Sistem Pakar Diagnosa Penyakit Kulit Berbasis Website Menggunakan Metode Naive Bayes (Web Based Expert System For Diagnostic Skin Disease Using Naive Bayes Method) - Repository UNRAM

  

Sistem Pakar Diagnosa Penyakit Kulit Berbasis

Website Menggunakan Metode Naive Bayes

(Web Based Expert System For Diagnostic Skin Disease Using Naive Bayes Method)

  Sistem pakar merupakan suatu program aplikasi komputerisasi yang berusaha menirukan proses penalaran dari seorang ahlinya dalam memecahkan masalah seorang pakar karena pengetahuannya disimpan di dalam basis pengetahuan untuk di proses agar mendapatkan suatu pemecahan masalah [2]. Dalam bidang kesehatan sistem pakar memiliki berbagai metode – metode dalam melakukan diagnosa, salah satu diantaranya adalah naive Bayes. naive Bayes merupakan sebuah pengklasifikasian probabilitas sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan [3].

  Terdapat banyak penelitian sistem pakar yang telah dilakukan menggunakan metode naive bayes. Pada penelitian pertama yang menjadi sumber rujukan dilakukan penelitian menggunakan metode naive bayes. Data yang digunakan pada penelitian ini terdiri dari 11 jenis nilai, 4 jurusan, 514 data training dan 111 data uji. Penelitian ini memiliki hasil berupa nilai akurasi dengan rata-rata sebesar 77,47%. Kesimpulan dari penelitian ini menjelaskan bahwa sistem yang dibuat berhasil menentukan jurusan siswa yang tepat sesuai dengan kemampuannya. Namun pada penelitian ini dapat dilakukan pengembangan seperti melakukan penambah atau pengurangan kriteria untuk memperbaiki akurasi dan melakukan kombinasi dengan metode yang lain untuk meningkatkan akurasi [4].

  USTAKA

  P

  INJAUAN

  II. T

  Sistem pakar diagnosa penyakit kulit berbasis website menggunakan metode naive Bayes ini diharapkan dapat membantu masyarakat dalam melakukan diagnosa penyakit kulit secara dini, mendapatkan informasi mengenai penyakit kulit dan mendapatkan solusi sementara sebelum masyarakat berkonsultasi lebih lanjut dengan dokter spesialis kulit.

  Meskipun kulit merupakan organ yang istimewa dan memiliki banyak fungsi yang penting bagi manusia tetapi masyarakat awam masih mengalami kesulitan dalam merawat kulit dikarenakan masih kurangnya pemahaman masyarakat awam mengenai penyakit kulit yang biasanya hanya diketahui oleh dokter spesialis kulit. Adapun penyakit kulit seperti nekrolisis epidermal toksik yang apabila tidak dilakukan penangganan dini dapat menyebabkan kematian sehingga perlu dilakukan diagnosa penyakit kulit secara dini, maka diperlukan suatu aplikasi yang dapat membantu melakukan diagnosa penyakit kulit secara dini sebelum berkonsultasi lebih lanjut dengan dokter spesialis kulit. Alat bantu tersebut dapat berupa aplikasi sistem pakar.

  

Kurnia Ramadhan, I Gede Pasek Suta Wijaya, Moh. Ali Albar

  Berbeda dengan organ lain, kulit yang terletak pada sisi terluar manusia ini memudahkan pengamatan, baik dalam kondisi normal maupun sakit. Manusia secara sadar terus menerus mengamati organ ini, baik yang dimiliki orang lain maupun diri sendiri. Dalam kondisi sehat, kulit menunjang rasa percaya diri seseorang dan apabila dalam kondisi sakit kulit mungkin menjadi sumber keresahan. Kulit menjalankan berbagai tugas dalam memelihara kesehatan manusia secara utuh seperti perlindungan fisik (terhadap gaya mekanik, sinar ultraviolet, bahan kimia), perlindungan imunologik, ekskresi, pengindera, pengatur suhu tubuh, pembentuk vitamin D, dan kosmetik [1].

  ENDAHULUAN Kulit merupakan organ yang istimewa pada manusia.

  I. P

  Key words : Skin, Naive Bayes, Expert Sistem, Website.

  Abstract- The skin is an important organ in the human body which functions to maintain human health as a whole, such as physical protection, immunological protection, excretion, sensing, body temperature regulators, forming vitamin D and cosmetics. Affected skin can make a person anxious and even the most severe can cause death. The purpose of this study is for people to diagnose skin diseases early using a website-based sistem. Calculation of naive bayes based on data of cases that have occurred and data entered by sistem users. Sistem testing results indicate that the sistem can diagnose the disease with an accuracy of 80% in the diagnosis process with a total of 10 diseases and 25 symptoms .

  Email: l.kurniaramadhan@gmail.com, gpsutawijaya@unram.ac.id, mohalialbar@unram.ac.id

  Dept Informatics Engineering, Mataram University Jl. Majapahit 62, Mataram, Lombok NTB, INDONESIA

  Pada penelitian kedua yang menjadi sumber rujukan dilakukan penelitian dengan menggunakan metode naive bayes classifer berbasis DDST Rules. Data yang digunakan pada penelitian ini terdiri dari 125 pertanyaan DDST rules, 513 data perkembangan anak yang dibagi menjadi 403 data training dan 110 data testing yang menghasilkan nilai akurasi dengan rata-rata sebesar 83,1%. Kesimpulan dari penelitian ini menjelaskan bahwa penelitian ini telah berhasil menghasilkan sistem pakar klasifikasi status perkembangan anak usia dini berbasis desktop, sistem ini membantu pakar dalam melakukan pemeriksaan dan dapat membantu orangtua dalam mendeteksi status perkembangan anak. Namun pada penelitian ini dapat dilakukan pengembangan seperti dapat diimplementasikan ke dalam perangkat online seperti website dan perangkat mobile berbasis android [5].

  Pada penelitian ketiga yang menjadi sumber rujukan dilakukan penelitian dengan menggunakan metode naïve bayes classifier. Data yang digunakan pada penelitian ini terdiri dari 16 gejala penyakit gagal jantung dan 4 penyakit gagal jantung, 134 data training dan 66 data uji. Penelitian ini memiliki hasil berupa nilai akurasi dengan rata-rata sebesar 83%. Kesimpulan dari penelitian ini menjelaskan bahwa semakin banyak data training maka semakin akurat hasilnya dari tiga kali uji coba. Namun pada penelitian ini dapat dilakukan pengembangan seperti menambah jumlah data training, data penyakit dan mengimplementasikan ke website atau ke perangkat mobile [6].

  Pada penelitian keempat yang menjadi sumber rujukan dilakukan penelitian dengan menggunakan naive bayes. Data yang digunakan pada penelitian ini terdiri dari 11 penyakit sapi potong, 20 gejala sapi potong, 325 data training dan 26 data uji. Penelitian ini memiliki hasil berupa nilai akurasi sebesar 93.01%. Kesimpulan dari penelitian ini menjelaskan bahwa sistem yang dibuat mampu berjalan dengan baik dan sesuai kebutuhan fungsional. Berdasarkan 5 skenario pengujian dapat ditarik kesimpulan bahwa semakin banyak data training belum tentu dapat menjamin sistem pakar yang dihasilkan akan semakin baik. Namun pada penelitian ini dapat dilakukan pengembangan seperti melakukan pembobotan gejala klinis penyakit, mengkombinasikan metode naive bayes dengan metode lain dan menambahkan jenis penyakit dan gejala klinis [7].

  Adapun beberapa penelitian yang menjadi sumber rujukan menggunakan metode seperti metode similarity, metode ishihara dan metode certainty factor. Pada penelitian kelima yang menjadi sumber rujukan dilakukan dengan menggunakan metode similarity. Penelitian ini memiliki hasil berupa nilai akurasi sebesar 95.5%, precision sebesar 95.5%, recall sebesar 8.3% dan kuesioner sebesar 62.68%. Kesimpulan dari penelitian ini menjelaskan bahwa sistem dapat digunakan pengguna untuk mencari informasi mengenai penyakit hewan ternak ruminansia besar berupa deskripsi penyakit, pengobatan penyakit, pencegahan penyakit dan pengendalian penyakit. Namun pada penelitian ini dapat dilakukan pengembangan seperti menambahkan fungsi-fungsi seperti upload foto hewan yang dapat membangun sistem agar lebih baik, mengkombinasikan dengan metode yang lain seperti K-Nearest Neighbor dan sistem dapat diimplementasikan ke perangkat mobile seperti android dan ios [8].

  Pada penelitian keenam yang menjadi sumber rujukan menggunakan metode ishihara. Data yang digunakan pada penelitian ini terdiri dari 40 plat dan 6 hasil diagnose. Penelitian ini memiliki hasil uji akurasi keberhasilan pada batas waktu 5 detik sebesar 80% dan 15 detik sebesar 100%. Kesimpulan dari penelitian ini menjelaskan bahwa plat perubahan dengan bangun ruang dapat mendeteksi subjek yang diduga menderita buta warna yang tidak dapat dideteksi oleh plat ishihara. Namun pada penelitian ini dapat dilakukan pengembangan seperti memperbaiki plat yang gagal atau mengganti dengan plat baru yang lebih sesuai dengan plat ishihara dan mengikutsertakan masyarakat penderita buta warna dalam mengubah plat serta menambahkan pengujian kepada subjek penderita buta warna total [9].

  Pada penelitian ketujuh yang menjadi sumber rujukan dilakukan penelitian dengan menggunakan metode certainty factor. Data yang digunakan pada penelitian ini terdiri dari 15 penyakit mata dan 52 gejala penyakit mata. Penelitian ini memiliki hasil berupa nilai akurasi sebesar 75%. Kesimpulan dari penelitian ini menjelaskan bahwa sistem yang dibuat dapat berjalan dengan baik. Namun pada penelitian ini dapat dilakukan pengembangan seperti mengkombinasikan metode certainty factor dengan metode lainnya dan mendapatkan nilai faktor kepastian setiap gejala penyakit terhadap kemungkinan terjadinya penyakit mata dari sekumpulan dokter ahli mata [10].

  Dari ketujuh penelitian di atas dapat ditarik beberapa kesimpulan antara lain yaitu bahwa metode naive Bayes cukup powerfull dalam melakukan klasifikasi karena pada ketiga penelitian di atas menghasilkan nilai rata-rata akurasi lebih dari 77% dan terdapat beberapa metode lain yang dapat digunakan untuk membuat sistem pakar.

  III. M

  ETODE

  U

  SULAN

  Desain alur kerja diagnosa pada sistem pakar diagnosa penyakit berbasis website dapat dilihat pada Gambar 1 yang menggambarkan proses hubungan antara elemen- elemen utama dari sistem pakar yang akan dibuat.

  Gambar 1 Blok diagram sistem pakar penyakit kulit.

  Start Menampilkan penyakit hasil klasifikasi END

  Pilih gejala Proses Klasifikasi

  Naïve Bayes Simpan gejala Pilih gejala selesai?

  T Y A. Kulit Berikut merupakan contoh dari perhitungan naive Bayes

  Kulit merupakan pembungkus yang elastis, terletak , pengguna aplikasi memilih gejala-gejala yang diderita pada bagian paling luar yang melindungi tubuh dari berupa “kulit bersisik (G8)”, “kulit gatal (G5)”, dan “kulit pengaruh lingkungan hidup manusia dan merupakan alat merah (G7)”. Naive Bayes menentukan berdasarkan kasus tubuh yang terberat dan terluas ukurannya, yaitu kira - kira

  2

• – kasus yang telah terjadi dengan mencari kemungkinan 15% dari berat tubuh dan luas kulit orang dewasa 1,5 m .

  suatu penyakit akan muncul dengan contoh perhitungan Kulit sangat kompleks, elastis dan sensitif, serta sangat sebagai berikut : bervariasi pada keadaan iklim, umur, seks, ras, dan

  a) Tinea Pedis bergantung pada lokasi tubuh serta memiliki variasi Diketahui : mengenai lembut, tipis, dan tebalnya. Rata-rata tebal kulit

  1. Jumlah data pada tabel kasus (jd) = 1259 1-2 mm. Paling tebal (6 mm) terdapat di telapak tangan dan

  2. Jumlah data dengan penyakit Tinea Pedis (tp) = kaki dan paling tipis (0,5 mm) terdapat di penis. Kulit 20 merupakan organ yang vital dan esensial serta merupakan cermin kesehatan dan kehidupan [11]. gejala kulit bersisik (kb) = 0

  4. Jumlah data dengan penyakit Tinea Pedis dan

  B. Naive Bayes gejala kulit gatal (kg) = 20

  Teori naive Bayes merupakan pengklasifikasian

  5. Jumlah data dengan penyakit Tinea Pedis dan probabilitas sederhana yang menghitung sekumpulan gejala kulit merah (kmer) = 0 probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Perhitungan

  Untuk mendapatkan nilai persentasi dari semua naive bayes dapat dipresentasikan sebagai berikut [12]: penyakit maka nilai pembagi menjadi jumlah data pada tabel kasus dan perhitungan sebagai berikut :

  ( ) ∏ ( | )

  ( | ) = (1)

  Tinea Pedis

  F (E) = (tp / jd) x (kb / tp) x (kg / tp) x

  ( )

  (kmer / tp) Di mana :

  = 20/1259 x 0/20 x 20/20 x 0/20 ( | ) = Probabilitas data dengan vektor X pada

  = 0/10072000 kelas Y = 0

  ( ) = Probabilitas awal kelas Y ∏

  ( | ) = Probabilitas independen kelas Y dari H ASIL P ERHITUNGAN N AIVE B AYES .

  TABEL I. semua fitur dalam vektor X

  ( ) = Probabilitas awal kelas X Jumlah Data

  P P P Penyakit (P) Hasil Melakukan Melakukan Melakukan

  P && && && Perhitungan Perhitungan Perhitungan

G8 G5 G7

  Probabilitas Probabilitas Probabilitas Prior Likelihood Posterior Tinea Pedis

  20

  20 Dermatitis 122 115 122 122 0.0913 Gambar 2 Diagram proses komputasi metode naïve Bayes. Atopik

  Dermatitis 180 65 180 180 0.0516 Kontak Alergi

  Gambar 2 merupakan langkah – langkah komputasi

  Acne Vulgaris

  85

  62

  dalam perhitungan naive Bayes [13]. Pada Gambar 3

  Dermatitis

  94

  7

  94 merupakan alur proses perhitungan nilai naive Bayes. Seboroik _START

  Tinea Korporis 116 116 116 40 0.0318 Psoriasis 257 257 148 _{Data Gejala yang Data Penyakit}

  Vulgaris _{dipilih pengguna} Liken Simpleks

  51

  39

  51 23 0.014 _{Keterangan :} Kronis _{P(X) = JX/JP Proses perhitungan} Pitiriasis _{probabilitas prior Versikolor P(X) = Probabilitas penyakit X X = Nama penyakit}

  92

  64

  92 } _{P(Gi|X) = J(Gi|X)/JX Proses perhitungan JP = Jumlah data keseluruhan penyakit probabilitas G = Nama gejala likelihood i = urutan ke 1,2,3,dan seterusnya... JX = Jumlah data penyakit X} Scabies 196 196 } _{P(X|G) = P(X) x P(Gi|X) Proses perhitungan adalah 0.0913 yang merupakan penyakit Dermatitis probabilitas Gi = Nama gejala yang dipilih pengguna J(Gi|X) = Jumlah gejala Gi pada penyakit X misalkan G1 = kulit merah, G2 = Kulit kasar,dan seterusnya...} Dari perhitungan diatas dapat dihasilkan nilai tertinggi _posterior Atopik. _{Tabel Hasil} } _{P(X|G) = Probabilitas penyakit X terhadap gejala P(Gi|X) = Probabilitas gejala Gi pada penyakit X}

  C. Basis Pengetahuan _END Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar dan pengetahuan non-formal, yang bersumber dari buku, artikel, atau jurnal. Basis pengetahuan tersusun atas fakta yang berupa informasi tentang objek, peristiwa, atau situasi, dan kaidah berupa informasi tentang cara untuk membangkitkan suatu fakta baru dari fakta yang telah ada. Jenis-jenis penyakit dan gejala-gejala dari penyakit kulit disajikan pada Tabel II & III. Pada Tabel IV terdapat hubungan antara penyakit dengan gejala yang berarti bahwa penyakit Acne Vulgaris dengan id penyakit P1 dapat memiliki gejala berupa G1, G2, G3, G4, G5 dan G6 yang dapat dilihat penjelasan gejalanya pada Tabel II, dan seterusnya.

  TABEL II.

  G13 P6 Psoriasis Vulgaris G5, G6, G7, G9, G10, G17 P7

  ISTEM

  S

  MPLEMENTASI

  IV. I

  F. Antar Muka Pengguna Antar Muka Pengguna, sistem pakar menggantikan seorang pakar dalam situasi tertentu, maka sistem harus menyediakan pendukung yang diperlukan oleh pemakai yang tidak memahami masalah teknis. Sistem pakar juga menyediakan komunikasi antar sistem dan pemakaianya (user) yang disebut sebagai antar muka. Antar muka yang efektif dan ramah penggunaan (user-friendly) penting sekali terutama bagi pemakai yang tidak ahli dalam bidang yang diterapkan pada sistem pakar.

  Gambar 2 Penalaran maju (Forward Chaining).

  Proses diulang sampai ditemukan suatu hasil. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka proses akan menyatakan konklusi.

  E. Mesin Inferensi Forward chaining merupakan metode inferensi yang melakukan penalaran dari suatu masalah kepada solusinya.

  D. Memori kerja Memori kerja berisikan kasus-kasus yang telah terjadi sebelumnya dan fakta-fakta yang diperoleh saat proses konsultasi dengan dokter spesialis.

  P9 Tinea pedis G22, G25 P10 Tinea korporis G5, G7, G8, G21

  Pytiriasis Versikolor G5, G8, G13, G24 P8 Scabies G4, G5, G18, G19, G20

  P5 Liken Simplek Kronik G5, G6, G7, G8, G12,

  D AFTAR P ENYAKIT Id Penyakit Nama Penyakit P1 Acne Vulgaris

  Dermatitis Seboroik G5, G8, G9, G12, G14, G15, G16

  Kontak Alergi G5, G7, G8, G9, G10, G11, G12, G23 P4

  G1, G2, G3, G4, G5, G6 P2 Dermatitis Atopik G5, G7, G8, G10, G12, G23 P3 Dermatitis

  A KUISISI H UBUNGAN G EJALA D AN P ENYAKIT K ULIT Id Penyakit Nama Penyakit Nomor Gejala P1 Acne Vulgaris

  TABEL IV.

  Kulit terdapat semacam terowongan berwarna putih abu-abu G20 Kulit terdapat tungau G21 Kulit bercak lingkaran merah G22 Kuku tampak pucat G23 Kulit melepuh G24 Hipopigmentasi G25 Kulit pecah - pecah

  G10 Kulit kering G11 Kulit alergi G12 Kulit menebal G13 Hiperpigmentasi G14 Kulit berminyak G15 Kulit terkelupas G16 Kulit berwarna putih kekuningan G17 Kulit bersisik putih keperakan G18 Kulit luka G19

  G2 Kulit benjolan kecil G3 Kulit benjolan kecil bernanah G4 Kulit bintik – bintik merah G5 Kulit gatal G6 Kulit sakit atau nyeri G7 Kulit merah G8 Kulit bersisik G9 Kulit terasa terbakar

  D AFTAR G EJALA Id Gejala Nama Gejala G1 Kulit komedo

  P10 Tinea korporis TABEL III.

  P2 Dermatitis Atopik P3 Dermatitis Kontak Alergi P4 Dermatitis Seboroik P5 Liken Simplek Kronik P6 Psoriasis Vulgaris P7 Pytiriasis Versikolor P8 Scabies P9 Tinea pedis

  Pada sistem pakar diagnosa penyakit kulit, user harus melakukan login untuk masuk ke dalam sistem. Pada Gambar 4 merupakan Tampilan halaman login aplikasi sistem pakar. Gambar 4 Halaman login

  Kemudian jika validasi berhasil, user akan langsung diarahkan ke halaman beranda. Pada halaman beranda terdapat latar belakang sistem ini seperti pada Gambar 5.

  Data Uji Diagnosa Dokter Diagnosa Sistem Hasil

  6. Psoriasis vulgaris Tepat 7.

  Pytiriasis versikolor Tepat

  8. Scabies Tepat 9.

  Tinea korporis 0.0318 0.0318 Tepat

  10. Tine pedis Tepat

  Pada pengujian dengan pakar terdapat 10 data random yang akan dan diuji tiga kali percobaan. Pada percobaan ini setiap data uji dilakukan penginputan seluruh data dengan urutan yang random atau berbeda sebanyak tiga kali. Pada Tabel VI merupakan tabel yang berisi rekapitulasi dari hasil diagnosa data random yang diujikan pada sistem yang dibandingkan dengan hasil diagnosa yang didapatkan dari wawancara pakar yaitu Dr. Ancella Soenardi SpKK di tempat praktek dokter spesialis kulit Ancella untuk menunjukkan ketepatan sistem.

  TABEL VI.

  H ASIL D ATA U JICOBA D ENGAN P AKAR .

  1 Acne vulgaris Acne vulgaris Tepat

  Dermatitis seboroik Tepat 5.

  2 Dermatitis kontak alergi Dermatitis kontak alergi

  Tepat

  3 Liken Simpleks Kronis Liken Simpleks Kronis

  Tepat

  4 Tinea korporis Tinea korporis Tepat

  5 Psoriasis vulgaris Psoriasis vulgaris Tepat

  6 Scabies Scabies Tepat

  7 Tinea pedis Tinea pedis Tepat

  8 Liken Simpleks Kronis Liken Simpleks Kronis

  Liken simplek kronik 0.014 0.014 Tepat

  3 Dermatitis kontak alergi 0.0516 0.0516 Tepat 4.

  Gambar 5 Halaman beranda

  AN

  Kemudian menekan tombol diagnosa pada bagian atas sistem akan menampilkan halaman diagnosa seperti pada Gambar 6.

  Gambar 6 Halaman diagnosa

  Setelah memilih jawaban dari pertanyaan-pertanyaan tersebut akan otomatis menampilkan hasil diagnosa beserta keterangan dan solusi penyakit seperti pada Gambar 7.

  Gambar 7 Hasil diagnosa

  V. H

  ASIL

  P

  ENGUJIAN

  D

  D

  Dermatitis atopik 0.0913 0.0913 Tepat

  ISKUSI

  Setelah melakukan pengimplementasian sistem maka selanjutnya yang dilakukan adalah pengujian sistem.

  Berikut merupakan hasil beberapa pengujian dari sistem pakar diagnosa penyakit kulit menggunakan metode naive bayes berbasis website.

  Pada pengujian teoritis dilakukan dengan cara membandingkan antara perhitungan manual dengan perhitungan sistem. Perhitungan manual dan sistem sudah berjalan dengan baik. Hal ini dibuktikan dari 10 kasus yang diujikan, diperoleh 100% tingkat kesesuaian antara perhitungan manual dan sistem seperti yang terlihat pada Tabel V.

  TABEL V.

  H ASIL D ATA U JICOBA T EORITIS .

  No.

  Kasus / penyakit Manual Sistem Hasil 1.

  Acne vulgaris Tepat 2.

  Tepat Tidak

  Dari Gambar 10 dapat disimpulkan bahwa sebesar

  9 Scabies Tinea pedis tepat

  84.65% responden pengguna sistem setuju bahwa aplikasi

  Tidak

  sistem pakar sudah menarik dari aspek tampilan, mudah

  10 Psoriasis Vulgaris Dermatitis atopik tepat

  digunakan, dapat memberikan informasi mengenai diagnosa penyakit kulit, dapat digunakan sebagai Dari Tabel VI dapat diketahui nilai akurasi sistem pakar penanganan dini penyakit kulit dan gejala serta penyakit untuk mendiagnosis penyakit kulit adalah sebesar 80% yang disajikan pada aplikasi ini sudah sesuai dengan yang menunjukan hasil uji random sudah tepat dengan hasil kenyataan. uji dari pakar sehingga dapat disimpulkan bahwa sistem ini

ESIMPULAN AN ARAN

  dapat digunakan sebagai diagnosa penyakit kulit secara

  VI. K D S dini. Pada Tabel VI juga terdapat dua data yang tidak tepat A. Kesimpulan yaitu data ke 9 dan 10 yang dapat disebabkan oleh beberapa Kesimpulan yang dapat diambil dari hasil implementasi: hal seperti kurang lengkapnya data gejala atau penyakit dan

  1. Sistem Pakar Diagnosa Penyakit Kulit Berbasis . probabilitas dari kasus-kasus yang ada

  Website Menggunakan Metode Naive Bayes Pengujian selanjutnya adalah pengujian kuesioner memiliki beberapa fungsi dan dapat berjalan dengan yang dilakukan dengan menyebar kuesioner pada 30 baik sesuai dengan hasil pengujian Blackbox dan responden yang dipilih secara acak untuk mengukur pada pengujian akurasi teoritis dibuktikan dari 10 kualitas sistem dari sisi pengguna. Representasi grafik dari kasus yang diujikan diperoleh 100% tingkat keseluruhan hasil pengujian kuesioner dapat dilihat pada kesesuaian antara perhitungan manual dengan Gambar 10. Berdasarkan hasil pengujian kuesioner yang perhitungan sistem. dilakukan untuk semua pertanyaan nomor 1, sebesar

  2. Sistem Pakar Diagnosa Penyakit Kulit Berbasis 96.6% responden mendukung bahwa tampilan dan desain

  Website Menggunakan Metode Naive Bayes sudah menarik. Untuk pertanyaan nomor 2, sebesar 100% memiliki tingkat akurasi ujicoba dengan pakar responden mendukung bahwa aplikasi sistem pakar sebesar 80% dalam proses diagnosis dengan jumlah diagnosa penyakit kulit yang diujikan mudah digunakan 10 penyakit dan 25 gejala. oleh pengguna aplikasi. Untuk pertanyaan nomor 3,

  3. Sistem pakar Diagnosa Penyakit Kulit Berbasis sebesar 73.33% responden mendukung bahwa aplikasi Website Menggunakan Metode Naive Bayes sistem pakar diagnosa penyakit kulit yang diujikan dapat memiliki tampilan yang menarik, mudah digunakan, memberikan informasi mengenai diagnosa penyakit kulit. dapat memberikan informasi mengenai diagnosa

  Untuk pertanyaan nomor 4, sebesar 73.34% responden penyakit kulit, dapat digunakan sebagai penangganan mendukung bahwa aplikasi sistem pakar diagnosa dini penyakit kulit dan gejala serta penyakit yang penyakit kulit yang diujikan dapat menjadi media disajikan pada sistem ini sudah sesuai dengan penanganan dini pada penyakit kulit. Untuk pertanyaan kenyataan dengan persentase 84.65% dari 30 nomor 5, sebesar 80% responden mendukung bahwa responden. penyakit dan gejala yang disajikan pada aplikasi sistem pakar diagnosa penyakit kulit yang diujikan sudah sesuai

  B. Saran dengan kenyataan .

  Dalam pengembangan aplikasi Sistem Pakar Diagnosa Hasil dari perhitungan rata-rata keseluruhan jawaban

  Penyakit Kulit Berbasis Website Menggunakan naïve responden terhadap pertanyaan didapatkan nilai 0% untuk Bayes terdapat beberapa saran yang membangun dari jawaban sangat tidak setuju, untuk jawaban tidak setuju penulis untuk pengembangan dari sistem. Beberapa saran sebesar 1.33%, untuk jawaban tidak tahu sebesar 14.01%, antara lain: untuk jawaban setuju sebesar 64.66% dan untuk jawaban

  1. Untuk pengembangan selanjutnya, sistem pakar sangat setuju sebesar 19.99%. representasi grafik dari hasil diagnosa penyakit kulit dapat dikembangkan dengan perhitungan jawaban responden disajikan pada Gambar. 10 cara menggabungkan metode naive bayes dengan berikut. metode lain seperti deep learning dan lainnya untuk memperoleh hasil yang lebih optimal.

  2. Untuk pengembangan selanjutnya, sistem pakar diagnosa penyakit kulit dapat diterapkan pada platform mobile.

  3. Data penyakit, gejala dan kasus lebih diperbanyak agar sistem lebih baik.

AFTAR USTAKA

  D P

  [1] S. L. SW. Menaidi, K. Bramono, W. Indriatmi, dkk, Ilmu Penyakit Kulit Dan Kelamin Edisi Ke Tujuh. Jakarta: Balai Penerbit FKUI, 2015.

  Gambar 10 Grafik persentase rata-rata jawaban responden [2] Hamdani. “Sistem Pakar Diagnosa Penyakit pada Kulit” Jurnal Time, vol. 2, no 2, 2010.

  [3] A. Saleh. “Implementasi Metode Klasifikasi Naïve Bayes Dalam Memprediksi Besarnya Penggunaan Listrik Rumah Tangga” Citec Journal, vol. 2, no. 3, pp. 207- 217, 2015. [4] M. Musthofa, Y. W. Syaifidin and M. Astiningrum.

  “Pengembangan Sistem Pendukung Keputusan Penjurusan Bagi Siswa Baru Menggunakan Metode Naive bayes” Seminar Informatika Aplikatif Polinema, vol. 1, no. 1, 2016. [5] V. L. Gumiri, D. Puspitaningrum and Ernawati. “Sistem Pakar Klasifikasi Status Perkembangan Anak Usia Dini

  Dengan Metode Naïve Bayes Classifer Berbasis DDST Rules” Jurnal Rekursif, vol. 3, no 2, pp. 107-122, 2015. [6] J. Sulaksono and Darsono. “Sistem Pakar Penentuan Penyakit Gagal jantung menggunakan Metode Naive Bayes

  Classifier” Seminar Nasional Teknologi Informasi dan Multimedia, vol. 3, no 1, pp. 3.6-19 – 3.6-23, 2015. [7] I. C. Dewi, A. A. Soebroto and M. T. Furqon. “Sistem Pakar Diagnosa Penyakit Sapi Potong Dengan Metode Naive

  Bayes” Journal of Environmental Engineering & Sustainable Technology, vol. 2, no. 2, pp.72-78, 2015. [8] D. E. Pritia, A. Y. Husodo and M. A. Albar, “Sistem Pakar Berbasis Web Untuk Mendiagnosa Penyakit Hewan Ternak

  Ruminansia Besar.” Journal of Computer Science and Informatics Engineering (J-Cosine), vol 1, no. 1, pp. 53-58, 2017.

  [9] I. W. P. S. Windusara, A. Y. Husodo and A. Zubaidi, “Sistem Pakar Buta Warna Menggunakan Bangun Ruang Berbasis Mobile Dengan Sistem Operasi Android.” Journal of Computer Science and Informatics Engineering (J- Cosine), vol 2, no. 1, pp. 54-63, 2018. [10] Y. Permana, I. G. P. S. Wijaya and F. Bimantoro. “Sistem Pakar Diagnosa Penyakit Mata Menggunakan Metode

  Certainty Factor Berbasis Android” Journal of Computer Science and Informatics Engineering (J-Cosine), vol 1, no. 1, pp. 1-10, 2017. [11] A. Djuanda, dkk. Ilmu Penyakit Kulit Dan Kelamin. Edisi kelima. Jakarta: Balai Penerbit FKUI, 2007. [12] E. Prasetyo, Data Mining Konsep Dan Aplikasi Menggunakan Matlab. Yogyakarta: Andi, 2012. [13] S. Hartati and S. Iswanti, Sistem Pakar dan Pengembangannya. Yogyakarta: Graha Ilmu, 2008.

  .