Vol .

X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

ANALISIS METODE SISTEM PAKAR UNTUK

MENENTUKAN JENIS PENYAKIT DALAM DENGAN
METODE CERTAINTY FACTOR

Herry Hidayat, Danny Kriestanto

Program Studi Teknik Informatika STMIK AKAKOM Yogyakarta
Jl. Raya Janti Karang Jambe No.143 Yogyakarta 55198
e-mail: herryhidayat10@gmail.com, danny@akakom.ac.id

ABSTRAK
Penyakit dalam memiliki banyak variasi indikasi dan gejala yang muncul hampir sama. Hal
ini menyebabkan banyak tenaga medis, atau bahkan masyarakat umum merasa sulit untuk
mengenali jenis penyakit apa yang sedang diderita.
Aplikasi yang dikembangkan adalah sistem pakar yang digunakan untuk mendiagnosa
penyakit dalam dengan menggunakan metode Certainty Factor. Diagnosa dilakukan dengan
menganalisis masukan gejala dengan bentuk pertanyaan tentang apa yang diderita oleh pasien.
Aplikasi ini dapat menggunakan tiga macam metode untuk melakukan kepakaran, yakni:
wawancara, pemeriksaan fisik, dan pemeriksaan penunjang. Masukan gejala akan diproses dengan
menggunakan aturan-aturan tertentu yang mengacu pada pengetahuan pakar atau dokter yang
telah disimpan dalam kaidah diagnosa.
Hasil dari sistem pakar ini adalah satu penyakit yang mempunyai nilai kepastian terbesar.
Nilai faktor kepastian tergantung pada berapa banyak kecocokan antara masukan gejala dan
penyakit serta nilai faktor kepastian untuk setiap gejala penyakit. Dari angka-angka yang diperoleh
dapat dipastikan bahwa analisis dengan menggunakan metode wawancara mendapat hasil
kepastian paling besar jika dibandingkan dengan kedua metode lainnya.

Kata kunci: certainty factor, penyakit dalam, sistem pakar.

A. PENDAHULUAN dokter hanya untuk mengetahui penyakit

1.1. Latar Belakang yang diderita berdasarkan gejala yang
Kecerdasan buatan atau artificial dialaminya. Dengan sistem online seperti ini,
intelligence merupakan bagian dari ilmu orang dapat dengan mudah mengetahui
komputer yang membuat agar mesin penyakit yang diderita berdasarkan gejala
(komputer) dapat melakukan pekerjaan yang dialami tanpa harus terkendala jarak,
seperti dan sebaik yang dilakukan oleh waktu dan biaya, karena dapat dilakukan
manusia. (Sri Kusumadewi, 2003). diwarnet, dirumah, ataupun dengan
Salah satu implementasi yang smartphone. Oleh karena itu dibangun suatu
diterapkan sistem pakar dalam bidang sistem pakar yang dapat membantu
kesehatan yaitu sistem pakar untuk diagnosa menyelesaikan masalah tersebut dengan
penyakit dalam. Seringkali orang bingung menggunakan metode Certainty Factor (CF).
dengan penyakit yang diderita serta gejala-
gejala yang dirasakanya dan harus ke dokter 1.2. Tujuan
apa untuk berobat atau berkonsultasi. Tujuan dari penelitian ini adalah
Disamping itu banyak orang yang terkendala menerapkan suatu program sistem pakar yang
jarak dan waktu ataupun biaya untuk pergi ke berisi pengetahuan dari seorang pakar/dokter

1
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

yang memiliki kemampuan untuk dapat penyakit dalam dengan metode Certainty
mendiagnosa penyakit dari gejala-gejala Factor berbasis android. Dengan aplikasi
yang dirasakan oleh pasien secara cepat dan berbasis android ini seseorang dapat
tepat seperti seorang pakar dengan mendiagnosis sebuah penyakit menggunakan
menggunakan metode Certainty Factor (CF). perangkat bergerak.
Sistem pakar untuk menganalisa
1.3. Tinjauan Pustaka penyakit dalam dengan metode Certainty
Kusrini (2006), dalam penelitiannya fakctor ini mampu mendiagnosis 20 jenis
diusulkan suatu metode penghitungan penyakit dalam pada manusia dengan
besarnya certainty factor pengguna pada menggunakan tiga buah metode, yaitu:
aplikasi sistem pakar untuk diagnosis wawancara, pemeriksaan fisik, dan
penyakit dengan metode kuantifikasi pemeriksaan penunjang.
pertanyaan. Kesimpulan yang didapat dari
penelitian tersebut adalah memudahkan 1.4. Pembatasan Masalah
pengguna dalam memberikan jawaban terkait a. Jenis penyakit yang dibahas sebanyak
dengan besarnya kepercayaan terhadap gejala 20 penyakit dalam beserta gejalnya
yang dialami. yaitu, Demam Berdarah, Demam
Sri Hartati (2005), melakukan Tifoid, Malaria, Tetanus, Leptospirosis,
penelitian dengan judul Media Konsultasi Asma, TBC, Bronkhitis, Kanker Paru,
Penyakit Kelamin Pria dengan penanganan Gastroentritis atau Diare, Kolera,
ketidakpastian menggunakan Certainty Disentri Amuba, Hipertensi, Infeksi
Factor Bayesian, dari penelitian ini Saluran Kencing (ISK), Sindrom
menghasilkan sebuah program aplikasi untuk Nefrotik, Batu Saluran Kencing, Gagal
diagnose penyakit kelamin dengan ginjal kronik, Hepatitis A, Hepatitis B
menggunakan metode certainty factor, dan Gastritis atau Maag.
aplikasi ini berbasis web. b. Sistem pakar ini mendiagnosis pasien
Adhi Sadewo Broto dari Universitas dewasa di atas 20 tahun yang produktif.
Diponegoro, Semarang (2010) membangun c. Sumber pengetahuan diagnosis praktis
sebuah aplikasi untuk menganalisa penyakit diperoleh dari seorang dokter umum
dalam dengan metode Certainty Factor yaitu dr. Yuliana yang bekerja di
berbasis web. Dengan aplikasi ini dapat Puskesmas 2 Jetis, Yogyakarta.
diketahui penyakit yang diderita berdasarkan d. Metode yang digunakan dalam
masukan gejala serta cara pengobatanya. penyelesaian masalah ini adalah metode
Deprindo Wahyudi, Ely Rosely, Ir., Certainty Factor.
MBS, Guntur Prabawa Kusuma,S.T.,M.T
dari Politeknik Telkom, Bandung (2012) 1.5. Manfaat Penelitian
membuat membuat aplikasi diagnosa

2
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

Adapun manfaat dari penelitian ini dapat dijadikan alat untuk menunjang
adalah untuk dapat membantu user, baik aktivitasnya yaitu sebagai sebagai asisten
orang awam maupun petugas kesehatan yang berpengalaman.
dalam membantu jenis penyakit dalam yang
diderita oleh seseorang.

B. METODE PENELITIAN
Adapun metode yang digunakan
dalam penelitian ini adalah dengan
menerapkan metode sistem pakar pada
sebuah aplikasi dengan menggunakan tiga
Gambar 1. Struktur Sistem Pakar
buah metode untuk menganalisis tingkat
kepastian dengan menggunakan penyakit
Komponen-komponen yang
yang sama.
terdapat dalam arsitektur/struktur sistem
pakar (Sri Kusumadewi, 2003) :
2.1. Sistem Pakar
a) Antarmuka Pengguna (user interface)
Sistem pakar adalah program
Merupakan mekanisme yang
komputer yang menirukan penalaran seorang
digunakan oleh pengguna dan sistem pakar
pakar dengan keahlian pada suatu wilayah
untuk berkomunikasi. Antarmuka menerima
pengetahuan tertentu (Turban, 1995). Sistem
informasi dari pemakai dan mengubahnya ke
pakar merupakan program “artificial
dalam bentuk yang dapat diterima oleh
inteligence” (”kecerdasan buatan” atau AI)
sistem. Selain itu antarmuka menerima dari
yang menggabungkan basis pengetahuan
sistem dan menyajikannya ke dalam bentuk
dengan mesin inferensi. Ini merupakan
yang dapat dimengerti oleh pemakai.
bagian perangkat lunak spesialisasi tingkat
tinggi atau bahasa pemrograman tingkat
b) Basis Pengetahuan
tinggi (High Level Language), yang berusaha
Basis pengetahuan mengandung
menduplikasi fungsi seorang pakar dalam
pengetahuan untuk pemahaman, formulasi,
satu bidang keahlian tertentu. Program ini
dan penyelesaian masalah. Pengetahuan itu
bertindak sebagai konsultan yang cerdas atau
dapat berasal dari ahli, buku, basisdata,
penasihat dalam suatu lingkungan keahlian
penelitian dan gambar.
tertentu, sebagai hasil himpunan pengetahuan
Ada 3 bentuk pendekatan basis
yang telah dikumpulkan dari beberapa orang
pengetahuan (Sri Kusumadewi, 2003):
pakar. Dengan demikian seorang awam
1. Penalaran berbasis aturan (rule-based
sekalipun bisa menggunakan sistem pakar itu
reasoning)
untuk memecahkan berbagai persoalan yang
2. Penalaran berbasis kasus (case-based
di hadapi dan bagi seorang ahli, sistem pakar
reasoning)

3
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

3. Akuisisi Pengetahuan (Knowledge  Forward Chaining : pencocokkan fakta

Acquisition) atau pernyataan dimulai dari fakta
terlebih dahulu untuk menguji
Metode akuisisi pengetahuan : kebenaran hipotesis. Metode inferensi
 Wawancara: metode yang paling cocok digunakan untuk menangani
banyak digunakan, yang melibatkan masalah pengendalian (controlling) dan
pembicaraan dengan pakar secara peramalan (prognosis). (
langsung dalam suatu wawancara Giarratano,Riley, 1994 )
 Analisis protokol: dalam metode ini  Backward Chaining : pencocokkan
pakar diminta untuk melakukan suatu fakta atau pernyataan dimulai dari
pekerjaan dan mengungkapkan proses hipotesis terlebih dahulu, dan untuk
pemikirannya dengan menggunakan menguji kebenaran hipotesis tersebut
kata-kata. Pekerjaan tersebut direkam, harus dicari fakta-fakta yang ada dalam
dituliskan, dan dianalisis. basis pengetahuan.
Dalam sistem pakar yang akan Dalam sistem pakar yang dibangun
dibangun ini menggunakan metode akuisisi metode yang digunakan dalam merancang
pengetahuan yaitu wawancara yang mesin inferensi adalah metode pelacakan ke
melibatkan pembicaraan dengan pakar secara depan (forward chaining). Dalam mesin
langsung. Pengetahuan yang diakuisisi inferensi sistem pakar ini, sistem akan
adalah pengetahuan prosedural (apa yang membaca masukan pengguna berupa
harus dilakukan, berupa aturan, prosedur, masukan gejala yang dirasakan. Tiap
metode, dan lain-lain) serta pengetahuan masukan gejala memiliki id gejala yang
deklaratif (termasuk dan tidak termasuk, kemudian akan dilacak oleh sistem di dalam
berupa fakta, konsep, dan lain-lain). tabel data gejala. Dari id gejala tersebut
sistem akan melacak di tabel kaidah diagnosa
c) Mesin/Motor Inferensi (Inference
untuk mendapatkan nilai certainty factor
Engine)
serta pasangan penyakit gejala tersebut.
Mesin Inferensi (Inference Engine),
Kemudian sistem akan melakukan
merupakan otak dari Sistem Pakar, juga
perhitungan untuk setiap nilai certainty factor
dikenal sebagai penerjemah aturan (rule
per penyakit berdasarkan basis pengetahuan
interpreter). Komponen ini mengandung
yang digunakan.
mekanisme pola pikir dan penalaran yang
digunakan oleh pakar dalam menyelesaikan
d) Workplace / Blackboard
suatu masalah.
Workplace merupakan area dari
Ada 2 cara dalam melakukan
sekumpulan memori kerja (working
inferensi :
memory), digunakan untuk merekam

4
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

kejadian yang sedang berlangsung termasuk

keputusan sementara.

Keterangan:
e) Fasilitas Penjelasan (Explaination
CF(H,E) : Certainty factor dari
Facility).
hipotesis H yang
dipengaruhi oleh gejala
Kemampuan untuk menjejak
(evidence) E. Besarnya
(tracing) bagaimana suatu kesimpulan dapat CF berkisar antara –1
sampai dengan 1. Nilai –
diambil merupakan hal yang sangat penting
1 menunjukkan
untuk transfer pengetahuan dan pemecahan ketidakpercayaan mutlak
sedangkan nilai 1
masalah. Fasilitas penjelasan merupakan
menunjukkan
komponen tambahan yang akan kerpercayaan mutlak.
MB(H,E) : Ukuran kenaikan
meningkatkan kemampuan sistem pakar.
kepercayaan (measure of
increased belief)
terhadap hipotesis H
f) Perbaikan Pengetahuan
yang dipengaruhi oleh
Pakar memiliki kemampuan untuk gejala E.
MD(H,E) : Ukuran kenaikan
menganalisis dan meningkatkan kinerjanya
ketidakpercayaan
serta kemampuan untuk belajar dari (measure of increased
disbelief) terhadap
kinerjanya. Kemampuan tersebut adalah
hipotesis H yang
penting dalam pembelajaran dipengaruhi oleh gejala
E.
terkomputerisasi, sehingga program akan
mampu menganalisis penyebab kesuksesan Suatu sistem pakar seringkali
dan kegagalan yang dialaminya dan juga memiliki kaidah lebih dari satu dan terdiri
mengevaluasi apakah pengetahuan- dari beberapa premis yang dihubungkan
pengetahuan yang ada masih cocok untuk dengan AND atau OR. Pengetahuan
digunakan di masa mendatang mengenai premis dapat juga tidak pasti, hal
ini dikarenakan besarnya nilai (value) CF
2.2. Certainty Factor
yang diberikan oleh pasien saat menjawab
Faktor kepastian (certainty factor)
pertanyaan sistem atas premis (gejala) yang
diperkenalkan oleh Shortliffe Buchanan
dialami pasien atau dapat juga dari nilai CF
dalam pembuatan MYCIN. Certainty factor
hipotesa.
(CF) merupakan nilai parameter klinis yang
Formula CF untuk beberapa kaidah
diberikan MYCIN untuk menunjukkan
yang mengarah pada hipotesa yang sama
besarnya kepercayaan.
dapat dituliskan sebagai berikut (Kusrini,
Rumus dasar faktor kepastian
2008):
(Giarratano,Riley, 1994):

𝐶𝐹(𝐻, 𝐸) = 𝑀𝐵(𝐻, 𝐸) − 𝑀𝐷(𝐻, 𝐸)

5
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

CF(R1) + CF(R2) – [CF(R1) * CF(R2)] ; nilai CF(R1) dan CF(R2) > 0

CF(R1) + CF(R2) + [CF(R1) * CF(R2)]; nilai CF(R1) dan CF(R2) < 0
CF(H) CF(R1) + CF(R2)
1-min[|CF(R1)|,|CF(R2)|] nilai CF(R1) dan CF(R2)
;
berlawanan tanda

kepastian/keyakinan atas premis

Nilai certainty factor ada 2, yaitu:
(misalnya gejala, kondisi, ciri) yang
 Nilai certainty factor kaidah yang
dialami pengguna.
nilainya melekat pada suatu kaidah/rule
tertentu dan besarnya nilai diberikan
Implementasi sistem pakar diagnosa
oleh pakar.
penyakit dalam ini akan menggunakan rumus
 Nilai certainty factor yang diberikan
:
oleh pengguna untuk mewakili derajat

𝐶𝐹(𝑅1, 𝑅2) = 𝐶𝐹(𝑅1) + 𝐶𝐹(𝑅2) − [(𝐶𝐹(𝑅1)𝑥𝐶𝐹(𝑅2)]

Karena nilai CF yang diberikan

bernilai positif. Rumus tersebut kemudian
dapat diterapkan pada beberapa rule yang
berbeda secara bertingkat. Nilai CF setiap
premis/gejala merupakan nilai yang
diberikan oleh seorang pakar maupun
literatur yang mendukung.

C. PERANCANGAN SISTEM
3.1. Diagram Alir Program
Diagram alir digunakan untuk
menggambarkan secara grafik langkah-
langkah dan urut-urutan prosedur dari suatu
program untuk memecahkan masalah
Gambar 1 Diagram Alir Program
kedalam segmen-segmen yang lebih kecil. Sistem Pakar

3.2. Diagram Alir Diagnosa Penyakit

6
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

Berikut adalah diagram alir lebih dari satu maka akan dihitung dengan
algoritma untuk diagnosa penyakit: menggunakan rumus CF.

3.3. Diagram Perhitungan Nilai

Certainty Factor

Gambar 3 Diagram Perhitungan Nilai CF

Dari Gambar 3 dapat dijelaskan

bahwa, data dari hasil inputan gejala dihitung
jumlah datanya dan dikelompokkan
berdasarkan penyakit, kemudian dihitung
nilai CF untuk tiap penyakit. Jika datanya
hanya satu, maka nilai CF diambil dari nilai
CF pada gejala yang di inputkan, jika datanya
lebih dari satu maka akan dihitung dengan
menggunakan rumus CF.
Gambar 2 Diagram Alir Diagnosa
Penyakit

Dari Gambar 2 dapat dijelaskan

bahwa, data dari hasil inputan gejala dihitung
jumlah datanya dan dikelompokkan
berdasarkan penyakit, kemudian dihitung
nilai CF untuk tiap penyakit. Jika datanya
hanya satu, maka nilai CF diambil dari nilai
CF pada gejala yang di inputkan, jika datanya

7
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

3.4. DFD Level 1

Gambar 4 DFD level 1

DFD level 1 sistem pakar untuk

mendiagnosa penyakit dalam. Untuk login,
admin dan pakar dibedakan berdasarkan user
rolenya. Admin dan pakar mengelola semua
data yang ada didalam database, tetapi pakar
tidak dapat mengakses data pakar dan data
admin. User dapat melakukan pemeriksaan
dan mengakses menu histori diagnosa.

3.5. Mesin Inferensi

Secara sederhana mesin inferensi
merupakan mesin yang digunakan untuk
merepresentasikan basis pengetahuan
sehingga dihasilkan informasi yang
dibutuhkan dan dapat dimengerti oleh
pengguna.

Gambar 5 Diagram Alir Mesin

Inferensi

8
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

Pengujian dilakukan dengan memilih

D. PENGUJIAN DAN ANALISA pertanyaan gejala pada menu diagnosa
SISTEM
penyakit dengan memberi centang pada kotak
yang tersedia.
1. PENGUJIAN PERHITUNGAN
NILAI CERTAINTY FACTOR

Gambar 6 Pilihan Pertanyaan

Pada Gambar 6 dipilih tiga gejala

yang akan didiagnosa. Masukan berupa tiga
gejala dengan ID gejala nomor 1, 5 dan 6
pada metode diagnosa wawancara.

Gambar 8 Tampilan dari Hasil

Gambar 7 Hasil Nilai CF total per ID Gejala yang Dipilih
Penyakit.

Pada Gambar 7 muncul beberapa nilai

CF total per id penyakit yang diurutkan
berdasarkan nomor ID penyakit.

9
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

Tabel 1 Nilai CF Total per Penyakit CF 1 = 0,7

ID ID Gejala Total CF 2 = CF(R1) + CF(R2) – [ (CF(R1) x
Penyakit yang Sesuai Nilai CF CF(R2) ]
1 5,6 0,85 = 0,7 + 0,7 + (0,7 * 0,7)
2 1,5,6 0,968 = 1,4 – 0,49
= 0,91
3 6 0,3
5 1 0,9 CF 3 = CF(R1) + CF(R2) – [ (CF(R1) x
7 5 0,9 CF(R2) ]
8 5 0,7 = 0,91 + 0,8 - (0,91 * 0,8)
9 5 0,7 = 1,71 - 0,728
10 6,5 0,92 = 0,982
12 6,5 0,82
13 6 0,1 Dari hasil perhitungan manual,
14 1 0,4 didapatkan nilai yang sama dengan nilai CF
15 5,6 0,75
16 5 0,44 total per ID penyakit. Ini membuktikan
17 1 0,96 perhitungan nilai CF pada sistem pakar ini
18 1,5,6 0,982
benar.
19 1,5,6 0,952
20 6 0,8 4.1. Pengujian Metode Diagnosa
Wawancara
Perhitungan manual dengan
Gejala yang terdapat pada metode
menggunakan rumus:
diagnosa wawancara memiliki deskripsi yang
CF(R1,R2) = CF(R1) + CF(R2) – [ (CF(R1)
x CF(R2) ] umum, sehingga pengguna perlu mencermati
tiap pertanyaan dengan baik.
Maka akan diperoleh hasil sebagai
berikut:

Gambar 9 Masukan gejala

10
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

dengan metode wawancara.

Tabel 2 Nilai CF Total per Penyakit

Total nilai
ID Id gejala
Kepastian
penyakit yang sesuai
(%)
1 2,5,6 98,5
2 5,6 96
3 6 30
7 5 90
8 5 70
9 5 70
10 5,6 92
12 5,6 82
13 6 10
Gambar 10 Tampilan dari Hasil Gejala yang 15 5,6 75
Dipilih 16 5 20
17 5,6 96
Pada Gambar 10 muncul 24 aturan 18 5,6 94
dari ketiga masukan gejala tersebut. Tiap 19 5,6 94
20 6 80
aturan kemudian dikelompokkan
berdasarkan ID penyakit sebanyak 15 Dilihat dari Tabel 2, nilai CF total

penyakit. terbesar dimiliki penyakit dengan ID nomor

1. Pada ID penyakit nomor 2, 10, 12, 17, 18
dan 19 memiliki dua kesesuaian ID gejala
yang sama (nomor 5 dan 6), namun besarnya
nilai CF total tiap penyakit berbeda. Hal ini
disebabkan nilai CF tiap aturan pada kaidah
diagnosa memiliki nilai yang berbeda.

4.2. Pengujian Metode Diagnosa

Pemeriksaan Fisik

Pada metode diagnosa pemeriksaan

fisik, pasien akan diberikan pilihan gejala
Gambar 11 Hasil perhitungan nilai CF total yang lebih spesifik dibandingkan pada
Pada gambar 11 diperoleh nilai CF metode diagnosa wawancara.
total per id penyakit dan diurutkan
berdasarkan id penyakit.

11
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

Gambar 12 Masukan gejala dengan metode diagnosa pemeriksaan fisik.

Tabel 3 Nilai CF Total per Penyakit

ID penyakit ID gejala Total nilai
yang kepastian
sesuai (%)
1 63,65,70 77,6
11 70 30
Gambar 13 Tampilan dari hasil gejala yang
dipilih Perbedaan total nilai CF antara id

Pada gambar 13 dapat dilihat aturan penyakit nomor satu dan sebelas terlihat

yang muncul lebih sedikit dari hasil penyakit sangat signifikan karena ada tiga kesesuaian

dengan menggunakan metode diagnosa untuk id penyakit nomor satu, sedangkan

wawancara. Hal ini disebabkan karena jenis untuk id penyakit nomor sebelas hanya ada

gejala yang terdapat pada metode diagnosa satu.

pemeriksaan fisik sedikit lebih spesifik.

4.3. Pengujian Metode Diagnosa
Pemeriksaan Penunjang

Pemeriksan penunjang merupakan

Gambar 14 Hasil perhitungan nilai CF total hasil cek laboratorium yang digunakan
sebagai penunjang diagnosa.
Alternatif penyakit yang sesuai
dengan masukan gejala pada gambar 14
sebanyak dua penyakit, yaitu penyakit
Demam Berdarah dan penyakit Kolera.

12
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

Gambar 15 Masukan Gejala dengan Pemeriksaan Penunjang.

3 83 80
Pada metode diagnosa pemeriksaan 5 83 80
penunjang, seluruh gejala merupakan hasil 18 83 80
pemeriksaan laboratorium. 19 83 80

Dari pengujian metode-metode di atas

dan jumlah masukan yang sama untuk ketiga
metode diagnosa.

Tabel 5 Perbandingan Penggunaan Satu

Metode Diagnosa dengan Jumlah Masukan
dengan Gejala Sama

Perbandingan Wawancara Fisik Penunjang

Gambar 16 Tampilan dari Hasil Gejala yang Masukkan 3 3 3
Dipilih gejala
Keluaran 15 2 7
Pada Gambar 16 dapat dilihat bahwa penyakit
Nilai CF total 98,5 % 77,6 99,8 %
dari 3 masukan gejala pada metode diagnosa tertinggi %
pemeriksaan penunjang, terdapat kesesuaian
Dari perbandingan hasil analisa
sebanyak 8 aturan dengan masing-masing
metode diagnosa wawancara, pemeriksaan
nilai CF yang relatif tinggi.
fisik dan pemeriksaan penunjang didapatkan
hasil bahwa metode wawancara paling
banyak keluaran penyakitnya, sedangkan
metode pemeriksaan fisik paling sedikit
keluaran penyakitnya. Hal ini bukan
disebabkan karena diagnosa yang salah,
tetapi karena metode wawancara mempunyai
Gambar 17 Hasil perhitungan nilai CF deskripsi yang umum sedangkan metode
dengan metode
Diagnosa Pemeriksaan Penunjang pemeriksaan fisik mempunyai gejala yang
lebih spesifik.
Pada Gambar 17 terdapat 6 alternatif
penyakit yang muncul dengan masing- E. KESIMPULAN DAN SARAN
masing nilai CF total yang relatif tinggi.
Dari hasil perancangan dan
Tabel 4 Nilai CF Total per Penyakit pembuatan sampai dengan pengujian
Id Id gejala Total nilai program, maka dapat diperoleh beberapa
penyakit yang sesuai kepastian
(%) kesimpulan dan saran untuk pengembangan
1 83,85,86 99,8 program lebih lanjut.
2 83 40

13
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

dipertimbangkan untuk menambah jenis

penyakit dalam yang bisa didiagnosa
sehingga sistem pakar ini dapat
5.1. Kesimpulan
mendiagnosa lebih banyak penyakit
1. Aplikasi ini dapat menjadi salah satu
dalam.
alternatif yang dapat membantu
2. Perlu dipertimbangkan untuk membuat
mendiagnosis sebuah penyakit dalam.
penyajian pilihan data gejala yang lebih
2. Aplikasi ini mampu menentukan baik agar lebih mudah dalam
kemungkinan penyakit yang diderita penggunaan sistem pakar ini.
oleh seseorang.
3. Aplikasi ini dapat melihat info penyakit F. DAFTAR PUSTAKA
yang terdapat pada aplikasi dan Adhi Sadewo Broto, Perancangan Dan
menampilkan deskripsi penyakit serta Implementasi Sistem Pakar Untuk
Analisa Penyakit Dalam, Tugas
gejalanya. Akhir, Universitas Diponegoro.
4. Pada aplikasi ini, jika gejala yang Semarang, 2010
Deprindo Wahyudi, Ely Rosely, Ir., MBS,
dimasukkan terlalu sedikit, maka hasil Guntur Prabawa
analisa penyakit kurang tepat. Kusuma,S.T.,M.T., Aplikasi
Diagnosis Penyakit Menggunakan
5. Gejala yang terdapat pada metode Perangkat Bergerak Dengan
diagnosa pemeriksaan fisik dan Sistem Operasi Android, Jurnal.
Politeknik Telkom. Bandung,
pemeriksaan penunjang, lebih spesifik 2012
mengarah pada satu penyakit. Giarratano, J.C & Riley G, Expert Systems:
Princples and Programming, 2nd
6. Keluaran penyakit pada metode edition, PWS Publishing Co, USA,
diagnosa wawancara lebih banyak 1994.
Kusrini, Sistem Pakar: Teori dan Aplikasi,
dibandingkan dengan metode diagnosa Andi Offset, Yogyakarta, 2006
pemeriksaan fisik dan penunjang. Sri Hartati, Media Konsultasi Penyakit
Kelamin Pria dengan
7. Besarnya nilai CF total ditentukan oleh Menggunakan Metode Certainty
banyaknya kecocokan antara id gejala Factor Bayesian. Yogyakarta:
Seminar Nasional Teknologi
dan id penyakit, serta besarnya nilai CF Informasi (SNATI) 2005,
tiap aturan pada kaidah diagnosa. Universitas Gadjah Mada, 2005
Sri Hartati, Sari Iswanti., Sistem Pakar dan
8. Nilai CF berada pada kisaran 0 sampai Pengembangannya, Graha Ilmu,
dengan 1, jika keluaran CF mendekati Yogyakarta, 2008
Sri Kusumadewi, Artificial Intelligence
satu, maka kepastiannya mendekati (Teknik dan Aplikasinya), Graha
benar. Ilmu, Yogyakarta, 2003

5.2. Saran
1. Penyakit yang disajikan dalam sistem
pakar ini dibatasi 20 penyakit, perlu

14
Vol . X Nomor 28 Maret - Jurnal Teknologi Informasi ISSN : 1907-2430

15