Matrik : Jurnal Manajemen, Teknik Informatika, dan Rekayasa

Vol. 20, No. 1, November 2020, pp. xx~xx

ISSN: 2476-9843, accredited by Kemenristekdikti, Decree No: 3/E/KPT/2019
DOI: 10.30812/matrik.v20i1.xxxxx  1
.

Sistem Pakar Diagnosa Penyakit Telinga Hidung Tenggorokan

Menggunakan Inferensi Forward Chaining dan Metode
Certainty Factor

Bhintang Dirgantara1, Hairani2

2
Universitas Bumigora, Indonesia

Article Info ABSTRACT

Article history: Currently Ear, Nose and Throat (ENT) has become a disease that is quite
common in the world. In Indonesia, people with ENT disease are around 190-
Received mm dd, yyyy 230 per 1000 population. This application uses Forward Chaining and
Revised mm dd, yyyy Definitty Factor methods. The types of disease researched in this study were
Accepted mm dd, yyyy Serous Orthitis Media, Nasal Polyps, Acute Pharyngitis, Retrofaryngeal
Abscess, and Nafosaryngeal Carcinoma. The purpose of making this expert
system is to make it easier for patients to see what diseases they are suffering
Keywords: from, as well as to facilitate medical staff in the ENT patient environment.The
stages of developing an expert system in this study consisted of problem
Ear identification for problem domain analysis and functional requirements
Nose analysis, knowledge acquisition was used to obtain the MB and MD value of
Throat each symptom in ENT with the interview method, the existence of an expert
Forward Chaining system of ENT disease diagnosis can make it easier for doctors to make
Certainty Factor decisions, or the right diagnosis of a symptom that arises in ENT, so that
proper treatment is obtained and minimizes the occurrence of misdiagnosis

ABSTRAK
Saat ini penyakit Telinga Hidung dan Tenggorokan (THT) telah menjadi suatu
penyakit yang cukup banyak diderita oleh masyarakat dunia. Di Indonesia,
penderita penyakit THT berjumlah sekitar 190-230 per 1000 penduduk.
Aplikasi ini menggunakan metode Forward Chaining dan Certainty Factor.
Jenis penyakit yang diteliti pada penelitian ini adalah Ortitis Media Serosa,
Polip Hidung, Faringtis Akut, Abses Retrofaring, dan Karsinoma Nafosaring.
Tujuan pembuatan sistem pakar ini adalah untuk memudahkan pasien untuk
mengetahui penyakit apa yang dideritanya, serta memudahkan tenaga medis
dalam menangani pasien THT. Tahapan pengembangan sistem pakar pada
penelitian ini terdiri dari identifikasi masalah untuk analisis domain
permasalahan dan analisis kebutuhan fungsional, akuisisi pengetahuan
digunakan untuk mendapatkan nilai MB dan MD tiap-tiap gejala pada penyakit
THT dengan metode wawancara, perancangan digunakan untuk merancang
representasi pengetahuan seperti tabel keputusan dan mesin inferensi. Dengan
adanya sistem pakar diagnosis penyakit THT dapat mempermudah dokter
mengambil keputusan, atau diagnosa yang tepat terhadap suatu gejala – gejala
yang timbul pada penyakit THT, sehingga diperoleh pengobatan yang tepat
dan minimalisir terjadinya kesalahan diagnosa

Corresponding Author:
Bhintang Dirgantara,
Department of Engineering and Design,
Universitas Bumigora.
Email: 1610530133@stmikbumigora.ac.id

Journal homepage: https://journal.universitasbumigora.ac.id/index.php/matrik

2  ISSN: 2476-9843

1. PENDAHULUAN
Dimasa sekarang ini banyak penyakit yang diderita penduduk dunia khususnya penyakit Telinga Hidung
Tenggorokan (THT). Banyaknya penderita penyakit THT yang tinggi dikarenakan kurangnya jumlah tenaga
medis untuk mendiagnosa penyakit yang diderita oleh pasien THT[1].
Sistem pakar (expert system) merpakan sistem yang mengadopsi suatu pengetahuan dari manusia ke
komputer, agar komputer dapat masalah dapat terselesaikan layaknya para pakar, yaitu keahlian yang
mempunyai pengetahuan khusus yang tidak dipunyai oleh orang lain, salah satu cabang artificial intelegence
adalah sistem pakar[2].
Pada tahun 2006 Survey Kesehatan Rumah Tangga (SKRT) menyatakan bahwa setiap 1000 warga
Indonesia terdapat 190-230 orang yang terkena penyakit THT[3]. Terdapat banyak macam gejala yang terjadi
pada penderita penyakit THT, kebanyakan penyakit THT diakibatkan oleh infeksi virus dan bakteri yang
menyerang organ tertentu, Departement Kesehatan RI berpendapat bahwa masalah utama dalam bidang
Kesehatan adalah infeksi bakteri[4].
Kurangnya kepedulian masyarakat pada pengidap penyakit THT dan masih diremehkannya penyakit THT
oleh penduduk Indonesia yang mengakibatkan tingginya pengidap penyakit THT. Sebagaian penduduk yang
peduli akan penyakit THT akan memeriksakan penyakitnya pada dokter spesialis THT dan akan memakan
biaya yang relatif tinggi untuk berkonsultasi tentang penyakit yang diderita. Karena itu aplikasi sistem pakar
ini dibuat untuk memudahkan warga dalam melakukan konsultasi diagnosis atas penyakit yang di alami oleh
pasien THT[5].
Terdapat 5 penyakit yang diteliti pada penelitian ini, yaitu Otitis Media Serosa, Polip Hidung, Faringtis
Akut, Abses Terofaring, dan Karsinoma Nafosaring, dan dari penyakit itu terdapat 22 gejala seperti bersin,
badan panas, nyeri leher, sakit kepala dan lain lain[4].
Penelitian dengan tema sejenis yaitu sistem pakar diagnosa penyakit telah banyak diteliti pada penelitian
sebelumnya[6][7]. Salah satunya adalah sistem pakar diagnosa penyakit Pendeteksi Resiko Osteoporosis dan
Osteoarthritis dapat mengidentifikasi penyakit dengan mendokumentasikan informasi atau pengetahuan dari
pakar dengan metode pencarian kesimpulan menggunakan metode Certainty Factor (CF)[8]. Penelitian lainnya
adalah sistem pakar yang digunakan untuk mendiagnosa jenis penyakit stroke dengan metode CF digunakan
untuk mendapatkan nilai kepastian[9]. Sistem pakar tidak hanya digunakan untuk mendiagnosa penyakit pada
manusia tapi juga dapat digunakan sebagai diagnosa penyakit pada tanaman yaitu diagnosa hama dan penyakit
pada tanaman tebu dengan metode penerapannya adalah metode CF [10]. Metode CF juga digunakan dalam
sistem pakar diagnosa hama dan penyakit pada tanaman tembakau[11], hasil yang diperoleh adalah masih
kurangnya pakar yang dapat memberikan informasi mengenai solusi terbaik dalam permasalahan yang ada.
Tujuan dari penelitian ini yaitu untuk membuat sistem pakar yang digunakan untuk mendiagnosa penyakit
THT dengan mesin inferensi forward chaining dan metode certainty factor. Penalarannya menggunakan
penalaran inferensi forward chaining dan untuk tingkat kepastian dari diagnosis pasien THT tersebut
menggunakan metode certainty factor, dengan dibuatnya sistem pakar ini diharapkan bisa mempermudah
dokter dan tenaga medis untuk mendiagnosa penyakit pasien dari gejala-gejala yang dirasakan, sehingga
memperkecil kesalahan diagnosa dan mendapatkan penanganan yang tepat untuk kedepannya[12]

2. METODE PENELITIAN
2.1. FORWARD CHAINING
Forward Chaining adalah tehnik pencarian yang dimulai dengan fakta yang diketahui, kemudian
mencocokan fakta–fakta tersebut dengan bagian IF dari rules IF –THEN [13]. Bila ada fakta yang cocok dengan
bagian IF, maka rule tersebut dieksekusi. Bila sebuah rule dieksekusi, maka sebuah fakta baru (bagian THEN)
ditambahkan ke dalam database Langkah-langkah dalam membuat sistem pakar dengan menggunakan metode
forward chaining yaitu:
a. Pendefenisan masalah dimulai dengan pemilihan domain masalah dan akuisi pengatahuan.
b. Pendefenesian data input untuk memulai inferensi karena diperlukan oleh sistem forward chaining.
c. Pendefenisian struktur pengendalian data untuk membantu mengendalikan pengaktifan suatu aturan.
d. Penulisan kode awal dalam domain pengatahuan
e. Pengujian sistem agar dapat mengatahui sejauh mana sistem berjalan
f. Perancangan antarmuka dengan basis pengatahuan
g. Pengembangan sistem
h. Evaluasi system
Pada metode ini, data dipakai untuk menentukan rule mana yang berjalan atau menambahkannya
dengan data ke memori kerja agar diproses untuk menemukan suatu hasil[14].

Matrik : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer,

Vol. 18, No. 1, February 2020: xx - xx
Matrik : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer  3

2.2. CERTAINTY FACTOR

Metode Certainty Factor digunakan ketika menghadapi suatu masalah yang jawabannya tidak pasti.
Ketidakpastian ini bisa merupakan probabilitas. Metode ini diperkenalkan oleh Shortlife Buchanan pada tahun
1970-an. Beliau menggunakan metode ini saat melakukan diagnosis dan terapi terhadap penyakit meningitis
dan infeksi darah [15]. Tim pengembang dari metode ini mencatat bahwa, dokter sering kali menganalisa
informasi yang ada dengan ungkapan seperti “mungkin”, “hampir pasti”. Metode ini mirip dengan fuzzy logic,
karena ketidakpastian direpresentasikan dengan derajat kepercayaan sedangkan perbedaannya adalah pada
fuzzy logic saat perhitungan untuk rule yang premisnya lebih dari satu, fuzzy logic tidak memiliki nilai
keyakinan untuk rule tersebut sehingga perhitungannya hanya melihat nilai terkecil untuk operator AND atau
nilai terbesar untuk operator OR dari setiap premis yang pada rule tersebut berbeda dengan certainty factor
yaitu setiap rule memiiki nilai keyakinannya sendiri tidak hanya premis-premisnya saja yang memiliki nilai
keyakinan. Certainty factor menunjukkan ukuran kepastian terhadap suatu fakta atau aturan [16].
CF[h,e] = MB[h,e] – MD[h,e] (1)
Keterangan :
CF[h,e] = Faktor kepastian
MB[h,e] = Measure of belief, ukuran kepercayaan atau tingkat keyakinan terhadap hipotesis (h), jika
diberikan evidence (e) antara 0 dan 1
MD[h,e] = Measure of disbelief, ukuran ketidakpercayaan atau tingkat keyakinan terhadap hipotesis
(h), jika diberikan evidence (e) antara 0 dan 1.

Adapun beberapa kombinasi certainty factor terhadap premis tertentu:

1. Certainty factor dengan satu premis.
CF[h,e] = CF[e] * CF[rule]= CF[user] * CF[pakar] (2)
2. Certainty factor dengan lebih dari satu premis.
CF[A ˄ B] = Min(CF[a],CF[b]) * CF[rule] (3)
CF[A ˅ B] = Max(CF [a],CF[b]) * CF[rule] (4)

3. Certainty factor dengan kesimpulan yang serupa.

CF gabungan [CF1, CF2] = CF1 + CF2 * (1 – CF1) (5)

Kelebihan dari metode ini adalah cocok digunakan pada sistem pakar yang mengukur sesuatu yang pasti
atau tidak pasti seperti mendiagnosis penyakit dan perhitungan dari metode ini hanya berlaku untuk sekali
hitung, serta hanya dapat mengolah dua data sehingga keakuratannya terjaga[12].

3. HASIL DAN ANALISIS

3.1. ANALISIS
Penerapan dari metode Forward Chaining dan Certainty Factor memerlukan beberapa variabel, yaitu
bobot nilai yang diberikan oleh pengguna dan pakar pada setiap gejala, skala nilai yang diberikan yaitu antara
0-1, aturan dari gejala-gejala yang menunjukkan gangguan.
3.2. METODOLOGI
Sistem pakar ini dikembangkan dengan metodologi pengembangan sistem pakar yang diantaranya
mempunyai beberapa tahapan dalam pengembangannya. Pada gambar 1 ditunjukan beberapa pengembangan
sistem pakar[8].

Gambar 1. Tahap Penelitian

Title of manuscript is short and clear, implies research results (First Author)
4  ISSN: 2476-9843

Pada Gambar 1 ada 5 tahapan pengembangan sistem pakar. Tahap yang pertamakali dilakukan adalah
identifikasi masalah, pada tahap ini dilakukan identifikasi dari permasalahan utama yang dihadapi dan serta
melakukan analisis kebutuhan fungsional dari sistem. Identifikasi permasalahan utama yang dihadapi adalah
jenis penyakit THT, kesulitan dalam melakukan diagnosa secara tepat pada penelitian ini dikarenakan adanya
kemiripan antar gejala. Untuk analisis pebutuhan fungsional sistem yang bisa dilakukan oleh sistem pakar ini
dapat di indentifikasikan pada Tabel 1 dibawah ini

Tabel 1. Fungsional sistem

No Fungsional sistem
1 Sistem memiliki fungsi untuk login
2 Sistem memliki fungsi untuk register admin dan asisten dokter
3 Sistem memiliki fungsi untuk melakukan create, read update, dan delete data pasien
4 Sistem memiliki fungsi untuk melakukan create, read update, dan delete data penyakit
5 Sistem memiliki fungsi untuk melakukan create, read update, dan delete data gejala
6 Sistem memiliki fungsi untuk melakukan create, read update, dan delete data kaidah produksi
7 Sistem memiliki fungsi untuk melakukan create, read update, dan delete data diagnosa
8 Sistem memiliki fungsi untuk melakukan create, read update, dan delete data pertanyaan
9 Sistem memiliki fungsi untuk melakukan konsultasi
10 Sistem memiliki fungsi untuk mengeluarkan hasil konsultasi

Pada tahap kedua yaitu akuisisi pengetahuan. Pada tahapan ini dilakukan pengambilan pengetahuan
dari dokter spesialis penyakit THT dengan cara wawancara langsung pada dokter, wawancara dilakukan di
tempat praktik dokter spesialis THT yang berada di apotek medismart jalan Pejanggik, Mataram, data yang
didapatkan berupa nilai MB dan MD dari masing-masing gejala dan penyakit THT yang ditunjukan pada tabel
2 dan 3.
Pada tahapan yang ketiga yaitu perancangan, rancangan dalam sistem pakar ini berupa perancangan
pengetahuan, perancangan inferensi dan representasi pengetahuan, pengetahuan yang di dapat dalam tahap
akuisisi pengetahuan kemudian dimodelkan dalam tabel pengetahuan, data penyakit, dan data gejala, dan
kaidah produksi yang masing-masing ditunjukan pada tabel 2, 3, dan 4.
Tabel 2. Tabel Keputusan
Kode P001 P002 P003 P004 P005
Gejala MB MD MB MD MB MD MB MD MB MD
G001 0.8 0.2 1 0
G002 0.6 0.4 0.8 0.2 0.6 0.4
G003 1 0 0.8 0.2 0.6 0.4
G004 0.8 0.2 0.8 0.2 0.8 0.2 1 0
G005 0.8 0.2 0.6 0.4
G006 0.8 0.2 0.8 0.2 0.4 0.2
G007 0.8 0.2 0.8 0.2 0.8 0.2
G008 0.8 0.2
G009 0.8 0.2
G010 0.8 0.2 0.8 0.2 0.8 0.2 0.6 0.4 0.8 0.2
G011 0.6 0.4 0.6 0.4 0.6 0.4
G012 1 0 0.4 0.2 0.4 0.2
G013 0.8 0.2 0.4 0.2
G014 0.6 0.4
G015 0.6 0.2 0.6 0.4 0.6 0.4
G016 0.6 0.2 0.6 0.4 0.6 0.4
G017 0.6 0.4 0.6 0.4 0.8 0.2 0.6 0.4
G018 0.6 0.4 1 0
G019 0.6 0.4 0.6 0.4 0.8 0.2 0.6 0.4 0.8 0.2
G020 0.6 0.4 0.6 0.4 0.6 0.4 0.6 0.4
G021 0.6 0.4 0.6 0.4
G022 1 0 0.6 0.4 0.8 0.2

Matrik : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer,

Vol. 18, No. 1, February 2020: xx - xx
Matrik : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer  5

Tabel 3. Keputusan
Kode Gejala Nama Gejala
G001 Badan Panas
G002 Bersin
G003 Telinga Berdengung
G004 Hidung Buntu
G005 Ingus Darah
G006 Iritasi Hidung
G007 Tenggorokan Kering
G008 Leher Kaku
G009 Mata Juling
G010 Nyeri Kepala
G011 Nyeri Leher
G012 Nyeri Waktu Menelan
G013 Tenggorokan Panas
G014 Leher Bengkak
G015 Penciuman Terganggu
G016 Pendengaran Menurun
G017 Pusing
G018 Pilek Menahun
G019 Sakit Kepala
G020 Sesak Nafas
G021 Sulit Buka Mulut
G022 Telinga Terasa Penuh Cairan

Tabel 4. Penyakit
Kode Penyakit Nama Penyakit
P001 Otitis Media Serosa
P002 Polip Hidung
P003 Faringtis Akut
P004 Abses Retrofaring
P005 Karsinoma Nafosaring

Tabel 4. Kaidah Produksi

Rule Number Rule
R1 IF (G002) dan (G003) dan (G004) dan (G005) dan (G006) dan
(G007) dan (G010) dan (G015) dan (G016) dan (G017) dan
(G018) dan (G019) dan (G022) THEN (P001)
R2 IF (G002) dan (G003) dan (G004) dan (G006) dan (G010) dan
(G015) dan (G016) dan (G017) dan (G018) dan (G019) dan
(G020) dan (G022) THEN (P002)
R3 IF (G001) dan (G002) dan (G004) dan (G007) dan (G010) dan
(G011) dan (G012) dan (G013) dan (G017) dan (G019) dan
(G020) dan (G021) THEN (P003)
R4 IF (G001) dan (G007) dan (G008) dan (G010) dan (G011) dan
(G012) dan (G013) dan (G014) dan (G019) dan (G020) dan
(G021) THEN (P004)
R5 IF (G003) dan (G004) dan (G005) dan (G006) dan (G009) dan
(G010) dan (G011) dan (G012) dan (G015) dan (G016) dan
(G017) dan (G019) dan (G020) dan (G022) THEN (P003)

Inferensi yang digunakan pada penelitian ini adalah forward chaining dan digabungkan dengan
Certainty Factor. Proses penampilan gejala dilakukan oleh inferensi forward chaining, penampilan gejala
ditunjukan satu persatu di aplikasi kemudian pasien menjawab "Ya" jika merasakan gejala tersebut dan
menjawab "Tidak" jika tidak merasakan gejala tersebut. Dari masing masing gejala tersebut meliliki nilai
Messure of Believe (MB) dan Messure of Disbelive (MD) yang mempunya rentang nilai antara 0 sampai 1,
sistem kemudian melakukan perhitungan dengan persamaan 1. Mesin inferensi kemudian melakukan
kecocokan pada gejala yang dipilih pada basis pengetahuan, kemudian gejala yang dipilih berdasarkan gejala
Title of manuscript is short and clear, implies research results (First Author)
6  ISSN: 2476-9843

yang dirasakan kemudian di cek, apakah aturan tersebut ada dalam database, jika ada perhitungan certainty
factornya menggunakan persamaan 2 dan 3. Dari semua perhitungan itu diambil nilai tertinggi pada CF yang
kemudian akan ditampilkan sebagai kesimpulan dari penyakit yang diderita pasien tersebut.

3.3. IMPLEMENTASI

Gambar 2. Tampilan awal sistem pakar

Untuk dapat melakukan proses diagnosa, pengguna dapat memilih menu Mulai Konsultasi terlebih
dahulu kemudian akan diarahkan pada pengisian data diri pada Gambar 3.

Gambar 3. Pengisian data diri sistem pakar

Jika telah selesai melakukan diagnosa maka akan diarahkan pada bagian pertanyaan, kemudian akan
berlanjut ke pertanyaan pada gambar 4.

Gambar 4. Tampilan Pertanyaan

Matrik : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer,

Vol. 18, No. 1, February 2020: xx - xx
Matrik : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer  7

Jika telah menjawab semua pertanyaan makan akan tampil hasil dari perhitungan diagnosa yang
ditampilkan pada gambar 5.

Gambar 5. Tampilan hasil

4. HASIL DAN ANALISA

Pembahasan diperlukan untuk mengetahui hasi dari penelitian apakah sudah dapat menyelesaikan
permasalahan yang ada ataukah belum. Permasalah yang telah dirumuskan atau diteliti sebelumnya yaitu
apakan metode forward chaining dan Certainty Factor dapat memberkan diagnosa penyakit THT pada sistem
pakar[7].
Langkah yang digunakan metode Certainty Factor dalam memproses gejala-gejala berdasarkan diagnosa
hama menggunakan metode forward chaining proses analisis certainty factor untuk kaidah dengan
premis/gejala tunggal. Formula dasar digunakan apabila belum ada nilai CF untuk setiap gejala yang
memberikan diagnosa. Untuk mendapatkan nilai CF penguna dapat memilih dari 22 gejala yang ada dan
member nilai bobot yang sesuai dengan gejala yang dialami oleh pengguna. Selanjutnya bobot nilai yang
diberikan pengguna akan dikalikan dengan bobot nilai yang diberikan oleh pakar[13].

Contoh kasus:
Ada suatu kasus, Budi mengalami gejala bersin, ingus darah, iritasi hidung, dan nyeri leher.
Terdapat semua penyakit pada sistem yang memiliki gejala bersin, ingus darah, iritasi hidung, dan nyeri
leher, yaitu:
a. Otitis Media Serosa
b. Polip Hidung
c. Faringtis Akut
d. Abses Retrofaring
e. Karsinoma Nafosaring

Maka perhitungannya:
Untuk P001
MB [Otitis Media Serosa, bersin ˄ ingus darah]
= 0.6+0.8*(1- 0.6)
= 0.92
MB [Otitis Media Serosa, bersin ˄ ingus darah ^ iritasi hidung]
= 0.92+0.8 * (1- 0.92)
=0.984
Title of manuscript is short and clear, implies research results (First Author)
8  ISSN: 2476-9843

MD [Otitis Media Serosa, bersin ˄ ingus darah]

= 0.4+0.2*(1- 0.4)
= 0.52
MD [Otitis Media Serosa, bersin ˄ ingus darah ^ iritasi hidung]
= 0.52+0.2 * (1- 0.52)
=0.616
CF [Otitis Media Serosa, bersin ˄ ingus darah ^ iritasi hidung]
= 0.98 – 0.616
= 0.368
Untuk P002
MB [Polip Hidung, bersin ˄ iritasi hidung]
= 0.8+0.8*(1- 0.8)
= 0.96
MD [Polip Hidung, bersin ˄ iritasi hidung]
= 0.2+0.2*(1- 0.4)
= 0.36
CF [Polip Hidung, bersin ^ iritasi hidung]
= 0.96 – 0.36
= 0.6
Untuk P003
MB [Faringtis Akut, bersin ˄ nyeri leher]
= 0.6+0.6*(1- 0.6)
= 0.84
MD [Faringtis Akut, bersin ˄ nyeri leher]
= 0.4+0.4*(1- 0.4)
= 0.52
CF [Polip Hidung, bersin ˄ ingus darah ^ iritasi hidung]
= 0.98 – 0.616
= 0.368
Untuk P004
MB [Abses Retrofaring, nyeri leher]
= 0.6
MD [Abses Retrofaring, nyeri leher]
=0.4
CF [Abses Retrofaring, nyeri leher]
= 0.6 – 0.4
= 0.2
Untuk P005
MB [Karsinoma Nafosaring, ingus darah ^ iritasi hidung]
= 0.6+0.4*(1- 0.6)
= 0.76
MB [Karsinoma Nafosaring, ingus darah ^ iritasi hidung ^ nyeri leher]
= 0.76+0.6 * (1- 0.76)
=0.904
MD [Karsinoma Nafosaring, ingus darah ^ iritasi hidung]
= 0.4+0.2*(1- 0.4)
= 0.52
MD [Karsinoma Nafosaring, ingus darah ^ iritasi hidung ^ nyeri leher]
= 0.52+0.4 * (1- 0.52)
=0.712
CF [Karsinoma Nafosaring, ingus darah ^ iritasi hidung ^ nyeri leher]
= 0.904 – 0.712
= 0.192
Berdasarkan nilai perhitungan di atas, maka di ambil nilai CF yang terbesar yaitu 0.6 yaitu polip
hidung
Maka budi di diagnosa terkena penyakit polip hidung dengan tingkat kepastian 60%

Matrik : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer,

Vol. 18, No. 1, February 2020: xx - xx
Matrik : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer  9

5. KESIMPULAN
Berdasarkan pembahasan sebelumnya, dapat diambil kesimpulan dari penelitian dan pembuatan sistem
pakar diagnosa penyakit THT. Dalam upaya membantu para dokter, dan tenaga medis dalam menangani
penyakit THT, aplikasi sistem pakar ini dapat menjadi alternatif pemecahan masalah, diantaranya;
1. Sistem yang dibuat mampu menganalisa gejala-gejala penyakit THT dialami pasien, kemudian
menentukan kemungkinan penyakit yang diderita oleh pasien berdasarkan nilai CF tertinggi.
2. Adanya informasi deskripsi berdasarkan jenis penyakit rematik yang diderita
3. Sistem pakar dibuat agar membantu para dokter dan tenaga medis dalam mendapatkan informasi
tentang penyakit THT, dan tidak diharuskan untuk berkonsultasi langsung dengan para dokter
spesialis THT.
4. Metode Forward Chaining dan Certanty Factor dapat memberikan diagnosa penyakit THT
berdasarkan gejala-gejala yang diberikan Berdasarkan hasil perhitungan, maka keterangan tingkat
keyakinan berdasarkan tabel interpretasi dari pakar dan persentase akhir sebesar 60% adalah Sangat
Mungkin kedua metode ini diterapkan ntuk menyelesaikan masalah yang ada.

UCAPAN TERIMAKASIH
Ucapan terima kasih penulis sampaikan kepada seluruh pihak yang telah membantu penyusunan
artikel ini sehingga dapat terlesesaikan dengan baik. Dalam kesempatan ini penulis menyampaikan ucapan
terimakasih kepada:
1. Dr. Ir. Anthony Anggrawan, M.T., Ph.D., selaku Rektor Universitas Bumigora.
2. Ibu Ni Gusti Ayu Dasriani, M.Kom. selaku Wakil Rektor I Universitas Bumigora.
3. Ibu Lilik Widyawati, M.Kom. selaku Ketua Program Studi S1 Ilmu Komputer.
4. Bapak Hairani, M.Eng. selaku Dosen Pembimbing dalam mengerjakan skripsi ini.
5. Bapak/Ibu Dosen yang telah memberikan ilmu selama dalam perkuliahan.
6. Bapak, ibu dan semua keluarga yang telah memberikan dukungan moril dan dukungan
materi.
7. Teman-teman angkatan 2016 yang turut serta mendampingi selama perkuliahan
berlangsung.
8. Segenap teman kampus yang memberikan masukan.
9. Teman-teman dari luar kampus yang selalu memberikan semangat yang tiada henti.

REFRENSI
[1] W. Verina, “Penerapan Metode Forward Chaining untuk Mendeteksi Penyakit THT,” J. Tek. Inform. Dan Sist.
Inf., vol. 1, no. 2, pp. 123–138, 2015.
[2] M. Dahria, “Pengembangan Sistem Pakar Dalam Membangun Suatu Aplikasi,” J. SAINTIKOM, vol. 10, no. 3,
pp. 199–205, 2011.
[3] F. S. Fachir, N. Qamariah, D. Marisa, P. Studi, P. Dokter, and F. Kedokteran, “Hubungan Tonsilitis Kronis dan
Otitis Media Efusi di Bagian THT RSUD Ulin Banjarmasin Tahun 2014,” Berk. Kedokt., vol. 12, no. 1, pp. 27–
32, 2014.
[4] F. Abdi, E. Hakim, N. Hidayat, and R. K. Dewi, “Sistem Pakar Diagnosis Penyakit Telinga Hidung
Tenggorokan ( THT ) Menggunakan Metode Naive Bayes Berbasis Android,” J. Pengemb. Teknol. Inf. dan Ilmu
Komput., vol. 2, no. 4, pp. 1492–1500, 2018.
[5] A. Djulya, I. Pratiwi, D. E. Ratnawati, and A. W. Widodo, “Diagnosis Penyakit THT Menggunakan Metode
Fuzzy K-NN,” vol. 2, no. 10, pp. 4238–4245, 2018.
[6] F. A. Dewoputro et al., “Diagnosa Awal Penyakit Telinga Hidung Tenggorokan ( THT ) Menggunakan
Pendekatan Cosine Similarity,” vol. 1, no. 2, pp. 37–50, 2016.
[7] T. Rismawan and S. Hartati, “Case-Based Reasoning untuk Diagnosa Penyakit THT (Telinga Hidung dan
Tenggorokan),” Ijccs, vol. 6, no. 2, pp. 67–78, 2012.
[8] S. Halim and S. Hansun, “Penerapan Metode Certainty Factor dalam Sistem Pakar Pendeteksi Resiko
Osteoporosis dan Osteoarthritis,” J. Ultim. Comput., vol. 7, no. 2, pp. 59–69, 2018.
[9] L. A. Latumakulita, “Sistem Pakar Pendiagnosa Penyakit Anak Menggunakan Certainty Factor (CF),” J. Ilm.
Sains, vol. 12, no. 2, p. 120, 2012.
[10] H. Rudi and S. Kalimatus, “Sistem Pakar Diagnosis Penyakit dan Hama Pada Tanaman Tebu Menggunakan
Metode Certainty Factor,” JOINTECS) J. Inf. Technol. Comput. Sci., vol. 4, no. 1, pp. 2541–3619, 2019.
[11] M. Arifin, S. Slamin, and W. E. Y. Retnani, “Penerapan Metode Certainty Factor Untuk Sistem Pakar Diagnosis
Hama Dan Penyakit Pada Tanaman Tembakau,” Berk. Sainstek, vol. 5, no. 1, p. 21, 2017.
[12] H. Hairani, M. N. Abdillah, and M. Innuddin, “Perancangan Sistem Pakar Diagnosis Penyakit Rematik
Title of manuscript is short and clear, implies research results (First Author)
10  ISSN: 2476-9843

Menggunakan Inferensi Forward Chaining Berbasis Prolog,” InfoTekJar J. Nas. Inform. dan Teknol. Jar., vol. 4,
no. 1, pp. 1–5, 2019.
[13] S. Sutojo, Mulyanto, Kecerdasan Buatan. Yogyakarta: Andi, 2011.
[14] H. Indriyawati, A. Sugiharto, and B. Surarso, “Sistem Pakar Diagnosa Penyakit Telinga Hidung Tenggorok
(Tht) Dengan Menggunakan Metode Inferensi Berbasis Short Message Service (Sms),” J. Sist. Inf. Bisnis, vol. 3,
no. 1, pp. 1–6, 2016.
[15] G. V. Daniel, “Implementasi Sistem Pakar Untuk Mendiagnosis Penyakit Dengan Gejala Demam Menggunakan
Metode Certainty Factor,” J. Ilm. Tek. Inf., vol. 6, no. Sistem Pakar, pp. 25–36, 2010.
[16] H. Hairani, M. N. Abdillah, and M. Innuddin, “An Expert System for Diagnosis of Rheumatic Disease Types
Using Forward Chaining Inference and Certainty Factor Method,” in 2019 International Conference on
Sustainable Information Engineering and Technology (SIET), 2019, pp. 104–109.

Matrik : Jurnal Manajemen, Teknik Informatika, dan Rekayasa Komputer,

Vol. 18, No. 1, February 2020: xx - xx