SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT YANG DISEBABKAN NYAMUK DENGAN MENGGUNAKAN METODE “CERTAINTY FACTOR”.

TUGAS AKHIR

Oleh :

REZA NOVENDA PUTRA

0734010197

FAKULTAS INDUSTRI

UNIVERSITAS UPN VETERAN JAWA TIMUR SURABAYA

melimpahkan rahmat dan hidayah-Nya, sehingga penulis dimudahkan dalam penyelesaian penulisan laporan tugas akhir (TA) di jurusan Teknik Informatika sebagaimana yang diharapkan. Penulis menyadari sepenuhnya masih terdapat banyak kekurangan dalam penyelesaian penulisan laporan tugas akhir (TA) ini. Namun penulis berusaha menyelesaikan laporan ini dengan sebaik mungkin.

Segala kritik saran yang bersifat membangun sangat diharapkan dari semua pihak, guna perbaikan dan pembangunan dimasa yang akan datang. Akhirnya besar harapan penulis agar laporan ini dapat diterima dan berguna bagi semua pihak. Amin.

Surabaya, Juni 2012

banyak mendapatkan bantuan dari berbagai pihak. Oleh karena itu pada kesempatan ini dengan kesungguhan dan rasa rendah hati, penulis ingin menyampaikan ucapan terima kasih kepada :

1. Tuhan YME yang selalu memberikan kesehatan, rezeki, kemudahan, dan kasih-Nya yang sabar baik bagi penulis sendiri maupun orang – orang di sekitar penulis.

2. Bapak Ir.Sutiyono,MT., selaku Dekan Fakultas Teknik Industri Universitas Pembangunan Nasional “Veteran” Jatim.

3. Ibu Dr.Ir.Ni Ketut Sari,MT., selaku Kepala Jurusan Teknik Informatika FTI UPN “Veteran” Jatim.

4. Bapak Ir.Purnomo Edi Sasongko,MP., Selaku Dosen Pembimbing pertama yang telah membimbing, memberikan arahan, dan nasehat Terima Kasih Banyak atas bimbingan dan semua nasehat serta arahan yang telah diberikan. 5. Bapak Wahyu S.J Saputra,S.kom., Selaku Dosen Pembimbing kedua yang

telah membimbing, memberikan arahan, dan nasehat Terima Kasih Banyak atas bimbingan dan semua nasehat serta arahan yang telah diberikan.

6. Orang tua tercinta, adik, dan kakak tersayang, yang telah memberikan dorongan baik moril maupun materiil sehingga laporan tugas akhir ini dapat penulis selesaikan.

7. Rhesa Aditiana Wardani yang memberi semangat dan motifasi dalam menyelesaikan laporan tugas akhir ini.

pihak yang telah memberi dukungan, menghibur, dan membantu dalam pelaksanaan kerja praktek ini yang tidak bisa penulis sebutkan satu persatu, terima kasih atas dukungan dan bantuannya.

Penulis menyadari Laporan tugas akhir ini masih jauh dari sempurna, sehingga saran dan kritik yang membangun sangat penulis harapkan. Akhir kata, semoga laporan ini bermanfaat bagi pembaca dan bagi civitas akademi FTI UPN “Veteran” Jatim.

Surabaya, 26 – 06 – 2012

Halaman

Halaman Judul ... i

Lembar Pengesahan ... ii

Bebas Revisi ... iii

Abstrak ... ... iv

Kata Pengantar ... v

Daftar Isi ... viii

Daftar Gambar ... ... xi

Daftar Tabel ... xiii

BAB 1 PENDAHULUAN 1.1 Latar Belakang ... 1

1.2 Rumusan Masalah ... 2

1.3 Batasan Masalah... 3

1.4 Tujuan ... 3

1.5 Manfaat ... 3

1.6 Tinjauan Umum & Metode Penelitian... ... 4

1.7 Sistematika Penulisan... ... 5

BAB 2 LANDASAN TEORI 2.1 Kecerdasan Buatan ... 7

2.2 Sistem Pakar... ... 8

2.2.5 Konsep Faktor Kepsatian ... 18

2.2.6 Block Diagram ... 23

2.3 Data Kepakaran ... 23

2.4 Borland Delphi ... ... 31

2.5 Sql Server ... ... 33

BAB 3 PERANCANGAN SISTEM 3.1 Spesifikasi Sistem ... 36

3.2 Perancangan Proses Inferensi ... 37

3.2.1 Proses Konsultasi ... ... 38

3.2.2 Proses Perhitungan Gejala... ... 38

3.2.3 Proses Tampilkan Gejala ... ... 40

3.3 Perancangan Block Diagram ... 40

3.4 Perancangan Depedency Diagram ... 42

3.5 Perancangan Tabel Pengetahuan (dr. Risky N) ... . 44

3.6 Perancangan Diagram Konteks ... 50

3.6.1 Data Flow Diagram Level 1 ... 51

3.7 Relasi Tabel ... 52

3.8 Perancangan Proses Konsultasi ... 52

4.1.2 Implementasi Menu User ... ... 59

4.1.3 Implementasi Hasil ... ... 61

4.1.4 Implementasi Administrator Area ... ... 62

4.1.5 Implementasi Data Penyakit ... ... 63

4.1.6 Implementasi Menu Data Gejala ... .... 64

4.1.7 Implementasi Menu Data Diagnosa ... 65

BAB 5 UJI COBA PROGRAM 5.1 Uji Coba Sistem ... ... 66

5.1.1 Contoh Kasus ... ... 66

BAB 6 PENUTUP 6.1 Kesimpulan ... ... 69

6.2 Saran ... ... 69

DAFTAR PUSTAKA ... 71

DAFTAR GAMBAR

Halaman

Gambar 2.1 Ruang Lingkup Kecerdasan Buatan... 8

Gambar 2.2 Konsep Umum Sistem Pakar [Arhami,2004] ... 13

Gambar 2.3 Hirarki Pengetahuan [Arhami,2004] ... 14

Gambar 2.4 Sistem Produksi ... 15

Gambar 2.5 Gambaran Umum Proses Logika ... 17

Gambar 2.7 Faktor Kepastian dengan Beberapa Premis Gabungan ... 22

Gambar 2.8 Block Diagram... 23

Gambar 2.9 Pembawa Virus Penyebab Penyakit Malaria ... 24

Gambar 2.10Pembawa Virus Penyebab Penyakit Demam Berdarah.... 25

Gambar 2.11 Pembawa Virus Penyebab Penyakit Chikungunya ... 26

Gambar 2.12 Pembawa Virus Penyebab Penyakit Demam Kuning ... 28

Gambar 2.13 Pembawa Virus Penyebab Penyakit Kaki Gajah ... 29

Gambar 2.14 Penderita Kaki Gajah ... 29

Gambar 2.15 Sistem Client /Server ... 33

Gambar 2.16 Tampilan Microsoft SQL Server 2000 ... 34

Gambar 3.1 Diagram Alir Awal Konsultasi ... 38

Gambar 3.2 Diagram Alir Proses Perbandingan Gejala ... 39

Gambar 3.7 Data Flow Diagram Level 1 ... 51

Gambar 3.8 Relasi Tabel ... 52

Gambar 4.1 Tampilan Menu... 57

Gambar 4.2 login sebagai seorang pakar... 58

Gambar 4.3 Tampilan setelah login ... 58

Gambar 4.4 Tampilan Menu Untuk Pengguna... 59

Gambar 4.5 Tampilan Data Gejala Untuk Pengguna... 60

Gambar 4.6 TampilanGejalaDemam... 60

Gambar 4.7 Hasil Konsultasi ... . 61

Gambar 4.8Tampilan Data Account ... 62

Gambar 4.9Tampilan Data Penyakit ... 63

Gambar 4.10Tampilan Data Gejala... 64

Gambar 4.11Tampilan Data Diagnosa... 65

Tabel 2.1 Perbandingan Kemampuan Seorang Pakar Dengan Sistem

Pakar ... 10

Tabel 2.2 Aturan Untuk Mengkombinasikan Fakta di Dalam Anteseden ... 21

Tabel 3.1 Hasil Wawancara dr. Risky Penyakit Demam Berdarah .... 44

Tabel 3.2 Hasil Wawancara dr. Risky Penyakit Malaria ... 45

Tabel 3.3 Hasil Wawancara dr. Risky Penyakit Cikungunya ... 46

Tabel 3.4 Hasil Wawancara dr. Risky Penyakit Filariasis ... 47

Tabel 3.5 Hasil Wawancara dr. Risky Penyakit Japanese Chepelitis ... 48

Tabel 3.6 Sample Pengetahuan (dr. Risky) ... 49

Tabel 3.7 Struktur Tabel Jawab... 53

Tabel 3.8 Struktur Tabel Login... 54

Tabel 3.9 Struktur Tabel Jenis Data Penyakit... 54

Tabel 3.10 Struktur Tabel Gejala Akibat Gigitan Nyamuk... 55

Tabel 3.11 Struktur Tabel Aturan... 55

Tabel 3.12 Struktur Tabel Atur... 56

iv

ABSTRAK

Nyamuk merupakan penyakit yang sering terjadi dimasyarakat. Situasi ini dapat dihindari jika penduduk mempunyai sedikit pengetahuan tentang penyakit nyamuk, sehingga masyarakat dapat mengetahui gangguan yang terhadap penyakit nyamuk dan tindakan apa yang dilakukan untuk mengatasi ganguan tersebut. Sistem pakar merupakan salah satu solusi untuk mendiagnosis penyakit berdasarkan gejala yang dirasakan oleh penderita. Pada penelitian ini dibuat sebuah sistem pakar menggunakan konsep Forward Chaining dengan menggunakan metode Certainty Factor / CF (faktor kepastian) untuk mendiagnosa penyakit yang disebabkan nyamuk pada manusia.

Sistem ini dapat memberikan diagnosa awal penyakit yang disebabkan nyamuk oleh penderita, dari gejala-gejala yang dirasakan oleh penderita, tanpa harus bertanya langsung ke pakar. Hasil penelitian menunjukkan bahwa CF dapat digunakan untuk mengatasi ketidakpastian pada kasus diagnosa awal penyakit yang disebabkan nyamuk.

1.1. Latar Belakang

Nyamuk merupakan penyebab dan pembawa beberapa jenis penyakit seperti malaria, demam berdarah (Dengue Haemorrhagic Fever),

chikungunya dan kaki gajah (filariasi). Beberapa penyakit diatas turut

bertanggung jawab atas besarnya jumlah korban meninggal di beberapa negara yang beriklim tropis dan subtropis (Soeroto dkk., 1973). Laju pertumbuhan nyamuk yang sulit dicegah serta penanganan korban yang belum memadai menambah parah jumlah kasus yang terjadi pada penyakit-penyakit akibat gigitan nyamuk. Kasus yang terjadi pada penyakit akibat gigitan nyamuk hampir selalu terjadi setiap tahun, karena sulitnya memutus rantai penyebaran penyakit – penyakit tersebut.

Situasi ini dapat dihindari jika penduduk mempunyai sedikit pengetahuan tentang penyakit nyamuk, sehingga masyarakat dapat mengetahui gangguan yang terhadap penyakit nyamuk dan tindakan apa yang dilakukan untuk mengatasi ganguan tersebut. Pengetahuan tentang penyakit nyamuk bisa didapat dari buku – buku atau situs – situs internet yang membahas tentang penyakit nyamuk, namun untuk mempelajari hal tersebut tidaklah mudah karena selain perlu waktu yang cukup lama memahaminya dan sumber – sumber tersebut juga belum tentu dapat mendiagnosis semua ganguan penyakit nyamuk. Untuk membantu masyarakat tersebut maka diperlukan suatu sistem yang lebih praktis dan memiliki kemampuan layaknya seorang dokter dalam mendiagnosis gangguan penyakit

nyamuk pada masyarakat. Seoarang dokter dapat dikatakan sebagai seoarang pakar karena ia merupakan orang yang ahli di bidangnya dan memiliki kemampuan yang orang lain tidak memilikinya. Salah satu bidang ilmu yang termasuk dalam kecerdasan buatan adalah sistem pakar (Expert System). Ide

dasarnya adalah kepakaran ditransfer dari seorang pakar ke komputer yang khusus ditujukan dalam perancangan otomatis tingkah laku cerdas dalam sistem kecerdasan komputer yang disimpan dalam database komputer untuk mencari

solusi.

Dengan adanya system pakar ini masyarakat tidak perlu panik apabila terkena penyakit yang disebabkan oleh nyamuk sebelum dibawa ke dokter spesialis untuk diperiksa lebih lanjut. Masyarakat bisa menggunakan aplikasi sistem pakar ini di rumah, maka dengan itu masyarakat dapat mengetahui penyebab penyakit yang disebabkan oleh nyamuk serta pertolongan pertama yang dapat dilakukan untuk mengatasi penyakit yang disebabkan oleh nyamuk tersebut sebelum dibawa ke dokter spesialis untuk diperiksa lebih lanjut. System ini juga dapat membantu dokter umum apabila ada masyarakat yang sakit karena nyamuk. Sehingga meskipun pengetahuan mereka tentang penyakit yang disebabkan oleh nyamuk tidak begitu banyak, namun dengan system pakar ini mereka dapat bertindak layaknya dokter spesialis.

1.2. Perumusan Masalah

Dari permasalahan diatas, dapat dirumuskan suatu permasalahan yaitu : bagaimana menerapkan dengan intelegensi para ahli atau pakar dalam

menganalisa dan mengidentifikasi penyakit yang disebabkan nyamuk serta menerapkan system pakar dengan menggunakan metode certainty factor.

1.3. Batasan Masalah

Pada sistem pakar untuk mendiagnosa penyakit yang disebabkan nyamuk ini diberikan pembatasan masalah sebagai berikut:

a. Penelitian ini menggunakan teks pada proses input maupun output

untuk mendeteksi penyakit yang ditimbulkan oleh gigitan nyamuk. b. Penelitian ini hanya membahas identifikasi penyakit yang ditimbulkan

oleh gigitan nyamuk serta pencegahannya dengan cara berkonsultasi pada komputer untuk mencari solusi.

c. Dalam merancang program ini menggunakan metode certainty.

d. Aplikasi program menggunakan Borland Delphi 7.0

1.4. Tujuan

Tujuan dari skripsi ini adalah menghasilkan suatu sistem pakar untuk mendiagnosa penyakit yang disebabkan nyamuk dengan metode certainty factor. 1.5. Manfaat

Hasil penelitian ini diharapkan dapat digunakan sebagai langkah awal untuk membangun sistem pakar untuk mendiagnosa penyakit yang disebabkan nyamuk dengan metode certainty factor yaitu :

a. Dapat dijadikan bahan untuk penelitian lebih lanjut di bidang yang berkaitan.

c. Untuk mendiagnosa penyakit yang disebabkan nyamuk dimana masih merupakan hal baru di bidang jasa kesehatan.

1.6. Tinjauan Umum & Metode Penelitian

Data merupakan sumber atau bahan mentah yang sangat berharga bagi proses menghasilkan informasi. Oleh sebab itu dalam pengambilan data perlu dilakukan penanganan secara cermat dan hati-hati, sehingga data yang diperoleh dapat bermanfaat dan berkualitas.

Dalam pengumpulan data penyusun mengunakan metode sebagai berikut : 1). Studi Lapangan

Dengan metode ini data-data diperoleh langsung dari sumber yang bersangkutan, dimana peneliti berhadapan langsung dengan obyek yang diteliti, yang dilakukan dengan cara :

a.) Survey

Teknik pengumpulan data dengan cara terjun secara langsung dan mencatat secara sistematis terhadap obyek masalah.

b.) Wawancara / Interview

Teknik pengumpulan data dengan jalan mengadakan komunikasi atau tanya jawab secara langsung dengan pimpinan atau pegawai Dokter Praktek tentang sistem yang diterapkan saat ini.

2). Studi Pustaka / Literatur

Pengumpulan data ini dilakukan dengan cara mencari bahan-bahan kepustakaan sebagai landasan teori yang ada hubunganya dengan permasalahan yang dijadikan obyek penelitian.

1.7. Sistematika Penulisan

Dalam membuat laporan ini terdapat penjelasan mengenai isi dan bagian dari laporan tersebut. Dimana di setiap bagian laporan yang akan menerangkan isi laporan. Sehingga terbentuklah suatu bagian isi dari laporan yang disebut bab. Sedangkan bab adalah bagian dari laporan, dalam laporran ini dibuat secara berurutan unutk memaparkan hasil suatu laporan yang telah dibuat.

Penelitian ini ditulis dengan sistematika sebagai berikut :

BAB 1 PENDAHULUAN

Bab ini menjelsakan latar belakang, masalah penelitian, perumusan masalah, batasan masalah serta tujuan dan manfaat diadakannya penelitian. Dalam bab ini dijelaskan metode penelitian serta sistematika penulisan yang digunakan dalam penelitian ini.

BAB II LANDASAN TEORI

Bab kedua berisi teori mengenai kecerdasan buatan dan konsep sistem pakar mulai dari pengertian kecerdasan buatan dan sistem pakar, komponen sistem pakar, cara kerja sistem pakar dan langkah – langkah dalam membangun sistem pakar. Selain itu juga dibahas mengenai penyakit yang disebabkan oleh nyamuk.

BAB III PERANCANGAN SISTEM

Bab ini membahas tentang spesifikasi sistem pakar yang dibuat, perancangan proses sistem pakar, perancangan block diagram, perancangan depedency diagram, perancangan flowchart dan perancangan user interface.

BAB IV IMPLEMENTASI PROGRAM

Bab keempat menjelaskan mengenai proses implementasi rancangan sistem pakar yang telah menjadi suatu bentuk aplikasi

BAB V UJI COBA PROGRAM

Bab ini menjelaskan mengenai hasil uji coba dari sistem pakar yang telah menjadi suatu bentuk aplikasi.

BAB VI PENUTUP

7

BAB II

LANDASAN TEORI

2.1 Kecerdasan Buatan

Kecerdasan buatan (Artificial Intelligence) merupakan salah satu bagiam ilmu komputer yang mempelajari bagaimana cara membuat mesin (komputer) agar dapat melakukan pekerjaan seperti yang dilakukan oleh manusia. Supaya komputer dapat bertindak menyerupai manusia, maka komputer juga harus diberi bekal pengetahuan dan mempunyai kemampuan untuk menalar. Untuk itu maka terdapat beberapa metode yang membekali komputer dengan kedua komponen tersebut agar komputer bisa menjadi mesin yang pintar.

Definisi kecerdasan buatan dapat dilihat dari berbagai sudut pandang, antar lain : [Kusumadewi S., 2003]

a. Sudut pandang kecerdasan

Kecerdasan buatan akan membuat mesin mampu melakukan apa yang dikerjakan oleh manusia.

b. Sudut pandang penelitian

Kecerdasan buatan adalah suatu studi tentang bagaiman membuat agar komputer dapat melakukan sesuatu sebaik yang dikerjakan oleh manusia. c. Sudut pandang bisnis

Kecerdasan buatan adalah kumpulan peralatan yang sangat metodologis dalam menyelesaikan masalah – masalah bisnis.

d. Sudut pandang pemrograman

Kecerdasan buatan meliputi studi tentang pemrograman simbolik, penyelesaian masalah (problem solving) dan pencarian (searching).

Gambar 2.1 menunjukkan bahwa kecerdasan buatan memiliki banyak ruang lingkup dan bidang. Salah satu bidangnya adalah sistem pakar yang menggabungkan pengetahuan dan penelusuran data untuk memecahkan masalah secara normal memerlukan keahlian manusia.

Gambar 2.1 Ruang Lingkup Kecerdasan Buatan

2.2 Sistem Pakar

Sistem pakar (Expert System) adalah salah satu cabang dari kecerdasan buatan yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer menyelesaikan masalah seperti yang biasa dilakukan oleh para pakar. Seorang pakar adalah orang yang mempunyai keahlian dalam bidang tertentu dan memiliki pengetahuan atau kemampuan khusus yang orang lain tidak

understanding

robotic

Speech

Jaringan Saraf

Jaringan Sistem _Pakar

Bahasa Alami Vision

mengetahuinya. Suatu pengetahuan dari sistem pakar bersifat khusus, seperti kedokteran, keuangan, bisnis atau teknik. [Kusumadewi S., 2003]

Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dangan meniru kerja dari para pakar. Dengan sistem pakar, orang awam dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dangan bantuan para ahli. Bagi para ahli, sistem pakar dapat membantu aktivitasnya sebagai asisten yang sangat berpengalaman.

Referensi lain mengatakan juga bahwa sistem pakar merupakan sebuah perangkat lunak komputer yang memiliki basis pengetahuan untuk domain tertentu dan menggunakan penalaran inferensi menyerupai seorang pakar dalam memecahkan masalah. Sistem pakar adalah salah satu jalan untuk mendapatkan pemecahan masalah secara lebih cepat dan mudah (Azis Farid, 1994). Sedangkan definisi lain dari sitem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut (Martin dan Oxman, 1998).

Sistem pakar menggabungkan pengetahuan dan penelusuran data untuk memecahkan masalah yang secara normal memerlukan keahlian manusia. Tujuan dari sistem pakar sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubtitusikan pengetahuan manusia kedalam bentuk sistem, sehingga dapat digunakan oleh orang banyak. Seorang pakar dangan sistem pakar mempunyai banyak perbedaan. Perbandingan kemampuan antara seorang pakar

dengan sebuah sistem pakar dapat dilihat seperti pada tabel 2.1 berikut : [Arhami, 2004]

Tabel 2.1 Perbandingan kemampuan seorang pakar dangan sistem pakar

Faktor Human Expert Expert System

Time Availability Hari Kerja Setiap saat

Geografis Lokal / tertentu Dimana saja

Perishable/ dapat habis Ya Tidak

Performa Dapat berubah Konsisten

Kecepatan Dapat berubah Konsisten

Biaya Tinggi Terjangkau

Ada beberapa definisi lain tentang sistem pakar [Kusumadewi S., 2003], antara lain :

a. Menurut Durkin : Sistem pakar adalah suatu program komputer yang dirancang unutk memodalkan kemampuan penyelesaian masalah yang dilakukan oleh seorang pakar.

b. Menurut Ignizio : sistem pakar adalah suatu model dan prosedur yang berkaitan dalam suatu domain tertentu yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar.

c. Menurut Giarratano dan Riley : sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar.

2.2.1. Konsep Umum Sistem Pakar

Konsep dasar sistem pakar terdiri dari beberapa unsur atau elemen antara lain : [Arhami, 2004]

a. Keahlian

Keahlian adalah suatu kelebihan penguasaan pengetahuan di bidang tertentu yang diperoleh dari pelatihan, membaca atau pengalaman. Contoh bentuk pengetahuan yang termasuk keahlian adalah :

• Fakta – fakta pada lingkup permasalahan tertentu.

• Teori – teori pada lingkup permasalahan tertentu

• Prosedur – prosedur dan aturan – aturan berkenaan dengan lingkup permasalahan tertentu

• Strategi – strategi global untuk menyelesaikan masalah

• Meta – knowledge.

Bentuk – bentuk ini memungkinkan para ahli untuk dapat mengambil keputusan lebih cepat dan lebih baik daripada seseorang yang bukan ahli.

b. Ahli

Seorang ahli adalah seseorang yang mampu menjelaskan suatu tanggapan, mempelajari hal – hal baru seputar topik permasalahan (domain), menyusun kembali pengetahuan jika dipandang perlu, memecah aturan – aturan jika dibutuhkan dan menentukan relevan tidaknya keahlian mereka.

c. Pengalihan Keahlian

Pengalihan keahlian dari para ahli ke komputer untuk kemudian dialihkan lagi ke orang lain yang bukan ahli, merupakan tujuan utama dari sistem pakar. Proses ini memerlukan 4 aktifitas yaitu :

• Tambahan pengetahuan (dari para ahli atau sumber – sumber lainnya)

• Representasi pengetahuan ke komputer

• Inferensi pengetahuan

• Pengalihan pengetahuan ke user

Pengetahuan yang disimpan di komputer disebut dengan nama basis pengetahuan.

d. Aturan

Sebagian besar sistem pakar komersial dibuat dalam bentuk rule – based system yang mana pengetahuan disimpan dalam bentuk aturan – aturan IF–THEN.

e. Kemampuan Menjelaskan

Setiap sistem pakar harus memiliki kemampuan untuk menjelaskan. Fitur inilah yang membedakan sistem pakar dengan sistem konvensional.

Individu yang terlibat dalam lingkungan pengembangan sistem pakar ada 3 macam, yaitu : [Arhami,2004]

a. Pakar

Pakar adalah orang yang memiliki pengetahuan khusus, pendapat, pengalaman dan metode, serta kemampuan untuk mengaplikasikan keahliannya tersebut guna menyelesaikan masalah.

b. Perekayasa Sistem

Perekayasa sistem adalah orang yang membantu pakar dalam menyusun area permasalahan dengan menginterpretasikan jawaban – jawaban pakar atas pertanyaan yang diajukan, menggambarkan analogi, mengajukan counter example dan menerangkan kesulitan – kesulitan konseptual.

c. Pemakai

Sistem pakar memiliki beberapa pemakai yaitu : pemakai bukan pakar, pelajar, pembangun sistem pakar yang ingin meningkatkan dan menambah basis pengetahuan dan pakar. Gambar 2.2 menggambarkan konsep umum suatu sistem pakar. User menyampaikan fakta atau informasi untuk sistem pakar dan kemudian menerima saran dari pakar atau jawaban. Bagian dalam sistem pakar terdiri 2 komponen utama, yaitu knowledge base yang berisi knowledge dan mesin inferensi yang menggambarkan kesimpulan. Kesimpulan tersebut merupakan respons dari sistem pakar atas permintaan user.

2.2.2 Representasi Pengetahuan

Pengetahuan (knowledge) dapat diklasifikasikan ke dalam 3 kategori, yaitu procedural knowledge, declarative knowledge, dan tacit knowledge. Procedural knowledge berkenaan untuk mengetahui bagaimana melakukan sesuatu. Declarative knowledge berkenaan untuk mengetahui sesuatu itu benar atau salah. Sedangkan tacit knowledge atau unconscious knowledge adalah pengetahuan yang tidak dapat diungkapkan dengan bahasa.

Pengetahuan adalah bagian dari suatu hierarki dan ini dapat ditunjukkan pada gambar 2.3 :

Gambar 2.3 Hirarki Pengetahuan [Arhami,2004]

Yang ada pada level paling bawah adalah noise (gangguan) yang merupakan data yang masih kabur. Level berikutnya adalah data yang merupakan hal potensial yang paling penting. Data yang sudah diproses adalah informasi yang penting. Berikutnya adalah knowledge (pengetahuan) yang menggambarkan informasi sangat khusus. Level paling atas adalah meta knowledge yang merupakan knowledge dan keahlian.

2.2.3 Sistem Produksi

Sistem produksi secara umum terdiri dari komponen – komponen seperti pada gambar 2.4 :[kusumadewi,2003]

1) Ruang keadaan, yang berisi keadaan awal, tujuan dan kumpulan aturan yang digunakan mencapai tujuan.

2) Strategi kontrol, yang berguna untuk mengarahkan bagaimana proses pencarian akan berlangsung dan mengendalikan arah eksplorasi.

Gambar 2.4 Sistem Produksi

Representasi pengetahuan dengan sistem produksi pada dasarnya berupa aplikasi aturan (rule) yang berupa :

1) Antecendent, yaitu bagian yang mengekspresikan situasi atau premis (pernyataan berawalan IF)

2) Konsekuen, yaitu bagian yang menyatakan suatu tindakan tertentu atau konklusi yang diterapkan jika suatu situasi atau premis bernilai benar (pernyataan berawalan THEN)

3) Konsekuensi atau konklusi yang dinyatakan pada bagian THEN baru dinyatakan

benar jika bagian IF pada sistem tersebut juga benar atau sesuai dengan aturan

Sistem produksi dapat dibuat dalam beberapa bentuk yang berbeda, yaitu : [Arhami,2004]

1) IF Premis THEN Konklusi

Contoh : IF pendapatan anda tinggi THEN kesempatan anda untuk diaudit juga

tinggi

2) Konklusi IF Premis

Contoh : Kesempatan anda diaudit tinggi IF pendapatan anda tinggi

3) IF Premis THEN Konklusi ELSE Konklusi

Contoh : IF pendapatan anda tinggi THEN kesempatan anda diaudit tinggi ELSE

kesempatan anda diaudit rendah 4) Kaidah yang lebih kompleks

Contoh : IF tingkat kredit tinggi AND gaji lebih dari $30,000 OR aset lebih dari

$75,000 AND sejarah pelunasan lancer THEN disetujui peminjaman hingga

$100,000

Ada 2 tipe kaidah (aturan) yang umum dalam kecerdasan buatan, yaitu kaidah pengetahuan dan kaidah inferensi. Kaidah pengetahuan atau kaidah deklaratif menyatakan menyatakan semua fakta dan hubungan tentang suatu permasalahan. Kaidah inferensi atau kaidah prosedural merupakan nasihat atau saran tentang bagaimana menyelesaikan suatu masalah yang diberikan dangan fakta tertentu yang diketahui.

Kaidah inferensi berisi kaidah tentang kaidah. Tipe kaidah ini dinamakan dengan metarule. Perekayasa pengetahuan memisahkan 2 tipe kaidah ini dimana

kaidah pengetahuan menjadi basis pengetahuan sedangkan kaidah inferensi menjadi bagian dari mesin inferensi.

2.2.4 Logika

Selain dengan sistem produksi, pengetahuan juga dapat dipresentasikan dengan menggunakan logika. Pada dasarnya proses logika adalah proses membentuk kesimpulan atau menarik suatu inferensi berdasarkan fakta yang telah ada. Input dari proses logika berupa premis atau fakta – fakta yang diakui kebenarannya sehingga dengan melakukan penalaran pada proses logika dapat dibentuk suatu inferensi atau kesimpulan yang benar pula.

Gambaran proses logika dapat dilihat pada gambar 2.5 :

Gambar 2.5 Gambaran Umum Proses Logika Ada 2 penalaran yang dilakukan untuk mendapat konklusi yaitu : 1. Penalaran Deduktif

Penalaran dimulai dari prinsip umum untuk mendapatkan konklusi yang lebih khusus

2. Penalaran Induktif

Penalaran dimulai dari fakta – fakta khusus untuk mendapatkan kesimpulan umum. Pada penalaran induktif ini, munculnya premis baru bisa mengakibatkan gugurnya konklusi yang sudah diperoleh.

2.2.4.1 Logika Proposisi

Logika proposisi atau biasa disebut kalkulus proposisi merupakan logika simbolik untuk memanipulasi proposisi. Proposisi merupakan pernyataan yang dapat bernilai benar atau salah. P dan Q merupakan contoh dari simbol untuk pernyataan pada logika proposisi. Dua atau lebih proposisi dapat dihubungkan dengan menggunakan operator logika :

฀ untuk konjungsi ( AND / DAN) V untuk disjungsi (OR / ATAU) untuk negasi (NOT / TIDAK)

Untuk implikasi / kondisional (IF...THEN/JIKA....MAKA) Untuk equivalensi / bikondisional (IF AND ONLY IF / JIKA DAN HANYA JIKA)

2.2.4.2 Logika Predikat

Logika predikat atau kalkulus predikat merupakan logika yang digunakan untuk mempresentasikan masalah yang tidak dipresentasikan oleh logika proposisi. Logika predikat dapat memberikan representasikan fakta – fakta sebagai suatu pernyataan yang mapan (well – form)

2.2.5 Konsep Faktor Kepastian

Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang memadai untuk membuat suatu keputusa. Ketidakpastian merupakan suatu permasalahan karena mungkin dapt menghambat dalam membuat suatu keputusan

terbaik bahkan mungkin dapt menghasilkan keputusan yang buruk. Dalam dunia medis, ketidakpastian mungkin menghalangi pemeriksaan yang terbaik untuk para pasien dan berperan untuk suatu terapi yang keliru.

Dalam membangun sistem pakar ini perlu dipikirkan cara untuk menangani kondisi data yang kurang lengkap dalam diagnosis. Selain itu untuk memperoleh hasil diagnosis yang cukup akurat juga diperlukan ketelitian tinggi dalm perhitungan terhadap kemungkinan terhadap kemungkinan keberadaa penyakit.

Beberapa teori yang dikembangkan untuk menangani ketidakpastian data dalam sistem pakar antara lain metode Bayes, Faktor Kepastian, Teori Dampster Shafer dan Logika Fuzzy. Namun dalam penelitian ini teori yang digunakan untuk menangani ketidakpastian data pada sistem pakar adalah dengan menggunakan Faktor Kepastian.

Faktor kepastian merupakan cara dari penggabungan kepercayaan dan ketidakpercayaan dalam bilangan yang tunggal. Faktor Kepastian memperkenalkan konsep belief / keyakinan dan disbelief / ketidakyakinan.

Konsep ini kemudian diformulasikan dalam rumusan dasar sebagai berikut :

CF [H,E] = MB [H,E] – MD [H,E]

Keterangan :

CF [H,E] = Certainty Factor (Faktor Kepastian) dalam hipotesis H yang dipengaruhi Oleh fakta E

MB [H,E] = Measure of Belief (Tingkat Keyakinan) merupakan ukuran dari kepercayaan hipotesis H dipengaruhi oleh fakta E MD {H,E} = Measure of Disbelief (Tingkat Ketidakyakinan) merupakan

ukuran dari ketidakpercayaan hipotesis H dipengaruhi oleh fakta E

Beberapa fakta dapat dikombinasikan untuk menentukan factor kepastian dari suatu hipotesis [ Wahyu Prabowo dkk, 2008 ]. Jika e1 dan e2 adalah observasi maka :

MB [h,e1 □ e2] =

Contoh :

Andaikan suatu observasi memberikan kepercayaan terhadap h dengan MB [h,e1] = 0.80 dan MD {h,e1} = 0.01 , sehingga : CF [h,e1] = 0.80 – 0.01 = 0.79

Jika ada observasi baru dengan MB [h,e2] = 0.70 dan MD [h,e2] = 0.08, maka

MB[h,e1฀ e2] = 0.80 + 0.70 * (1 – 0.80) = 0.94 MD[h,e1฀ e2] = 0.01 + 0.80 * (1 – 0.01) = 0.0892 CF[h,e1฀ e2] = 0.94 – 0.0892 = 0.8508

Dapat dilihat bahwa semula faktor kepercayaan adalah 0.79, setelah muncul gejala baru, maka faktor kepercayaan berubah lebih besar menjadi 0.8508.

Penggabungan kepercayaan dan ketidakpercayaan dalam bilangan yang tunggal digunakan untuk tingkatan hipotesis di dalam urutan kepentingan. Sebagai

contoh jika seorang pasien mempunyai gejala tertentu yang menyarankan beberapa kemungkinan penyakit, kemudian penyakit dengan faktor kepastian (CF) tertinggi urutan pertama dalam urutan pengujian.

Dalam sistem pakar MYCIN digunakan aturan untuk mengkombinasikan fakta – fakta di dalam anteseden, seperti dapat dilihat pada tabel 2.2 berikut :

Tabel 2.2 Aturan untuk mengkombinasikan fakta di dalam anteseden

Evidence E Ketidakpastian anteseden

E1 AND E2 Min [CF(H,E1),CF(H,E2)]

E1 OR E2 Max [CF(H,E1),CF(H,E2)]

NOTE CF (H,E)

Sebagai contoh, diketahui suatu ekspresi logika penggabungan fakta : E = (E1 AND E2 AND E3) OR (E4 AND NOT E5)

Fakta E akan dihitung sebagai berikut : E = max [min (E1,E2,E3),min (E4, – E5 )] Jika diketahui nilai :

E1 = 0.9 , E2 = 0.8 , E3 = 0.3 , E4 = – 0.5 , E5 = – 0.4 Maka hasilnya adalah :

E = max [min (0.9 ; 0.8 ; 0.3), min (– 0.5 ; – 0.4)] = max [0.3 ; – 0.5]

Rumus dasar untuk menghitung faktor kepastian dari kaidah IF E THEN H, diberikan dengan rumus di bawah ini :

CF(H,e) = CF(E,e) . CF(H,E)

Keterangan :

CF (H,e) = faktor kepastian hipotesis yang didasarkan pada ketidakpastian fakta e

CF (E,e) = faktor kepastian dari fakta E membuat anteseden dari kaidah berdasarkan pada ketidakpastian fakta e

CF (H,E) = faktor kepastian dalam hipotesis dengan asumsi bahwa fakta diketahui dengan pasti bila CCF (E,e) = 1

Contoh perhitungan dengan faktor kepastian pada sebuah aturan menggunakan penelusuran maju (forward chaining) dapat dilihat pada gambar 2.7

Gambar 2.7 Faktor Kepastian dengan Beberapa Premis Gabungan Diketahui nilai CF (A) = 0.9 , CF (B) = 0.7, CF (C) = 0.5

Maka, CF (E,e) = min (0.9 ; 0.7 ; 0.5) = 0.5

Jika ada aturan lain memiliki hipotesis yang sama tetapi berbeda dalam faktor kepastian, maka perhitungan faktor kepastian dari kaidah yang sama dihitung dari penggabungan fungsi.

2.2.6 Block Diagram

Block diagram merupakan susunan rule – rule yang terdapat di dalam sebuah bidang ilmu. Dengan membuat block diagram di dalam sistem pakar maka dapat diketahui urutan kerja sistem dalam mencari keputusan yang akan terlihat, seperti yang ditunjukkan pada gambar 2.8

Gambar 2.8 Block Diagram

2.3 Data Kepakaran

Data kepakaran diperoleh dari hasil observasi dan interview dengan pakar dalam hal ini seorang dokter jenis penyakit penyebab nyamuk yang didiagnosis pada sistem pakar ini ada lima macam, antar lain :

a. Malaria

Penyakit malaria sebagai salah satu penyakit infeksi disebabkan oleh infeksi protozoa dari genus Plasmodium, yang ditularkan dari orang ke orang melalui gigitan nyamuk Anopheles betina (Depkes RI,

2001). Ia disebabkan oleh parasit (disebut plasmodium) yang ditularkan pada manusia oleh sejenis nyamuk tertentu yang menggigit kebanyakan pada malam hari. Seperti pada gambar 2.9 :

Gambar 2.9 Pembawa Virus Penyebab Penyakit Malaria

Malaria secara khusus berbahaya bagi anak-anak usia di bawah 5 tahun, wanita hamil, dan orang penderita HIV/AIDS. Kehamilan menurunkan kemampuan seorang wanita untuk memerangi penyakit dan infeksi. Jika seorang wanita hamil mengidap malaria, ia juga dapat menderita anemia (kurang darah), dan anemia ini akan memperbesar resiko kematian pada saat atau setelah persalinan. Penyakit malaria pada masa hamil dapat pula menyebabkan keguguran atau kelahiran dini, bayi terlalu kecil, atau kelahiran mati.

Ada beberapa jenis malaria. Orang bisa hidup bertahun-tahun dengan beberapa jenis malaria, dan kebanyakan malaria dapat disembuhkan. Tetapi malaria otak (Plasmodium falciparum) dapat menyebabkan kematian dalam 1 atau 2 hari setelah terinfeksi. Di daerah

dimana terdapat malaria otak, penting untuk segera melakukan pengujian dan mencari pengobatan jika Anda curiga terkena malaria pada gambar berikut.

Biasanya malaria menyebabkan demam setiap 2 atau 3 hari, tapi pada awalnya demam dapat terjadi setiap hari. Siapa pun yang menderita demam yang tak jelas alasannya sebaiknya menjalani pengujian untuk malaria. Hal ini dapat dilakukan di hampir semua pusat-pusat kesehatan. Jika hasil pengujian darah mengatakan positif mengidap malaria, atau jika pengujian tak dapat dilakukan segera mencari pengobatan.

b. Demam Berdarah

Demam berdarah disebabkan oleh virus yang disebarkan oleh nyamuk hitam bintik-bintik putih yang dari jauh terlihat seperti garis putih. Kaki-kakinya juga bergaris-garis ( Ahmad, 2004 ). Seperti pada gambar 2.10 :

Gambar 2.10 Pembawa Virus Penyebab Penyakit Demam Berdarah

Nyamuk ini sering disebut “nyamuk demam penyakit kuning” karena ia dapat pula membawa demam penyakit kuning. Demam berdarah biasanya terjadi pada saat udara panas di musim hujan dan paling sering

terjadi di kota-kota, di tempat-tempat air tergenang, dan di tempat yang saluran pembuangan airnya buruk.

Pertama kali seseorang terkena demam berdarah, biasanya ia akan sembuh dengan istirahat dan minum banyak air. Tetapi jika seseorang terkena untuk kedua kalinya, akan lebih berbahaya dan bahkan dapat menyebabkan kematian.

c. Demam Chikungunya

Chikungunya disease atau demam Chikungunya adalah satu di antara penyakit tular vektor (nyamuk) yang saat ini banyak terjadi di Indonesia tidak hanya di daerah perkotaan tetapi banyak juga di daerah pedesaan. Penyebab penyakit ini adalah sejenis virus, yaitu Alphavirus (famili Togaviridae) dan ditularkan lewat nyamuk Aedes aegypti (Laras dkk, 2005). Seperti pada gambar 2.11 :

Gambar 2.11 Pembawa Virus Penyebab Penyakit Chikungunya

Penyebab penyakit ini adalah virus chikungunya , yang dikenal dengan nama Alphavirus dari famili Togaviridae dan ditularkan lewat nyamuk Aedes aegypti. Masa inkubasi virus adalah 2-4 hari, dan gejala

klinis dapat berlangsung selama 3-10 hari. Gejala ini bisa hilang sendiri, namun rasa nyeri masih tertinggal selama berhari-hari sampai berbulan-bulan.

Demam chikungunya dapat menyerang semua usia, baik anak-anak maupun dewasa. Di daerah endemis, seringkali penderita secara mendadak akan mengalami demam tinggi selama lima hari, sehingga dikenal pula istilah demam lima hari. Pada anak kecil dimulai dengan demam mendadak, kulit kemerahan. Ruam-ruam merah itu muncul setelah 3-5 hari. Mata biasanya merah disertai tanda-tanda seperti flu. Pada anak yang lebih besar, demam biasanya diikuti rasa sakit pada otot dan sendi, serta terjadi pembesaran kelenjar getah bening. Pada orang dewasa, gejala nyeri sendi dan otot sangat dominan, dan menimbulkan kelumpuhan sementara karena rasa sakit bila berjalan.

d. Demam Penyakit Kuning

Demam penyakit kuning dibawa oleh nyamuk-nyamuk di Afrika dan sebagian Amerika Selatan. Ada dua macam demam penyakit kuning dan mereka menyebar dengan cara yang berbeda:

• Demam penyakit kuning hutan menyebar dari nyamuk yang terinfeksi ke monyet, dan kembali lagi dari monyet ke nyamuk. Manusia terinfeksi saat mereka digigit oleh nyamuk yang telah terinfeksi oleh monyet. Demam penyakit kuning hutan jarang terjadi dan kebanyakan diderita oleh mereka yang bekerja di hutan-hutan tropis.

• Demam penyakit kuning perkotaan adalah penyebab dari kebanyakan wabah dan epidemi demam penyakit kuning. Seperti malaria dan demam berdarah, demam penyakit kuning perkotaan menyebar melalui gigitan nyamuk dan hisapan darah dari orang yang sudah terinfeksi dan kemudian infeksinya dipindahkan ke orang lain yang digigit nyamuk tadi.

Demam penyakit kuning perkotaan disebarkan oleh nyamuk hitam yang sama dengan yang menyebarkan demam berdarah. Nyamuknya mempunyai bintik-bintik putih di sepanjang punggung dan kaki-kakinya. Nyamuk ini hidup dan berkembangbiak dalam genangan air di kota-kota dan desa-desa. Seperti pada gambar 2.12 :

Gambar 2.12 Pembawa Virus Penyebab Penyakit Demam Kuning

e. Penyakit Kaki Gajah

Penyakit Kaki Gajah atau Filariasis adalah penyakit menular yang disebabkan oleh cacing Filaria yang ditularkan melalui berbagai jenis

nyamuk. Lebih tepatnya bahwa yang menjadi penyebab kaki gajah sendiri bukanlah larva cacing filaria, tapi anak cacing filaria itu, yang disebut dengan larva microfilaria (Hoedojo, R. 1993). Seperti pada gambar 2.13 :

Gambar 2.13 Pembawa Virus Penyebab Penyakit Kaki Gajah Untuk mengetahui apakah seseorang punya larva itu atau tidak, perlu dilakukan pemeriksaan larva dalam tubuh. Namun larva itu hanya bisa terdeteksi malam hari, karena mikrofilaria hanya keluar pada malam hari saja.

Penyakit ini bersifat menahun (kronis) dan bila tidak mendapatkan pengobatan, dapat menimbulkan cacat menetap berupa pembesaran kaki, lengan dan alat kelamin baik perempuan maupun laki-laki. Penyakit ini cukup banyak ditemukan di Indonesia pada gambar 2.14.

Penyakit ini ditularkan melalui nyamuk yang menghisap darah seseorang yang telah tertular sebelumnya. Darah yang terinfeksi dan mengandung larva dan akan ditularkan ke orang lain pada saat nyamuk yang terinfeksi menggigit atau menghipas darah orang tersebut.

Tidak seperti Malaria dan Demam berdarah, Filariasis dapat ditularkan oleh 23 spesies nyamuk dari genus Anopheles, Culex, Mansonia, Aedes & Armigeres. Karena inilah, Filariasis dapat menular dengan sangat cepat. Kalau cacingnya filaria, maka larva mikrofilaria yang dibawa oleh nyamuk akan menyumbat pembuluh dan kelenjar limfe sehingga tidak bisa mengalir ke seluruh bagian tubuh dengan lancar. Akibatnya, terjadilah pembengkakan organ tubuh, seperti pada lengan, kaki atau alat kelamin. Seperti Gejala Filariais akut dapat berupa :

a. Demam berulang-ulang selama 3-5 hari, demam dapat hilang bila istirahat dan muncul lagi setelah bekerja berat

b. Pembengkakan kelenjar getah bening (tanpa ada luka) didaerah lipatan

paha, ketiak (lymphadenitis) yang tampak kemerahan, panas dan sakit

c. Radang saluran kelenjar getah bening yang terasa panas dan sakit yang menjalar dari pangkal kaki atau pangkal lengan kearah ujung (retrograde lymphangitis)

d. Filarial abses akibat seringnya menderita pembengkakan kelenjar

e. Pembesaran tungkai, lengan, buah dada, buah zakar yang terlihat agak kemerahan dan terasa panas (early lymphodema)

Gejala klinis yang kronis berupa pembesaran yang menetap (elephantiasis) pada tungkai, lengan, buah dada, buah zakar (elephantiasis skroti).

2.4 Borland Delphi

Borland Delphi merupakan suatu bahasa pemrograman yang memberikan berbagai fasilitas pembuatan aplikasi untuk mengolah teks, grafik, angka, database dan aplikasi web. Program ini mempunyai kemampuan luas yang terletak pada produktifitas, kualitas, pengembangan perangkat lunak, kecepatan kompilasi, pola desain yang menarik serta bahasa pemrogramannya terstruktur dan lengkap. Fasilitas pemrograman dibagi dalam dua kelompok yaitu object dan bahasa pemrograman. Object adalah suatu komponen yang mempunyai bentuk fisik dan biasanya dapat dilihat. Object biasanya dipakai untuk melakukan tugas tertentu dan mempunyai batasan-batasan tertentu. Sedangkan bahasa pemrograman dapat disebut sekumpulan teks yang mempunyai arti tertentu dan disusun dengan aturan tertentu untuk menjalankan tugas tertentu. Gabungan antara object dengan bahasa pemrograman sering disebut bahasa pemrograman berorientasi object.

IDE Delphi Merupakan lingkungan pemrograman terpadu yang terdapat dalam Delphi. Dengan IDE semua yang diperlukan dalam pengembangan, dalam

kondisi normal, semuanya telah tersedia. Adapun bagian-bagian IDE Delphi yang biasa ditampilkan yaitu :

a. Jendela Utama

Di dalam jendela utama Delphi terdapat menu-menu sebagaimana menu aplikasi Windows umumnya, toolbar yang merupakan langkah cepat dari beberapa menu, dan component palette yaitu gudang komponen yang akan digunakan untuk membuat aplikasi.

b. Object Treeview

Fasilitas ini berguna untuk menampilkan daftar komponen yang digunakan dalam pengembangan aplikasi sesuai dengan penempatannya.

c. Object Inspector

Object ini digunakan untuk mengatur properti dan event suatu komponen. Akan tetapi tidak dapat mengubah langsung property – property yang tidak ditampilkan kecuali melalui penulisan kode program.

d. Form Designer

Form adalah komponen utama dalam pengembangan aplikasi. Form designer adalah tempat melekatnya komponen yang lain, dengan arti lain tempat komponen-komponen lain diletakkan.

e. Code Editor, Explorer dan Component Diagram

Code Editor adalah tempat kode program yang diperlukan untuk mengatur tugas aplikasi ditulis. Code Explorer adalah fasilitas yang membantu penjelajahan kode program menjadi lebih mudah. Component Diagram adalah fasilitas yang

dapat digunakan untuk membuat diagram komponen-komponen yang digunakan dalam aplikasi.

2.5 SQL Server

SQL Server adalah sistem manajemen database relasional (RDBMS) yang dirancang untuk aplikasi dengan arsitektur client/server. Istilah client, server, dan client/server dapat digunakan untuk merujuk kepada konsep yang sangat umum atau hal yang spesifik dari perangkat keras atau perangkat lunak. Pada level yang sangat umum, sebuah client adalah setiap komponen dari sebuah sistem yang meminta layanan atau sumber daya (resource) dari komponen sistem lainnya.

Gambar 2.15 Sistem Client /Server

Sistem client/server adalah dirancang untuk memisah layanan basisdata dari client, dengan penghubungnya menggunakan jalur komunikasi data. Layanan basisdata diimplementasikan pada sebuah komputer yang berdaya guna, yang memungkinkan manajeman tersentralisasi, keamanan, dan berbagai sumber daya. Oleh karena itu, server dalam client/server adalah basisdata dan layanannya. Aplikasi-aplikasi client diimplementasikan pada berbagai flatform, menggunakan berbagai kakas pemrograman.

Gambar 2.16 Tampilan Microsoft SQL Server 2000

SQL Server adalah server basisdata yang secara fungsional adalah proses atau aplikasi yang menyediakan layanan basisdata. Client berinteraksi dengan layanan basisdata melalui antar muka komunikasi tertentu yang bertujuan untuk pengendalian dan keamanan. Client tidak mempunya akses langsung kedata, tetapi selalu berkomunikasi dengan server basisdata. (Marcus Teddy.2004).

SQL Server menggunakan tipe dari database yang disebut database relasional. Database relasional adalah database yang digunakan sebuah data untuk mengatur atau mengorganisasikan kedalam tabel. Tabel-tabel adalah alat bantu untuk mengatur atau mengelompokan data mengenai subyek yang sama dan mengandung informasi dan kolom dan baris. Tabel-tabel saling berhubungan dengan mesin database ketika dibutuhkan.

SQL Server mendukung beberapa tipe data yang berbeda, termasuk untuk karakter, angga, tanggal (datetime) dan uang (money), SQL Server digunakan untuk menggambarkan model dan implementasi pada database.

Keuntungan menggunakan SQL Server dapat didefinisikan menjadi dua bagian yaitu satu bagian untuk menjalankan pada server dan bagian lain untuk client.

3.1 Spesifikasi Sistem

Sistem pakar untuk mendiagnosa penyakit yang disebabkan nyamuk terdiri atas dua bagian, yaitu bagian akuisisi pengetahuan dan bagian konsultasi. Dalam akuisisi pengetahuan diperolah fakta dan aturan yang kemudian disimpan dalam basis pengetahuan. Fakta pada basis pengetahuan berisi jenis dan gejala – gejala yang disebabkan nyamuk. Sedangkan aturan berisi gejala – gejala yang disebabkan nyamuk dan nilai certainty factor (faktor kepastian) serta solusi untuk mengatasi gangguan yang disebabkan nyamuk.

Untuk memperoleh fakta sebenarnya mengenai gejala yang disebabkan nyamuk terdapat sesi konsultasi antara pengguna dengan sistem pakar. Dari fakta tersebut dapat ditentukan jenis yang disebabkan oleh nyamuk dan tindakan yang dapat dilakukan untuk mengatasi tersebut.

Sistem pakar yang dikembangkan menggunakan certainty factor (faktor kepastian) untuk mengatasi masalah ketidakpastian data yang berasal dari pengguna. Selain itu sistem juga memiliki kemampuan sebagai berikut :

1) Pakar dapat menentukan jenis penyakit yang disebabkan nyamuk dan gejala – gejalanya.

2) Pakar dapat menentukan aturan – aturan yang digunakan untuk mendiagnosis setiap ganguan yang disebabkan nyamuk berdasarkan gejala.

3) Pakar dapat menentukan solusi dari setiap ganguan yang disebabkan nyamuk.

4) Berdasarkan fakta – fakta yang diperoleh dari pengguna maka dapat diketahui jenis gangguan yang disebabkan nyamuk dan tingkat kepastian serta tindakan yang mungkin dilakukan untuk setiap gangguan yang disebabkan nyamuk.

3.2 Perancangan Proses Inferensi

Proses inferensi adalah inti dari dari proses konsultasi. Dengan melakukan inferensi maka dapat diketahui jenis gangguan yang disebabkan nyamuk dan tingkat kepastiannya serta solusi dari gangguan disebabkan nyamuk tersebut. Proses inferensi diawali dengan melakukan inisialisasi untuk menentukan aturan dari jenis gangguan disebabkan nyamuk yang pertama. Kemudian dilakukan perbandingan jumlah gejala dimana aturan dan jumlah gejala yang paling sedikit akan ditampilkan. Setelah itu dilakukan pengecekan apakah gejala cocok dengan keadaan si orang.

Metode inferensi yang digunakan dalam sistem pakar ini adalah metode forward chaining. Dalam metode ini pencocokan fakta atau pertanyaan dimulai dari informasi masukan dan selanjutnya mencoba menggambarkan kesimpulan.

3.2.1 Proses Konsultasi

Pada proses ini pasien diharapkan mengisi identitas kemudian pasien menentukan gejala – gejala yang di deritanya. Jika gejala sudah ditentukan, maka terjadi proses diagnosa dan kemudian ditampilkan hasil diagnosanya serta nilai kepastiannya. Seperti pada Gambar 3.1 :

MULAI

TENTUKAN GEJALA PASIEN

APAKAH GEJALA HABIS ?

PROSES DIAGNOSA

SELESAI YA

TIDAK

TAMPILKAN HASIL DIAGNOSA ISI IDENTITAS

PASIEN

Gambar 3.1 Diagram Alir Awal Konsultasi

3.2.2 Proses Perhitungan Gejala

Pada proses ini dapat diketahui aturan – aturan gejalanya. Dimulai dari aturan yang penyakit ke – 1 dicatat jumlah gejala dan nilai – nilainya sampai penyakit ke – 5. Kemudian aturan penyakit yang mencari nilai CF dengan perhitungan MBz = 0, MDz = 0. Kemudian nilai yang terdapat di MB , MD

terdapat dari gejala – gejala yang telah di tentukan oleh pakar. Apabila telah dapat nilai CF pada tiap – tiap penyakit, maka nilai Cfmax menampilkan diagnosa

MULAI

Inisialisasi

MBz=0, MDz=0 (Total Gejala) N=Jumlah Gejala LIST GEJALA a=N CFi=MBz-MDz SELESAI YA TIDAK MBz=MBa+MBz*(1-MBa) MDz=MDa+MDz*(1-MDa) Inisialisasi MBa, MDa (GEJALAa )

a=a+1 LIST PENYAKIT

Inisialisasi

CF,CFi=0 (CF Penyakit) i=Jumlah Penyakit j=1 j=j+1 CF>CFi J=i CF=CFi TIDAK TAMPILKAN HASIL DIAGNOSA YA

3.2.3 Proses Tampilkan Gejala

Pada proses ini diketahui aturan gejala yang memiliki nilai tersebut. Kemudian ditampilkan gejala pertama dari aturan tersebut.

mulai

Cari aturan yang sesuai dengan

kode aturan

Tampilkan gejala dari

aturan

Selesai

Gambar 3.3 Diagram Alir Proses Tampilkan Gejala

3.3 Perancangan block diagram

Block diagram diperlikan untuk mengetahui urutan kerja system dalam mencari suatu keputusan. Perancangan rule gejala akibat gigitan nyamuk sebagai knowledge base system diambil dari parameter gejala-gejala Gangguan gigitan pada nyamuk .

Berdasarkan parameter-parameter yang ada maka disusun block diagram Gangguan gigitan nyamuk pada, seperti yang ditunjukkan pada gambar 3.4 berikut :

Level 0 Level 1 Level 2

Gambar 3.4 Block Diagram Gejala Akibat Gigitan Nyamuk

Gangguan Kesadaran Demam Dehidrasi Lymphadentis Early Lymphodema Demam Kuning Filariasis Mengigil Kejang Pendarahan Mual Nyeri otot Kulit bintik merah

Ngilu persendian Mata merah

Lumpuh Letih dan Lesu

Berkeringat Trombositopeni

Air seni berkurang Sakit kepala Urine Pekat Demam Berdarah Malaria Chikungunya Gejala akibat gigitan nyamuk

3.4 Perancangan Dependency Diagram

Dependency Diagram dibuat untuk menentukan faktor yang mempengaruhi dalam pemberian suatu rekomendasi gangguan yang disebabkan nyamuk pada masyarakat. Untuk lebih lanjutnya dapat dilihat pada gambar 3.5 yang memberikan penjelasan bahwa hasil pendeteksian gangguan yang disebabkan nyamuk pada masyarakat berdasarkan paramater dengan penjabaran tiap parameter pada sub parameter.

Gambar 3.5 Dependency Diagram Gejala Akibat Gigitan Nyamuk

Set 1

Gejala akibat gigitan nyamuk ? Trombositopeni

(yes/no)

? Air seni berkurang (yes/no)

? Sakit kepala (yes/no)

? Berkeringat (yes/no) ? Urine pekat (yes/no)

Malaria Set 2

Set 3 ? Nyeri otot

(yes/no)

? Kulit bintik merah (yes/no)

Demam Berdarah ? Pendarahan

Gambar 3.5 Dependency Diagram Gejala Akibat Gigitan Nyamuk

Set 4 ? Mata merah

(yes/no) ? Lumpuh (yes/no)

? Letih dan Lesu (yes/no)

? Ngilu persendian (yes/no)

Chikungunya

? Kejang (yes/no)

? Gangguan Kesadaran (yes/no) ? Mengigil (yes/no) ? Mual (yes/no) ? Dehidrasi (yes/no) Demam Kuning Set 5 Set 6 ? Lymphadentis (yes/no)

? Early Lymphadema (yes/no)

Filariasis ? Demam

(yes/no)

Set 1 _{Gejala akibat}

3.5 Perancangan Tabel Pengetahuan

Sumber data yang digunakan dalam sistem ini dari hasil wawancara dr. Risky N, dengan meliputi data penyakit dan data gejala yang menyerang pada nyamuk seperti tabel - tabel hasil wawancara berikut :

Tabel 3.1 hasil wawancara dr. Risky penyakit demam berdarah No. Gejala / Keluhan Persentase

Ahli

Hasil MB Persentase Ahli

Hasil MD

1. DEMAM 90 % 0.90 20 % 0.20

2. PENDARAHAN 91 % 0.91 11 % 0.11

3. MUAL 67 % 0.67 34 % 0.34

4. KEJANG 65 % 0.65 30 % 0.30

5. SAKIT KEPALA 71 % 0.71 22 % 0.22

6. MENGGIGIL 67 % 0.67 40 % 0.40

7. NYERI OTOT 90 % 0.90 9 % 0.09

8. KULIT BINTIK MERAH 95 % 0.95 12 % 0.12

9. URINE PEKAT 85 % 0.85 23 % 0.23

10. TROMBOSITOPENI 21 % 0.21 55 % 0.55

11. LETIH & LESU 75 % 0.75 29 % 0.29

12. BERKERINGAT 13 % 0.13 45 % 0.45

13. GANGGUAN

KESADARAN

27 %

0.27 61 % 0.61

14. AIR SENI BERKURANG 30 % 0.30 40 % 0.40

15. NGILU PERSENDIAN 14 % 0.14 50 % 0.50

16. MATA MERAH 28 % 0.28 43 % 0.43

17. LUMPUH 12 % 0.12 65 % 0.65

18. LYMPHADENTIS 22 % 0.22 56 % 0.56

19. EARLY LYMPHODEMA 5 % 0.05 87 % 0.87

Keterangan :

• Hasil MB = Persentase / 100

• Hasil MD = persentase / 100

Tabel 3.2 hasil wawancara dr. Risky penyakit Malaria No. Gejala / Keluhan Persentase

Ahli

Hasil MB Persentase Ahli

Hasil MD

1. DEMAM 84 % 0.84 20 % 0.20

2. PENDARAHAN 91 % 0.91 23 % 0.23

3. MUAL 76 % 0.76 34 % 0.34

4. KEJANG 88 % 0.88 30 % 0.30

5. SAKIT KEPALA 76 % 0.76 22 % 0.22

6. MENGGIGIL 65 % 0.65 40 % 0.40

7. NYERI OTOT 87 % 0.87 67 % 0.67

8. KULIT BINTIK MERAH 21 % 0.21 12 % 0.12

9. URINE PEKAT 92 % 0.92 2 % 0.02

10. TROMBOSITOPENI 35 % 0.35 34 % 0.34

11. LETIH & LESU 82 % 0.82 21 % 0.21

12. BERKERINGAT 75 % 0.75 10 % 0.10

13. GANGGUAN

KESADARAN

70 %

0.70 11 % 0.11

14. AIR SENI BERKURANG 69 % 0.69 21 % 0.21

15. NGILU PERSENDIAN 30 % 0.30 54 % 0.54

16. MATA MERAH 11 % 0.11 31 % 0.31

17. LUMPUH 12 % 0.12 65 % 0.65

18. LYMPHADENTIS 9 % 0.09 80 % 0.80

19. EARLY LYMPHODEMA 5 % 0.05 79 % 0.79

Keterangan :

• Hasil MB = Persentase / 100

• Hasil MD = persentase / 100

Tabel 3.3 hasil wawancara dr. Risky penyakit Cikungunya No. Gejala / Keluhan Persentase

Ahli

Hasil MB Persentase Ahli

Hasil MD

1. DEMAM 89 % 0.89 20 % 0.20

2. PENDARAHAN 12 % 0.12 23 % 0.23

3. MUAL 78 % 0.78 34 % 0.34

4. KEJANG 88 % 0.88 30 % 0.30

5. SAKIT KEPALA 34 % 0.34 22 % 0.22

6. MENGGIGIL 23 % 0.23 40 % 0.40

7. NYERI OTOT 10 % 0.10 67 % 0.67

8. KULIT BINTIK MERAH 77 % 0.77 12 % 0.12

9. URINE PEKAT 23 % 0.23 59 % 0.59

10. TROMBOSITOPENI 34 % 0.34 54 % 0.54

11. LETIH & LESU 87 % 0.87 21 % 0.21

12. BERKERINGAT 20 % 0.20 76 % 0.76

13. GANGGUAN

KESADARAN

11 % _0.11 64 %

0.64

14. AIR SENI BERKURANG 29 % 0.29 34 % 0.34

15. NGILU PERSENDIAN 95 % 0.95 2 % 0.02

16. MATA MERAH 97 % 0.97 15 % 0.15

17. LUMPUH 92 % 0.92 12 % 0.12

18. LYMPHADENTIS 20 % 0.20 76 % 0.76

19. EARLY LYMPHODEMA 18 % 0.18 87 % 0.87

Keterangan :

• Hasil MB = Persentase / 100

• Hasil MD = persentase / 100

Tabel 3.4 hasil wawancara dr. Risky penyakit Filariasis No. Gejala / Keluhan Persentase

Ahli

Hasil MB Persentase Ahli

Hasil MD

1. DEMAM 91 % 0.91 12 % 0.12

2. PENDARAHAN 20 % 0.20 76 % 0.76

3. MUAL 19 % 0.19 86 % 0.86

4. KEJANG 23 % 0.23 78 % 0.78

5. SAKIT KEPALA 32 % 0.32 60 % 0.60

6. MENGGIGIL 22 % 0.22 59 % 0.59

7. NYERI OTOT 20 % 0.20 70 % 0.70

8. KULIT BINTIK MERAH 22 % 0.22 60 % 0.60

9. URINE PEKAT 14 % 0.14 78 % 0.78

10. TROMBOSITOPENI 1 % 0.01 55 % 0.55

11. LETIH & LESU 10 % 0.10 77 % 0.77

12. BERKERINGAT 11 % 0.11 45 % 0.45

13. GANGGUAN

KESADARAN

19 %

0.19 85 % 0.85

14. AIR SENI BERKURANG 29 % 0.29 86 % 0.86

15. NGILU PERSENDIAN 23 % 0.23 68 % 0.68

16. MATA MERAH 19 % 0.19 76 % 0.76

17. LUMPUH 11 % 0.11 54 % 0.54

18. LYMPHADENTIS 96 % 0.96 2 % 0.02

19. EARLY LYMPHODEMA 98 % 0.98 1 % 0.01

Keterangan :

• Hasil MB = Persentase / 100

• Hasil MD = persentase / 100

Tabel 3.5 hasil wawancara dr. Risky penyakit Japanese Enchephelitis No. Gejala / Keluhan Persentase

Ahli

Hasil MB Persentase Ahli

Hasil MD

1. DEMAM 86 % 0.86 20 % 0.20

2. PENDARAHAN 32 % 0.32 23 % 0.23

3. MUAL 80 % 0.80 21 % 0.21

4. KEJANG 88 % 0.88 26 % 0.26

5. SAKIT KEPALA 70 % 0.70 22 % 0.22

6. MENGGIGIL 79 % 0.79 30 % 0.30

7. NYERI OTOT 30 % 0.30 67 % 0.67

8. KULIT BINTIK MERAH 21 % 0.21 65 % 0.65

9. URINE PEKAT 15 % 0.15 79 % 0.79

10. TROMBOSITOPENI 16 % 0.16 69 % 0.69

11. LETIH & LESU 32 % 0.32 67 % 0.67

12. BERKERINGAT 42 % 0.42 54 % 0.54

13. GANGGUAN

KESADARAN

85 %

0.85 24 % 0.24

14. AIR SENI BERKURANG 9 % 0.09 43 % 0.43

15. NGILU PERSENDIAN 10 % 0.10 72 % 0.72

16. MATA MERAH 12 % 0.12 73 % 0.73

17. LUMPUH 21 % 0.21 65 % 0.65

18. LYMPHADENTIS 25 % 0.25 54 % 0.54

19. EARLY LYMPHODEMA 32 % 0.32 45 % 0.45

Keterangan :

• Hasil MB = Persentase / 100

• Hasil MD = persentase / 100

Dapat disimpulkan ada beberapa data penyakit dan data gejala yang di gambarkan tabel diatas .Data pengetahuan / ahli dari dr. Risky yang berupa hasil nilai MB dan MD pada tabel 3.6 sebagai berikut :

Tabel 3.6 Sample Pengetahuan ( dr. Risky )

NO GEJALA

DEMAM

BERDARAH MALARIA CIKUNGUNYA FILARIASIS

JAPANESE CHEPHELITIS

MB MD MB MD MB MD MB MD MB MD

1. DEMAM 0.90 0.20 0.84 0.20 0.89 0.20 0.91 0.12 0.86 0.20

2. PENDARAHAN 0.91 0.11 0.91 0.23 0.12 0.23 0.20 0.76 0.32 0.23

3. MUAL 0.67 0.34 0.76 0.34 0.78 0.34 0.19 0.86 0.80 0.21

4. KEJANG 0.65 0.30 0.88 0.30 0.88 0.30 0.23 0.78 0.88 0.26

5. SAKIT KEPALA 0.71 0.22 0.76 0.22 0.34 0.22 0.32 0.60 0.70 0.22

6. MENGGIGIL 0.67 0.40 0.65 0.40 0.23 0.40 0.22 0.59 0.79 0.30

7. NYERI OTOT 0.90 0.09 0.87 0.67 0.10 0.67 0.20 0.70 0.30 0.67

8. KULIT BINTIK MERAH0.95 0.12 0.21 0.12 0.77 0.12 0.22 0.60 0.21 0.65

9. URINE PEKAT 0.85 0.23 0.92 0.02 0.23 0.59 0.14 0.78 0.15 0.79

10. TROMBOSITOPENI 0.21 0.55 0.35 0.34 0.34 0.54 0.01 0.55 0.16 0.69

11. LETIH & LESU 0.75 0.29 0.82 0.21 0.87 0.21 0.10 0.77 0.32 0.67

12. BERKERINGAT 0.13 0.45 0.75 0.10 0.20 0.76 0.11 0.45 0.42 0.54

13. GANGGUAN

ADARAN 0.27 0.61 0.70 0.11 0.11 0.64 0.19 0.85 0.85 0.24

14. AIR SENI BERKURAN 0.30 0.40 0.69 0.21 0.29 0.34 0.29 0.86 0.09 0.43

15. NGILU PERSENDIAN 0.14 0.50 0.30 0.54 0.95 0.02 0.23 0.68 0.10 0.72

16. MATA MERAH 0.28 0.43 0.11 0.31 0.97 0.15 0.19 0.76 0.12 0.73

17. LUMPUH 0.12 0.65 0.12 0.65 0.92 0.12 0.11 0.54 0.21 0.65

NO GEJALA

DEMAM

BERDARAH MALARIA CIKUNGUNYA FILARIASIS

JAPANESE CHEPHELITIS

MB MD MB MD MB MD MB MD MB MD

19. EARLY LYMPHODEM 0.05 0.87 0.05 0.79 0.18 0.87 0.98 0.01 0.32 0.45

20. DEHIDRASI 0.01 0.95 0.01 0.82 0.01 0.89 0.09 0.87 0.98 0.20

3.6 Perancangan Diagram Konteks

Perancangan ini menggunakan diagram konteks, diagram ini menjelaskan tentang hubungan input / output antara sistem dengan dunia luarnya, suatu diagram konteks selalu mengandung satu proses saja yang mewakili proses seluruh sistem. Perancangan sistem dimulai dari hal yang paling global hingga menjadi model yang detail.

Aliran data bersumber dari pengetahuan yang didapatkan dari pakar, dimasukkan ke dalam sistem, kemudian akan di proses. Pasien memasukkan gejala yang dirasakan untuk keperluan diagnosa, kemudian pasien mendapatkan diagnosa penyakit. Sedangkan admin melakukan penambahan data pakar, apabila ada pakar baru ke dalam sistem. Seperti pada gambar 3.4 Sebagai berikut :

Sistem Pakar Admin Pakar Pasien Data penyakit, Data gejala, Data pengetahuan Data pakar,

data penyakit, data gejala, data pengetahuan Data pakar

Hasil diagnosa Gejala pasien

Data pakar

3.6.1 Data Flow Diagram Level 1

Data flow diagram level 1 merupakan pengembangan dari diagram konteks. Proses pada data flow diagram level 1 terdiri dari 2 yaitu proses pengolahan data dan proses diagnosa penyakit. Seperti pada gambar 3.5 Sebagai berikut :

Pengolahan data

Admin Pakar

Diagnosa penyakit

Pasien

T. Pengetahuan T. Penyakit

T. Gejala

Gejala pasien Hasil diagnosa

Data pakar, data penyakit, data gejala, data pengetahuan

T. Pakar Data pakar, data penyakit,

data gejala, data pengetahuan

Data pakar

Gambar 3.7 Data Flow Diagram Level 1

Proses 1 merupakan proses yang mengatur data – data yang diperlukan untuk sistem dan proses 2 merupakan proses yang melakukan perhitungan dengan metode CF yang dihitung berdasarkan masukan gejala yang ada pasien tersebut.

3.7 Relasi Tabel

Database yang disebabkan nyamuk terdiri dari 3 buah tabel utama yaitu : gejala, penyakit, dan diagnosa. Tabel ini digunakan untuk menyimpan data – data gejala, penyakit serta nilai dari MB dan MD dari masing – masing diagnosa.

Tbl_Diagnosa PK Kddiagnosa MD MB Tbl_Gejala PK KdGejala NmGejala KetGejala Tbl_Penyakit PK KdPenyakit NmPenyakit KetPenyakit Ket2Penyakit IMG

Gambar 3.8 Relasi Tabel

3.8 Perancangan Proses Konsultasi

Dalam proses konsultasi, dengan bantuan working memory sistem menggabungkan basis pengetahuan dengan mesin inferensi. Lewat proses ini basis pengetahuan yang ada akan diolah pada mesin inferensi dan disimpan dalam working memory.

Working memory pada sistem pakar ini digunakan untuk menyimpan jawaban yang diberikan oleh pengguna pada saat melakukan konsultasi. Setelah konsultasi selesai isi dari working memory akan dihapus. Working memory direpresentasikan dalam bentuk tabel jawab. Apapun struktur tabel jawab dapat dilihat pada tabel 3.1

Tabel 3.7 Struktur Tabel Jawab

Nama Atribut Tipe Field Ukuran Kunci Keterangan

KdGejala Text 4 PK Kode Gejala

KdAturan Text 4 PK Kode Aturan

CF Number Tingkat Kepastian

Proses konsultasi diawali dengan proses inisialisasi yaitu proses untuk menentukan aturan dari jenis gangguan yang disebabkan nyamuk yang pertama. Kemudian dilakukan perbandingan jumlah gejala dimana aturan dengan jumlah gejala yang paling sedikit akan ditampilkan. Setelah itu dilakukan pengecekan apakah gejala cocok dengan keadaan si penderita. Proses akan selesai jika solusi sudah ditemukan.

3.9 Perancangan Basis Pengetahuan

Sebelum dapat melakukan akusisi pengetahuan, seorang pakar harus terlebih dahulu memasukkan nama dan password ke dalam sistem. Jika salah satu dari keduanya tidak sama dengan nama dan password yang ada pada tabel login maka tidak dapat masuk ke dalam menu pakar. Namun apabila nama dan password yang dimasukkan sama dengan nama dan password yang ada pada tabel login maka pakar dapat masuk ke dalam menu pakar dan melakukan akuisisi pengetahuan. Struktur tabel login dapat dilihat pada dilihat pada tabel 3.2

Tabel 3.8 Struktur Tabel Login

Nama Atribut Tipe Field Ukuran Kunci Keterangan

Uname Text 20 PK User name

Upass Text 50 password

Pengetahuan untuk melakukan diagnosis gangguan yang disebabkan nyamuk pada penderita ini dipresentasikan dalam bentuk tabel yang berisi fakta – fakta dan aturan – aturan tentang gangguan yang disebabkan oleh nyamuk. Tabel – tabel tersebut antara lain :

a. Tabel data penyakit

Tabel data penyakit adalah tabel yang menyimpan informasi mengenai jenis penyakit yang disebabkan nyamuk. Tabel ini terdiri atas lima field yaitu KdPenyakit, NmPenyakit, KetPenyakit, Ket2Penyakit dan Img. Struktur tabel data penyakit dapat dilihat pada tabel 3.3

Tabel 3.9 Struktur Tabel Jenis Data Penyakit

Nama Atribut Tipe Field Ukuran Kunci Keterangan

KdPenyakit Text 20 Pk Kode Penyakit

NmPenyakit Text 100 Nama Penyakit

KetPenyakit Text 500 Keterangan Penyakit

Ket2Penyakit Text 500 Keterangan 2 Penyakit

b. Tabel Gejala

Tabel gejala adalah tabel yang menyimpan informasi mengenai gejala – gejala akibat gigitan nyamuk. Tabel ini terdiri atas tiga field, yaitu KdGejala, NmGejala dan KetGejala.

Tabel 3.10 Struktur Tabel Gejala Akibat Gigitan Nyamuk Nama Atribut Tipe Field Ukuran Kunci Keterangan

KdGejala Text 20 Pk Kode Gejala

NmGejala Text 50 Nama Gejala

KetGejala Text 250 Keterangan Gejala

c. Tabel Aturan

Tabel aturan adalah tabel yang menyimpan informasi mengenai kode jenis akibat gigitan nyamuk dan nilai faktor kepastian untuk setiap aturan. Struktur table aturan dapat dilihat pada tabel 3.5

Table 3.11 Struktur Tabel Aturan

Nama Atribut Tipe Field Ukuran Kunci Keterangan

KdAturan Text 10 PK Kode Aturan

KdPenyakit Text 20 PK Kode Penyakit

CF Number Tingkat Kepastian

d. Tabel Atur

Tabel atur adalah tabel yang menyimpan informasi mengenai kode gejala akibat gigitan nyamuk yang ada pada setiap aturan. Struktur table atur dapat dilihat pada table 3.6

Table 3.12 Struktur Tabel Atur

Nama Atribut Tipe Field Ukuran Kunci Keterangan

KdGejala Text 20 PK Kode Gejala

KdAturan Text 10 PK Kode Aturan

e. Tabel Solusi

Tabel solusi adalah tabel yang menyimpan informasi mengenai solusi untuk setiap jenis akibat gigitan nyamuk. Struktur tabel solusi dapat dilihat pada table 3.7

Table 3.13 Struktur Tabel Solusi

Nama Atribut Tipe Field Ukuran Kunci Keterangan

KdPenyakit Text 20 PK Kode Penyakit

Solusi memo Solusi gangguan

57

4.1 Implementasi Sistem

Sistem pakar untuk mendiagnosa penyakit yang disebabkan nyamuk dengan menggunakan certainty factor (faktor kepastian) yang telah di rancang sebelumnya diimplementasikan dengan menggunakan bahasa pemrograman borland delphi 7 dan basis datanya menggunakan sql server.

4.1.1 Implementasi Menu Login

Ketika program pertama kali dijalankan maka pertama kali tampil adalah home pada gambar 4.1 . Pada menu ini terdapat lima pilihan yaitu login, home, konsultasi penyakit, informasi penyakit dan exit.

Ketika kita ingin login sebagai seorang pakar maka klik login kemudian masukkan user name dan password yang ada pada gambar 4.2. Setelah itu pakar dapat mengubah , menghapus dan menambah yang ada dalam aplikasi yang ada pada gambar 4.3

Gambar 4.2 login sebagai seorang pakar

4.1.2 Implementasi Menu User

Pada menu user terdapat enam icon yaitu login, home, konsultasi penyakit, informasi penyakit, logout dan exit. Si pengguna dapat melakukan konsultasi pada icon konsultasi penyakit dengan cara mengklik konsultasi penyakit yang dimana diminta memasukkan nama pasien, jenis kelamin, usia, alamat, telepon. Setelah mengisi form konsultasi pada gambar 4.4. Kemudian klik gejala yang akan muncul nama gejala beserta keterangan dan gambar yang ada pada gambar 4.5 dan gambar 4.6 berikut:

Gambar 4.5 Tampilan Data Gejala Untuk Pengguna

4.1.3 Implementasi Hasil

Pada menu ini menggambarkan hasil dari gambar 4.3 yang di input oleh si pengguna. Dari hasil ini terdapat keterangan bahwa si pengguna teridentifikasi penyakit demam berdarah dengan hasil nilai CF = 0,703 dan juga terdapat foto ciri – ciri nyamuk demam berdarah serta info yang untuk mengetahui cara mencegah. Seperti pada gambar 4.7 berikut :

4.1.3 Implementasi Administrator Area

Pada tampilan administrator area si pakar harus login terlebih dahulu, kemudian si pakar dapat mengklik yang terdapat di administrator area dan dapat menambahkan user seperti pada gambar 4.8 :

4.1.4 Implementasi Data Penyakit

Pada menu data penyakit, pakar dapat menambah jenis gigitan nyamuk (penyakit) yang digunakan dalam system pakar. Selain itu pakar juga dapat menghapus dan menambah jenis gigitan nyamuk tersebut jika ada yang tidak tepat seperti pada gambar 4.9 :

4.1.5 Implementasi Menu Data Gejala

Pada menu data gejala, pakar dapat memasukkan gejala yang digunakan dalam system pakar dalam melakukan diagnosis. Selain itu pakar juga dapat menghapus gejala dari gigitan nyamuk tersebut jika ada yang tidak cocok seperti pada gambar 4.10 :

4.1.6 Implementasi Menu Data Diagnosa

Pada menu data diagnosa, pakar dapat memasukkan jenis gigitan nyamuk (penyakit) , gejala, nilai minimum dan nilai maximum dengan faktor kepastian. Selain itu pakar juga dapat menghapus data diagnose tersebut jika ada yang tidak tepat yang ada pada gambar 4.11 :

5.1 Uji Coba Sistem

Uji coba sistem dilakukan untuk mengetahui kemampuan dari sistem pakar ini dalam melakukan inferensi dan menghitung nilai faktor kepastian. Berikut ini adalah hasil beberapa uji coba dari aturan yang digunakan dalam sistem pakar.

5.1.1 Contoh Kasus

Ada suatu kasus, Echa mengalami gejala demam dan pendarahan, sistem pakar memperkirakan Echa terkena penyebab gigitan oleh nyamuk, dengan nilai kepercayaan yang telah mengacu pada tabel 3.1 :

Diketahui :

Terdapat 5 macam penyakit yang memiliki gejala demam dan pendarahan, yaitu : a. Demam Berdarah

b. Malaria c. Cikungunya d. Filariasis

e. Japanese Enchephelitis Maka dengan perhitungan manual :

MB ( Demam Berdarah|demam, pendarahan) = 0.9 + 0,91 x ( 1 – 0,9 ) = 0,9 + 0,91 x 0,1

MD ( Demam Berdarah|demam, pendarahan) = 0,20 + 0,11 x ( 1 – 0,20 ) = 0,20 + 0,11 x 0,80 = 0,20 + 0,088 = 0,288 CF ( Demam Berdarah|demam, pendarahan) = 0, 991 – 0,288 = 0,703 MB ( Malaria|demam, pendarahan) = 0,84 + 0,91 x ( 1 – 0,84 )

= 0,84 + 0,91 x 0,16 = 0,84 + 0,1456 = 0,9856 MD ( Malaria|demam, pendarahan) = 0,20 + 0,23 x ( 1 – 0,20 )

= 0,20 + 0,23 x 0,8 = 0,20 + 0,184 = 0,384 CF ( Malaria|demam, pendarahan) = 0,9856 – 0,384 = 0,6016 MB ( Cikungunya|demam, pendarahan ) = 0,89 + 0,12 x ( 1 – 0,89 )

= 0,89 + 0,12 x 0,11 = 0,89 + 0,0132 = 0,9032 MD ( Cikungunya|demam, pendarahan ) = 0,20 + 0,23 x ( 1 – 0,20 )

= 0,20 + 0,23 x 0,80 = 0,20 + 0,184 = 0,384 CF ( Cikungunya|demam, pendarahan ) = 0,9032 – 0,384 = 0,5192 MB ( Filariasis|demam, pendarahan ) = 0,91 + 0,20 x ( 1 – 0,91 )

= 0,91 + 0,20 x 0,09 = 0,91 + 0,018 = 0,928 MD ( Filariasis|demam, pendarahan ) = 0,12 + 0,76 x ( 1 – 0,12 )

= 0,12 + 0,6688 = 0,7888 CF ( Filariasis|demam, pendarahan ) = 0,928 – 0,7888 = 0,1392 MB ( Japanese Enchephelitis|demam, pendarahan ) = 0,86 + 0,32 x ( 1 – 0,86 )

= 0,86 + 0,32 x 0,14 = 0,86 + 0,0448 = 0,9048 MD ( Japanese Enchephelitis|demam, pendarahan ) = 0,20 + 0,23 x ( 1 – 0,20 )

= 0,20 + 0,23 x 0,80 = 0,20 + 0,184 = 0,384 CF ( Japanese Enchephelitis|demam, pendarahan ) = 0,9048 – 0,384 = 0,5208 Dari CF masing – masing penyakit diperoleh nilai CF terbesar penyakit demam berdarah, sebesar 0,703 sehingga dugaan terbesar echa terkena penyakit demam berdarah.

Ketika sistem pakar diuji coba dengan input seperti diatas didapat hasil seperti pada gambar 5.1 berikut :

69

6.1 Kesimpulan

Bahwa kesimpulan yang didapat dari hasil implementasi rancangan dan uji coba sistem pakar untuk mendiagnosa akibat gigitan nyamuk dengan menggunakan faktor kepastian ini antara lain :

1) Sistem dapat mengindentifikasi jenis penyakit yang disebabkan oleh nyamuk disertai dengan nilai faktor kepastian / metode certainty factor berdasarkan pemeriksaan gejala fisik. Selain itu sistem pakar ini dapat memberikan solusi untuk setiap jenis penyakit yang disebabkan oleh nyamuk.

2) Pakar dapat melakukan akusisi pengetahuan, baik itu berupa basis pengetahuan , basis aturan maupun solusi.

3) Dalam merancang program ini menggunakan metode certainty. 4) Aplikasi program menggunakan Borland Delphi 7.0

6.2 Saran

Adapun saran untuk pengembangan sistem pakar ini antara lain :

1) Sistem pakar ini hanya dapat mendiagnosa penyakit yang disebabkan oleh nyamuk tertentu dan terbatas, sehingga untuk pengembangan lebih lanjut hendaknya dapat mendiagnosa penyakit akibat gigitan nyamuk yang lebih

meluas, bahkan lebih baik apabila menampilkan penyebab penyakit yang sedang menjadi endemi pada saat itu juga.

2) Sistem pakar ini hanya menggunakan operator logika AND pada aturan produksinya, sehingga untuk pengembangan lebih lanjut dapat dilakukan dengan operator logika yang lain atau kombinasi antar operator logika. 3) Sistem pakar ini masih dapat dikembangkan lagi dalam bentuk web

Ahmad, (2004). Penggerakan Masyarakat Dalam Pemberantasan Sarang Nyamuk Demam Berdarah Dengue. Buletin Indonesia, Jakarta.

Arhami. M, (2004). Konsep Dasar Sistem Pakar. Andi Offset, Yogyakarta. Aziz Farid, (1994) Belajar Sendiri Pemprograman Sistem Pakar, PT. Elex Media

Komputindo, Jakarta.

Depkes RI, (2001). Pedoman Ekologi dan Aspek Perilaku Vektor. Dit. Jen. PPM-PL. Departemen Kesehatan RI. Jakarta.

Hoedojo. R, (1993). Parasitologi Kedokteran. Edisi Ke-2. Fakultas Kedokteran Universitas Indonesia. Jakarta.

Kusrini. (2006), Sistem Pakar “Teori dan Aplikasinya”. Penerbit Andi. Yogyakarta. Kusumadewi. S, (2003). Artificial Intelligence (Teknik dan Aplikasinya). Graha Ilmu,

Yogyakarta.

Laras, K., Sukri, N. C., Larasati, R. P., Bangs, M. J., Kosim, R., Djauzi, Wandra, T., Master, J., Kosasih, H. & other authors (2005). Tracking the re-emergence of epidemic chikungunya virus in Indonesia. Salemba Medika. Jakarta.

Martin.J, Oxman.S (1998). Building expert system a tutorial. Prentince hall. New Jersey.

Soeroto .A,. P. F. D. Van Peenen,. S.W. Joseph,. J. Sulianti Saroso dan Richard See. (1973). Observation on posible Culex arbovirus vectors in Jakarta, Indonesia. EGC. Jakarta.

Wahyu Prabowo, Muhammad Arief. W dan Bagus Santoso (2008). Seminar Nasional Aplikasi Teknologi Informasi. Yogyakarta

BAB V

UJI COBA PROGRAM

5.1 Uji Coba Sistem

Uji coba sistem dilakukan untuk mengetahui kemampuan dari sistem pakar ini dalam melakukan inferensi dan menghitung nilai faktor kepastian. Berikut ini adalah hasil beberapa uji coba dari aturan yang digunakan dalam sistem pakar. 5.1.1 Contoh Kasus

Ada suatu kasus, Echa mengalami gejala demam dan pendarahan, sistem pakar memperkirakan Echa terkena penyebab gigitan oleh nyamuk, dengan nilai kepercayaan yang telah mengacu pada tabel 3.1 :

Diketahui :

Terdapat 5 macam penyakit yang memiliki gejala demam dan pendarahan, yaitu : a. Demam Berdarah

b. Malaria c. Cikungunya d. Filariasis

e. Japanese Enchephelitis Maka dengan perhitungan manual :

MB ( Demam Berdarah|demam, pendarahan) = 0.9 + 0,91 x ( 1 – 0,9 ) = 0,9 + 0,91 x 0,1

MD ( Demam Berdarah|demam, pendarahan) = 0,20 + 0,11 x ( 1 – 0,20 ) = 0,20 + 0,11 x 0,80 = 0,20 + 0,088 = 0,288 CF ( Demam Berdarah|demam, pendarahan) = 0, 991 – 0,288 = 0,703 MB ( Malaria|demam, pendarahan) = 0,84 + 0,91 x ( 1 – 0,84 )

= 0,84 + 0,91 x 0,16 = 0,84 + 0,1456 = 0,9856 MD ( Malaria|demam, pendarahan) = 0,20 + 0,23 x ( 1 – 0,20 )

= 0,20 + 0,23 x 0,8 = 0,20 + 0,184 = 0,384 CF ( Malaria|demam, pendarahan) = 0,9856 – 0,384 = 0,6016 MB ( Cikungunya|demam, pendarahan ) = 0,89 + 0,12 x ( 1 – 0,89 )

= 0,89 + 0,12 x 0,11 = 0,89 + 0,0132 = 0,9032 MD ( Cikungunya|demam, pendarahan ) = 0,20 + 0,23 x ( 1 – 0,20 )

= 0,20 + 0,23 x 0,80 = 0,20 + 0,184 = 0,384 CF ( Cikungunya|demam, pendarahan ) = 0,9032 – 0,384 = 0,5192 MB ( Filariasis|demam, pendarahan ) = 0,91 + 0,20 x ( 1 – 0,91 )

= 0,91 + 0,20 x 0,09 = 0,91 + 0,018 = 0,928 MD ( Filariasis|demam, pendarahan ) = 0,12 + 0,76 x ( 1 – 0,12 )

68

= 0,12 + 0,6688 = 0,7888 CF ( Filariasis|demam, pendarahan ) = 0,928 – 0,7888 = 0,1392 MB ( Japanese Enchephelitis|demam, pendarahan ) = 0,86 + 0,32 x ( 1 – 0,86 )

= 0,86 + 0,32 x 0,14 = 0,86 + 0,0448 = 0,9048 MD ( Japanese Enchephelitis|demam, pendarahan ) = 0,20 + 0,23 x ( 1 – 0,20 )

= 0,20 + 0,23 x 0,80 = 0,20 + 0,184 = 0,384 CF ( Japanese Enchephelitis|demam, pendarahan ) = 0,9048 – 0,384 = 0,5208 Dari CF masing – masing penyakit diperoleh nilai CF terbesar penyakit demam berdarah, sebesar 0,703 sehingga dugaan terbesar echa terkena penyakit demam berdarah.

Ketika sistem pakar diuji coba dengan input seperti diatas didapat hasil seperti pada gambar 5.1 berikut :

6.1 Kesimpulan

Bahwa kesimpulan yang didapat dari hasil implementasi rancangan dan uji coba sistem pakar untuk mendiagnosa akibat gigitan nyamuk dengan menggunakan faktor kepastian ini antara lain :

1) Sistem dapat mengindentifikasi jenis penyakit yang disebabkan oleh nyamuk disertai dengan nilai faktor kepastian / metode certainty factor berdasarkan pemeriksaan gejala fisik. Selain itu sistem pakar ini dapat memberikan solusi untuk setiap jenis penyakit yang disebabkan oleh nyamuk.

2) Pakar dapat melakukan akusisi pengetahuan, baik itu berupa basis pengetahuan , basis aturan maupun solusi.

3) Dalam merancang program ini menggunakan metode certainty. 4) Aplikasi program menggunakan Borland Delphi 7.0

6.2 Saran

Adapun saran untuk pengembangan sistem pakar ini antara lain :

1) Sistem pakar ini hanya dapat mendiagnosa penyakit yang disebabkan oleh nyamuk tertentu dan terbatas, sehingga untuk pengembangan lebih lanjut hendaknya dapat mendiagnosa penyakit akibat gigitan nyamuk yang lebih

70

meluas, bahkan lebih baik apabila menampilkan penyebab penyakit yang sedang menjadi endemi pada saat itu juga.

2) Sistem pakar ini hanya menggunakan operator logika AND pada aturan produksinya, sehingga untuk pengembangan lebih lanjut dapat dilakukan dengan operator logika yang lain atau kombinasi antar operator logika. 3) Sistem pakar ini masih dapat dikembangkan lagi dalam bentuk web

Ahmad, (2004). Penggerakan Masyarakat Dalam Pemberantasan Sarang Nyamuk Demam Berdarah Dengue. Buletin Indonesia, Jakarta.

Arhami. M, (2004). Konsep Dasar Sistem Pakar. Andi Offset, Yogyakarta. Aziz Farid, (1994) Belajar Sendiri Pemprograman Sistem Pakar, PT. Elex Media

Komputindo, Jakarta.

Depkes RI, (2001). Pedoman Ekologi dan Aspek Perilaku Vektor. Dit. Jen. PPM-PL. Departemen Kesehatan RI. Jakarta.

Hoedojo. R, (1993). Parasitologi Kedokteran. Edisi Ke-2. Fakultas Kedokteran Universitas Indonesia. Jakarta.

Kusrini. (2006), Sistem Pakar “Teori dan Aplikasinya”. Penerbit Andi. Yogyakarta. Kusumadewi. S, (2003). Artificial Intelligence (Teknik dan Aplikasinya). Graha Ilmu,

Yogyakarta.

Laras, K., Sukri, N. C., Larasati, R. P., Bangs, M. J., Kosim, R., Djauzi, Wandra, T., Master, J., Kosasih, H. & other authors (2005). Tracking the re-emergence of epidemic chikungunya virus in Indonesia. Salemba Medika. Jakarta.

Martin.J, Oxman.S (1998). Building expert system a tutorial. Prentince hall. New Jersey.

Soeroto .A,. P. F. D. Van Peenen,. S.W. Joseph,. J. Sulianti Saroso dan Richard See. (1973). Observation on posible Culex arbovirus vectors in Jakarta, Indonesia. EGC. Jakarta.

Wahyu Prabowo, Muhammad Arief. W dan Bagus Santoso (2008). Seminar Nasional Aplikasi Teknologi Informasi. Yogyakarta