SISTEM PAKAR DIAGNOSA PENYAKIT JANTUNG : TINJAUAN

PUSTAKA

Anastia Ivanabilla Novanti

Jurusan Teknik Informatika Universitas Palangkaraya

Email : anastiain@gmail.com

Abstrak

Penyakit jantung merupakan penyebab kematian tertinggi di dunia, termasuk

Indonesia. Penyakit ini merupakan masalah kesehatan serius yang perlu segera
ditangani oleh dokter. Jika penyakit jantung dibiarkan tanpa penanganan, dapat
terjadi komplikasi berupa serangan jantung, gagal jantung, hingga kematian. Penyakit
jantung dikenal sebagai penyakit yang gejala nya tidak terlihat secara klinis namun
dapat terjadi secara mendadak. Hal ini menyebabkan keterlambatan dalam mengobati
pasien dan meningkatkan resiko kematian.

Oleh sebab itu diperlukan sebuah sistem yang dapat mendiagnosa secara dini
penyakit jantung tersebut. Para peneliti telah menciptakan beberapa sistem pakar
selama bertahun-tahun untuk memprediksi penyakit jantung secara dini dan
membantu ahli jantung untuk meningkatkan proses diagnostik. Pada literatur ini akan
dilakukan gambaran umum tentang Sistem Pakar Diagnosa Penyakit Jantung dan
beberapa implementasi metode yang telah dilakukan oleh para peneliti. Tujuannya
adalah untuk melakukan survei tentang Sistem Pakar dalam mendiagnosa penyakit
jantung.

Kata Kunci : Sistem pakar, Penyakit jantung, Serangan jantung, Diagnosa

1. Pengantar
 Penyakit jantung adalah salah satu penyebab kematian paling umum secara
global dan termasuk salah satu penyebab kematian terbanyak di Indonesia selain
stroke. Diperkirakan ada sekitar 100.000–500.000 orang yang meninggal akibat
penyakit jantung setiap tahunnya. Dalam skala global, penyakit jantung adalah
penyebab utama kematian dengan perkiraan jumlah kematian 17,9 juta atau 31%
dari semua penyebab kematian pada tahun 2016 (1).

Ada banyak faktor yang diduga menyebabkan tingginya angka kematian

akibat penyakit jantung di Indonesia. Salah satu faktor tersebut adalah kurangnya
pengetahuan dan pemahaman masyarakat tentang penyakit jantung (2). Menurut
data yang dihimpun Kementerian Kesehatan Republik Indonesia di tahun 2018,
diperkirakan hanya sekitar 20% orang Indonesia yang memiliki pemahaman baik
tentang kesehatan, termasuk tentang penyakit jantung (3). Kurangnya
pemahaman tentang kesehatan membuat banyak orang rentan terkena penyakit
jantung. Salah satu dampak dari minimya pemahaman terhadap kesehatan dan
penyakit jantung adalah sulit mengenali gejala penyakit jantung.

Sistem pakar (expert system) secara umum adalah sistem yang berusaha
mengadopsi pengetahuan manusia ke komputer, agar komputer dapat
menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Atau dengan
kata lain sistem pakar adalah sistem yang didesain dan diimplementasikan
dengan bantuan bahasa pemrograman tertentu untuk dapat menyelesaikan
masalah seperti yang dilakukan oleh para ahli. Diharapkan dengan sistem ini,
orang awam dapat menyelesaikan masalah tertentu baik sedikit rumit ataupun
rumit sekalipun tanpa bantuan para ahli dalam bidang tersebut. Sedangkan bagi
para ahli, sistem ini dapat digunakan sebagai asisten yang berpengalaman (4).

Sistem pakar dimaksudkan untuk menyelesaikan masalah-masalah nyata

dimana biasanya akan membutuhkan seorang pakar (seperti dokter, teknisi, dan
lainnya). Sistem pakar menghasilkan hasil yang konsisten dan mempunyai
kecepatan yang konstan daripada kepakaran seseorang. Ini disebabkan oleh
beberapa hal yang bersifat manusiawi dimana dapat mempengaruhi pengambilan
 keputusan seorang pakar seperti lingkungan kerja, kondisi kesehatan dan masalah
pribadi (5).

Ada berbagai metode yang metode yang dibuat untuk membantu tim medis
mendiagnosa penyakit jantung, salah satunnya adalah dengan Sistem pakar
diagnose penyakit jantung. Tujuan dari review ini adalah untuk melakukan survei
tentang Sistem Pakar dalam mendiagnosa penyakit jantung. Oleh sebab itu kami
akan mencoba untuk mencakup beberapa jenis metode sistem pakar yang telah
dibuat. Kami juga mencoba untuk menyimpulkan review dengan gagasan tentang
bagaimana masalah dapat ditangani dengan cara yang lebih baik.

1.1. Karya terkait

Hingga saat penulisan review ini, sejumlah penelitian telah mencoba
membuat sistem pakar dalam membantu mendiagnosa penyakit jantung.
Diantaranya adalah perancangan sistem pakar diagnose penyakit jantung
dengan metode forward chaining, certainty factor, maupun kombinasi dari
Fuzzy Logic dan Certainty Factor. Adapun sistem pakar yang dibuat
memiliki basis yang beragam seperti berbasis web maupun berbasis
desktop.

2. Tinjauan Pustaka
2.1. Sistem Pakar
Sistem pakar adalah suatu sistem yang memanfaatkan pengetahuan
manusia yang ditangkap di sebuah komputer untuk memecahkan masalah
yang biasanya membutuhkan keahlian manusia (7). Sistem pakar mencari
dan memanfaatkan informasi yang relevan dari pengguna dan dari basis
pengetahuan yang tersedia untuk membuat rekomendasi. Sistem pakar
juga dapat didefinisikan sebagai sistem berbasis komputer yang
menggunakan pengetahuan, fakta, dan tehnik penalaran dalam
memecahkan masalah yang biasanya hanya dapat dipecahkan oleh
 seorang pakar dalam bidang tersebut. Sistem pakar memberikan nilai
tambah pada teknologi untuk membantu dalam menangani era informasi
yang semakin canggih (8). Sistem pakar merupakan cabang dari Artificial
Intelligence (AI) yang cukup tua karena sistem ini telah mulai
dikembangkan pada pertengahan tahun 1960. Sistem pakar yang muncul
pertama kali adalah General-purpose problem solver (GPS) yang
dikembangkan oleh Newl dan Simon. Komponen utama pada struktur
sistem pakar yaitu Basis pengetahuan (knowledge base), mesin inferensi
(inference base), basis data (database), dan user interface (9) .
2.2. Metode Forward Chaining
Metode Forward Chaining merupakan grup dari multiple inferensi
yang melakukan pencarian dari suatu masalah kepada solusinya. Forward
Chaining adalah datadriven karena inferensi dimulai dengan informasi
yang tersedia dan baru konklusi diperoleh. Forward chaining disebut juga
penalaran dari bawah ke atas karena penalaran dari fakta pada level
bawah menuju konklusi pada level atas didasarkan pada fakta. Metode
Forward Chaining dimulai dari sejumlah fakta-fakta yang telah diketahui
untuk mendapatkan suatu fakta baru degan memakai rule-rule yang
memiliki ide dasar yang cocok dengan fakta dan terus dilanjutkan sampai
mendapatkan tujuan atau rule yang punya ide dasar yang cocok atau
sampai mendapatkan suatu fakta kesimpulan akhir (6).

Gambar 1. Metode forward chaining (Fajar Agung Nugroho, 2018)

2.3. Metode Certainty Factor

 Certainty Factor (CF) merupakan nilai parameter klinis yang diberikan
untuk menunjukkan besarnya tingkat kepercayaan. Certainty Factor (CF)
menunjukkan ukuran kepastian terhadap suatu fakta atau aturan (5).
Certainty factor didefinisikan sebagai berikut:
CF[h,e] = MB[h,e]-MD[h,e], dengan:
CF [h,e] = Faktor kepastian
MB [h,e] = Ukuran kepercayaan terhadap hipotesis h, jika diberikan
evidence e (antara 0 dan 1)
MD [h,e] = Ukuran ketidakpercayaan terhadap hipotesis h, jika
diberikan evidence e (antara 0 dan 1)
Bentuk dasar rumus certainty factor sebuah aturan JIKA E MAKA H
adalah seperti ditunjukkan oleh persamaan 2 berikut:
CF(H,e)=CF(E,e)*CF(H,E), dimana:
CF(E,e) : certainty factor evidence E yang dipengaruhi oleh evidence e
CF(H,E) : certainty factor hipotesis dengan asumsi evidence diketahui
dengan pasti, yaitu ketika CF(E, e) = 1
CF(H,e) : certainty factor hipotesis yang dipengaruhi oleh evidence e
Jika semua evidence pada antecedent diketahui dengan pasti maka
persamaannya akan menjadi : CF(H,e)=CF(H,E)
2.4. Metode logika fuzzy
Logika fuzzy merupakan salah satu pembentuk soft computing. Logika
fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun
1965. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori
himpunan fuzzy, peranan derajat keanggotaan sebagai penentu
keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai
keanggotaan atau derajat keanggotaan atau membership function menjadi
ciri utama dari penalaran dengan logika fuzzy tersebut (10).
Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 hingga 1.
Berbeda dengan logika digital yang hanya memiliki dua nilai 1 atau 0.
Logika fuzzy digunakan untuk menerjemahkan suatu besaran yang
 diekspresikan menggunakan bahasa (linguistic), misalkan besaran
kecepatan laju kendaraan yang diekspresikan dengan pelan, agak cepat,
cepat, dan sangat cepat. Dan logika fuzzy menunjukan sejauh mana suatu
nilai itu benar dan sejauh mana suatu nilai itu salah. Logika fuzzy adalah
suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu
ruang output. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan
derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian
benar dan sebagian salah pada waktu yang sama.

3. Implementasi berbagai metode sistem pakar diagnose penyakit jantung

3.1. Forward chaining
Berdasarkan analisa masalah penyakit dan gejala yang telah didapat,
maka tabel keputusan pada sistem pakar metode forward chaining ini
dapat dilihat pada tabel berikut :
Tabel 1. Tabel keputusan sistem pakar metode forward chaining
 Dari hasil tabel keputusan akan dibuat tabel relasi. Tabel relasi
menjelaskan relasi antar gejala dengan jenis penyakait jantung. Tabel
relasi dapat dilihat dari tabel dibawah ini :
Tabel 2.tabel relasi sistem pakar metode forward chaining
Keterangan Pertanyaan (Gejala Penyakit) :
P001 : Nyeri dada
P002 : Bahu kiri terasa tidak enak
P003 : Keringat dingin
P004 : Sesak nafas
P005 : Gangguan pencernaan
P006 : Mual
P007 : Detak jantung tidak teratur
P008 : Pusing
P009 : Kaki bengkak
P010 : Jantung berdebar-debar
P011 : Mudah lelah
P012 : Nyeri didaerah dada tengah
P013 : Mudah berkeringat
P014 : Dada mengencang
P015 : Pembengkakan pada jantung
P016 : Kelainan fungs hati
P017 : Pendarahan dari hidung
P018 : Wajah kemerahan
P019 : Batuk
P020 : Sakit perut
P021 : Detak jantung cepat
P022 : Nyeri didaerah lengan kiri
P023 : Punggung terasa tidak enak Keterangan Hasil Diagnosa
P024 : Sakit Kepala (Solusi) :
R01 : Penyakit jantung koroner
R02 : Penyakit otot jantung
(kardiomiopati)
R03 : Penyakit jantung iskemik
R04 : Gagal jantung
R05 : Penyakit jantung hipertensi
R06 : Penyakit katup jantung
R07 : Kardiomegali atau jantung
hipertrofik

Rule dituliskan dalam bentuk jika-maka (IF-THEN). Kaidah ini dapat

dikatakan sebagai hubungan implikasi dua bagian, yaitu bagian premise
(jika) dan bagian konklusi (maka). Bila bagian premise dipenuhi maka
bagian konklusi juga akan bernilai benar. Sebuah kaidah terdiri dari
 klausa-klausa mirip sebuah kalimat subjek, kata kerja dan objek yang
menyatakan suatu fakta. Ada sebuah klausa klausa promise dan klausa
konklusi pada sebuah kaidah, adapula suatu kaidah yang terdiri dari
beberapa promise dan beberapa konklusi. Antara promise dan konklusi
dapat berhubungan dengan “OR” atau “AND”

Tabel 3. Tabel Aturan (Rule)

No. Kode Rule

1. R01 IF nyeri dada AND bahu kiri terasa tidak enak AND
keringat dingin AND sesak nafas AND gangguan
pencernaan AND mual AND detak jantung tak teratur AND
lengan kiri terasa tak enak AND punggung terasa tak enak
THEN Penyakit Jantung Koroner
2. R02 IF sesak nafas AND pusing AND kaki bengkak AND
jantung berdebar-debar AND mudah lelah AND detak
jantung tidak teratur THEN Penyakit Otot Jantung
(Kardiomiopati)
3. R03 IF nyeri di daerah dada tengah AND mudah berkeringat
AND dada mengencang AND nyeri di daerah lengan kiri
AND penebalan tendon achiles THEN Penyakit Jantung
Iskemik
4. R04 IF sesak nafas AND pembengkakan pada jantung AND
kelainan fungsi jantung THEN Gagal Jantung
5. R05 IF sakit kepala AND pendarahan dari hidung AND pusing
AND wajah kemerahan AND mudah lelah THEN Penyakit
Jantung Hipertensi
6. R06 IF mudah lelah AND jantung berdebar-debar AND nyeri
dada AND sesak nafas AND batuk AND kaki bengkak
THEN Penyakit Katup Jantung
7. R07 IF sakit perut AND detak jantung tak teratur AND detak
jantung cepat AND nyeri dada THEN Penyakit Jantung
Hipertrofik (Kardiomegali)
 Berdasarkan implementasi sistem pakar untuk diagnosa penyakit
jantung dengan metode forward chaining ini dapat disimpulkan sebagai
berikut :

a. Sistem pakar diagnosa penyakit jantung dengan metode forward

chaining ini cukup membantu dalam melakukan diagnosa awal
penyakit jantung yang dirasakan oleh orang awam.

b. Sistem pakar ini sangat bergantung pada kemampuan pakar (dokter)

yang menjadi sumber pengetahuan dalam pembuatan sistem ini.

c. Sistem ini sangat membantu bagi semua orang karena dapat

digunakan oleh banyak orang dimanapun dan kapanpun, karena
berbasis web dan bisa menjadi solusi bagi masyarakat sebelum
berkonsultasi langsung dengan dokter spesialis jantung.

3.2. Certainty Factor

Sama seperti metode sebelumnya, penerapan metode Certainty Factor
adalah dengan menggunakan metode kuantifikasi pertanyaan dalam
aplikasi sistem pakar untuk menangani penyakit. Metode ini
memudahkan pengguna dalam memberikan jawaban terkait dengan
besarnya kepercayaan terhadap gejala yang dialami.
Dalam aturan diagnosisnya, Data-data dasar (gejala, hasil test)
digunakan dalam operasional konsultasi dan sebagai bahan untuk
merepresentasikan pengetahuan. Dalam Sistem pakar untuk menangani
penyakit jantung ini, pengetahuan direpresentasikan dengan
menggunakan menggunakan kaidah produksi. Beberapa macam aturan
yang ada dalam sistem pakar ini adalah :
1. Aturan dalam menentukan penyakit jantung dalam kumpulan gejala
2. Aturan dalam menentukan penyakit jantung dalam kumpulan gejala
dan penyakit
3. Aturan dalam menentukan penyakit jantung
4. Aturan dalam menentukan penyakit non- jantung

Perhitungan manual untuk mendapatkan nilai certainty factor, yaitu

sebagai berikut : Pertama-tama akan memilih gejala awal, kemudian
menjawab pertanyaan berikutnya, misalkan gejala awal yang dipilih
adalah dispneu(sesak napas pada saat aktifitas fisik), dan gejala
selanjutnya adalah ortopneu(sesak napas pada saat berbaring). Dengan
nilai kepercayaan mengacu pada tabel sample pengetahuan yang dapat
dilihat pada lampiran. Di mana diketahui terdapat 5 macam penyakit yang
memiliki gejala dispneu(sesak napas pada saat aktifitas fisik) dan
ortopneu(sesak napas pada saat berbaring), yaitu :

1. Gagal Jantung Kiri

2. Penyakit Jantung Katup Stenosis Mitral

3. Penyakit Jantung Katup Insufisiensi Mitral

4. Penyakit Jantung Katup Insufisiensi Aorta

5. Kardiomiopat

Penyelesaian :

Rumus :

CF (H,E) = MB(H,E) – MD(H,E)

MB(h, e1^e2) = MB(h,e1)+MB(h,e2)*(1-MB[h,e1])

MD(h,e1^e2) = MD(h,e1)+MD(h,e2)*(1-MD[h,e1])

Maka dengan perhitungan manual :

MB (Gagal Jantung Kiri[dispneu,ortopneu]) = 0,05 + 0,02*(1-0,05) =

0,07*0,95 = 0,0665
 MD (Gagal Jantung Kiri[dispneu,ortopneu]) = 0,02 + 0,05*(1-0,02) =
0,07*0,98 = 0,0686 CF = 0,0665 – 0,0686 = -0,0021

MB (PJK Stenosis Mitral[dispneu,ortopneu]) = 0,08 + 0*(1-0,08) =

0,08*0,92 = 0,0736

MD (PJK Stenosis Mitral[dispneu,ortopneu]) = 0,03 + 0*(1-0,03) =

0,03*0,97 = 0,0291

CF = 0,0736 - 0,0291 = 0,0445

MB (PJK Insufisiensi Mitral[dispneu,ortopneu]) = 0 + 0,04*(1-0) = 0,04

MD (PJK Insufisiensi Mitral[dispneu,ortopneu]) = 0 + 0,1*(1-0) = 0,1

CF = 0,04 – 0,1 = -0,06 MB (PJK Insufisiensi Aorta[dispneu,ortopneu]) =

0 + 0,02*(1-0) = 0,02

MD (PJK Insufisiensi Aorta[dispneu,ortopneu]) = 0 +0,06*(1-0) = 0,06

CF = 0,02 – 0,06 = -0,04

MB (Kardiomiopati[dispneu,ortopneu]) = 0 + 0,03*(1-0) = 0,03

MD (Kardiomiopati[dispneu,ortopneu]) = 0 +0,07*(1-0) = 0,07

CF = 0,03 – 0,07 = -0,04

Dari CF masing-masing penyakit diperoleh nilai CF terbesar penyakit

PJK Stenosis Mitral sebesar 0,0445 sehingga dugaan terkecil.

3.3. Kombinasi fuzzy logic dan certainty factor

Representasi pengetahuan menggunakan aturan fuzzy. Metode
inferensi fuzzy menggunakan metode Sugeno. Data pasien yang
digunakan dalam uji coba terbatas pada pasien dewasa. Sistem
dikembangkan dengan web agar mudah diakses oleh pasien. Hasil dari
sistem pakar adalah persentase kepercayaan penyakit yang diserita oleh
pasien. Pada sistem pakar yang dibangun, pengetahuan diperoleh melalui
studi terhadap pustaka-pustaka ilmu penyakit dalam dan wawancara
dengan satu orang dokter spesialis penyakit dalam.
Gejala yang bernilai fuzzy, antara lain suhu badan, denyut nadi,
tekanan darah, berat badan, dan gula darah. Pemodelan gejala fuzzy
dilakukan dengan membuat himpunan fuzzy yang akan digambarkan
dalam bentuk kurva keanggotaan dan fungsi keanggotaan. Pemodelan
gejala yang bernilai fuzzy diuraikan sebagai berikut:

Gambar 2. Kurva keanggotaan suhu badan

Gambar 3. Kurva keanggotaan denyut nadi

 Gambar 4. Kurva keanggotaan Tekanan darah sistolik

Inferensi fuzzy terdiri dari empat proses, yaitu fuzifikasi, implikasi

dan komposisi, defuzifikasi dan perhitungan faktor kepastian. Proses
inferensi fuzzy dilakukan guna mendapatkan hasil akhir berupa
prosentase penyakit yang diderita pasien. Berikut dijelaskan masing-
masing proses yang terjadi dalam inferensi fuzzy.

1. Fuzifikasi
Proses fuzifikasi dilakukan dengan pembuatan aturan menggunakan
metode sistem produksi berdasarkan gejala klinis yang diperoleh
pada proses representasi pengetahuan.
2. Implikasi dan komposisi
Perhitungan derajat keanggotaan fuzzy untuk setiap gejala
ditentukan oleh nilai yang diberikan oleh pengguna. Misalnya, jika
pengguna jenis suhu tubuh 39.80C, maka :
 Tabel 4. Rule metode fuzzy

Berdasarkan derajat keanggotaan, fungsi implikasi menghitung

MIN. μ (x) adalah derajat keanggotaan untuk x dan wi adalah hasil
dari implikasi.
𝑤𝑖 = 𝑀𝑖𝑛  𝑥 ,  𝑦 ........................................................................(1)
Dari contoh di atas, hasil implikasi ditunjukkan di bawah ini.
w1 = min(BodyTemperature=High[39.8]) = min(0.80) = 0.80
w2 = min(BodyTemperature=VeryHigh[39.8]) = min(0.30) = 0.30
Proses komposisi dibuat untuk mendapatkan nilai zi dari setiap
aturan. Nilai kepastian dari ahli dari masing-masing aturan adalah
nilai zi. Aturan suhu tubuh untuk kedua set fuzzy ditunjukkan di
bawah ini. JIKA( suhu badan = TINGGI) MAKA A00000006, CF:
0.70 JIKA ( suhu badan = SANGAT TINGGI) MAKA A00000007,
CF: 0.9
3. Defuzifikasi
Proses defuzzifikasi dilakukan dengan menggunakan metode rata-
rata tertimbang defuzzifikasi dengan menghitung nilai rata-rata zi.
 wi adalah hasil dari implikasi dan zi adalah hasil dari komposisi.
Hasil defuzzifikasi menunjukkan nilai keyakinan untuk sindrom
yang dialami pasien. Untuk contoh di atas, hasil defuzzifikasi
ditampilkan di bawah ini.

4. Perhitungan Certainty Factor

Hasil proses defuzzifikasi akan digunakan untuk menghitung nilai
kepercayaan untuk diagnosis. Pertama, akan dihitung faktor
kepastian (CF) berurutan sebagai berikut.
𝐶𝐹 𝑥, 𝑦 = 𝐶𝐹 𝑥 ∗ 𝐶𝐹 𝑦 ................................................................(3)
CF (x, y) adalah hasil dari faktor kepastian berurutan, CF (x) adalah
hasil defuzzifikasi dan CF (y) adalah nilai kepastian ahli setiap
aturan[6]. Dalam penelitian ini, CF mengalikan berurutan dengan
nilai bobot masing-masing fase penyakit. CF berurutan dari
beberapa aturan yang dihasilkan digabungkan dengan menggunakan
perhitungan berikut CF gabungan sebagai berikut.
𝐶𝐹 𝑥, 𝑦 = 𝐶𝐹 𝑥 + 𝐶𝐹 𝑦 − 𝐶𝐹 𝑥 ∗ 𝐶𝐹 𝑦
Dari contoh di atas, perhitungannya ditunjukkan di bawah ini.
𝐶𝐹 (𝑥, 𝑦) 𝐴00000005 = 0.52 ∗ 0.70 ∗ 0.50 = 0.18
𝐶𝐹 (𝑥, 𝑦) 𝐴00000006 = 0.52 ∗ 0.90 ∗ 0.50 = 0.23
Hasil gabungan CF menyarankan diagnosis penyakit dengan gejala
yang dialami pasien.
𝐶𝐹 (𝑥, 𝑦) 𝐴00000005&𝐴00000006 = 0.18 + 0.23 − 0.18 ∗ 0.23 =
0.37
4. Kesimpulan

Dari ketiga metode pembuatan sistem pakar diagnose penyakit jantung,

terdapat karakteristik yang berbeda-beda dalam pemrosesan data dan hasil. Pada
metode forward chaining diproses menggunakan tabel keputusan dan
menghasilkan tabel relasi berdasarkan aturan yang dibuat (berbentuk IF-THEN).
Pada metode certainty factor data di proses menggunakan rumus certainty factor
untuk masing-masing penyakit yang dicurigai, yang mana nilai terbesar adalah
hasil kemungkinan penyakit yang diderita. Sedangkan pada metode fuzzy yang
dikombinasikan dengan certainty factor mengambil data dari pertanyaan yang
dijawab pasien, terdapat aturan yang ditetapkan dan hasil dari perhitungan aturan
akan dimasukkan kepada fungsi implikasi, selanjutnya melewati proses
perhitungan defuzifikasi dan terakhir hasil defuzifikasi akan digunakan untuk
nilai kepercayaan untuk diagnosis, yaitu dengan rumus certainty factor. Hasil CF
gabungan ni menjadi hasil diagnosa dari sistem terhadap kepercayaan pasien
pada beberapa penyakit. Dari ketiga metode sistem pakar dapat disimpulkan
dalam pemrosesan data yang paling sederhana adalah metode forward chaining
sehingga cocok digunakan oleh para awam walaupun tingkat keakurasiannya
masih dibawah dari kedua metode lainnya, sedangkan pemrosesan data yang
paling kompleks adalah certainty factor maupun kombinasi dari fuzzy-certainty
factor, hanya saja dalam hasil diagnosa, metode kombinasi fuzzy-certainty factor
akan lebih tepat karena Hasil pengujian sistem menunjukkan bahwa sistem yang
dikembangkan memiliki kemiripan dengan ahli nyata.
Referensi

1. Cardiovascular diseases (CVDs). World Health Organization, 2017.

https://scholar.google.com/scholar?q=Cardiovascular%20diseases
%20.%20World%20Health%20Organization,%202017.
2. Kevin Adrian. 2020. Beberapa Fakta Terkait Penyakit Jantung yang Perlu
Diketahui https://www.alodokter.com/beberapa-fakta-terkait-penyakit-
jantung-yang-perlu-diketahui
3. Kementerian Kesehatan Republik Indonesia. 2018. Riskesdas 2018: Hanya
20% Masyarakat yang Mengerti Kesehatan.
http://radiokesehatan.kemkes.go.id/News/detail_news/310#:~:text=Riskesdas
%202018%20%3A%20Hanya%2020%25%20Masyarakat%20Yang
%20Mengerti%20Kesehatan&text=Hasil%20Riset%20Kesehatan%20Dasar
%20(RISKESDAS,rendah%2C%20hanya%20mencapai%2020%25.
4. Handayani L. dan Sutikno T., 2008. Sistem Pakar untuk Diagnosis Penyakit
THT Berbasis Web dengan “e2gLite Expert System Shell”. Jurnal Teknologi
Industri, Volume 12, Nomor 1.
5. Parhusip, J., Pranatawijaya, V.H. and Putrisetiani, D., 2015, July. Sistem
Pakar Diagnosa Penyakit Jantung Menggunakan Metode Certainty Factor
Berbasis Web. In Seminar Nasional Informatika (SEMNASIF) (Vol. 1, No. 3).
6. Nugroho, F.A., 2018. Perancangan Sistem Pakar Diagnosa Penyakit Jantung
Dengan Metode Forward Chaining. Jurnal Informatika Universitas
Pamulang, 3(2), pp.75-79.
7. Abu-Naser, Samy & O., Abu. 2008. An Expert System For Diagnosing Eye
Diseases Using Clips. Journal of Theoretical and Applied Information
Technology. 4.
8. Daniel dan Virginia, G. 2010. Implementasi Sistem Pakar Untuk
Mendiagnosis Penyakit Dengan Gejala Demam Menggunakan Metode
 Certainty Factor. Jurnal Informatika, Volume 6, Nomor 1.
https://ti.ukdw.ac.id/ojs/index.php/informatika/article/download/82/46
9. Noviyanto, Andri. 2008. Sistem Pakar.
http://www.ittelkom.ac.id/library/index.php?
view=article&catid=15:pemrosesan-
sinyal&id=325:sistempakar&option=com_content&It
10. Irfan, Mohamad & Ayuningtias, Laras & Jumadi, Jumadi. (2018). Analisa
Perbandingan Logic Fuzzy Metode Tsukamoto, Sugeno, Dan Mamdani
( Studi Kasus : Prediksi Jumlah Pendaftar Mahasiswa Baru Fakultas Sains
Dan Teknologi Uin Sunan Gunung Djati Bandung). Jurnal Teknik
Informatika. 10. 10.15408/jti.v10i1.6810.