www.who.int/campaigns/hepatitis- day/2016/en/ [Accessed 12 Maret 2017].