Kasus

Seorang Pengguna melakukan diagnosis dengan daftar gejala yang dipilih

sebagai berikut : Nafsu makan menurun (iya), Bulu kasar (iya), Badan Kurus

(sangat), Kelinci tidak tumbuh Normal (sangat), Perut Kelinci Buncit (iya), Bulu

kelinci tipis (sangat).

Dari masukkan gejala selanjutnya dilakukan proses pencocokan dengan rule

penyakit

No Gejala Yang Dipilih Input User Nilai

1 Nafsu makan menurun iya 0.8
2 Bulu kasar iya 0.8
3 Badan Kurus sangat 1
4 Kelinci tidak tumbuh Normal sangat 1
5 Perut Kelinci Buncit iya 0.8
6 Bulu kelinci tipis sangat 1

1. Perhitungan Penyakit Koksidiosis

Untuk rumus perhitungan nilai CF, sistem ini menggunakan rumus

kombinasi dua buah rule dengan evidence berbeda, tetapi hipotesis sama (Palguna

dkk. 2014). Dari masukkan gejala selanjutnya nilai dikali dengan bobot yang ada

pada rule penyakit Koksidiosis

1. Nafsu makan menurun = 0.8 x 8 = 6.4

2. Bulu kasar = 0.8 x 11 = 8.8

3. Badan Kurus = 1 x 10 = 10

4. Kelinci tidak tumbuh Normal = 1 x 10 = 10

 5. Perut Kelinci Buncit = 0.8 x 11 = 8.8

Nilai ini selanjutnya dimasukkan dalam perhitungan fuzzyfikasi dan

dicari nilai terendah. Fuzzyfikasi mempunyai 5 model membership function yaitu

sangat rendah, rendah, sedang, tinggi dan sangat tinggi.

1. Nafsu makan menurun = α1 = min ( 1, 0.4, 0.6, 0, 0 ) = 0.4

2. Bulu kasar = α2 = min ( 1, 1, 0.8, 0.2, 0 ) = 0.2

3. Badan Kurus = α3 = min ( 1, 1, 0.5, 0.5, 0 ) = 0.5

4. Kelinci tidak tumbuh Normal = α4 = min ( 1, 1, 0.5, 0.5, 0 ) = 0.5

5. Perut Kelinci Buncit = α5 = min ( 1, 1, 0.8, 0.2, 0 ) = 0.2

Nilai dari setiap α-predikat (fire strength) perpenyakit selanjutnya

dikalikan(5dengan.5) bobot dari pakar dengan nama variabel z (Fadli, 2015:75).

No Gejala Yang Dipilih α z α *z

1 Nafsu makan menurun 0.4 8 3.2
2 Bulu kasar 0.2 11 2.2
3 Badan Kurus 0.5 10 5
4 Kelinci tidak tumbuh Normal 0.5 10 5
5 Perut Kelinci Buncit 0.2 11 2.2

Selanjutnya dilakukan perhitungan rata - rata terbobot (weight average)

sebagai nilai akhir (Kusumadewi dkk, 2010:31).

𝑎1 𝑧1 + 𝑎2 𝑧2+. . . +𝑎𝑛 𝑧𝑛
Z=
𝑎1 + 𝑎2 + ⋯ + 𝑎𝑛

3.2 ∗ 0.4 + 2.2 ∗ 0.2 + 5 ∗ 0.5 + 5 ∗ 0.5 + 2.2 ∗ 0.2

Z=
0.4 + 0.2 + 0.5 + 0.5 + 0.2
 7.16
Z= = 3.98
1.8

Nilai z selanjutnya dibandingkan dengan bobot tertinggi untuk diperoleh

persentase nilai awal (Fadli, 2015:75).

𝑧 − min(bobot)
Persentase awal = 𝑋 100
max (𝑏𝑜𝑏𝑜𝑡) − min(𝑏𝑜𝑏𝑜𝑡)

3.98 − 0
Persentase awal = 𝑋 100
16 − 0

Persentase awal = 24.87 %

Agar diperoleh nilai persentase akhir yang tepat, dicari jumlah masukkan yang

cocok dari gejala user dibandingkan dengan gejala yang ada di penyakit scabies.

Kode gejala Koksidiosis : G7 G15 G21 G22 G23 G24 G25 G26

Kode gejala masukkan user : G7, G15, G25, G24, G26, G28

Jumlah gejala penyakit : 8

Jumlah gejala sama :5

∑ 𝑔𝑒𝑗𝑎𝑙𝑎 𝑠𝑎𝑚𝑎
Persentase akhir = 𝑋 Persentase awal
∑𝑔𝑒𝑗𝑎𝑙𝑎 𝑝𝑒𝑛𝑦𝑎𝑘𝑖𝑡

5
Persentase akhir = 𝑋 24.87 %
8

Persentase akhir = 15.5 %

Hasil perhitungan per penyakit akan dibandingkan dan diurut dari yang

terbesar agar diketahui penyakit yang paling mungkin diderita.

2. Perhitungan flu

1. Nafsu makan menurun = 0.8 x 11 = 8.8

Fuzzy fikasi

1. Nafsu makan menurun = α1 = min ( 1, 1, 0.8, 0.2, 0 ) = 0.2

No Gejala Yang Dipilih α z α *z

1 Nafsu makan menurun 0.2 11 2.2

2.2 ∗ 0.2
Z=
0.2

0.44
Z=
0.2

Z = 2.2

2.2 − 0
Persentase awal = 𝑋 100 = 14 %
16 − 0

Kode gejala: G5, G6, G7

Kode gejala masukkan: G7, G15, G25, G24, G26, G28
Jumlah gejala penyakit : 3
Jumlah gejala sama :1
∑ 𝑔𝑒𝑗𝑎𝑙𝑎 𝑠𝑎𝑚𝑎
Persentase akhir = 𝑋 Persentase awal
∑𝑔𝑒𝑗𝑎𝑙𝑎 𝑝𝑒𝑛𝑦𝑎𝑘𝑖𝑡

1
Persentase akhir = 𝑋 14 %
3

Persentase akhir = 33 %
2. Mencret

1. Nafsu makan menurun = 0.8 x 14 = 11.2

2. Bulu kasar = 0.8 x 14 = 11.2

Fuzzyfikasi

1. Nafsu makan menurun = α1 = min ( 1, 1, 0.2, 0.8, 0) = 0.2

2. Bulu kasar = α2 = min ( 1, 1, 0.2, 0.8, 0) = 0.2

No Gejala Yang Dipilih α z α *z

1 Nafsu makan menurun 0.2 14 2.8
2 Bulu kasar 0.2 14 2.8

2.8 ∗ 0.2 + 2.8 ∗ 0.2

Z=
0.2 + 0.2

1.12
Z=
0.4

Z = 2.8

2.8 − 0
Persentase awal = 𝑋 100 = 17.5 %
16 − 0

Kode gejala : G7, G14, G15, G16, G17

Kode gejala masukkan : G7, G15, G25, G24, G26, G28

Jumlah gejala penyakit : 5

Jumlah gejala sama :2
∑ 𝑔𝑒𝑗𝑎𝑙𝑎 𝑠𝑎𝑚𝑎
Persentase akhir = 𝑋 Persentase awal
∑𝑔𝑒𝑗𝑎𝑙𝑎 𝑝𝑒𝑛𝑦𝑎𝑘𝑖𝑡

2
Persentase akhir = 𝑋 17.5 %
5
 Persentase akhir = 7 %

3. Tyzzer

1. Nafsu makan menurun = 0.8 x 11 = 8.8

Fuzzy fikasi

1. Nafsu makan menurun = α1 = min ( 1, 1, 0.8, 0.2, 0 ) = 0.2

No Gejala Yang Dipilih α z α *z

1 Nafsu makan menurun 0.2 11 2.2

2.2 ∗ 0.2
Z=
0.2

0.44
Z=
0.2

Z = 2.2

2.2 − 0
Persentase awal = 𝑋 100 = 14 %
16 − 0

Kode gejala : G7, G18, G19, G20, G21

Kode gejala masukkan : G7, G15, G25, G24, G26, G28

Jumlah gejala penyakit : 8

Jumlah gejala sama :1

∑ 𝑔𝑒𝑗𝑎𝑙𝑎 𝑠𝑎𝑚𝑎
Persentase akhir = 𝑋 Persentase awal
∑𝑔𝑒𝑗𝑎𝑙𝑎 𝑝𝑒𝑛𝑦𝑎𝑘𝑖𝑡

1
Persentase akhir = 𝑋 14 %
5

Persentase akhir = 2.8 %

4. Dermatofitosis

1. Bulu Kelici Tipis = 1 x 14 = 14

Fuzzy fikasi

2. Nafsu makan menurun = α1 = min ( 1, 1, 1, 0.5, 0.5 ) = 0.5

No Gejala Yang Dipilih α z α *z

1 Nafsu makan menurun 0.5 14 7

7 ∗ 0.5
Z=
0.5

3.5
Z=
0.5

Z=7

7−0
Persentase awal = 𝑋 100 = 44 %
16 − 0

Kode gejala : G28, G29, G30

Kode gejala masukkan : G7, G15, G25, G24, G26, G28

Jumlah gejala penyakit : 3

Jumlah gejala sama :1
∑ 𝑔𝑒𝑗𝑎𝑙𝑎 𝑠𝑎𝑚𝑎
Persentase akhir = 𝑋 Persentase awal
∑𝑔𝑒𝑗𝑎𝑙𝑎 𝑝𝑒𝑛𝑦𝑎𝑘𝑖𝑡

1
Persentase akhir = 𝑋 44 %
3

Persentase akhir = 14.52 %

5. Sifilis

Kode gejala : G27

Kode gejala masukkan : G7, G15, G25, G24, G26, G28

Jumlah gejala penyakit : 1

Jumlah gejala sama :0

6. Radang puting susu

Kode gejala : G10, G11, G12, G13

Kode gejala masukkan : G7, G15, G25, G24, G26, G28

Jumlah gejala penyakit : 4

Jumlah gejala sama :0

7. Pasteurellosis

Kode gejala : G8, G9

Kode gejala masukkan : G7, G15, G25, G24, G26, G28

Jumlah gejala penyakit : 2

Jumlah gejala sama :0

Hasil perhitungan per penyakit akan dibandingkan dan diurut dari yang

terbesar agar diketahui penyakit yang paling mungkin diderita.

 No Nama Penyakit Nilai
1 Scabies/guding/kudis 0%
2 Pilek/flu/influenza 33 %
3 Pasteurellosis (haemorrhagic septicena) 0%
4 Radang puting susu 0%
5 Mencret(diare) 7%
6 Penyakit Tyzzer 2.8 %
7 Koksidiosis 15.5 %
8 Sifilis 0%

9 Dermatofitosis/ringworm 14.52 %

Berdasarkan hasil pengujian maka diperoleh data keluaran penyakit dari sistem

dibandingkan dengan pakar. Hasil pengujian menunjukkan bahwa sistem

mengeluarkan hasil persentase yang tepat untuk dicocokkan dengan pakar.