ANALISIS SISTEM INFORMASI PERBANDINGAN METODE

NAIVE BAYES DAN TEOREMA BAYES TERHADAP HASIL

DIAGNOSIS PENYAKIT KANKER NEUROBLASTOMA
PADA ANAK

SKRIPSI

Oleh :

AYU FEBRINA SIANTURI

NIM. 1513000223

PROGRAM STUDI SISTEM INFORMASI

FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS POTENSI UTAMA
MEDAN
2019
 SKRIPSI
Diajukan untuk Memenuhi Salah Satu Syarat
Memperoleh Gelar Sarjana Komputer
 Satu malam satu lembar saja!!

Diam dan mulailah belajar!!

Bukankah janjimu ingin jadi SARJANA?

Janganlah membuat mereka meneteskan air mata!

Baju toga itu, mengeringkan semua mengeringkan semua keringat mereka!

Menghapus air mata mereka!

Ingat…! Bukan emas dan permata sebagai bentuk balas jasa!

Hanya kata-kata sederhana!

SARJANA Saja!!

Lupakah kau waktu mereka mengantarmu ke kota?

Mereka pulang lalu bercerita kepada siapa saja, bahwa anak mereka sekarang

kuliah dan menjadi calon SARJANA!

Mereka lalu menjual apapun yang ada!

Mereka mulai menghemat uang belanja!

Tetap bekerja walaupun Hujan dan Panas yang mereka rasakan

Mencoba tetap tersenyum walaupun hidup dalam kekurangan, kita tak pernah tau,

mereka berlari kesana kemari mencari pinjaman saat kita tiba-tiba telpon atau sms

meminta untuk dikirim.

Semua itu demi Anaknya yang Tercinta.

(DEDIKASI UNTUK AYAH DAN IBU TERCINTA)

 ABSTRAK

Neuroblastoma adalah tumor embrional sistem saraf simpatis pada bayi dan
anak yang berasal dari sel krista neural primordial dimana secara normal dapat
mempengaruhi fungsi medulla adrenal dan ganglia simpatis. Neuroblastoma
merupakan tumor anak tersering pada anak setelah leukimia, tumor otak dan
limfoma magligna. Neuroblastoma merupakan proses keganasan terhadap anak
dengan jumlah kasus 500-525 terdiagnosa setiap tahunnya, penyakit ini kira-kira
8-10 % dari seluruh kasus keganasan di dunia. Insiden tahunan terjadi pada 10
per 1 juta kelahiran hidup, lebih sering terjadi pada anak laki-laki dibandingkan
anak perempuan. Penyakit ini dapat diketahui dari beberapa gejala seperti
benjolan pada perut leher atau dada, kesulitan bernafas, mata menonjol atau
proptosis, demam, pucat, limfadenopati (pembengkakan/pembesaran kelenjar
getah bening), splenomegali (pembesaran limpa) dan sebagainya. Banyak orang-
orang tidak mengenal dan tidak mengetahui penyakit yang mereka derita. Hal ini
karena mereka tidak memiliki pengetahuan mengenai masalah penyakit. Mereka
yang mengidap suatu penyakit umumnya menyerahkan kepercayaan sepenuhnya
kepada dokter di rumah sakit untuk menyembuhkan penyakit yang mereka derita.
Namun hal ini menjadi kendala bagi mereka yang tidak memiliki biaya untuk
berobat ke rumah sakit. Oleh karena itu peneliti mengusulkan sebuah sistem yang
dapat membantu orang-orang yang mengalami suatu penyakit untuk
memeriksakan keadaan mereka yaitu Perbandingan Metode Teorema Bayes Dan
Naive Bayes Dalam Mendiagnosa Penyakit Neuroblastoma.

Kata Kunci : Sistem Pakar, Naïve Bayes, Teorema Bayes, Penyakit

Neuroblastoma, Visual Basic 2010, SQL Server 2008
 ABSTRACT

Neuroblastoma is an embryonal sympathetic nervous system tumor in infants and

children originating from primordial neural crest cells which normally can affect
adrenal medulla function and sympathetic ganglia. Neuroblastoma is the most
common child tumor in children after leukemia, brain tumors and maglignant
lymphoma. Neuroblastoma is a malignancy process for children with 500-525
cases diagnosed annually, this disease is approximately 8-10% of all cases of
malignancy in the world. Annual incidence occurs in 10 per 1 million live births,
more common in boys than girls. This disease can be seen from several symptoms
such as lumps in the neck or chest abdomen, difficulty breathing, protruding eyes
or proptosis, fever, pallor, lymphadenopathy (swollen / enlarged lymph nodes),
splenomegaly (enlarged spleen) and so on. Many people do not know and do not
know the disease they suffer. This is because they have no knowledge about
disease problems. Those who suffer from an illness generally give up their full
trust in the doctor in the hospital to cure their illness. But this is an obstacle for
those who do not have the cost of going to a hospital. Therefore, researchers
propose a system that can help people who experience an illness to check their
condition, namely a comparison of the methods of Bayes and Naive Bayes's
theorem in diagnosing neuroblastoma.
Keywords: Expert Systems, Naïve Bayes, Bayes Theorem, Neuroblastoma
Disease, Visual Basic 2010, SQL Server 2008
 KATA PENGANTAR

Puji syukur kepada Tuhan Yang Maha Esa yang telah memberikan rahmat

dan karuniaNya kepada penulis dalam menyelesaikan penulisan skripsi ini yang

berjudul : “Analisis Sistem Informasi Perbandingan Metode Naive Bayes dan

Teorema Bayes Terhadap Hasil Diagnosis Penyakit Kanker Neuroblastoma

Pada Anak” dengan Baik.

Skripsi ini disusun untuk melengkapi salah satu syarat dalam

menyelesaikan Program Pendidikan Strata-1 Jurusan Sistem Informasi. Pada

kesempatan ini perkenankanlah penulis untuk menyampaikan rasa terima kasih

yang tulus dan tak terhingga kepada pihak-pihak yang telah memberikan bantuan,

bimbingan, saran, dukungan secara moril maupun materil dari awal hingga

selesainya penyusunan skripsi ini. Pada kesempatan ini penulis ingin

mengucapkan terima kasih yang sebesar-besarnya kepada :

1. Bapak Iwan Fitrianto Rahmad, M.Kom, selaku Dosen Pembimbing yang telah

memberikan arahan dan masukan yang berguna dalam penulisan Skripsi ini.

2. Ibu Hj. Nuriandi, B.A, selaku Pembina Yayasan Potensi Utama Medan.

3. Bapak H. Bob Subhan Riza, ST, M.Kom, selaku Ketua Yayasan Potensi

Utama Medan.

4. Ibu Dr.Rika Rosnelly, S.Kom, M.Kom, selaku Rektor Universitas Potensi

Utama.

5. Ibu Lili Tanti, M.Kom, selaku Wakil Rektor I Universitas Potensi Utama.

6. Ibu Ratih Puspasari, M.Kom, selaku Dekan Fakultas Teknik dan Ilmu

Komputer Universitas Potensi Utama.

i
ii
 DAFTAR ISI

KATA PENGANTAR ......................................................................................i

DAFTAR ISI .....................................................................................................iii

DAFTAR TABEL ............................................................................................vii

DAFTAR GAMBAR ........................................................................................viii

DAFTAR LAMPIRAN .....................................................................................x

BAB I. PENDAHULUAN ...............................................................................1

I.1. Latar Belakang ................................................................................1

I.2. Ruang Lingkup Permasalahan ........................................................3

I.2.1. Identifikasi Masalah .............................................................3

I.2.2. Perumusan Masalah ..............................................................4

I.2.3. Batasan Masalah ..................................................................4

I.3. Tujuan dan Manfaat .......................................................................5

I.3.1. Tujuan ..................................................................................5

I.3.2. Manfaat ................................................................................5

I.4. Metodologi Penelitian ....................................................................6

I.5. Kontribusi Penelitian .....................................................................9

I.6. Lokasi Penelitian ............................................................................9

I.7. Sistematika Penulisan .....................................................................9

BAB II TINJAUAN PUSTAKA ......................................................................11

II.1. Penelitian Terkait ..........................................................................11

II.2. Landasan Teori .............................................................................13

iii
II.2.1. Data ...........................................................................................13

II.2.2. Variabel .....................................................................................13

II.2.3. Tipe Data ...................................................................................14

II.2.4. Sistem Pakar ...............................................................................15

II.2.4.1. Manfaat Sistem Pakar ....................................................16

II.2.4.2. Ciri –Ciri Sistem Pakar .................................................17

II.2.4.3. Konsep Umum Sistem Pakar ........................................18

II.2.4.4. Elemen Manusia Pada Sistem Pakar .............................19

II.2.4.4.1. Pakar ...............................................................19

II.2.4.4.2. Pembangun/Pembuat Pengetahuan ................20

II.2.4.4.3. Pembangunan/Pembuat Sistem ......................20

II.2.4.4.4. Pengguna ........................................................21

II.2.4.5. Struktur Sistem Pakar ...................................................21

II.2.4.6. Karakteristik Sistem Pakar............................................23

II.2.5. Teorema Bayes ...........................................................................24

II.2.6. Naive Bayes ................................................................................24

II.2.7. Defenisi Neuroblastoma .............................................................25

II.2.7.1. Manifestasi Klinis..........................................................27

II.2.7.2. Tingkatan Stadium ........................................................28

II.2.7.3. Komplikasi ....................................................................29

II.2.7.4. Prognosis .......................................................................30

II.2.8. Database.....................................................................................30

II.2.9. Normalisasi.................................................................................31

iv
 II.2.10. Visual Basic 2010 .....................................................................32

II.2.11. Sql Server 2008 ........................................................................33

II.2.12. UML .........................................................................................33

BAB III ANALISIS DAN DESAIN SISTEM ................................................38

III.1. Analisis Masalah ..........................................................................38

III.2. Penerapan Metode ........................................................................39

III.2.1. Penerapan Metode Teorema Bayes .................................39

III.2.2. Penerapan Metode Naive Bayes ......................................44

III.3. Desain Sistem ..............................................................................47

III.3.1.Use Case Diagram ...........................................................48

III.3.2. Class Diagram ................................................................49

III.3.3. Activity Diagram ............................................................50

III.3.4. Sequence Diagram ..........................................................56

III.3.5. Desain Database ............................................................63

III.3.5.1. Normalisasi ....................................................64

III.3.5.2. Desain Tabel ..................................................65

III.3.6. Desain User Interface .....................................................67

BAB IV HASIL DAN UJI COBA SISTEM ....................................................73

IV.1. Tampilan Hasil ............................................................................73

IV.2. Uji Coba Hasil ............................................................................79

IV.2.1. Skenario Pengujian ........................................................80

IV.2.2. Hasil Uji Coba ...............................................................83

IV.3. Kelebihan dan Kekurangan Sistem ............................................84

v
 IV.3.1. Kelebihan Sistem ...........................................................84

IV.3.2. Kekurangan Sistem ........................................................84

BAB V KESIMPULAN DAN SARAN ............................................................85

V.1. Kesimpulan .................................................................................85

V.2. Saran .............................................................................................86

DAFTAR PUSTAKA

LAMPIRAN

vi
 DAFTAR TABEL

Tabel II.1.Use Case Diagram .......................................................................... 35

Tabel II.2. Activity Diagram ............................................................................ 36

Tabel II.3. Sequence Diagram ......................................................................... 37

Tabel II.4. Multiplicity Class Diagram ............................................................ 38

Tabel III.1. Tabel Teori Pengambilan Bobot ................................................... 39

Tabel III.2. Tabel Rule Base Penyakit Neuroblastoma .................................... 40

Tabel III.3. Tabel Saran Penyakit Neuroblastoma ........................................... 40

Tabel III.4. Data Perbandingan Bentuk Tidak Normal .................................... 64

Tabel III.5. Data Perbandingan Bentuk Normal Pertama ................................ 64

Tabel III.6. Data Hasil Diagnosa Bentuk Normal Kedua ................................ 65

Tabel III.7. Desain Tabel Login ....................................................................... 65

Tabel III.8. Desain Tabel Gejala ...................................................................... 66

Tabel III.9. Desain Tabel Saran ....................................................................... 66

Tabel III.10. Desain Tabel Diagnosa ............................................................... 67

Tabel IV.1. Pengujian Sistem Login User........................................................ 79

Tabel IV.2. Pengujia Sistem Login Admin ...................................................... 79

Tabel IV.3. Pengujian Sistem Data Gejala ...................................................... 80

Tabel IV.4. Pengujian Sistem Data Saran ........................................................ 80

Tabel IV.5. Pengujian Sistem Data Diagnosa .................................................. 81

Tabel IV.6. Pengujian Sistem Data Laporan .................................................... 82

vii
 DAFTAR GAMBAR

Gambar I.1. Diagram Waterfall Metodologi Penelitian .............................. 6

Gambar III.1. Pohon Keputusan Penyakit Neuroblastoma ............................. 40

Gambar III.2. Flowchart Metode Teorema Bayes ........................................... 41

Gambar III.3. Flowchart Metode Naive Bayes ................................................ 45

Gambar III.4. Use Case Diagram .................................................................... 48

Gambar III.5. Class Diagram........................................................................... 49

Gambar III.6. Activity Diagram Login ............................................................. 50

Gambar III.7. Activity Diagram About Kanker Neuroblastoma ...................... 51

Gambar III.8. Activity Diagram Form Gejala .................................................. 52

Gambar III.9. Activity Diagram Form Saran ................................................... 53

Gambar III.10. Activity Diagram Form Diagnosa ........................................... 54

Gambar III.11. Activity Diagram Form Laporan Diagnosa ............................. 55

Gambar III.12. Activity Diagram Form Logout ............................................... 56

Gambar III.13. Sequence Diagram Login ........................................................ 57

Gambar III.14. Sequence Diagram About Kanker Neuroblastoma ................. 58

Gambar III.15. Sequence Diagram Form Gejala ............................................. 59

Gambar III.16. Sequence Diagram Form Saran .............................................. 60

Gambar III.17. Sequence Diagram Form Diagnosa ........................................ 61

Gambar III.18. Sequence Diagram Laporan Diagnosa .................................... 62

Gambar III.19. Sequence Diagram Form Logout ............................................ 63

Gambar III.20. Rancangan Form Login ........................................................... 68

viii
Gambar III.21. Rancangan Form Gejala .......................................................... 68

Gambar III.22. Rancangan Form Saran ........................................................... 69

Gambar III.23. Rancangan Form Diagnosa ..................................................... 70

Gambar III.24. Rancangan Output Laporan Diagnosa..................................... 71

Gambar IV.1. Tampilan Form Login .............................................................. 72

Gambar IV.2. Tampilan Form Menu Utama.................................................... 73

Gambar IV.3. Tampilan Form About .............................................................. 74

Gambar IV.4. Tampilan Form Gejala .............................................................. 75

Gambar IV.5. Tampilan Form Saran .............................................................. 76

Gambar IV.6. Tampilan Form Diagnosa ......................................................... 77

Gambar IV.7. Tampilan Output Laporan Diagnosa ........................................ 78

ix
 DAFTAR LAMPIRAN

Lampiran-1 Listing Program

Lampiran-2 Surat Pengajuan Judul Skripsi

Lampiran-3 Formulir Pendaftaran Judul Skripsi

Lampiran-4 Surat Pernyataan Bersedia Membimbing

Lampiran-5 Formulir Pendaftaran Seminar Skripsi

Lampiran-6 Berita Acara Seminar Skripsi

Lampiran-7 Formulir Pendaftaran Sidang

Lampiran-8 Surat Izin Riset

Lampiran-9 Surat Selesai Riset

x
 BAB I

PENDAHULUAN
 1

BAB I

PENDAHULUAN

I.1. Latar Belakang

Neuroblastoma adalah tumor embrional sistem saraf simpatis pada bayi dan

anak yang berasal dari sel krista neural primordial dimana secara normal dapat

mempengaruhi fungsi medulla adrenal dan ganglia simpatis. Neuroblastoma

merupakan kanker yang tumbuh dari sel saraf yang belum mengalami kematangan

dan berkembang di beberapa bagian tubuh. Neuroblastoma sering muncul pada

bagian adrenal perut, adrenal sendiri merupakan sistem pada tubuh yang

menyebabkan perubahan denyut jantung, penyebab hipertensi serta merangsang

hormon tertentu pada tubuh. Bukan hanya kelenjar adrenal namun neuroblastoma,

juga dapat tumbuh dan berkembang pada bagian tubuh yang memiliki hubungan

dengan sel saraf seperti dada, leher, tulang serta pada kelenjar getah bening, hati

dan sumsum tulang. Neuroblastoma merupakan tumor anak tersering pada anak

setelah leukimia, tumor otak dan limfoma magligna. Neuroblastoma lebih sering

terjadi pada anak-anak dengan jumlah kasus 500-525 terdiagnosa setiap tahunnya,

penyakit ini kira-kira 8-10 % dari seluruh kasus keganasan di dunia. Insiden

tahunan terjadi pada 10 per 1 juta kelahiran hidup, lebih sering terjadi pada anak

laki-laki dibandingkan anak perempuan. (Laksmi Andri Astuti dan dkk, 2012).

Penyakit ini dapat diketahui dari beberapa gejala paling umum dari

Neuroblastoma seperti benjolan pada perut leher atau dada, kesulitan bernafas,

mata menonjol atau proptosis, demam, pucat, limfadenopati atau pembengkakan

1
 2

dan pembesaran kelenjar getah bening, splenomegali atau pembesaran limpa dan

Hepatomegali atau pembesaran hati.

Neuroblastoma atau kanker sistem saraf sering kali dianggap remeh oleh

sebagian orang. Penyakit ini dianggap sebagai iritasi ringan yang akan dapat

sembuh dengan sendirinya. Dengan demikian, penyakit ini tak jarang didiamkan

dan tidak dicari solusi tepat untuk segera menanganinya. Baru setelah si penderita

mengalami kondisi yang lebih parah, mereka akan sadar dan membawa

penyakitnya ke dokter untuk diobati. Oleh karena itu dibutuhkan sebuah sistem

yang dapat mendiagnosa penyakit neuroblastoma agar orang-orang yang

menderita penyakit neuroblastoma dapat terbantu.

Sistem yang peneliti gunakan adalah Sistem Pakar. Sistem 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. (Belutowe, 2015 : 51). Untuk

mendiagnosa penyakit neuroblastoma dengan sistem pakar, maka dibutuhkan

sebuah metode yang tepat untuk mendiagnosanya. Oleh karena itu peneliti

membandingkan dua metode sistem pakar untuk mengetahui metode mana yang

tepat dan memiliki hasil diagnosa yang lebih baik.

Dua metode tersebut adalah metode teorema bayes dan metode naive bayes.

Teorema bayes merupakan metode yang baik didalam mesin pembelajaran

berdasarkan data training, dengan menggunakan probalitas bersyarat sebagai

dasarnya. Probabilitas bayes merupakan salah satu cara untuk mengatasi

ketidakpastian data dengan menggunakan formula bayes. (Hengki Tamando

 3

Sihotang dan dkk, 2018 : 34). Naïve Bayes merupakan pengklasifikasian dengan

metode probabilitas dan statistik yang dikemukakan oleh ilmuwan inggris Thomas

Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di

masa sebelumnya. Metode Naïve Bayes juga dinilai berpotensi baik dalam

mengklasifikasikan dokumen dibandingkan dengan metode pengklasifikasian lain

dalam hal akurasi dan efisiensi komputasi. (Nurlelah dan Wajhillah, 2016 : 53).

Dengan latar belakang tersebut maka penulis menyimpulkan judul “Analisis

Sistem Informasi Perbandingan Metode Naive Bayes dan Teorema Bayes

Terhadap Hasil Diagnosis Penyakit Kanker Neuroblastoma Pada Anak”.

I.2. Ruang lingkup Permasalahan

Adapun beberapa tahap yang dilakukan dalam membuat ruang lingkup

permasalahan adalah :

I.2.1. Identifikasi Masalah

Dengan mengetahui latar belakang pemilihan judul di atas, maka identifikasi

masalah dari penulis untuk skripsi ini adalah :

1. Kanker neuroblastoma membutuhkan sebuah metode yang tepat untuk

meningkatkan nilai kepercayaan dalam memberikan informasi untuk solusi

pengobatan penyakit

2. Belum ada hasil perbandingan metode naive bayes dan metode teorema

bayes dalam mendiagnosa penyakit kanker neuroblastoma.

3. Belum adanya aplikasi perbandingan metode teorema bayes dan naive bayes

dalam mendiagnosa penyakit kanker neuroblastoma.

 4

I.2.2. Perumusan Masalah

Dengan mengetahui identifikasi masalah di atas maka perumusan masalah

yang terdapat pada penelitian ini yaitu :

1. Bagaimana merancang dan membangun aplikasi yang memberikan

informasi metode mana yang tepat dalam mendiagnosa kanker

neuroblastoma?

2. Bagaimana hasil perbandingan metode naive bayes dan metode teorema

bayes dalam mendiagnosa penyakit kanker neuroblastoma ?

3. Bagaimana menghasilkan aplikasi perbandingan metode naive bayes dan

teorema bayes dalam mendiagnosa penyakit kanker neuroblastoma?

I.2.3. Batasan Masalah

Disebabkan banyaknya permasalahan dan waktu yang terbatas, maka agar

pembahasan masalah tidak melebar penulis membatasi masalah sebagai berikut :

1. Aplikasi hanya untuk perbandingan metode naive bayes dan metode

teorema bayes dalam mendiagnosa penyakit kanker neuroblastoma.

2. Aplikasi hanya dapat berjalan pada sistem operasi windows.

3. Input aplikasi ini berupa data-data gejala penyakit kanker neuroblastoma,

metode naive bayes dan metode teorema bayes.

4. Output aplikasi ini berupa hasil perbandingan dan hasil diagnosa.

5. Pembuatan Aplikasi ini menggunakan Visual Basic 2010.

6. Perancangan Aplikasi ini menggunakan UML.

 5

I.3. Tujuan Dan Manfaat

Adapun tujuan dan manfaat yang didapatkan dari penelitian ini adalah

sebagai berikut :

I.3.1. Tujuan

Dengan mengetahui rumusan masalah di atas maka tujuan dari penelitian ini

adalah sebagai berikut :

1. Menghasilkan sistem baru yang dapat mendiagnosa penyakit kanker

neuroblastoma.

2. Mengetahui hasil perbandingan metode naive bayes dan metode teorema

bayes dalam mendiagnosa penyakit kanker neuroblastoma.

3. Menghasilkan aplikasi perbandingan metode naive bayes dan teorema bayes

dalam mendiagnosa penyakit kanker neuroblastoma.

I.3.2.Manfaat

Setelah mencapai tujuan dari penelitian ini maka akan di dapat manfaat dari

penelitian ini, manfaat penelitian ini adalah sebagai berikut :

1. Sebagai alat bantu dalam menentukan tindakan pencegahan terhadap

masalah penyakit kanker neuroblastoma.

2. Memahami cara kerja perbandingan metode naive bayes dan metode

teorema bayes dalam mendiagnosa penyakit kanker neuroblastoma.

3. Mendapat wawasan dalam pembuatan perangkat lunak sistem pakar.

 6

I.4. Metodologi Penelitian

Metode merupakan suatu cara yang sistematik untuk mengerjakan suatu

permasalahan. Penelitian ini akan melalui beberapa tahapan. Tahapan dalam

penelitian ini dapat di modelkan pada diagram waterfall. Adapun beberapa

tahapan yang digunakan dalam penelitian ini adalah sebagai berikut :

Analisis
Kebutuhan

Desain
Sistem

Penulisan
Kode
Program

Pengujian
Program

Hasil

Gambar I.1. Diagram Waterfall Metodologi Penelitian

Keterangan :

1. Analisis Kebutuhan

Pada tahapan ini merupakan analisa terhadap kebutuhan yang diperlukan

untuk mencapai tujuan penelitian yang akan dilakukan. Pada tahap ini dilakukan

pengumpulan data-data teori yang terkait dengan data gejala penyakit kanker
 7

neuroblastoma, metode naive bayes dan metode teoreme bayes. Untuk

mengumpulkan data yang dibutuhkan, maka penulis memakai teknik :

a. Pengamatan Langsung (Observation)

Melakukan pengamatan secara langsung ke tempat objek pembahasan

yang ingin diperoleh yaitu bagian-bagian terpenting dalam pengambilan

data yang diperlukan berkaitan tentang penyakit kanker neuroblastoma,

metode naive bayes dan metode teoreme bayes.

b. Wawancara (Interview)

Teknik ini secara langsung bertatap muka dengan Ibu Dr. Sumarnita

Tarigan, Sp.S pada bagian penyakit saraf (Neurologi) untuk mendapatkan

penjelasan dari masalah yang sebelumnya kurang jelas yaitu tentang

mekanisme sistem yang digunakan dan juga untuk meyakinkan bahwa data

yang diperoleh dikumpulkan benar-benar akurat.

c. Sampel (Sampling)

Meneliti dan memilih data-data yang tersedia dan sesuai dengan bidang

yang dipilih sebagai berkas lampiran.

d. Penelitian perpustakaan (Library Research)

Pada metode ini penulis mengutip dari beberapa bacaan yang berkaitan

dengan pelaksanaan skripsi yang dikutip dapat berupa teori.

2. Desain Sistem

Proses desain akan menerjemahkan syarat kebutuhan sebuah perancangan

perangkat lunak yang dapat diperkirakan sebelum dibuat kode program. Proses ini

berfokus kepada : struktur data, arsitektur perangkat lunak, representasi interface,

 8

dan detail (algoritma) prosedural. Dokumen inilah yang akan digunakan untuk

melakukan aktivitas pembuatan sistemnya. Pada tahap ini dilakukan desain

perangkat lunak menggunakan pemodelan uml yaitu use case diagram, class

diagram, activity diagram dan sequence diagram.

3. Penulisan Kode Program

Kode program merupakan terjemahan design dalam bahasa yang bisa dikenali

komputer. Pada tahap ini desain sistem diimplementasikan ke dalam kode

program. Pemrograman dimulai dengan bahasa pemrograman visual basic 2010

dan menggunakan database SQL Server 2008.

4. Pengujian Program

Pada tahap ini dilakukan pengujian aplikasi secara menyeluruh, meliputi

pengujian fungsional dan pengujian ketahanan sistem. Pengujian secara black box

(interface) yaitu pengujian perangkat lunak yang tes fungsionalitas dari aplikasi

yang bertentangan dengan struktur internal atau kerja. Pengetahuan khusus dari

kode aplikasi/struktur internal dan pengetahuan pemrograman pada umumnya

tidak diperlukan, pengujian tersebut untuk masing-masing blok peralatan yang

dirancang.

5. Hasil

Pada tahap ini program akan diterapkan untuk mendiagnosa penyakit kanker

neuroblastoma. Kemudian program secara otomatis akan menampilkan hasil

diagnosa berupa keputusan, persentase hasil diagnosa dan hasil perbandingan

metode Naive bayes dan Teorema bayes.

 9

I.5. Konstribusi Keilmuan

Adapun konstribusi keilmuan yang dihasilkan dalam penelitian ini adalah

sebagai berikut :

1. Sebagai acuan atau tolak ukur para tenaga medis dalam hal meningkatkan

nilai kepercayaan dengan pengujian metode untuk memperoleh nilai akurasi

terhadap kasus kanker neuroblastoma. Dengan adanya nilai akurasi yang

tepat dapat membantu dalam memberikan informasi untuk solusi

pengobatan penyakit

2. Memberikan pengetahuan baru bagi siapa saja yang ingin mempelajari dan

menerapkan sistem pakar.

3. Menyediakan solusi yang dapat dipertimbangkan untuk menyelesaikan

masalah diagnosa penyakit kanker neuroblastoma.

I.6. Lokasi Penelitian

Adapun lokasi yang menjadi tempat riset penulis yaitu pada Rumah Sakit

Pirngadi yang beralamat di Jln. Prof. HM. Yamin SH No.47, Perintis, Medan

Timur, Kota Medan, Sumatera Utara 20234.

I.7. Sistematika Penulisan

Adapun sistematika penulisan yang diajukan dalam skripsi ini adalah

sebagai berikut :
 10

BAB I : PENDAHULUAN

Pada bab ini menerangkan tentang latar belakang, ruang lingkup

permasalahan, tujuan dan manfaat, metode penelitian dan

sistematika penulisan.

BAB II : TINJAUAN PUSTAKA

Pada bab ini menerangkan teori dasar yang berhubungan dengan

program yang dirancang serta bahasa pemrograman yang

digunakan.

BAB III : ANALISA DAN DESAIN SISTEM

Pada bab ini mengemukakan analisa masalah program yang akan

dirancang dan rancangan program yang digunakan pada penulisan

skripsi ini.

BAB IV : HASIL DAN UJI COBA

Pada bab ini mengemukakan tentang hasil implementasi sistem

yang dirancang mencakup uji coba sistem, tampilan serta

perangkat yang dibutuhkan. Analisa sistem dirancang untuk

mengetahui kelebihan dan kekurangan sistem yang dibuat.

BAB V : KESIMPULAN DAN SARAN

Dalam bab ini berisikan berbagai kesimpulan yang dapat dibuat

berdasarkan uraian yang telah disimpulkan, serta saran kepada

perusahaan.
 11

BAB II

TINJAUAN PUSTAKA
 11

BAB II

TINJAUAN PUSTAKA

II.1. Penelitian Terkait

Adapun penelitian terkait yang akan digunakan sebagai sumber acuan yang

relevan dan terkini yaitu:

1. Nurlelah dan Wajhillah, (2016) dengan judul “Penerapan Naive Bayes

Untuk Diagnosa Penyakit Diare Usia Balita Pada Sistem Pakar Berbasis

Website” Hasil penelitian ini dapat membantu para tenaga medis dan juga

orang tua dalam mengetahui lebih dini penyakit diare pada anak balita tanpa

harus berkonsultasi secara langsung dengan pakar atau tenaga medis.

2. Hengki Tamando Sihotang dan dkk, (2018) dengan judul “Sistem Pakar

Mendiagnosa Penyakit Herpes Menggunakan Metode Teorema Bayes”

Dalam mendiagnosa penyakit herpes zosfer berdasarkan gejala-gejala yang

ditemukan pada tipe penyakit herpes zosfer, sistem juga mampu

memberikan informasi untuk solusi pengobatan penyakit.

3. Aprizum Putra ZM dan dkk, (2017) dengan judul “Sistem Pakar Diagnosa

Penyakit Tiroid Menggunakan Metode Naive Bayes Berbasis Android”.

Hasil dari penelitian ini memudahkan pengguna dalam melakukan proses

konsultasi dan diagnosa, karena rekam medis cocok dengan perhitungan

sistem. Pengembangan sistem pakar untuk mendiagnosa penyakit tiroid

dapat berhasil dengan baik, yaitu mampu menghasilkan jawaban yang

dibutuhkan.

11
 12

4. Trinanda Syahputra dan dkk, dengan judul “Sistem Pakar Untuk

Mendiagnosa Penyakit Anemia Dengan Menggunakan Metode Teorema

Bayes”. Dengan perancangan dan implementasi Sistem Pakar untuk

Mendiagnosa Penyakit Anemia, masyarakat akan dengan mudah

mengetahui gejala penyakit anemia tanpa harus bertemu

dengan dokter. Dengan adanya sistem ini, dapat menekan

tingkat pertumbuhan penyakit anemia dikalangan masyarakat, karena

diketahui penyakit anemia akan berbahaya yang membawa

dampak buruk bagi masyarakat.

5. Berdasarkan penelitian terdahulu, maka dilakukan penelitian selanjutnya

yaitu “Analisis Sistem Informasi Perbandingan Metode Naive Bayes dan

Teorema Bayes Terhadap Hasil Diagnosis Penyakit Kanker Neuroblastoma

Pada Anak”. Hasil penelitian ini adalah untuk mengetahui hasil

perbandingan metode naive bayes dan metode teorema bayes dalam

mendiagnosa penyakit Neuroblastoma. Sehingga bisa menjadi acuan atau

tolak ukur para tenaga medis dalam hal meningkatkan nilai kepercayaan

dengan pengujian metode untuk memperoleh nilai akurasi terhadap kasus

kanker Neuroblastoma. Dengan adanya nilai akurasi yang tepat dapat

membantu dalam memberikan informasi untuk solusi pengobatan penyakit.

 13

II.2. Landasan Teori

II.2.1. Data

Pengertian Data dalam Edhy Sutanta, mendefenisikan Data adalah sebagai

bahan keterangan tentang kejadian nyata atau fakta-fatkat yang dirumuskan dalam

sekelompok lambang tertentu yang tidak acak yang menunjukan jumlah, tindakan,

atau hal. Data dapat berupa catatan-catatan dalam kertas, buku, atau tersimpan

sebagai file dalam basis data (Hermansyah Sembiring, dkk, 2012).

Data adalah sesuatu yang belum mempunyai arti bagi penerimanya dan

masih memerlukan adanya suatu pengolahan. Data bisa berwujud suatu keadaan,

gambar, suara, huruf, angka, matematika, bahasa ataupun simbol-simbol lainnya

yang bisa kita gunakan sebagai bahan untuk melihat lingkungan, obyek, kejadian

ataupun suatu konsep (Eka Iswandy, 2015).

Data merupakan bentuk jamak dari bentuk tunggal datum atau data-item.

Data adalah kenyataan yang menggambarkan suatu kejadian dan kesatuan nyata.

Kejadian (event) adalah sesuatu yang terjadi pada saat tertentu. Di dalam dunia

bisnis, kejadian- kejadian nyata adalah perubahan dari suatu nilai yang disebut

dengan transaksi. Indikator yang dapat digunakan untuk mengukur kualitas

informasi adalah relevance, accurate, completeness, timeliness, dan

understandability dari informasi yang dihasilkan (Fanny Andalia, dkk, 2015).

II.2.2. Variabel

Variabel adalah sesuatu yang menjadi pusat atau fokus perhatian, yang

memberikan pengaruh dan memiliki nilai sehingga dapat berubah. Variabel dapat
 14

disebut juga peubah. Variabel merupakan objek penelitian yang dapat menentukan

hasil penelitian (Tia Mutiara, dkk, 2008 ; 7).

Variabel adalah gejala yang bervariasi, yang menjadi objek penelitian.

Adapun variabel dalam penelitian ini ada dua, yaitu:

1. Variabel Independent (Variabel Bebas)

Variabel bebas adalah variabel yang akan diselidiki pengaruhnya. Dalam

penelitian ini yang menjadi variabel bebas adalah pembelajaran dengan

menggunakan strategi Student Team Heroic Leadership.

2. Variabel Dependent (Variabel Terikat)

Variabel terikat adalah variabel yang dipengaruhi oleh variabel bebas.

Disini yang menjadi variabel terikat adalah kreativitas belajar matematika

siswa (Samidi, 2015).

II.2.3. Tipe Data

Tipe data adalah sebuah kelas dari objek-objek data bersama-sama dengan

himpunan operasi untuk membuat dan memanipulasinya. Walaupun sebuah

program hanya berurusan dengan objek data tertentu seperti array A, variabel

integer X atau file F, sebuah bahasa pemograman perlu lebih biasa berurusan

dengan tipe-tipe data seperti kelas array-array, integer-integer, ataupun file-file.

Setiap bahasa pemograman biasanya mengenal tipe-tipe data seperti integer,

boolean, char, dan enumerasi (terbilang) sebagai tipe data elementernya (Heri

Sismoro, dkk, 2004 ; 3-4).

 15

Elemen-elemen dasar spesifikasi suatu tipe data adalah :

a. Atribut-atribut yang membedakan objek-objek data dengan tipe tersebut.

b. Nilai-nilai yang mungkin dimiliki oleh objek data dengan tipe tersebut.

c. Operasi-operasi yang memungkinkan untuk memanipulasi objek data

dengan tipe tersebut (Heri Sismoro, dkk, 2004 ; 3).

Dalam dunia pemograman, tipe data adalah sesuatu yang digunakan untuk

mempresentasikan jenis dari suatu nilai tertentu. Secara umum tipe data dapat

dibedakan menjadi tiga bagian besar, yaitu tipe data dasar, tipe data bentukan dan

tipe data enumerasi. Tipe data dasar yaitu tipe data bilangan bulat (Integer),

bilangan ril (Flooting-point), karakter (String), dan logika (Boolean) (Budi

Raharjo, 2006 ; 38).

II.2.4. Sistem Pakar

Sistem Pakar (Expert System) merupakan solusi AI bagi masalah

pemrograman pintar (Intelligent). Profesor Edward Feigenbaum dari Stanford

University yang merupakan pionir dalam teknologi sistem pakar

mendefenisikan Sistem Pakar sebagai sebuah program komputer pintar (intelligent

computer program) yang memanfaatkan pengetahuan (knowledge) dan prosedur

inferensi (inference procedure) untuk memecahkan masalah yang cukup sulit

hingga membutuhkan keahlian khusus dari manusia.

Dengan kata lain, Sistem Pakar adalah sistem komputer yang ditujukan

untuk meniru semua aspek (emulates) kemampuan pengambilan keputusan

 16

(decision making) seorang pakar. Sistem Pakar memanfaatkan secara maksimal

pengetahuan khusus layaknya seorang pakar untuk memecahkan masalah.

Pakar atau ahli (expert) didefenisikan sebagai seseorang yang memiliki

pengetahuan atau keahlian khusus yang tidak dimiliki oleh kebanyakan orang.

Seorang pakar dapat memecahkan masalah yang tidak mampu dipecahkan

kebanyakan orang. Dengan kata lain, dapat memecahkan suatu masalah dengan

lebih efisien namun bukan berarti lebih murah. Pengetahuan yang dimuat ke

dalam Sistem Pakar dapat berasal dari seorang pakar atau pun pengetahuan yang

berasal dari buku, jurnal, majalah, dan dokumentasi yang dipublikasikan lainnya,

serta orang yang memiliki pengetahuan meskipun bukan ahli. Istilah Sistem Pakar

(expert system). Sering disinonimkan dengan sistem berbasis pengetahuan

(knowledge-based system) atau Sistem Pakar berbasis pengetahuan (knowledge

based expert system). (Rika Rosnelly, 2012 : 3).

II.2.4.1.Manfaat Sistem Pakar

Sistem pakar sangat popular karena sangat banyak kemampuan dan manfaat

yang diberikannya, di antaranya :

1. Meningkatnya produktivitas, karena sistem pakar dapat bekerja lebih cepat

daripada manusia.

2. Membuat seseorang yang awam bekerja seperti layaknya seorang pakar.

3. Meningkatkan kualitas, dengan memberi nasehat yang konsisten dan

mengurangi kesalahan.

4. Mampu menangkap pengetahuan dan kepakaran seseorang.

 17

5. Memudahkan akses pengetahuan seorang pakar.

6. Bisa digunakan sebagai media pelengkap dalam pelatihan. Pengguna

pemula yang bekerja dengan sistem pakar akan menjadi lebih

berpengalaman karena adanya fasilitas penjelas yang berfungsi sebagai

guru.

7. Meningkatkan kemampuan untuk menyelesaikan masalah karena sistem

pakar mengambil sumber pengetahuan dari banyak pakar. (B. Herawan

Hayadi, 2018:2).

II.2.4.2. Ciri –Ciri Sistem Pakar

Menurut B. Herawan Hayadi (2018), ciri–ciri sistem pakar adalah sebagai

berikut :

1. Terbatas pada domain keahlian tertentu

2. Dapat memberikan penalaran untuk data yang tidak pasti

3. Dapat mengemukakan rangkaian alasan yang diberikannya dengan cara

yang dapat dipahami.

4. Berdasarkan pada kaidah atau rule tertentu.

5. Dirancang untuk dapat dikembangkan secara bertahap.

6. Pengetahuan dan mekanisme inferensi jelas terpisah.

7. Keluarannya bersifat anjuran

8. Sistem dapat mengaktifkan kaidah secara searah oleh pemakai

 18

II.2.4.3.Konsep Umum Sistem Pakar

Sistem pakar terdiri dari beberapa konsep yang harus dimiliki. Konsep dasar

dari suatu sistem pakar adalah sebagai berikut :

1. Keahlian

Adalah suatu pengetahuan khusus yang diperoleh dari latihan, belajar dan

pengetahuan. Pengetahuan dapat berupa fakta, teori, aturan, strategi global

untuk memecahkan masalah.

2. Ahli (Expert)

Melibatkan kegiatan mengenali dan memformulasikan permasalahan,

memecahkan masalah secara cepat dan tepat, menerangkan pemecahannya,

belajar dari pengalaman, merestrukturisasi pengetahuan, memecahkan

aturan serta menentukan relevansi.

3. Mentransfer Keahlian (Transfering Expertise)

Adalah proses pentransferan keahlian dari seorang pakar kedalam komputer

agar dapat digunakan oleh orang lain yang bukan pakar. Pengetahuan

tersebut ditempatkan kedalam sebuah komponen yang dinamakan basis

pengetahuan.

4. Menyimpulkan Aturan ( Inferencing Rule)

Merupakan kemampuan komputer yang telah diprogram, penyimpulan ini

dilakukan oleh mesin inferensi yang meliputi prosedur tentang penyelesaian

masalah.
 19

5. Peraturan (Rule)

Diperlukan karena mayoritas dari sistem pakar bersifat rule-based systems,

yang berarti pengetahuan disimpan dalam bentuk peraturan.

6. Kemampuan menjelaskan (Explanation Capability)

Adalah karakteristik dari sistem pakar yang memiliki kemampuan

menjelaskan atau memberi saran mengapa tindakan dianjurkan atau tidak

dianjurkan. (B. Herawan Hayadi, 2018: 5).

II.2.4.4.Elemen Manusia Pada Sistem Pakar

Sistem Pakar tidak lepas dari elemen manusia yang terkait di dalamnya.

Personil yang terkait dengan Sistem Pakar ada 4 yaitu :

1. Pakar (expert)

2. Pembangun pengetahuan (knowledge engineer)

3. Pembangunan sistem (system engineer)

4. Pemakai (user)

Paling tidak terdapat dua komponen orang atau lebih yang berpartisipasi

dalam pembangunan dan penggunaan Sistem Pakar, yakni sedikitnya seorang

pembangun pengetahuan dan seorang pakar. (Rika Rosnelly, 2012 : 10).

II.2.4.4.1.Pakar

Pakar adalah seorang individu yang memiliki pengetahuan khusus,

pemahaman, pengalaman, dan metode-metode yang digunakan untuk

memecahkan persoalan dalam bidang tertentu. (Rika Rosnelly, 2012 : 10)

 20

II.2.4.4.2.Pembangun/ Pembuat Pengetahuan

Pembuat pengetahuan memiliki tugas utama menerjemahkan dan

merepresentasikan pengetahuan yang diperoleh dari pakar, baik berupa

pengalaman pakar dalam menyelesaikan masalah maupun sumber

terdokumentasi lainnya ke dalam bentuk yang bisa diterima oleh Sistem

Pakar. Dalam hal ini pembangunan pengetahuan (knowledge engineer)

menginterpretasikan dan merepresentasikan pengetahuan yang diperoleh

dalam bentuk jawaban-jawaban atas pertanyaan-pertanyaan yang diajukan

pada pakar atau pemahaman, penggambaran analogis, sistematis, konseptual

yang diperoleh dari membaca beberapa dokumen cetak seperti text book,

jurnal, makalah, dan sebagainya. Kurangnya pengalaman knowledge

engineer merupakan kesulitan utama dalam mengkonstruksi Sistem Pakar.

Untuk mengatasi hal tersebut, perancang Sistem Pakar menggunakan tools

komersial. (Seperti pada editor-editor khusus maupun logic debuggers) dan

usahanya akan dipusatkan pada pembangunan mesin inferensi. (Rika

Rosnelly, 2012 : 11)

II.2.4.4.3.Pembangun/ Pembuat Sistem

Pembangunan sistem adalah orang yang bertugas untuk merancang

antarmuka pemakai Sistem Pakar, merancang pengetahuan yang sudah

diterjemahkan oleh pembangun pengetahuan ke dalam bentuk yang sesuai

dan dapat diterima oleh Sistem Pakar dan mengimplementasikannya ke

dalam mesin inferensi. Selain hal tersebut, pembangun sistem juga

bertanggung jawab apabila Sistem Pakar akan diintegrasikan dengan sistem

 21

komputerisasi lain. Alat pembangun (tool builder) dapat dipakai untuk

menyajikan atau membangun tool yang spesifik. Penjual (vendor) dapat

memberikan tool dan saran, staf pendukung dapat memberikan saran dan

bantuan secara teknis dalam proses pembangunan Sistem Pakar. (Rika

Rosnelly, 2012 : 12).

II.2.4.4.4.Pengguna

Banyak sistem berbasis komputer mempunyai susunan pengguna

tunggal. Hal ini berbedaa jauh dengan Sistem Pakar yang memungkinkan

mempunyai beberapa kelas pengguna. Pengguna mungkin tidak terbiasa

dengan komputer dan mungkin pada domain masalah. Bagaimanapun juga,

banyak solusi permasalahan menjadi lebih baik dan kemungkinan lebih

murah dan keputusan yang cepat bila menggunakan Sistem Pakar. Pakar dan

pembangun sistem harus mengantisipasi kebutuhan-kebutuhan pengguna

dan membuat batasan-batasan ketika mendesain Sistem Pakar. (Rika

Rosnelly, 2012 : 12)

II.2.4.5.Struktur Sistem Pakar

Komponen yang terdapat dalam struktur Sistem Pakar ini adalah knowledge

base (rules), inference engine, working memory, explanation facility, knowledge

acquisition facility, user interface. (Rika Rosnelly, 2012)

1. Knowledge Base (Basis Pengetahuan)

Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi,

dan penyelesaian masalah. Komponen Sistem Pakar disusun atas dua

 22

elemen dasar, yaitu fakta dan aturan. Fakta merupakan informasi tentang

objek dalam area permasalahan tertentu, sedangkan aturan merupakan

informasi tentang cara bagaimana memperoleh fakta baru dari fakta yang

telah diketahui.

2. Inference Engine (Mesin Inferensi)

Mesin inferensi merupakan otak dari sebuah Sistem Pakar dan dikenal juga

dengan sebutan control structure (struktu kontrol) atau rule interpreter

(dalam Sistem Pakar berbasis kaidah). Komponen ini mengandung

mekanisme pola pikir dan penalaran yang digunakan oleh pakar dalam

menyelesaikan suatu masalah. Mesin inferensi disini adalah processor pada

Sistem Pakar yang mencocokkan bagian kondisi dari rule yang tersimpan di

dalam knowledge base dengan fakta yang tersimpan di working memory.

3. Working Memory

Berguna untuk menyimpan fakta yang dihasilkan oleh inference engine

dengan penambahan parameter berupa derajat kepercayaan atau dapat juga

dikatakan sebagai global database dari fakta yang digunakan oleh rule-rule

yang ada.

4. Explanation Facility

Menyediakan kebenaran dari solusi yang dihasilkan kepada user (reasoning

chain).

5. Knowledge Acquistion Facility

Meliputi proses pengumpulan, pemindahan dan perubahan dari kemampuan

pemecahan masalah seorang pakar atau sumber pengetahuan terdokumentasi

 23

ke program computer, yang bertujuan untuk memperbaiki atau

mengembangkan basis pengetahuan.

6. User Interface

Mekanisme untuk memberi kesempatan kepada user dan Sistem Pakar

untuk berkomunikasi. Antar muka menerima informasi dari pemakai dan

mengubahnya ke dalam bentuk yang dapat diterima oleh sistem. Selain itu

antarmuka menerima informasi dari sistem dan menyajikannya ke dalam

bentuk yang dapat dimengerti oleh pemakai. (Rika Rosnelly, 2012 : 15).

II.2.4.6.Karakteristik Sistem Pakar

Sistem Pakar umumnya dirancang untuk memenuhi beberapa karakteristik

umum berikut ini :

1. Kinerja sangat baik (high performance). Sistem harus mampu memberikan

respon berupa saran (advice) dengan tingkat kualitas yang sama dengan

seorang pakar atau melebihinya.

2. Waktu respon yang baik (adequate respon time). Sistem juga harus mampu

bekerja dalam waktu yang sama baiknya (reasonable) atau lebih cepat

dibandingkan dengan seorang pakar dalam menghasilkan keputusan. Hal ini

sangat penting terutama pada sistem waktu nyata (real-time).

3. Dapat diandalkan (good reliability). Sistem harus dapat diandalkan dan

tidak mudah rusak/ crash.

4. Dapat dipahami (understandable). Sistem harus mampu menjelaskan

langkah-langkah penalaran yang dilakukannya seperti seorang pakar.

 24

5. Fleksibel (flexibility). Sistem menyediakan mekanisme untuk menambah,

mengubah, dan menghapus pengetahuan. (Rika Rosnelly, 2012 : 21).

II.2.5.Teorema Bayes

Menurut Hengki Tamando Sihotang dan dkk, (2018), Teorema bayes

merupakan metode yang baik didalam mesin pembelajaran berdasarkan data

training, dengan menggunakan probalitas bersyarat sebagai dasarnya. Probabilitas

bayes merupakan salah satu cara yang baik untuk mengatasi ketidakpastian data

dengan dengan menggunakan formula bayes

Rumus Teorema Bayes dapat dilihat sebagai berikut :

P (H|E) = P (E|H) * P(H)

P (E)

Dimana :

P(H | E) = probabilitas hipotesis H jika diberikan evidence E.

P(E | H) = probailitas munculnya evidence E jika diketahui hipotesis H.

P(H) = probabilitas H tanpa mengandung evidence apapun.

P(E) = probabilitas evidence E.

II.2.6. Naïve Bayes

Naïve Bayes merupakan pengklasifikasian dengan metode probabilitas dan

statistik yang dikemukakan oleh ilmu waninggris Thomas Bayes, yaitu

memprediksi peluang di masa depan berdasarkan pengalaman di masa

sebelumnya. Metode Naïve Bayes juga dinilai berpotensi baik dalam

 25

mengklasifikasikan dokumen dibandingkan dengan metode pengklasifikasian lain

dalam hal akurasi danefisiensi komputasi. (Nurlelah dan Wajhillah, 2016 : 56).

Rumus dari metode Naive Bayes :

P (ai|Vj) = nc + m* p

n+m

Keterangan :

P(ai|Vj) = peluang ai jika diketahui keadaan Vj dalam artian, peluang ke i

nc = Kemunculan ai (atribut) terhadap vj

n = Jumlah kemunculan Vj pada dataset

p = Jumlah tiap Vj

Vj= nilai diagnosa

m = Nilai konstan dari ukuran sampel yang equivalen.

Vmap = arg max P (a1,a2,a3,.., an\Vj ) P(Vj) ……………..........….…….……(2)

Keterangan :

Vmap = Probabilitas tertinggi

P(Vj) = Peluang class ke j

P(a1,a2,a3,…,an|Vj) = Peluang atribut input jika diketahui keadaan Vj (Yisti Vita

Via, et al.,2015 : 65).

II.2.7. Defenisi Neuroblastoma

Menurut Anky Tri Rini (dalam Omni Hospital, 2017), Neuroblastoma

merupakan kanker pada sistem saraf anak dan tergolong jenis kanker yang langka.

Kanker ini biasanya ditemukan pada anak-anak balita. Penyebab pasti kanker
 26

sistem saraf belum diketahui, namun ada kaitannya dengan faktor lingkungan,

genetik, dan ras. Gejala neuroblastoma yang timbul bergantung letak kanker

tersebut berada. Kalau menyerang saraf tulang belakang, tubuh bagian bawah

akan terasa lemah, mati rasa, dan mengalami gangguan pergerakan. Apabila

bagian tulang yang terkena, akan mengalami nyeri tulang dan gangguang

pergerakan. Sementara jika kanker ada di bagian dada, gejalanya adalah terasa

nyeri di dada, sesak napas, serta terjadi kelainan pada mata.

Menurut Astuti Laksmi Andri dan dkk. (2012), Neuroblastoma merupakan

proses keganasan terhadap anak dengan jumlah kasus 500-525 terdiagnosa setiap

tahunnya, penyakit ini kira-kira 8-10 % dari seluruh kasus keganasan di dunia.

Insiden tahunan terjadi pada 10 per 1 juta kelahiran hidup, lebih sering terjadi

pada anak laki-laki dibandingkan anak perempuan.

Menurut Sari Pediatri (2009), Neuroblastoma merupakan neoplasma yang

berasal dari sel embrional neural dan salah satu tumor padat tersering yang

dijumpai pada anak. Rata-rata terdapat 8 kasus per tahun pada anak dibawah usia

16 tahun dengan rata-rata usia tersering sekitar 2 tahun. Neuroblastoma adalah

tumor yang berasal dari sistem saraf simpatis dan mayoritas berasal dari kelenjar

medula adrenal dan ganglion simpatis. Tumor primer Neuroblastoma berasal dari

abdomen dengan keluhan pada umumnya terdapat masa dan nyeri pada abdomen.

Anoreksia dan muntah juga dapat dijumpai, Neuroblastoma dapat bermestastase

ke kelenjar limfe regional misalnya pada tulang, hati, ataupun kulit. Berbeda

dengan tumor padat lain, Neuroblastoma jarang bermetastase ke paru. Gejala

pembesaran kelenjaran limfe tersebut juga dijumpai pada kasus berupa masa
 27

abdomen disertai Metastase pada kelenjar supra klavikular, para aorta, dan iliaka.

Secara histologis, sel Neuroblastoma berbentuk, bulat, kecil dan berwarna biru

yang dapat disamakan dengan sel lain baik yang berasal dari tumor primer

maupun metastase.

II.2.7.1. Manifestasi Klinis

Neuroblastoma dapat menyerang setiap situs jaringan sistem saraf simpatik.

sekitar setengah dari tumor Neuroblastoma timbul di kelenjar adrenal dan

sebagian besar sisanya berasal dari ganglia simpatis paraspinal. Metastase

ditemukan lebih sering pada anak usia> 1 tahun saat terdiagnosis, terjadi melalui

invasi lokal, hematogen atau limfogen. Organ yang paling umum dituju oleh

proses metastasis ini adalah kelenjar getah bening regional atau yang jauh, tulang

panjang dan tengkorak, sumsum tulang, hati dan kulit.

Tanda-tanda dan gejala dari Neuroblastoma mencerminkan lokasi tumor

dan luasnya penyakit. Proses metastasis dapat menyebabkan berbagai tanda dan

gejala, termasuk demam, iritabel, kegagalan dalam masa pertumbuhan, nyeri

tulang, sitopeni, nodul kebiruan pada subkutan, proptosis orbital dan ekimosis

periorbital. (Luh Witari Indrayani dan dkk,2011)

Menurut R Dina Garniasih dan dkk. (2009:41), gambaran klinis atau gejala

yang gejala paling umum dari Neuroblastoma sebagai berikut :

1. Mata menonjol atau proptosis

2. Terdapat masa di dalam abdomen

3. Demam
 28

4. Pendarahan

5. Nafsu makan menurun

6. Lemah

7. Pucat

8. Hepatomegali (pembesaran hati)

9. Limfadenopati (pembengkakan/pembesaran kelenjar getah bening)

10. Splenomegali (pembesaran limpa)

Gambar 1. Manifestasi klinis Neuroblastoma

II.2.7.2.Tingakatan Stadium

Menurut Cecily (2002), International Staging System untuk Neuroblastoma

menetapkan definisi standar untuk diagnosis, pertahapan dan pengobatan serta

mengelompokkan pasien berdasarkan temuan-temuan radiografik dan bedah

ditambah keadaan sumsum tulang.

 29

Tumor yang terlokalisasi dibagi menjadi stadium I, II, III, tergantung ciri

tumor primer dan status limfonodus regional. Penyakit yang telah mengalami

penyebaran dibagi menjadi stadium IV dan IVS (S untuk spesial), tergantung dari

adanya keterlibatan tulang kortikal yang jauh, luasnya penyakit sumsum tulang

dan gambaran tumor primer.

Anak dengan prognosis baik umumnya tidak memerlukan pengobatan,

pengobatan minimal atau hanya reseksi. Reseksi untuk tumor stadium I. Untuk

stadium II pembedahan saja mungkin sudah cukup tetapi kemoterapi juga banyak

digunakan dan terkadang ditambah dengan radioterapi lokal. Neuroblastoma tahap

IVS mempunyai angka regresi spontan yang tinggi dan penatalaksanaannya

mungkin hanya terbatas pada kemoterapi dosis rendah dan observasi ketat.

Neuroblastoma tahap III dan IV memerlukan terapi intensif, termasuk kemoterapi,

terapi radiasi, pembedahan, transplantasi sumsum tulang autologus atau alogenik,

penyelamatan sumsum tulang, metaiodo benzyl quainid (MIBG) dan imunoterapi

dengan antibodi monoklonal yang spesifik terhadap Neuroblastoma. Sebuah

modalitas gabungan operasi, kemoterapi, dan radioterapi berdasarkan stadium

penyakit dan umur pasien pada presentasi digunakan untuk Neuroblastoma.

II.2.7.3.Komplikasi

Komplikasi dari Neuroblastoma yaitu adanya Metastase tumor yang relatif

dini ke berbagai organ secara limfogen melalui kelenjar limfe maupun secara

hematogen ke sumsum tulang, tulang, hati, otak, paru dan lain-lain. Metastasis

tulang umumnya ke tulang kranial atau tulang panjang ekstremitas. Hal ini sering
 30

menimbulkan nyeri ekstremitas, artralgia, pincang pada anak. Metastase ke

sumsum tulang menyebabkan anemia, perdarahan dan trombositopenia. (Luh

Witari Indrayani dan dkk,2011).

II.2.7.4.Prognosis

Kelangsungan hidup 5 tahun adalah sebesar 60%, kadang-kadang

dilaporkan terjadi pemulihan spontan. Identifikasi faktor prognosis spesifik adalah

penting untuk perencanaan terapi. Prediktor paling menonjol bagi keberhasilan

adalah umur dan stadium penyakit. Anak yang berusia kurang dari satu tahun

lebih baik daripada anak berumur lebih tua dengan stadium penyakit yang sama.

Angka ketahanan hidup bayi dengan penyakit berstadium rendah melebihi 90%

dan bayi dengan penyakit metastasis mempunyai angka ketahanan hidup jangka

panjang 50% atau lebih. Anak dengan penyakit stadium rendah umumnya

mempunyai prognosis yang baik, tidak tergantung umur. Makin tua umur

penderita dan makin menyebar penyakit, makin buruk prognosisnya. Meskipun

dengan terapi konvensional atau terapi yang agresif, angka ketahanan hidup bebas

penyakit untuk anak yang lebih tua dengan penyakit lanjut jarang melebihi 20%.

(Luh Witari Indrayani dan dkk,2011)

II.2.8. Database

Database adalah basis dari data, dengan kata lain database merupakan

kumpulan data, dasar yang digunakan untuk menampilkan data atau informasi,

sekumpulan data atau informasi teratur berdasarkan criteria tertentu yang saling
 31

berhubungan. Selain itu juga database dapat di defenisikan sebagai susunan

record data operasional lengkap dari suatu organisasi perusahaan, yang

terorganisir dan disimpan secara terintegrasi.

Data adalah penggambaran suatu fakta atau keadaan. Informasi merupakan

sekumpulan data yang telah diolah menjadi suatu bentuk sehingga berguna bagi

penerima dan pemakai. Dalam dunia komputer database bisa dikategorikan bisa

sangat spesial karena selalu menjadi hal utama dalam perancangan sistem suatu

perusahaan, tentunya ada alasan tertentu mengapa database menjadi perioritas

sendiri dalam kinerja manejemen perusahaan ( Herlina Trisnawati, 2016 : 29).

II.2.9.Normalisasi

Menurut Indrajani (2015 : 11) Normalisasi adalah suatu teknik dengan

pendekatan bottom-up yang digunakan untuk membantu mengidentifikasikan

hubungan. Dimulai dari menguji hubungan, yaitu functional dependecies antara

atribut. Tujuan utama normalisasi adalah mengidentifikasikan kesesuain

hubungan yang mendukung data untuk memenuhi kebutuhan data perusahaan.

Proses pernormalan tabel ada beberapa tahap yang harus dilakukan yaitu

(Gandung Triyono, 2012 : 19) :

1. First Normal Form (1 NF)

Sudah tidak ada repeating group yaitu pengulangan yang terjadi pada

beberapa atribut atau kolom dalam sebuah tabel, dan juga setiap atribut harus

bernilai tunggal.
 32

2. Second Normal Form (2 NF)

Untuk menjadikan tabel normal tingkat ke 2 maka sudah 1NF dan setiap

atribut yang bukan primary key sepenuhnya secara fungsional tergantung

pada semua atribut pembentuk primary key.

3. Third Normal Form (3 NF)

Tabel sudah 2NF dan tidak memiliki transitive dependencies, Transitive

dependency adalah ketika ada atribut yang secara tidak langsung tergantung

pada primary key.

4. Fourth Normal Form (4 NF)

Relasi berada pada bentuk normal keempat apabila memenuhi syarat BCNF

dan tidak mempunyai multivalue dependency.

5. Fifth Normal Form (5 NF)

Tabel bentuk normal kelima sering disebut PJNF (Projection Join Normal

Form), penyebutan PJNF karena untuk suatu relasi akan berbentuk normal

kelima jika tabel tersebut dapat dipecah atau diproyeksikan menjadi beberapa

tabel dan dari proyeksi-proyeksi itu dapat disusun kembali (join) menjadi

tabel yang sama dengan keadaan semula.

II.2.10.Visual Basic 2010

Visual studio 2010 merupakan suatu perangkat lunak yang dapat

digunakan untuk pengembangan berbagai macam aplikasi yang memiliki berbagai

macam tipe antara lain aplikasi desktop (Windows Form, Aplikasi Web, Windows

Mobile (Poket Pc) Visual Studio 2010 memiliki lebih dari satu kompiler, SDK
 33

(Software Development Kid), dan Dokumentasi Tutorial (MSDN Library). Dan

semua itu sudah terpaket dan diperuntukkan ke dalam platform .Net Framework

4.0 atau versi yang lebih tinggi (Rolly Yesputra, 2017 : 1).

II.2.11.SQL Server 2008

Menurut Ilham Akbar, et al. (2013), Microsoft SQL Server adalah sebuah

sistem manajemen basis data relasional (RDBMS) produk Microsoft. Bahasa

queri utamanya adalah Transact-SQL yang merupakan implementasi dari SQL

standar ANSI/ISO yang digunakan oleh Microsoft dan Sybase. Umumnya SQL

Server digunakan di dunia bisnis yang memiliki basis data berskala kecil sampai

dengan menengah, tetapi kemudian berkembang dengan digunakannya SQL

Server pada basis data besar.

SQL Server 2008 menyimpan data dengan konsep Relational Database.

Selain itu penyajiannya merupakan penyajian pada level fisik karena kita akan

langsung menyimpan data pada database dengan kondisi yang sebenarnya, yaitu

disimpan pada tabel apa, kolom nama, dan menggunakan tipe data apa saat

penyimpanan.

II.2.12.Unified Modeling Language (UML)

UML (Unified Modeling Language) adalah sebuah “bahasa” yang sudah

menjadi standar dalam industri untuk visualisasi, merancang, dan

mendokumentasikan sistem piranti lunak. UML menawarkan sebuah standar

untuk merancang model sebuah sistem. Dengan menggunakan UML kita dapat
 34

membuat model untuk semua jenis aplikasi piranti lunak, dimana aplikasi tersebut

dapat berjalan pada piranti keras, sistem operasi dan jaringan apapun serta ditulis

dalam bahasa pemrograman apapun. Tetapi karena UML juga menggunakan class

dan operation dalam konsep dasarnya, maka ia lebih cocok untuk penulisan

piranti lunak dalam bahasa-bahasa berorientasi objek seperti C++, Java, C#, atau

VB.NET. Walapun demikian, UML tetap dapat digunakan untuk modeling

aplikasi prosedural dalam VB atau C (Marbun Murni dan Sinaga Bosker, 2018,

Hal : 35).

Alat bantu yang digunakan dalam perancangan berorientasi objek

berbasiskan UML adalah sebagai berikut :

1. Use Case Diagram

Use case diagram merupakan pemodelan untuk kelakukan (behavior) sistem

informasi yang akan dibuat. Use case mendeskripsikan sebuah interaksi antara

satu atau lebih aktor dengan sistem informasi yang akan dibuat. Dapat dikatakan

use case digunakan untuk mengetahui fungsi apa saja yang ada di dalam sistem

informasi dan siapa saja yang berhak menggunakan fungsi-fungsi tersebut.

Simbol-simbol yang digunakan dalam use case diagram dapat dilihat pada tabel

II.1 dibawah ini:

Tabel II.1. Simbol Use Case

Gambar Keterangan
Use case menggambarkan fungsionalitas yang
disediakan sistem sebagai unit-unit yang bertukar
pesan antar unit dengan aktor, biasanya dinyatakan
dengan menggunakan kata kerja di awal nama use
case.
 35

Aktor adalah abstraction dari orang atau sistem yang

lain yang mengaktifkan fungsi dari target sistem.
Untuk mengidentifikasikan aktor, harus ditentukan
pembagian tenaga kerja dan tugas-tugas yang
berkaitan dengan peran pada konteks target sistem.
Orang atau sistem bisa muncul dalam beberapa
peran. Perlu dicatat bahwa aktor berinteraksi dengan
use case, tetapi tidak memiliki control terhadap use
case.
Asosiasi antara aktor dan use case, digambarkan
dengan garis tanpa panah yang mengindikasikan
siapa atau apa yang meminta interaksi secara
langsung dan bukannya mengidikasikan aliran data.
Asosiasi antara aktor dan use case yang
menggunakan panah terbuka untuk mengidinkasikan
bila aktor berinteraksi secara pasif dengan sistem.
Include, merupakan di dalam use case lain (required)
atau pemanggilan use case oleh use case lain,
contohnya adalah pemanggilan sebuah fungsi
program.
Extend, merupakan perluasan dari use case lain jika
kondisi atau syarat terpenuhi.
(Sumber : Gellysa Urva dan Helmi Fauzi Siregar; 2015, Hal : 94)

2. Diagram Aktivitas (Activity Diagram)

Activity Diagram menggambarkan workflow (aliran kerja) atau aktivitas dari

sebuah sistem atau proses bisnis. Simbol-simbol yang digunakan dalam activity

diagram dapat dilihat pada tabel II.2 dibawah ini:

Tabel II.2. Simbol Activity Diagram

Gambar Keterangan
Start point, diletakkan pada pojok kiri atas dan
merupakan awal aktifitas.

End point, akhir aktifitas.

Activites, menggambarkan suatu proses/kegiatan

bisnis
 36

Fork (Percabangan), digunakan untuk menunjukkan

kegiatan yang dilakukan secara parallel atau untuk
menggabungkan dua kegiatan pararel menjadi satu.

Join (penggabungan) atau rake, digunakan untuk

menunjukkan adanya dekomposisi.

Decision Points, menggambarkan pilihan untuk

pengambilan keputusan, true, false.

Swimlane, pembagian activity diagram untuk

New Swimline menunjukkan siapa melakukan apa.

(Sumber : Gellysa Urva dan Helmi Fauzi Siregar; 2015, Hal : 94)

3. Diagram Urutan (Sequence Diagram)

Sequence diagram menggambarkan kelakuan objek pada use case dengan

mendeskripsikan waktu hidup objek dan pesan yang dikirimkan dan diterima antar

objek. Simbol-simbol yang digunakan dalam sequence diagram dapat dilihat pada

tabel II.3 dibawah ini :

Tabel II.3. Simbol Sequence Diagram

Gambar Keterangan
Entity Class, merupakan bagian dari sistem yang
berisi kumpulan kelas berupa entitas-entitas yang
membentuk gambaran awal sistem dan menjadi
landasan untuk menyusun basis data.
Boundary Class, berisi kumpulan kelas yang menjadi
interface atau interaksi antara satu atau lebih aktor
dengan sistem, seperti tampilan formentry dan form
cetak.
Control class, suatu objek yang berisi logika aplikasi
yang tidak memiliki tanggung jawab kepada entitas,
contohnya adalah kalkulasi dan aturan bisnis yang
melibatkan berbagai objek.
Message, simbol mengirim pesan antar class.
 37

Recursive, menggambarkan pengiriman pesan yang

dikirim untuk dirinya sendiri.

Activation, activation mewakili sebuah eksekusi

operasi dari objek, panjang kotak ini berbanding
lurus dengan durasi aktivitas sebuah operasi.

Lifeline, garis titik-titik yang terhubung dengan

objek, sepanjang lifeline terdapat activation.

(Sumber : Gellysa Urva dan Helmi Fauzi Siregar; 2015, Hal : 95)

4. Class Diagram (Diagram Kelas)

Merupakan hubungan antar kelas dan penjelasan detail tiap-tiap kelas di dalam

model desain dari suatu sistem, juga memperlihatkan aturan-aturan dan tanggng

jawab entitas yang menentukan perilaku sistem. Class diagram juga menunjukkan

atribut-atribut dan operasi-operasi dari sebuah kelas dan constraint yang

berhubungan dengan objek yang dikoneksikan. Class diagram secara khas

meliputi: Kelas (Class), Relasi, Associations, Generalization dan Aggregation,

Atribut (Attributes), Operasi (Operations/ Method), Visibility, tingkat akses objek

eksternal kepada suatu operasi atau atribut. Hubungan antar kelas mempunyai

keterangan yang disebut dengan multiplicity atau kardinaliti yang dapat dilihat

pada tabel II.4 dibawah ini :

Tabel II.4. Multiplicity Class Diagram

Multiplicity Penjelasan
1 Satu dan hanya satu
0..* Boleh tidak ada atau 1 atau lebih
1..* 1 atau lebih
0..1 Boleh tidak ada, maksimal 1
n..n Batasan antara. Contoh 2..4 mempunyai arti
minimal 2 maksimum 4
(Sumber : Gellysa Urva dan Helmi Fauzi Siregar; 2015, Hal : 95)
 BAB III

ANALISIS DAN PERANCANGAN

 38

BAB III

ANALISIS DAN DESAIN SISTEM

III.1. Analisis Masalah

Neuroblastoma merupakan tumor anak tersering pada anak setelah leukimia,

tumor otak dan limfoma magligna. Neuroblastoma lebih sering terjadi pada anak-

anak dengan jumlah kasus 500-525 terdiagnosa setiap tahunnya, penyakit ini kira-

kira 8-10 % dari seluruh kasus keganasan di dunia. Insiden tahunan terjadi pada

10 per 1 juta kelahiran hidup, lebih sering terjadi pada anak laki-laki

dibandingkan anak perempuan. (Laksmi Andri Astuti dan dkk, 2012).

Neuroblastoma atau kanker sistem saraf sering kali dianggap remeh oleh

sebagian orang. Penyakit ini dianggap sebagai iritasi ringan yang akan dapat

sembuh dengan sendirinya. Dengan demikian, penyakit ini tak jarang didiamkan

dan tidak dicari solusi tepat untuk segera menanganinya. Baru setelah si penderita

mengalami kondisi yang lebih parah, mereka akan sadar dan membawa

penyakitnya ke dokter untuk diobati. Oleh karena itu dibutuhkan sebuah sistem

yang dapat mendiagnosa penyakit Neuroblastoma agar orang-orang yang

menderita penyakit Neuroblastoma dapat terbantu. Oleh karena itu peneliti

membandingkan dua metode sistem pakar untuk mengetahui metode mana yang

tepat dan memiliki hasil diagnosa yang lebih baik. Dua metode tersebut adalah

metode Teorema Bayes dan metode Naive Bayes.

38
 39

III.2. Penerapan Metode

Metode yang diterapkan pada aplikasi perbandingan dua metode sistem

pakar pada penelitian ini adalah metode Teorema Bayes dan metode Naive Bayes.

III.2.1.Penerapan Metode Teorema Bayes

Metode yang diterapkan pada aplikasi perbandingan dua metode sistem

pakar pada penelitian ini adalah metode Teorema Bayes dan metode Naive Bayes.

Berikut ini adalah rumus dan contoh kasus dari metode Teorema Bayes dan

metode Naive Bayes :

Rumus dari metode Teorema Bayes adalah sebagai berikut :

P (H|E) = P (E|H) * P(H)

P (E)
Dimana :
P(H | E) = probabilitas hipotesis H jika diberikan evidence E.

P(E | H) = probailitas munculnya evidence E jika diketahui hipotesis H.

P(H) = probabilitas H tanpa mengandung evidence apapun.

P(E) = probabilitas e vidence E.

Berikut ini adalah rule base dari diagnosa penyakit Neuroblastoma :

Tabel III.1. Tabel Teori Pengambilan bobot

Tingkat Nilai Probabilitas

Pasti 1

Cukup pasti 0.7 – 0.9

Hampir pasti 0.4 – 0.6

Kurang pasti 0.1 – 0.3

(Sumber : Dr. Sumarnita, RSU Pirngadi, 2018)

 40

Tabel III.2. Tabel Rule Base Penyakit Neuroblastoma

Kode Gejala Gejala Neuroblastoma Bobot

G1 Benjolan Pada Perut Leher Atau Dada √ 1

G2 Kesulitan Bernafas √ 0.8

G3 Mata Menonjol Atau Proptosis √ 1

G4 Demam √ 0.6

G5 Pucat √ 0.5

G6 Penurunan Berat Badan 0.6

G7 Splenomegali (Pembesaran Limpa) √ 0.9

G8 Limfadenopati (Pembengkakan/Pembesaran √ 1

Kelenjar Getah Bening)

G9 Hepatomegali (Pembesaran hati) √ 0.9

(Sumber : Dr. Sumarnita, RSU Pirngadi, 2018)

Tabel III.3. Tabel Saran Penyakit Neuroblastoma

Kode Saran Hasil Diagnosa Saran

S1 71%-100% Terapi Kesembuhan

S2 51%-70% Mengubah Pola Makan, Konsumsi Herbal

Yang Bermanfaat

S3 0-50% Merubah Gaya Hidup

(Sumber : Dr. Sumarnita, RSU Pirngadi, 2018)

 41

Berikut adalah Flowchart dari tahapan-tahapan rumus metode Teorema Bayes :

Mulai

Input Gejala (Gi)

Penentuan Nilai Gejala (P(Hi) = H1/∑G(i)

)

Nilai Gejala P(Hi)

tidak
Nilai Gejala
Sesuai ?
ya

Menghitung P(Hj) = ∑ (P(Hi) * P(E|Hi))

P(Hj)

Penjumlahan P(Hi|E) = P(E|Hi) * P(Hi) / P(Hj)

P(Hi|E)

Bayes = ∑ (P(Hi) * P(E|Hi))

Bayes

Selesai

Gambar III.1. Flowchart Metode Teorema Bayes

 42

Studi Kasus :

Seorang anak yang bernama Daniel berusia 4 tahun menggunakan sistem pakar

untuk mendiagnosa adanya penyakit kanker neuroblastoma dengan gejala sebagai

berikut :

G1: Benjolan Pada Perut Atau Dada

G2: Kesulitan Bernafas

G3: Mata Menonjol Atau Proptosis

G4 : Demam

G5 : Pucat

Diketahui :

G1 = Benjolan Pada Perut Leher Atau Dada = 1 = P(E|H1)

G2 = Kesulitan Bernafas = 0.8 = P(E|H2)

G3 = Mata Menonjol Atau Proptosis= 1 = P(E|H3)

G4 = Demam = 0.6 = P(E|H4)

G5 = Pucat= 0.5 = P(E|H5)

Kemudian mencari nilai semesta dengan menjumlahkan dari hipotesa di atas :

k=1

= G1 + G2 + G3 + G4 + G5

= 1 + 0.8 + 1 + 0.6+ 0.5

= 3.90

Setelah hasil penjumlahan di atas diketahui, maka didapatlah rumus untuk

menghitung nilai semesta adalah sabagai berikut :

P(H1) = H1 = 1 = 0.26
∑k=1 3,90
 43

P(H2) = H2 = 0.8 = 0.21

∑k=1 3.90

P(H3) = H3 = 1 = 0.26
∑k=1 3.90

P(H4) = H4 = 0.6 = 0.15

∑k=1 3.90

P(H5) = H5 = 0.5 = 0.13

∑k=1 3.90
Setelah nilai P(Hi) diketahui, probabilitas hipotesis H tanpa memandang evidence

apapun, maka langkah selanjutnya adalah :

= P(H1) * P(E|H1) + P(H2) * P(E|H2) + P(H3)* P(E|H3)+ P(H4)* P(E|H4)+

P(H5)* P(E|H5)

= (0.26* 1) + (0.21 * 0.8) + (0.26* 1) + (0.15 * 0.6) + (0.13 * 0.5)

= 0.83

Langkah selanjutnya ialah mencari nilai P(Hi|E) atau probabilitas hipotesis Hi

benar jika diberikan evidence E.

P(H1|E) = 1 * 0.26 = 0.31

0.83

P(H2|E) = 0.8* 0.21= 0.20

0.83

P(H3|E) = 1* 0.26= 0.31

0.83

P(H4|E) = 0.6 * 0.15 = 0.11

0.83

P(H5|E) = 0.5 * 0.13 = 0.08

0.83

Setelah seluruh nilai P(Hi|E) diketahui, maka jumlahkan seluruh nilai bayesnya

= (1 * 0.31) + (0.8 * 0.20) + (1 * 0.31) + (0.6 * 0.11) + (0.5* 0.08)

 44

= 0,81

= 0.81* 100%

= 81.65 %.

Maka hasil diagnosa menggunakan metode Teorema Bayes adalah pasien

mengidap penyakit Neuroblastoma sebesar 81,65%.

III.2.2. Penerapan Metode Naive Bayes

Rumus dari metode Naive Bayes :

P (ai|Vj) = nc + m* p …………………………………………………………(1)
n+m

Keterangan :

P(ai|Vj) = peluang ai jika diketahui keadaan Vj dalam artian, peluang ke i

nc = Kemunculan ai (atribut) terhadap vj

n = Jumlah kemunculan Vj pada dataset

p = Jumlah tiap Vj

Vj= nilai diagnosa

m = Nilai konstan dari ukuran sampel yang equivalen.

Vmap = arg max P (a1,a2,a3,.., an\Vj ) P(Vj) ……………..........….…….……(2)

Keterangan :

Vmap = Probabilitas tertinggi

P(Vj) = Peluang class ke j

P(a1,a2,a3,…,an|Vj) = Peluang atribut input jika diketahui keadaan Vj (Yisti Vita

Via, et al.,2015 : 65).

Berikut adalah Flowchart dari tahapan-tahapan rumus metode Naive Bayes :

 45

Mulai

Input Gejala (ai)

Penentuan Nilai Gejala (Vj)

Nilai Gejala (Vj)

Tidak
Nilai Gejala
Sesuai ?
Ya

Menghitung P(ai|Vj)

P(ai|Vj)

Penjumlahan P(ai|Vj)

Menghitung Probalitas
Tertinggi (Vmap)

Selesai

Gambar III.2. Flowchart Metode Naive Bayes

Berdasarkan studi kasus sebelumnya, maka untuk mengetahui hasil diagnosa

penyakit neuroblastoma menggunakan metode naive bayes dapat dilihat sebagai

berikut :
 46

Diketahui :

a1.nc (Benjolan Pada Perut Atau Dada ) = 1

a2.nc (Kesulitan Bernafas ) = 0.8

a3.nc (Mata Menonjol Atau Proptosis) = 1

a4.nc (Demam) = 0.6

a5 .nc (Pucat) = 0.5

Jumlah Kasus (n) = 1

Jumlah Penyakit (p) = 1

Jumlah Gejala = 9

Jawab :

P(a1|Vj) = (nc + (m * p)) / (1 + m)

= (1 + (9 * 1)) / (1 + 9)

= (1 + 9) / 10

= 1

P(a2|Vj) = (nc + (m * p)) / (1 + m)

= (0.8+ (9 * 1)) / (1 + 9)

= (0.8 + 9) / 10

= 0.98

P(a3|Vj) = (nc + (m * p)) / (1 + m)

(1 + (9 * 1)) / (1 + 9)

= (1 + 9) / 10

= 1

P(a4|Vj) = (nc + (m * p)) / (1 + m)

 47

= (0.6+ (9 * 1)) / (1 + 9)

= (0.6+ 9) / 10

= 0.96

P(a5|Vj) = (nc + (m * p)) / (1 + m)

= (0.5 + (9 * 1)) / (1 + 9)

= (0.5 + 9) / 10

= 0.95

Vmap = P(a1|Vj) * P(a2|Vj) * P(a3|Vj) * P(a4|Vj) * P(a5|Vj)

= 1 * 0.98 * 1* 0.96 * 0.95

= 0.8937

Vmap = 0.89* 100%

= 89.37%

Hasil diagnosa terhadap penyakit Neuroblastoma sebesar 89.38%.

Dari hasil perhitungan kedua metode yaitu metode teorema bayes dan metode

naive bayes maka di dapat perbandingan dan selisih hasil diagnosa yaitu metode

naive bayes memiliki persentase yang lebih besar dari teorema bayes dan selisih

persentase yang di dapat yaitu sebesar 7,71 %.

III.3. Desain Sistem

Desain sistem yang peneliti gunakan adalah pemodelan Unified Modeling

Language (UML). Berikut ini adalah beberapa pemodelan Unified Modeling

Language (UML) yang peneliti gunakan :

 48

III.3.1.Use Case Diagram

Use case diagram aplikasi perancangan perbandingan metode teorema

bayes dan naive bayes dalam mendiagnosa penyakit neuroblastoma dapat di lihat

pada Gambar III.3.

Analisis Sistem Informasi Perbandingan Metode Naive Bayes Dan Teorema

Bayes Terhadap Hasil Diagnosis Kanker Neuroblastoma Pada Anak

Login
<<include>>

Menu Utama

About Kanker
Neuroblastoma

Data Gejala

User
Admin Data Saran

Data Diagnosa

<<extends>>

Laporan Diagnosa

Logout

Gambar III.3. Use Case Diagram Analisis Sistem Informasi Perbandingan

Metode Naive Bayes dan Teorema Bayes Terhadap Hasil Diagnosa Penyakit
Kanker Neuroblastoma
 49

III.3.2.Class Diagram

Class diagram aplikasi perancangan perbandingan metode teorema bayes

dan naive bayes dalam mendiagnosa penyakit neuroblastoma dapat di lihat pada

Gambar III.4.

Tabel_Diagnosa
Login
-Kode_Pasien
-Username -Nama_Pasien
-Password -Umur_Pasien
-Level -Alamat_Pasien
+Login() -Gejala_Yang_Dialami
+Cancel() -Hasil_Diagnosa_Naive_Bayes
1..*
-Hasil_Diagnosa_Teorema_Bayes
-Hasil_Perbandingan
-Selisih_Nilai
-Saran_Untuk_Pasien
1..*
+Diagnosa()
+Tambah()
+Simpan()
+Hapus()
+Laporan()
Tabel_Gejala
-Kode_Gejala 1
-Nama_Gejala
-Nilai_Gejala
Tabel_Saran
+Tambah()
+Simpan() -Kode_Saran 1
+Ubah() -Saran
+Hapus() -Nilai_Diagnosa
+Bersih() +Tambah()
+Simpan()
+Ubah()
+Hapus()
+Bersih()

Gambar III.4. Class Diagram Analisis Sistem Informasi Perbandingan

Metode Naive Bayes dan Teorema Bayes Terhadap Hasil Diagnosa Penyakit
Kanker Neuroblastoma
 50

III.3.3.Activity Diagram

Activity diagram aplikasi perancangan perbandingan metode teorema bayes

dan naive bayes dalam mendiagnosa penyakit neuroblastoma dapat di lihat

sebagai berikut :

1. Activity Diagram Form Login

Aktivitas login yang dirancang oleh penulis melibatkan 2 aktor yaitu admin

dan user. Adapun activity diagram login dari perancangan ini dapat dilihat pada

Gambar III.5. sebagai berikut :

Admin/User System Database

Click Login Menampilkan Form Login

Validasi

Isi Username dan Password Request

Tidak

Ya
Login Valid

Menu Utama

Gambar III.5. Activity Diagram Login

 51

2. Activity Diagram About Kanker Neuroblastoma

Aktivitas diagram form gejala yang dirancang oleh penulis melibatkan aktor

yaitu admin. Adapun activity diagram form gejala dapat dilihat pada Gambar

III.6. sebagai berikut :

Admin System

Klik Form About

Kanker Neuroblastoma

Tampil Form About

Kanker Neuroblastoma

Gambar III.6. Activity Diagram About Kanker Neuroblastoma

3. Activity Diagram Form Gejala

Aktivitas diagram form gejala yang dirancang oleh penulis melibatkan aktor

yaitu admin. Adapun activity diagram form gejala dapat dilihat pada Gambar

III.7. sebagai berikut :

 52

Admin System Database

Memilih Aksi Pada Form Menu

Form Gejala Neuroblastoma

Klik Data Gejala

Neuroblastoma

Mengisi Data
Tambah Data

Menekan Button Simpan Menyimpan Data

Edit Data Hapus Data

Tidak

Konfirmasi Penghapusan
Memilih Data
Ya

Mengubah Data Menghapus Data

Menghapus Data

Gambar III.7. Activity Diagram Form Gejala

4. Activity Diagram Form Saran

Aktivitas diagram form saran yang dirancang oleh penulis melibatkan aktor

yaitu admin. Adapun activity diagram form saran dapat dilihat pada Gambar

III.8. sebagai berikut :

 53

Admin System Database

Memilih Aksi Pada Form Menu

Form Gejala Saran

Klik Data Gejala

Saran

Mengisi Data
Tambah Data

Menekan Button Simpan Menyimpan Data

Edit Data Hapus Data

Tidak

Konfirmasi Penghapusan
Memilih Data
Ya

Mengubah Data Menghapus Data

Menghapus Data

Gambar III.8. Activity Diagram Form Saran

5. Activity Diagram Form Diagnosa

Aktivitas diagram form diagnosa yang dirancang oleh penulis melibatkan

aktor yaitu admin dan user. Adapun activity diagram form diagnosa dapat dilihat

pada Gambar III.9. sebagai berikut :

 54

Admin/User System Database

Memilih Aksi Pada Form Menu

Form Data Diagnosa

Klik Data Diagnosa

Mengisi Data
Tambah Data

Menekan Simbol Simpan Menyimpan Data

Edit Data Hapus Data

Tidak

Konfirmasi Penghapusan
Memilih Data
Ya

Mengubah Data Menghapus Data

Menghapus Data

Gambar III.9. Activity Diagram Form Diagnosa

6. Activity Diagram Form Laporan Diagnosa

Aktivitas diagram form laporan diagnosa yang dirancang oleh penulis dapat

dilihat oleh admin dan user. Adapun activity diagram form laporan diagnosa

dapat dilihat pada Gambar III.10. sebagai berikut :

 55

Admin/User System Database

Request Eksekusi
Pilih Form Laporan
Diagnosa

Menampilkan Form
Cetak Laporan
Laporan Diagnosa

Request
Eksekusi

Laporan Dicetak

Gambar III.10. Activity Diagram Form Laporan Diagnosa

7. Activity Diagram Form Logout

Aktivitas logout yang dirancang oleh penulis melibatkan 2 aktor yaitu admin

dan user. Adapun activity diagram logout dari perancangan ini dapat dilihat pada

Gambar III.11. sebagai berikut :

 56

Admin/User System

Tidak
Menu Utama

Pilih Tombol Logout

Ya

Logout Berhasil

Gambar III.11. Activity Diagram Form Logout

III.3.4. Sequence Diagram

Sequence diagram aplikasi perancangan perbandingan metode teorema

bayes dan naive bayes dalam mendiagnosa penyakit neuroblastoma dapat di lihat

sebagai berikut :

1. Sequence Diagram Form Login

Sequence diagram login menggambarkan serangkaian kinerja sistem login

yang dilakukan oleh admin dan user, dimulai dari melakukan login untuk dapat

masuk pada system, apabila valid maka sistem akan mengaktifkan menu utama,

sedangkan jika tidak valid maka akan kembali ke form login.

 57

Adapun sequence diagram login dari perancangan ini dapat dilihat pada

Gambar III.12.

Proses Tabel Login Menu Utama

Admin/User Form Login

Tampil Form() Input Username dan Pass Validasi Login()

Berhasil Login() Tampil Menu Utama()

Login()

Login gagal()

Gambar III.12. Sequence Diagram Login

2. Sequence Diagram Form About Kanker Neuroblastoma

Adapun sequence diagram about kanker neuroblastoma dari perancangan

ini dapat dilihat pada Gambar III.13. sebagai berikut :

 58

Admin/User About Kanker

Menu Utama Neuroblastoma

Akses Menu Utama

About Kanker Neuroblastoma

Gambar III.13. Sequence Diagram Form About Kanker Neuroblastoma

3. Sequence Diagram Form Gejala

Sequence diagram form gejala menggambarkan alur sistem pada menu data

gejala. Sistem akan menampilkan form gejala lalu admin akan menginputkan data

pada form gejala yaitu berdasarkan kode gejala, nama gejala dan nilai gejala. Hak

akses peserta pada menu gejala ini yaitu hanya mengedit data, menambah,

menghapus pada saat mengisi form gejala. Kemudian data tersebut disimpan dan

ditampilkan kembali.

Adapun sequence diagram form gejala dari perancangan ini dapat dilihat

pada Gambar III.14. sebagai berikut :

 59

Form Data Gejala Proses Tabel Gejala

Admin Menu Utama

Tampil Menu Utama()

Menu()

Klik Form Gejala

Klik Tambah

Isi Data Data Disimpan

Data Berhasil Disimpan

Klik Edit

Ubah Data Data Diupdate

Data Berhasil Diupdate

Klik Hapus

Hapus Data Data Dihapus

Data Berhasil Dihapus

Klik Bersih

Bersihkan Data Data Dibersihkan

Data Berhasil Dibersihkan

Gambar III.14. Sequence Diagram Form Gejala

4. Sequence Diagram Form Saran

Sequence diagram form saran menggambarkan alur sistem pada menu data

saran. Sistem akan menampilkan form saran lalu admin akan menginputkan data

pada form saran yaitu berdasarkan kode saran, saran-saran, nilai diagnosa, dan

tindakan. Hak akses peserta pada menu saran ini yaitu hanya mengedit data,
 60

menambah, menghapus pada saat mengisi form saran. Kemudian data tersebut

disimpan dan ditampilkan kembali. Adapun sequence diagram form saran dari

perancangan ini dapat dilihat pada Gambar III.15. sebagai berikut :

Form Data Saran Proses Tabel Saran

Admin Menu Utama

Tampil Menu Utama()

Menu()

Klik Form Saran

Klik Tambah

Isi Data Data Disimpan

Data Berhasil Disimpan

Klik Edit

Ubah Data Data Diupdate

Data Berhasil Diupdate

Klik Hapus

Hapus Data Data Dihapus

Data Berhasil Dihapus

Klik Bersih

Bersihkan Data Data Dibersihkan

Data Berhasil Dibersihkan

Gambar III.15. Sequence Diagram Form Saran

5. Sequence Diagram Form Diagnosa

Sequence diagram form diagnosa menggambarkan alur sistem pada menu

data diagnosa. Sistem akan menampilkan form diagnosa lalu admin akan

menginputkan data pada form gejala yaitu berdasarkan kode hasil, nama pasien,

umur pasien, alamat pasien, gejala yang dialami, saran untuk pasien, dan tindakan.
 61

Hak akses peserta pada menu gejala ini yaitu hanya mengedit data, menambah,

menghapus pada saat mengisi form diagnosa. Kemudian data tersebut disimpan

dan ditampilkan kembali.

Adapun Sequence Diagram form diagnosa dari perancangan ini dapat dilihat

pada Gambar III.16.

Form Data Diagnosa Proses Tabel Diagnosa

Admin/User Menu Utama

Tampil Menu Utama()

Menu()

Klik Form Diagnosa

Klik Tambah

Isi Data Data Disimpan

Data Berhasil Disimpan

Klik Diagnosa

Pilih Gejala Data Gejala

Data Hasil Diagnosa Tampil

Klik Simpan

Simpan Data Data Disimpan

Data Berhasil Disimpan

Klik Hapus

Hapus Data Data Dihapus

Data Berhasil Dihapus

Klik Laporan

Data Laporan Data Laporan tampil

Data Laporan Berhasil Ditampilkan

Gambar III.16. Sequence Diagram Form Diagnosa

 62

6. Sequence Diagram Form Laporan Diagnosa

Adapun Sequence Diagram laporan diagnosa dari perancangan ini dapat

dilihat pada Gambar III.17.

Form Diagnosa
Cetak laporan
Admin/User

Tampil Form Diagnosa Pilih Button Laporan

Cetak Laporan
Hasil Diagnosa Kanker
Neuroblastoma

Gambar III.17. Sequence Diagram Form Laporan Diagnosa

7. Sequence Diagram Form Logout

Sequence Diagram Logout menggambarkan serangkaian kinerja sistem

logout yang dilakukan admin dan user, dimulai dari melakukan login untuk dapat

masuk pada system, setelah itu masuk ke menu utama dan melalukan pemilihan

menu yang akan diproses, setelah mengklik tombol logout untuk keluar dari

sistem, apabila valid maka sistem akan tertutup, sedangkan jika tidak valid maka

akan kembali ke tombol logout.

 63

Adapun Sequence Diagram logout dari perancangan ini dapat dilihat pada

Gambar III.18.

Menu Utama Proses Logout

Form Login
Admin/User
Tampil Form()

Login()
Pilih Menu yang diinginkan

Menu()
Klik Logout

Berhasil Keluar

Logout()

Gambar III.18. Sequence Diagram Logout

III.3.5.Desain Database

Desain tabel-tabel dari database yang terdapat pada perancangan aplikasi

sistem informasi perbandingan metode teorema bayes dan naive bayes dalam
 64

mendiagnosa penyakit neuroblastoma dimulai dari normalisasi kemudian isi

desain database.

III.3.5.1.Normalisasi

Normalisasi digunakan untuk menghindari duplikasi terhadap tabel dalam

basis data dan yang masih memiliki beberapa ketidak wajaran sehingga

menghasilkan tabel yang lebih sederhana.

1. Bentuk Tidak Normal

Normalisasi dalam bentuk tidak normal dari data perbandingan pada

Aplikasi Perancangan Perbandingan Metode Teorema Bayes Dan Naive Bayes

Dalam Mendiagnosa Penyakit Neuroblastoma dapat di lihat pada Tabel III.4.

Tabel III.4. Data Perbandingan Bentuk Tidak Normal

Kode Hasil Nama Pasien Umur Pasien Hasil Teorema Hasil Naïve
KH-01 Daniel 4 Tahun 81,65% 89,37 %
KH-02 Margaret 7 Tahun 90,30% 94.04%

2. Bentuk Normal Pertama (1NF)

Normalisasi dalam bentuk normal pertama dari data perbandingan pada

Aplikasi Perancangan Perbandingan Metode Teorema Bayes Dan Naive Bayes

Dalam Mendiagnosa Penyakit Neuroblastoma dapat di lihat pada Tabel III.5.

Tabel III.5. Data Perbandingan Bentuk Normal Pertama

Kode Hasil Nama Pasien Hasil Teorema Hasil Naive

KH-01 Daniel 81,65% 89,37 %
KH-02 Margaret 90,30% 94.04%
 65

3. Bentuk Normal Kedua (2NF)

Normalisasi dalam bentuk normal kedua dari data perbandingan pada

aplikasi perancangan perbandingan metode teorema bayes dan naive bayes dalam

mendiagnosa penyakit neuroblastoma dapat di lihat pada Tabel III.6.

Tabel III.6. Data Hasil Diagnosa Bentuk Normal Kedua

Kode Hasil Hasil Teorema Hasil Naïve

KH-01 81,65% 89,37 %
KH-02 90,30% 94.04%

III.3.5.2.Desain Tabel

Berikut ini adalah desain tabel dari aplikasi perancangan perbandingan

metode teorema bayes dan naive bayes dalam mendiagnosa penyakit

neuroblastoma:

1. Desain Tabel Login

Pada Tabel III.7 merupakan desain tabel login pada aplikasi perancangan

perbandingan metode teorema bayes dan naive bayes dalam mendiagnosa

penyakit neuroblastoma.

Nama Database : db.neuroblastoma

Nama Tabel : tb_login

Tabel III.7. Desain Tabel login

Nama Field Tipe Data Ukuran Keterangan
Username Varchar 50 Nama Pengguna
Password Varchar 50 Sandi Pengguna
Level Varchar 10 Level User
 66

2. Desain Tabel Gejala

Pada Tabel III.8 merupakan desain tabel gejala pada aplikasi perancangan

perbandingan metode teorema bayes dan naive bayes dalam mendiagnosa

penyakit neuroblastoma.

Nama Database : db.neuroblastoma

Nama Tabel : tb_Gejala

Primary Key : Kode_Gejala

Tabel III.8. Desain Tabel Gejala

Nama Field Tipe Data Ukuran Keterangan
* Kode_Gejala Varchar 50 Kode Pencarian
Nama_Gejala Varchar 50 Nama Gejala
Nilai_Gejala Varchar 50 Nilai Gejala

3. Desain Tabel Saran

Pada tabel III.9 merupakan desain tabel saran pada aplikasi perancangan

perbandingan metode teorema bayes dan naive bayes dalam mendiagnosa

penyakit neuroblastoma.

Nama Database : db.neuroblastoma

Nama Tabel : tb_Saran

Primary Key : Kode_Saran

Tabel III.9. Tabel Saran

Nama Field Tipe Data Ukuran Keterangan
*Kode_Saran Varchar 50 Kode Pencarian
Saran Varchar 50 Saran
Nilai_Diagnosa Varchar 50 Nilai Hasil Diagnosa
 67

4. Desain Tabel Diagnosa

Pada tabel III.10 merupakan desain tabel diagnosa pada aplikasi

perancangan perbandingan metode teorema bayes dan naive bayes dalam

mendiagnosa penyakit neuroblastoma.

Nama Database : db.neuroblastoma

Nama Tabel : tb_diagnosa

Primary Key : Kode_Hasil

Tabel III.10. Tabel Diagnosa

Nama Field Tipe Data Ukuran Keterangan
*Kode_Hasil Varchar 50 Kode Pencarian
Nama_Pasien Varchar 50 Nama Pasien
Umur_Pasien Varchar 50 Umur Pasien
Alamat_Pasien Varchar 50 Alamat Pasien
Gejala_Yang_Dialami Varchar 200 Gejala Pada Pasien
Hasil_Diagnosa_Teorema Bayes Nvarchar 50 Hasil Perhitungan
Hasil_Diagnosa_Naive_Bayes Nvarchar 50 Hasil Perhitungan
Hasil_Perbandingan Varchar 200 Hasil Perbandingan
Selisih_Nilai Nvarchar 50 Selisih Nilai Perhitungan
Saran_Untuk_Pasien Varchar 200 Saran Untuk Pasien

III.3.6.Desain User Interface

User Interface merupakan tampilan masukan yang penulis rancang guna

lebih memudahkan dalam entry data. Entry data yang dirancang akan lebih

mudah dan cepat dan meminimalisir kesalahan penulisan dan memudahkan

perubahan. Perancangan tampilan yang dirancang adalah sebagai berikut :

1. Rancangan Form Login

Gambar III.19 merupakan rancangan form login dari aplikasi perancangan

perbandingan metode teorema bayes dan naive bayes dalam mendiagnosa

penyakit neuroblastoma.
 68

Form Login

Silahkan Login
Username
Password
Level

Login Cancel

Gambar III.19. Rancangan Form Login

2. Rancangan Form Menu Utama

Gambar III.20 merupakan rancangan form menu utama dari aplikasi

perancangan perbandingan metode teorema bayes dan naive bayes dalam

mendiagnosa penyakit neuroblastoma.

Menu Utama
About Kanker Gejala Kanker Saran Kanker Diagnosa Kanker Keluar
Neuroblastoma Neuroblastoma Neuroblastoma Neuroblastoma Form

GAMBAR

Gambar III.20. Rancangan Form Menu Utama

3. Rancangan Form About

Gambar III.21 merupakan rancangan form about dari aplikasi perancangan

perbandingan metode teorema bayes dan naive bayes dalam mendiagnosa

penyakit neuroblastoma.
 69

Form About

TEXT TEXT
IMAGE IMAGE

Gambar III.21. Rancangan Form About

4. Rancangan Form Gejala

Gambar III.21 merupakan rancangan form gejala dari aplikasi perancangan

perbandingan metode teorema bayes dan naive bayes dalam mendiagnosa

penyakit neuroblastoma.
Form Gejala

Kode Gejala
Nama Gejala
Nilai Gejala

Tambah Simpan Ubah Hapus Bersih

Cari Berdasarkan Nama Gejala

Tabel Gejala Database

Gambar III.21. Rancangan Form Gejala

 70

5. Rancangan Form Saran

Gambar III.22 merupakan rancangan form saran dari aplikasi aplikasi

analisis sistem informasi perbandingan metode naive bayes dan teorema bayes

terhadap hasil diagnosa penyakit kanker neuroblastoma.

Form Saran

Kode Saran
Nama Saran
Nilai Diagnosa

Tambah Simpan Ubah Hapus Bersih

Cari Berdasarkan Nilai Diagnosa

Tabel Saran Database

Gambar III.22. Rancangan Form Saran

6. Rancangan Form Diagnosa

Gambar III.23 merupakan rancangan form diagnosa dari aplikasi analisis

sistem informasi perbandingan metode naive bayes dan teorema bayes terhadap

hasil diagnosa penyakit kanker neuroblastoma.

 71

Form Diagnosa

Kode Hasil
Nama Pasien
Umur Pasien
Alamat Pasien

Diagnosa

Gejala Yang Dialami

Hasil Diagnosa Teorema Bayes
Hasil Diagnosa Naïve Bayes
Hasil Perbandingan
Selisih Nilai
Saran Untuk Pasien

Tambah Simpan Hapus Laporan

Tabel Diagnosa Database

Gambar III.23. Rancangan Form Diagnosa

7. Rancangan Output Laporan Diagnosa

Gambar III.24 merupakan rancangan output laporan diagnosa dari aplikasi

analisis sistem informasi perbandingan metode naive bayes dan teorema bayes

terhadap hasil diagnosa penyakit kanker neuroblastoma.

 72

Form Output Laporan

LAPORAN
HASIL DIAGNOSA KANKER NEUROBLASTOMA

Kode Nama Umur Alamat Gejala Hasil Hasil Hasil Selisi Saran
Hasil Pasien Pasien Pasien Yang Perbandingan Perbandingan Perbandi h Untuk
Dialam Teorema Naive ngan Nilai Pasien
i Bayes Bayes
Xxx9 Xxxxx 999999 Xxxxx Xxxxx 999999 999999 999999 9999 xxxxxx
99 x x x 99

Medan, dd/dd/yy
Pakar/ Ahli

( )

Gambar III.24. Rancangan Output Laporan Diagnosa

 BAB IV

HASIL DAN UJI COBA

 73

BAB IV

HASIL DAN UJI COBA

IV.1. Tampilan Hasil

Pada bab ini akan dijelaskan tampilan hasil dari aplikasi yang telah dibuat,

untuk memperjelas tentang tampilan-tampilan yang ada pada Analisis Sistem

Informasi Perbandingan Metode Naive Bayes dan Teorema Bayes Terhadap Hasil

Diagnosis Kanker Neuroblastoma Pada Anak. Sehingga hasil implementasinya

dapat dilihat sesuai dengan hasil program yang telah dibuat. Dibawah ini akan

dijelaskan tiap-tiap tampilan yang ada pada program.

1. Tampilan Login

Tampilan ini merupakan tampilan yang pertama kali muncul ketika program

dijalankan. Berfungsi sebagai form input username dan password pengguna.

Gambar tampilan login dapat ditunjukkan pada gambar IV.1 :

Gambar IV.1. Tampilan Form Login

73
 74

2. Tampilan Form Menu Utama

Tampilan ini merupakan tampilan menu utama pada Perancangan Analisis

Sistem Informasi Perbandingan Metode Naive Bayes dan Teorema Bayes

Terhadap Hasil Diagnosis Kanker Neuroblastoma Pada Anak. Gambar tampilan

menu utama ditunjukkan pada gambar IV.2 :

Gambar IV.2. Tampilan Form Menu Utama

3. Tampilan Form About

Tampilan ini merupakan tampilan form about pada Perancangan Analisis

Sistem Informasi Perbandingan Metode Naive Bayes dan Teorema Bayes

Terhadap Hasil Diagnosis Kanker Neuroblastoma Pada Anak. Gambar tampilan

form saran ditunjukkan pada gambar IV.3 :

 75

Gambar IV.3. Tampilan Form About

4. Tampilan Form Gejala

Tampilan ini merupakan tampilan form gejala pada Perancangan Analisis

Sistem Informasi Perbandingan Metode Naive Bayes dan Teorema Bayes

Terhadap Hasil Diagnosis Kanker Neuroblastoma Pada Anak. Gambar tampilan

form gejala ditunjukkan pada gambar IV.4 :

 76

Gambar IV.4. Tampilan Form Gejala

5. Tampilan Form Saran

Tampilan ini merupakan tampilan form saran pada Perancangan Analisis

Sistem Informasi Perbandingan Metode Naive Bayes dan Teorema Bayes

Terhadap Hasil Diagnosis Kanker Neuroblastoma Pada Anak. Gambar tampilan

form saran ditunjukkan pada gambar IV.5 :

 77

Gambar IV.5. Tampilan Form Saran

6. Tampilan Form Diagnosa

Tampilan ini merupakan tampilan form diagnosa pada Perancangan

Analisis Sistem Informasi Perbandingan Metode Naive Bayes dan Teorema Bayes

Terhadap Hasil Diagnosis Kanker Neuroblastoma Pada Anak. Gambar tampilan

form diagnosa ditunjukkan pada gambar IV.6 :

 78

Gambar IV.6. Tampilan Form Diagnosa

7. Tampilan Output Laporan Diagnosa

Tampilan ini merupakan tampilan output laporan diagnosa pada

Perancangan Analisis Sistem Informasi Perbandingan Metode Naive Bayes dan

Teorema Bayes Terhadap Hasil Diagnosis Kanker Neuroblastoma Pada Anak.

Gambar tampilan form diagnosa ditunjukkan pada gambar IV.7 :

 79

Gambar IV.7. Tampilan Output Laporan Diagnosa

IV.2. Uji Coba Hasil

Uji coba terhadap sistem bertujuan untuk memastikan bahwa sistem sudah

berada pada kondisi siap pakai. Instrumen yang digunakan utuk melakukan

pengujian ini yaitu dengan menggunakan :

1. Satu unit laptop atau PC dengan spesifikasi sebagai berikut :

a. Processor Intel Cerelon (R)

b. Memory 2 GB

c. Hardisk 320 GB

2. Perangkat lunak dengan spesifikasi sebagai berikut :

a. Visual Basic 2010

b. Sql Server 2008

 80

IV.2.1. Sekenario Pengujian

Uji coba terhadap sistem bertujuan untuk memastikan bahwa sistem sudah

berada pada kondisi siap pakai. Instrument yang di gunakan untuk melakukan

pengujian ini yaitu dengan menggunakan :

Tabel IV.1. Pengujian Sistem Login User

Kasus hasil uji (Data normal)
No Data masukkan Yang diharapkan Pengamatan Kesimpulan
1. Username : andi Dapat masuk [] diterima
Masuk Menu_Utama,
Password : 12345 ke tampilan [] ditolak
sebagai halaman pusat
Level User : user Menu_Utama
data sistem
Klik tombol login
Kasus hasil uji (Data salah)
No Data masukkan Yang diharapkan Pengamatan Kesimpulan
1. Username : andi Pindah ke [] diterima
Password : 12345 Tidak dapat login dan halaman pesan [] ditolak
Level User : user masuk pesan error error
Klik tombol login

Tabel IV.2. Pengujian Sistem Login Admin

Kasus hasil uji (Data normal)
No Data masukkan Yang diharapkan Pengamatan Kesimpulan
2. Username: Ayu Dapat masuk [] diterima
Masuk Menu_Utama,
Password:12345 ke tampilan [] ditolak
sebagai halaman pusat
Level User : admin Menu_Utama
data sistem
Klik tombol login

Kasus hasil uji (Data salah)

No Data masukkan Yang diharapkan Pengamatan Kesimpulan
2. Username: Ayu Pindah ke [] diterima
Password:12345 Tidak dapat login dan halaman pesan [] ditolak
Level User : admin masuk pesan error error
Klik tombol login

Tabel IV.3. Pengujian Sistem Data Gejala

Kasus hasil uji (Data normal)
No Data masukkan Yang diharapkan Pengamatan Kesimpulan
 81

1 Tambah data Data Gejala yang akan Data Gejala yang [] diterima
dimasukkan ke dalam akan dimasukkan [] ditolak
database, klik tambah ke dalam database,
maka Data masuk pada klik tambah maka
server database Data masuk pada
server database
2 Ubah data Data Gejala yang akan Data Gejala yang [] diterima
dirubah di dalam akan dirubah di [] ditolak
database, klik simpan dalam database,
maka Data pada server klik simpan maka
Database akan berubah Data pada server
Database akan
berubah
3 Hapus data Data Gejala yang akan Data Gejala yang [] diterima
hapus dari dalam akan terhapus dari [] ditolak
database, klik hapus, dalam database,
maka Data pada server klik hapus, maka
Database akan terhapus Data pada server
Database terhapus
Kasus hasil uji (Data salah)
No Data masukkan Yang diharapkan Pengamatan Kesimpulan
Masukkan
1. data Ada pesan bahwa Muncul pesan [] diterima
tidak sesuai pengisian bahwa pengisian [] ditolak
dengan type data data salah data tidak lengkap

Tabel IV.4. Pengujian Sistem Data Saran

Kasus hasil uji (Data normal)
No Data masukkan Yang diharapkan Pengamatan Kesimpulan
1 Tambah data Data Saran yang akan Data Saran yang [] diterima
dimasukkan ke dalam akan dimasukkan [] ditolak
database, klik tambah ke dalam database,
maka Data masuk pada klik tambah maka
server database Data masuk pada
server database
2 Ubah data Data Saran yang akan Data Saran yang [] diterima
dirubah di dalam akan dirubah di [] ditolak
database, klik simpan dalam database,
maka Data pada server klik simpan maka
Database akan berubah Data pada server
Database akan
berubah
3 Hapus data Data Saran yang akan Data Saran yang [] diterima
hapus dari dalam akan terhapus dari [] ditolak
 82

database, klik hapus, dalam database,

maka Data pada server klik hapus, maka
Database akan terhapus Data pada server
Database terhapus
Kasus hasil uji (Data salah)
No Data masukkan Yang diharapkan Pengamatan Kesimpulan
Masukkan
1. data Ada pesan bahwa Muncul pesan [] diterima
tidak sesuai pengisian bahwa pengisian [] ditolak
dengan type data data salah data tidak lengkap

Tabel IV.5. Pengujian Sistem Data Diagnosa

Kasus hasil uji (Data normal)
No Data masukkan Yang diharapkan Pengamatan Kesimpulan
1 Tambah data Data Diagnosa yang Data Diagnosa [] diterima
akan dimasukkan ke yang akan [] ditolak
dalam database, klik dimasukkan ke
tambah maka Data dalam database,
masuk pada server klik tambah maka
database Data masuk pada
server database

2 Ubah data Data Diagnosa yang Data Diagnosa [] diterima

akan dirubah di dalam yang akan dirubah [] ditolak
database, klik simpan di dalam database,
maka Data pada server klik simpan maka
Database akan berubah Data pada server
Database akan
berubah
3 Hapus data Data Diagnosa yang Data Diagnosa [] diterima
akan hapus dari dalam yang akan terhapus [] ditolak
database, klik hapus, dari dalam
maka Data pada server database, klik
Database akan terhapus hapus, maka Data
pada server
Database terhapus
Kasus hasil uji (Data salah)
No Data masukkan Yang diharapkan Pengamatan Kesimpulan
Masukkan
1. data Ada pesan bahwa Muncul pesan [] diterima
tidak sesuai pengisian bahwa pengisian [] ditolak
dengan type data data salah data tidak lengkap

Tabel IV.6. Pengujian Sistem laporan

 83

Kasus hasil uji (Data normal)

No Data masukkan Yang diharapkan Pengamatan Kesimpulan
1 Pilih laporan Tampil laporan data Data diagnosa [] diterima
data diagnosa diagnosa ditampilkan pada [] ditolak
laporan diagnosa

IV.2.2 Hasil Uji Coba

Setelah melakukan uji coba terhadap sistem, maka dapat disimpulkan

hasil yang didapatkan yaitu :

1. Penerapan metode pada aplikasi telah sesuai dengan perhitungan teori.

2. Hasil perbandingan telah diterapkan dan sesuai dengan aplikasi yang telah

dibuat.

3. Hasil proses perbandingan memiliki perbedaan dalam memberikan hasil

persentase.

4. Interface aplikasi bersifat userfriendly sehingga memudahkan para pengguna

aplikasi yang telah dibuat.

5. Aplikasi yang telah dibuat berjalan dengan baik.

IV.3. Kelebihan dan Kekurangan Sistem

Setiap sistem memiliki kelebihan dan kekurangan, berikut ini adalah

kelebihan dan kekurangan sistem yang telah dibuat.

IV.3.1. Kelebihan Sistem

Adapun kelebihan sistem yang telah dibuat diantaranya yaitu :

1. Dapat mendiagnosa penyakit kanker neuroblastoma dengan metode Teorema

Bayes dan Naïve Bayes, dan menghasilkan persentase diagnosa.

 84

2. Aplikasi yang telah dibuat menghasilkan keputusan ataupun hasil diagnosa

yang sama dengan ahli pakar.

3. Proses eksekusi tidak memakan waktu yang lama.

IV.3.2. Kekurangan Sistem

Adapun kekurangan sistem yang telah dibuat diantaranya yaitu :

1. Aplikasi yang telah dibuat hanya membandingkan metode Teorema Bayes

dan Naïve Bayes.

2. Aplikasi yang telah dibuat tidak dapat mendiagnosa penyakit lain selain

penyakit Kanker Neuroblastoma.

3. Aplikasi yang telah dibuat belum diterapkan pada perangkat mobile dan

berbasis web.
 BAB V

KESIMPULAN DAN SARAN

 85

BAB V

KESIMPULAN DAN SARAN

V.1. Kesimpulan

Berdasarkan pembahasan dari bab-bab sebelumnya yang telah dilakukan

maka dapat diambil beberapa kesimpulan sebagai berikut:

1. Aplikasi yang telah dibangun dapat memberikan hasil perbandingan antara

metode Teorema Bayes dan metode Naive Bayes. Perbandingan yang

dilakukan adalah perbandingan hasil diagnosa berdasarkan nilai probabilitas.

2. Merancang dan menerapkan Sistem Pakar Mendiagnosa Penyakit Kanker

Neuroblastoma dengan metode perbandingan Toerema Bayes dan metode

Naive Bayes dapat dengan mudah mendiagnosa penyakit kanker

neuroblastoma.

3. Menerapkan beberapa uji coba yang telah dilakukan maka hasil perbandingan

metode Teorema Bayes dan metode Naive Bayes maka perbedaan hasil

diagnosa tergantung dari gejala-gejala yang dipilih.

4. Bahasa pemrograman yang digunakan aplikasi Visual Basic 2010 dan

database SQL Server 2008, maka dapat membuat aplikasi Sistem Pakar

Mendiagnosa Penyakit Neuroblastoma Dengan metode Toerema Bayes dan

metode Naive Bayes.

85
 86

V.2. Saran

Untuk pengembangan lebih lanjut pada aplikasi analisis sistem informasi

perbandingan metode naive bayes dan teorema bayes terhadap hasil diagnosis

kanker neuroblastoma pada anak, maka dapat diberikan beberapa saran

sebagaiberikut:

1. Aplikasi perbandingan metode teorema bayes dan metode naive bayes dalam

mendiagnosa penyakit kanker neuroblastoma, diharapkan kedepannya dapat

menjadi acuan atau tolak ukur para tenaga medis dalam hal meningkatkan

nilai kepercayaan dengan pengujian metode untuk memperoleh nilai akurasi

terhadap kasus kanker neuroblastoma.

2. Aplikasi perbandingan metode teorema bayes dan metode naive bayes dalam

mendiagnosa penyakit kanker neuroblastoma dapat membandingkan metode

selain teorema bayes dan naive bayes.

3. Aplikasi perbandingan metode teorema bayes dan metode naive bayes dalam

mendiagnosa penyakit kanker neuroblastoma dapat diterapkan pada perangkat

mobile dan berbasis web.

4. Aplikasi perbandingan metode teorema bayes dan naive bayes dalam

mendiagnosa penyakit kanker neuroblastoma dapat mendiagnosa penyakit

selain kanker neuroblastoma.

 87

DAFTAR PUSTAKA

Akbar, Ilham, Kodrat Iman Santoto, and Yuli Christiyono. "Perancangan

Aplikasi SMS Gateway pelaporan nilai siswa." Transmisi 15.2 (2013):
87-93.
Astuti, Laksmi Andri, et al. "Evaluasi Pembuatan l31I-MIBG Radiofarmaka
Diagnosa Dan Terapi Neuroblastoma." Jurnal Radioisotop dan
Radiofarmaka 15.2 (2014).
Ernawati, Ernawati, and Aan Erlansari. "Sistem Pakar Diagnosa Penyakit Tiroid
Menggunakan Metode Naive Bayes Berbasis Android." Rekursif:
Jurnal Informatika 5.3 (2017).
Garniasih, R. Dina, Endang Windiastuti, and Djajadiman Gatot. "Karakteristik
dan Kesintasan Neuroblastoma pada Anak di Departemen Ilmu
Kesehatan Anak Fakultas Kedokteran Universitas Indonesia Rumah
Sakit Cipto Mangunkusumo." Sari Pediatri 11.1 (2016): 39-46.
Hayadi, B. Herawan. Sistem Pakar. Deepublish, 2018.
Hartatik dan Yasa, 2015. Jurnal : Diagnosa Penyakit Septicaemia Epizootica
Pada Sapi Ternak Dengan Teorema Bayes, Jurnal Teknolgi Terpadu,
Vol. 16, No. 2.
Indrajani, S. Database Design... Theory, Practice, and Case Study. Elex Media
Komputindo, 2017.
Indrayani, Luh Witari, I. Gde Ardika Nuaba, and I. Ketut Suanda. "Laporan
Kasus. Neuroblastoma Pada Sistem Saraf Pusat Yang Meluas Sampai
Ke Kavum Nasi Pada Pasien Dewasa."
Mulatsih, Sri, and Vicka Farah Diba. "Neuroblastoma pada Anak Usia 7 Tahun
Laporan Kasus." Sari Pediatri 10.5 (2016): 292-5.
Nurlelah, Elah, and Rusda Wajhillah. "Penerapan Naive Bayes Untuk Diagnosa
Penyakit Diare Usia Balita Pada Sistem Pakar Berbasis Website."
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer. 2016
Rosnelly, Rika, and Universitas Potensi Utama. Sistem Pakar: Konsep dan Teori.
Penerbit Andi, 2012.
 88

Sihotang, Hengki Tamando, Erwin Panggabean, and Herlina Zebua. "Sistem

Pakar Mendiagnosa Penyakit Herpes Zoster Dengan Menggunakan
Metode Teorema Bayes." Journal Of Informatic Pelita Nusantara 3.1
(2018).
Syahputra, Trinanda, Muhammad Dahria, and Prilla Desila Putri. "Sistem Pakar
Untuk Mendiagnosa Penyakit Anemia Dengan Menggunakan
Metode Teorema Bayes." J. Saintikom 16 (2017): 284-294.
Supardi, Ir Yuniar. Semua Bisa Menjadi Programmer Visual Basic 2012-Basic.
Elex Media Komputindo, 2015.
Urva dan Siregar, 2015, Jurnal : “Pemodelan UML E-Marketing Minyak
Goreng”, Universitas Sumatera Utara, Jurnal Informatika, Vol. 1, No.
1.
 89

LAMPIRAN
 LISTING PROGRAM
Imports System.Data.SqlClient
Module Module1
Public sqlconn As New SqlConnection
Public sqlcmd As New SqlCommand
Public sqldr As SqlDataReader
Public strsql As String
Public sqlda As New SqlDataAdapter
Sub connect()
If sqlconn.State = ConnectionState.Open Then sqlconn.Close()
sqlconn.ConnectionString = "Data Source=USER-PC;Initial
Catalog=db.neuroblastoma;Integrated Security=True"
sqlconn.Open()
End Sub
End Module

Public Class Form_Login

Private Sub Button1_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button1.Click
If TextBox1.Text = "" Or TextBox2.Text = "" Then
MessageBox.Show("Lengkapi Inputan Data", "Warning",
MessageBoxButtons.OK, MessageBoxIcon.Error)
Exit Sub
End If
If ComboBox1.Text = "Admin" Then
If TextBox1.Text = TextBox1.Text Then
Menu_Utama.Show()
Menu_Utama.Button2.Enabled = True
Menu_Utama.Button3.Enabled = True
Me.Hide()
End If
If TextBox1.Text <> TextBox1.Text Then
MsgBox("Sandi Salah", MsgBoxStyle.Critical, "Ulangi Kembali")
End If
ElseIf ComboBox1.Text = "User" Then
Menu_Utama.Show()
Menu_Utama.Button2.Enabled = False
Menu_Utama.Button3.Enabled = False
Me.Hide()
ElseIf ComboBox1.Text = "" And TextBox1.Text = "" Then
MsgBox("Data Masih Kosong", MsgBoxStyle.Critical, "Pesan")
End If
End Sub
Private Sub Button2_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button2.Click
End
End Sub
End Class
Public Class Menu_Utama
Private Sub TentangKankerNeuroblastomaToolStripMenuItem_Click(ByVal
sender As System.Object, ByVal e As System.EventArgs)
Form_About.Show()
End Sub
Private Sub LogInToolStripMenuItem_Click(ByVal sender As System.Object,
ByVal e As System.EventArgs)
Form_Login.Show()
End Sub
Private Sub FormDiagnosaToolStripMenuItem_Click(ByVal sender As
System.Object, ByVal e As System.EventArgs)
Form_Diagnosa_Penyakit.Show()
End Sub
Private Sub Button2_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button2.Click
Form_Gejala.Show()
End Sub
Private Sub Button7_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button7.Click
Form_About.Show()
End Sub
Private Sub Button3_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button3.Click
Form_Saran.Show()
End Sub
Private Sub Button4_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button4.Click
Form_Diagnosa_Penyakit.Show()
End Sub
End Class

Public Class Form_Gejala

Dim ctrl As String
Sub Clear()
view()
Kode_GejalaTextBox.Clear()
Nama_GejalaTextBox.Clear()
Nilai_GejalaTextBox.Clear()
Kode_GejalaTextBox.Focus()
view()
strsql = "select * from dbo.tb_Gejala"
 sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlda.SelectCommand = sqlcmd
sqldr = sqlcmd.ExecuteReader()
ListView1.Items.Clear()
While (sqldr.Read())
With ListView1.Items.Add(sqldr("Kode_Gejala"))
.subitems.add(sqldr("Nama_Gejala"))
.subitems.add(sqldr("Nilai_Gejala"))
End With
End While
sqldr.Close()
End Sub
Sub view()
strsql = "select * from dbo.tb_Gejala"
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlda.SelectCommand = sqlcmd
sqldr = sqlcmd.ExecuteReader()
ListView1.Items.Clear()
While (sqldr.Read())
With ListView1.Items.Add(sqldr("Kode_Gejala"))
.subitems.add(sqldr("Nama_Gejala"))
End With
End While
sqldr.Close()
End Sub
Private Sub Tb_GejalaBindingNavigatorSaveItem_Click(ByVal sender As
System.Object, ByVal e As System.EventArgs) Handles
Tb_GejalaBindingNavigatorSaveItem.Click
Me.Validate()
Me.Tb_GejalaBindingSource.EndEdit()
Me.TableAdapterManager.UpdateAll(Me._db_neuroblastomaDataSet)
End Sub
Private Sub Form_Gejala_Load(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles MyBase.Load
Me.Tb_GejalaTableAdapter.Fill(Me._db_neuroblastomaDataSet.tb_Gejala)
Module1.connect()
view()
Clear()
End Sub
Private Sub ListView1_DoubleClick(ByVal sender As Object, ByVal e As
System.EventArgs) Handles ListView1.DoubleClick
With ListView1.SelectedItems(0)
ctrl = .SubItems(0).Text
Kode_GejalaTextBox.Text = .SubItems(0).Text
 Kode_GejalaTextBox.Enabled = False
Nama_GejalaTextBox.Text = .SubItems(1).Text
Nilai_GejalaTextBox.Text = .SubItems(2).Text
End With
End Sub
Private Sub ListView1_SelectedIndexChanged(ByVal sender As System.Object,
ByVal e As System.EventArgs) Handles ListView1.SelectedIndexChanged
End Sub
Private Sub Button1_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button1.Click
If (Kode_GejalaTextBox.Text = "") Or (Nama_GejalaTextBox.Text = "") Or
(Nilai_GejalaTextBox.Text = "") Then
MsgBox("Lengkapi Data")
Exit Sub
End If
strsql = "insert into dbo.tb_Gejala (Kode_Gejala, Nama_Gejala,
Nilai_Gejala) values ('" _
& Kode_GejalaTextBox.Text & "','" & Nama_GejalaTextBox.Text & "','" &
Nilai_GejalaTextBox.Text & "')"
Dim sqlcmd As New SqlClient.SqlCommand
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
On Error GoTo satu
sqlcmd.ExecuteNonQuery()
MsgBox("Simpan")
view()
Kode_GejalaTextBox.Text = ""
Nama_GejalaTextBox.Text = ""
Nilai_GejalaTextBox.Text = ""
Exit Sub
satu:
MsgBox("Kode Tidak Boleh Sama")
Kode_GejalaTextBox.Text = ""
Nama_GejalaTextBox.Text = ""
Nilai_GejalaTextBox.Text = ""
End Sub
Private Sub Button2_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button2.Click
strsql = "update dbo.tb_Gejala set Nama_Gejala='" &
Nama_GejalaTextBox.Text & "'," _
& "Nilai_Gejala ='" & Nilai_GejalaTextBox.Text & "'," _
& "where Kode_Gejala = '" & ctrl & "'"
Dim sqlcmd As New SqlClient.SqlCommand
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlcmd.ExecuteNonQuery()
 MsgBox("Simpan")
view()
Nama_GejalaTextBox.Text = ""
Nilai_GejalaTextBox.Text = ""
Kode_GejalaTextBox.Enabled = True
End Sub

Private Sub Button3_Click(ByVal sender As System.Object, ByVal e As

System.EventArgs) Handles Button3.Click
strsql = "update dbo.tb_Gejala set Nama_Gejala='" &
Nama_GejalaTextBox.Text & "'," _
& "Nilai_Gejala ='" & Nilai_GejalaTextBox.Text & "'" _
& "where Kode_Gejala = '" & ctrl & "'"
Dim sqlcmd As New SqlClient.SqlCommand
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlcmd.ExecuteNonQuery()
MsgBox("Simpan")
view()
Nama_GejalaTextBox.Text = ""
Nilai_GejalaTextBox.Text = ""
Kode_GejalaTextBox.Text = ""
End Sub
Private Sub Button4_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button4.Click
strsql = "delete from dbo.tb_Gejala where Kode_Gejala = '" & ctrl & "'"
Dim sqlcmd As New SqlClient.SqlCommand
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlcmd.ExecuteNonQuery()
MsgBox("Delete")
view()
Nama_GejalaTextBox.Text = ""
Nilai_GejalaTextBox.Text = ""
Kode_GejalaTextBox.Enabled = False
End Sub
Private Sub Button5_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button5.Click
Clear()
End Sub
Private Sub TextBox1_TextChanged(ByVal sender As System.Object, ByVal e
As System.EventArgs) Handles TextBox1.TextChanged
strsql = "select * from tb_Gejala where Nama_Gejala LIKE '" &
TextBox1.Text & "%'"
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
 sqlda.SelectCommand = sqlcmd
sqldr = sqlcmd.ExecuteReader()
ListView1.Items.Clear()
While (sqldr.Read())
With ListView1.Items.Add(sqldr("Kode_Gejala"))
.subitems.add(sqldr("Nama_Gejala"))
.subitems.add(sqldr("Nilai_Gejala"))
End With
End While
sqldr.Close()
End SubPrivate Sub GroupBox2_Enter(ByVal sender As System.Object,
ByVal e As System.EventArgs) Handles GroupBox2.Enter
End Sub
End Class

Imports System.Data.SqlClient
Public Class Form_Saran
Dim ctrl As String
Sub Clear()
view()
Kode_SaranTextBox.Clear()
Nama_SaranTextBox.Clear()
Nilai_DiagnosaTextBox.Clear()
Kode_SaranTextBox.Focus()
view()
strsql = "select * from dbo.tb_Saran"
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlda.SelectCommand = sqlcmd
sqldr = sqlcmd.ExecuteReader()
ListView1.Items.Clear()
While (sqldr.Read())
With ListView1.Items.Add(sqldr("Kode_Saran"))
.subitems.add(sqldr("Nama_Saran"))
.subitems.add(sqldr("Nilai_Diagnosa"))
End With
End While
sqldr.Close()
End Sub
Sub view()
strsql = "select * from dbo.tb_Saran"
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlda.SelectCommand = sqlcmd
sqldr = sqlcmd.ExecuteReader()
ListView1.Items.Clear()
 While (sqldr.Read())
With ListView1.Items.Add(sqldr("Kode_Saran"))
.subitems.add(sqldr("Nama_Saran"))
.subitems.add(sqldr("Nilai_Diagnosa"))
End With
End While
sqldr.Close()
End Sub
Sub bersih()
Nama_SaranTextBox.Text = ""
Nilai_DiagnosaTextBox.Text = ""
Kode_SaranTextBox.Focus()
End Sub
Private Sub Tb_SaranBindingNavigatorSaveItem_Click(ByVal sender As
System.Object, ByVal e As System.EventArgs) Handles
Tb_SaranBindingNavigatorSaveItem.Click
Me.Validate()
Me.Tb_SaranBindingSource.EndEdit()
Me.TableAdapterManager.UpdateAll(Me._db_neuroblastomaDataSet)
End Sub
Private Sub Form_Saran_Load(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles MyBase.Load
Me.Tb_SaranTableAdapter.Fill(Me._db_neuroblastomaDataSet.tb_Saran)
Module1.connect()
view()
Clear()
End Sub

Private Sub Button1_Click(ByVal sender As System.Object, ByVal e As

System.EventArgs) Handles Button1.Click
If (Kode_SaranTextBox.Text = "") Or (Nama_SaranTextBox.Text = "") Or
(Nilai_DiagnosaTextBox.Text = "") Then
MsgBox("Lengkapi Data")
Exit Sub
End If
strsql = "insert into dbo.tb_Saran (Kode_Saran, Nama_Saran,
Nilai_Diagnosa) values ('" _
& Kode_SaranTextBox.Text & "','" & Nama_SaranTextBox.Text & "','" &
Nilai_DiagnosaTextBox.Text & "')"
Dim sqlcmd As New SqlClient.SqlCommand
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
On Error GoTo satu
sqlcmd.ExecuteNonQuery()
MsgBox("Simpan")
view()
 Kode_SaranTextBox.Text = ""
Nama_SaranTextBox.Text = ""
Nilai_DiagnosaTextBox.Text = ""
Exit Sub
satu:
MsgBox("Kode Tidak Boleh Sama")
Kode_SaranTextBox.Text = ""
Nama_SaranTextBox.Text = ""
Nilai_DiagnosaTextBox.Text = ""
End Sub

Private Sub Button2_Click(ByVal sender As System.Object, ByVal e As

System.EventArgs) Handles Button2.Click
strsql = "update dbo.tb_Saran set Nama_Saran='" &
Nama_SaranTextBox.Text & "'," _
& "Nilai_Diagnosa='" & Nilai_DiagnosaTextBox.Text & "'," _
& "where Kode_Saran = '" & ctrl & "'"
Dim sqlcmd As New SqlClient.SqlCommand
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlcmd.ExecuteNonQuery()
MsgBox("Simpan")
view()
Nama_SaranTextBox.Text = ""
Nilai_DiagnosaTextBox.Text = ""
Kode_SaranTextBox.Enabled = True
End Sub

Private Sub Button3_Click(ByVal sender As System.Object, ByVal e As

System.EventArgs) Handles Button3.Click
strsql = "update dbo.tb_Saran set Nama_Saran='" &
Nama_SaranTextBox.Text & "'," _
& "Nilai_Diagnosa='" & Nilai_DiagnosaTextBox.Text & "'" _
& "where Kode_Saran = '" & ctrl & "'"
Dim sqlcmd As New SqlClient.SqlCommand
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlcmd.ExecuteNonQuery()
MsgBox("Simpan")
view()
Nama_SaranTextBox.Text = ""
Nilai_DiagnosaTextBox.Text = ""
Kode_SaranTextBox.Text = ""
End Sub
Private Sub Button4_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button4.Click
strsql = "delete from dbo.tb_Saran where Kode_Saran = '" & ctrl & "'"
Dim sqlcmd As New SqlClient.SqlCommand
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlcmd.ExecuteNonQuery()
MsgBox("Delete")
view()
Nama_SaranTextBox.Text = ""
Nilai_DiagnosaTextBox.Text = ""
Kode_SaranTextBox.Enabled = False
End Sub
Private Sub TextBox1_TextChanged(ByVal sender As System.Object, ByVal e
As System.EventArgs) Handles TextBox1.TextChanged
strsql = "select * from tb_Saran where Nilai_Diagnosa LIKE '" &
TextBox1.Text & "%'"
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlda.SelectCommand = sqlcmd
sqldr = sqlcmd.ExecuteReader()
ListView1.Items.Clear()
While (sqldr.Read())
With ListView1.Items.Add(sqldr("Kode_Saran"))
.subitems.add(sqldr("Nama_Saran"))
.subitems.add(sqldr("Nilai_Diagnosa"))
End With
End While
sqldr.Close()
End Sub

Private Sub Button5_Click(ByVal sender As System.Object, ByVal e As

System.EventArgs) Handles Button5.Click
Clear()
End Sub
Private Sub ListView1_DoubleClick(ByVal sender As Object, ByVal e As
System.EventArgs) Handles ListView1.DoubleClick
With ListView1.SelectedItems(0)
ctrl = .SubItems(0).Text
Kode_SaranTextBox.Text = .SubItems(0).Text
Kode_SaranTextBox.Enabled = True
Nama_SaranTextBox.Text = .SubItems(1).Text
Nilai_DiagnosaTextBox.Text = .SubItems(2).Text
End With
End Sub
Private Sub ListView1_SelectedIndexChanged(ByVal sender As System.Object,
ByVal e As System.EventArgs) Handles ListView1.SelectedIndexChanged
End Sub
End Class

Imports System.Data.Sql
Imports System.Data.SqlClient
Public Class Form_Diagnosa_Penyakit
Dim ctrl As String
Sub gejala()
Dim sqlconnection1 As New System.Data.SqlClient.SqlConnection("Data
Source=USER-PC;Initial Catalog=db.neuroblastoma;Integrated Security=True")
Dim cmd As New System.Data.SqlClient.SqlCommand
Dim sqlda As New SqlDataAdapter
Dim sqldr As SqlDataReader
On Error Resume Next
cmd.CommandType = CommandType.Text
cmd.CommandText = "select * from tb_Gejala"
cmd.Connection = sqlconnection1
sqlconnection1.Open()
cmd.ExecuteNonQuery()
sqlda.SelectCommand = cmd
sqldr = cmd.ExecuteReader()
ListView1.Items.Clear()
ListView2.Items.Clear()
While (sqldr.Read())
With ListView1.Items.Add(sqldr("Nama_Gejala"))
End With
With ListView2.Items.Add(sqldr("Nilai_Gejala"))
End With
End While
sqlconnection1.Close()
End Sub
Sub saran()
Dim sqlconnection1 As New System.Data.SqlClient.SqlConnection("Data
Source=USER-PC;Initial Catalog=db.neuroblastoma;Integrated Security=True")
Dim cmd As New System.Data.SqlClient.SqlCommand
Dim sqlda As New SqlDataAdapter
Dim sqldr As SqlDataReader
On Error Resume Next
cmd.CommandType = CommandType.Text
cmd.CommandText = "select * from tb_Saran"
cmd.Connection = sqlconnection1
sqlconnection1.Open()
cmd.ExecuteNonQuery()
sqlda.SelectCommand = cmd
 sqldr = cmd.ExecuteReader()
ListView4.Items.Clear()
ListView5.Items.Clear()
While (sqldr.Read())
With ListView4.Items.Add(sqldr("Nilai_Diagnosa"))
End With
With ListView5.Items.Add(sqldr("Nama_Saran"))
End With
End While
sqlconnection1.Close()
End Sub
Sub Diagnosa()
Dim sqlconnection1 As New System.Data.SqlClient.SqlConnection("Data
Source=USER-PC;Initial Catalog=db.neuroblastoma;Integrated Security=True")
Dim cmd As New System.Data.SqlClient.SqlCommand
Dim sqlda As New SqlDataAdapter
Dim sqldr As SqlDataReader
On Error Resume Next
cmd.CommandType = CommandType.Text
cmd.CommandText = "select * from tb_Diagnosa"
cmd.Connection = sqlconnection1
sqlconnection1.Open()
cmd.ExecuteNonQuery()
sqlda.SelectCommand = cmd
sqldr = cmd.ExecuteReader()
ListView12.Items.Clear()
While (sqldr.Read())
With ListView12.Items.Add(sqldr("Kode_Diagnosa"))
End With
End While
sqlconnection1.Close()
End Sub
Private Sub Tb_DiagnosaBindingNavigatorSaveItem_Click(ByVal sender As
System.Object, ByVal e As System.EventArgs) Handles
Tb_DiagnosaBindingNavigatorSaveItem.Click
Me.Validate()
Me.Tb_DiagnosaBindingSource.EndEdit()
Me.TableAdapterManager.UpdateAll(Me._db_neuroblastomaDataSet)
End Sub

Private Sub Form_Diagnosa_Penyakit_Load(ByVal sender As System.Object,

ByVal e As System.EventArgs) Handles MyBase.Load
Try

Me.Tb_DiagnosaTableAdapter.Fill(Me._db_neuroblastomaDataSet.tb_Diagnosa)
Catch ex As Exception
End Try
gejala()
saran()
Diagnosa()
Module1.connect()
View()
strsql = "select * from dbo.tb_diagnosa"
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlda.SelectCommand = sqlcmd
sqldr = sqlcmd.ExecuteReader()
ListView13.Items.Clear()
While (sqldr.Read())
With ListView13.Items.Add(sqldr("Kode_Diagnosa"))
.subitems.add(sqldr("Nama_Pasien"))
.subitems.add(sqldr("Umur_Pasien"))
.subitems.add(sqldr("Alamat_Pasien"))
.subitems.add(sqldr("Gejala_Yang_Dialami"))
.subitems.add(sqldr("Hasil_Diagnosa_Teorema_Bayes"))
.subitems.add(sqldr("Hasil_Diagnosa_Naive_Bayes"))
.subitems.add(sqldr("Hasil_Perbandingan"))
.subitems.add(sqldr("Selisih_Nilai"))
.subitems.add(sqldr("Saran_Untuk_Pasien"))
End With
End While
sqldr.Close()
End Sub
Sub view()
strsql = "select * from dbo.tb_Diagnosa"
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlda.SelectCommand = sqlcmd
sqldr = sqlcmd.ExecuteReader()
ListView13.Items.Clear()
While (sqldr.Read())
With ListView13.Items.Add(sqldr("Kode_Diagnosa"))
.subitems.add(sqldr("Nama_Pasien"))
.subitems.add(sqldr("Umur_Pasien"))
.subitems.add(sqldr("Alamat_Pasien"))
.subitems.add(sqldr("Gejala_Yang_Dialami"))
.subitems.add(sqldr("Hasil_Diagnosa_Teorema_Bayes"))
.subitems.add(sqldr("Hasil_Diagnosa_Naive_Bayes"))
.subitems.add(sqldr("Hasil_Perbandingan"))
.subitems.add(sqldr("Selisih_Nilai"))
.subitems.add(sqldr("Saran_Untuk_Pasien"))
End With
 End While
sqldr.Close()
End Sub
Private Sub Button1_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button1.Click
On Error Resume Next
'Rumus Naive Bayes
ListView3.Items.Clear()
Hasil_Diagnosa_Teorema_BayesTextBox.Clear()
Hasil_Diagnosa_Naive_BayesTextBox.Clear()
Gejala_Yang_DialamiTextBox.Clear()
Selisih_NilaiTextBox.Clear()
Saran_Untuk_PasienTextBox.Clear()
Dim b, c, pe, naive As Single
Dim n, p, m, x As Integer
Dim h As String
naive = 1
n=1
p=1/n
m = ListView1.Items.Count
For a As Integer = 0 To ListView1.Items.Count - 1
Dim t As String
t = MsgBox("Apakah Anda Mengalami Masalah : " &
ListView1.Items(a).Text & " ?", vbYesNo, "Gejala")
If (t = vbYes) Then
ListView3.Items.Add(ListView2.Items(a).Text)
Gejala_Yang_DialamiTextBox.Text =
Gejala_Yang_DialamiTextBox.Text & ListView1.Items(a).Text & ", "
b = Val(ListView2.Items(a).Text)
c=c+b
x=1
pe = (b + (m * n)) / (n + m)
'MsgBox(pe)
naive = naive * pe
'MsgBox(hsl)
Else
x=0
End If
Next
naive = naive * 100
Dim k As String
k = ""
If naive >= 71 Then
k = "Kronis"
End If
If naive <= 70 And naive >= 51 Then
 k = "Akut"
End If
If naive < 50 Then
k = "Dalam Gejala"
End If
h = naive & "%"
Hasil_Diagnosa_Naive_BayesTextBox.Text = h & " (" & k & ")"
'Rumus Teorema Bayes
Dim s, PH, PHE, phi, pk, sig, bayes As Single
For xx As Integer = 0 To ListView3.Items.Count - 1
s = ListView3.Items(xx).Text
PH = s / c
phi = s / c * s
sig = sig + phi
PHE = (phi * s) / sig
pk = PHE * s
bayes = bayes + pk
''MsgBox(PHE * s)
Next
If bayes = 1 Then
bayes = 100
End If
Dim k1 As String
k1 = ""
If bayes >= 71 Then
k1 = "Kronis"
End If
If bayes <= 70 And bayes >= 51 Then
k1 = "Akut"
End If
If bayes < 50 Then
k1 = "Dalam Gejala"
End If
bayes = bayes & ""
Hasil_Diagnosa_Teorema_BayesTextBox.Text = bayes & " (" & k1 & ")"
'Hasil Perbandingan Metode
Dim aaa, bbb, ccc, hasl As Double
aaa = Val(bayes)
bbb = Val(naive)
If aaa = bbb Then
naive = aaa
Hasil_PerbandinganTextBox.Text = "Teorema Bayes Memiliki Persentase
Yang Sama Dengan Naive Bayes"
GoTo oke
End If
If aaa > bbb Then
 ccc = aaa - bbb
naive = aaa
Hasil_PerbandinganTextBox.Text = "Teorema Bayes Memiliki Persentase
Yang Lebih Besar Dari Naive Bayes"
End If
If bbb > aaa Then
ccc = bbb - aaa
naive = bbb
Hasil_PerbandinganTextBox.Text = "Naive Bayes Memiliki Persentase
Yang Lebih Besar Dari Teorema Bayes"
End If
oke:
Selisih_NilaiTextBox.Text = ccc
For aq As Integer = 0 To ListView4.Items.Count - 1
If hasl <= ListView4.Items(aq).Text Then
Saran_Untuk_PasienTextBox.Text = ListView5.Items(aq).Text
End If
If aaa Or bbb >= 71 Then
Saran_Untuk_PasienTextBox.Text = "Terapi Kesembuhan"
ElseIf aaa Or bbb <= 70 And aaa Or bbb >= 51 Then
Saran_Untuk_PasienTextBox.Text = "Mengubah Pola Makan,
Konsumsi Herbal Yang Bermanfaat"
ElseIf aaa Or bbb < 50 Then
Saran_Untuk_PasienTextBox.Text = "Merubah Gaya Hidup"
End If
Next
If Gejala_Yang_DialamiTextBox.Text = "" Then
Hasil_Diagnosa_Naive_BayesTextBox.Text = ""
Hasil_Diagnosa_Teorema_BayesTextBox.Text = ""
End If
If Hasil_Diagnosa_Naive_BayesTextBox.Text = "" Or
Hasil_Diagnosa_Teorema_BayesTextBox.Text = "" Then
Saran_Untuk_PasienTextBox.Clear()
Hasil_PerbandinganTextBox.Clear()
Selisih_NilaiTextBox.Clear()
End If
If Gejala_Yang_DialamiTextBox.Text = "" Then
Saran_Untuk_PasienTextBox.Clear()
End If
End Sub

Private Sub Button2_Click(ByVal sender As System.Object, ByVal e As

System.EventArgs) Handles Button2.Click
BindingNavigatorAddNewItem.PerformClick()
Button2.Enabled = True
Diagnosa()
 If ListView12.Items.Count = 0 Then
Kode_DiagnosaTextBox.Text = 1
Exit Sub
End If
For t As Integer = 0 To ListView12.Items.Count - 1
Dim d, s As Integer
Dim kl As String
d = Val(ListView12.Items(t).Text)
s=t+1
If s <> d Then
kl = t + 1
Kode_DiagnosaTextBox.Text = kl
Exit For
Else
kl = t + 2
Kode_DiagnosaTextBox.Text = kl
End If
Next
End Sub

Private Sub Button6_Click(ByVal sender As System.Object, ByVal e As

System.EventArgs)
End Sub

Private Sub Tb_DiagnosaBindingSource_CurrentChanged(ByVal sender As

System.Object, ByVal e As System.EventArgs) Handles
Tb_DiagnosaBindingSource.CurrentChanged
End Sub
Private Sub ListView13_DoubleClick(ByVal sender As Object, ByVal e As
System.EventArgs) Handles ListView13.DoubleClick
With ListView13.SelectedItems(0)
ctrl = .SubItems(0).Text
Kode_DiagnosaTextBox.Enabled = False
Nama_PasienTextBox.Text = .SubItems(1).Text
Umur_PasienTextBox.Text = .SubItems(2).Text
Alamat_PasienTextBox.Text = .SubItems(3).Text
Gejala_Yang_DialamiTextBox.Text = .SubItems(4).Text
Hasil_Diagnosa_Teorema_BayesTextBox.Text = .SubItems(5).Text
Hasil_Diagnosa_Naive_BayesTextBox.Text = .SubItems(6).Text
Hasil_PerbandinganTextBox.Text = .SubItems(7).Text
Selisih_NilaiTextBox.Text = .SubItems(8).Text
Saran_Untuk_PasienTextBox.Text = .SubItems(9).Text
End With
End Sub
Private Sub ListView13_SelectedIndexChanged(ByVal sender As System.Object,
ByVal e As System.EventArgs) Handles ListView13.SelectedIndexChanged
 End Sub
Private Sub Button3_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button3.Click
If (Kode_DiagnosaTextBox.Text = "") Or (Nama_PasienTextBox.Text = "")
Or (Umur_PasienTextBox.Text = "") Or (Alamat_PasienTextBox.Text = "") Or
(Gejala_Yang_DialamiTextBox.Text = "") Or
(Hasil_Diagnosa_Teorema_BayesTextBox.Text = "") Or
(Hasil_Diagnosa_Naive_BayesTextBox.Text = "") Or
(Hasil_PerbandinganTextBox.Text = "") Or (Selisih_NilaiTextBox.Text = "") Or
(Saran_Untuk_PasienTextBox.Text = "") Then
MsgBox("Lengkapi Data")
Exit Sub
End If
strsql = "insert into dbo.tb_Diagnosa (Kode_Diagnosa, Nama_Pasien,
Umur_Pasien, Alamat_Pasien, Gejala_Yang_Dialami,
Hasil_Diagnosa_Teorema_Bayes, Hasil_Diagnosa_Naive_Bayes,
Hasil_Perbandingan, Selisih_Nilai, Saran_Untuk_Pasien) values ('" _
& Kode_DiagnosaTextBox.Text & "','" & Nama_PasienTextBox.Text & "','"
& Umur_PasienTextBox.Text & "','" & Alamat_PasienTextBox.Text & "','" &
Gejala_Yang_DialamiTextBox.Text & "','" &
Hasil_Diagnosa_Teorema_BayesTextBox.Text & "','" &
Hasil_Diagnosa_Naive_BayesTextBox.Text & "','" &
Hasil_PerbandinganTextBox.Text & "','" & Selisih_NilaiTextBox.Text & "','" &
Saran_Untuk_PasienTextBox.Text & "')"
Dim sqlcmd As New SqlClient.SqlCommand
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
On Error GoTo satu
sqlcmd.ExecuteNonQuery()
MsgBox("Simpan")
view()
Kode_DiagnosaTextBox.Text = ""
Nama_PasienTextBox.Text = ""
Umur_PasienTextBox.Text = ""
Alamat_PasienTextBox.Text = ""
Gejala_Yang_DialamiTextBox.Text = ""
Hasil_Diagnosa_Teorema_BayesTextBox.Text = ""
Hasil_Diagnosa_Naive_BayesTextBox.Text = ""
Hasil_PerbandinganTextBox.Text = ""
Selisih_NilaiTextBox.Text = ""
Saran_Untuk_PasienTextBox.Text = ""
Exit Sub
satu:
MsgBox("Kode Tidak Boleh Sama")
Kode_DiagnosaTextBox.Text = ""
Nama_PasienTextBox.Text = ""
 Umur_PasienTextBox.Text = ""
Alamat_PasienTextBox.Text = ""
Gejala_Yang_DialamiTextBox.Text = ""
Hasil_Diagnosa_Teorema_BayesTextBox.Text = ""
Hasil_Diagnosa_Naive_BayesTextBox.Text = ""
Hasil_PerbandinganTextBox.Text = ""
Selisih_NilaiTextBox.Text = ""
Saran_Untuk_PasienTextBox.Text = ""
End Sub
Private Sub Button5_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button5.Click
strsql = "delete from dbo.tb_Diagnosa where Kode_Diagnosa = '" & ctrl &
"'"
Dim sqlcmd As New SqlClient.SqlCommand
sqlcmd.CommandText = strsql
sqlcmd.Connection = sqlconn
sqlcmd.ExecuteNonQuery()
MsgBox("Delete")
view()
Kode_DiagnosaTextBox.Text = ""
Nama_PasienTextBox.Text = ""
Umur_PasienTextBox.Text = ""
Alamat_PasienTextBox.Text = ""
Gejala_Yang_DialamiTextBox.Text = ""
Hasil_Diagnosa_Teorema_BayesTextBox.Text = ""
Hasil_Diagnosa_Naive_BayesTextBox.Text = ""
Hasil_PerbandinganTextBox.Text = ""
Selisih_NilaiTextBox.Text = ""
Saran_Untuk_PasienTextBox.Text = ""
End Sub
Private Sub Button4_Click(ByVal sender As System.Object, ByVal e As
System.EventArgs) Handles Button4.Click
Laporan_Diagnosa.Show()
End Sub
End Class