BAB II

TUJUAN PUSTAKA DAN LANDASAN TEORI

2.1 Tinjauan Pustaka

Sebagai tinjauan pustaka berikut ini beberapa contoh penelitian yang sudah di
lakukan oleh para peneliti yang dapat digunakan sebagai acuan.
Penelitian dengan judul “Sistem Pakar Diagnosis Penyakit Mulut
menggunakan Metode Bayessian Network”. Permasalahan yang ditemukan
adalah gejala dari penyakit mulut antar penyakit pada kategori yang sama memiliki
kemiripan yang cukup tinggi sehingga dibutuhkan pengetahuan dan pengalaman
pakar untuk mendiagnosis penyakit tersebut. Berdasarkan permasalahan tersebut,
peneliti merancang sebuah sistem pakar penyakit mulut yang memiliki pengetahuan
pakar untuk mendapatkan diagnosa penyakit mulut beserta tindakan medis yang
dibutuhkan oleh pasien. Metode yang digunakan pada basis pengetahuan sistem
pakar ini yaitu bayessian network dengan bahasa pemrograman PHP dan
menggunakan database MySQL. Berdasarkan hasil pengujian fungsional
menggunakan metode uji blackbox didapatkan semua fungsi dapat berjalan dengan
baik dan sesuai dengan perancangan. Sedangkan pada pengujian akurasi didapatkan
akurasi terbaik sebesar 86,13% melalui 3 kali percobaan dengan variasi yang
berbeda menggunakan 23 data uji. Dengan hasil akurasi yang cukup tinggi maka
sistem pakar penyakit mulut menggunakan metode bayessian network ini
disimpulkan memiliki performa yang baik (Putri & Febrian , 2018).
Penelitian dengan judul “Sistem Pakar Diagnosa Penyakit Gigi dan Mulut
pada Manusia Menggunakan Knowledge Base System dan Certainty Factor”.
Pada penelitian ini akan melakukan perancangan sistem pakar menggunakan
Knowledge Based System (KBS) dan Certainty Factor (CF). Proses pembentukan
KBS dengan menggabungkan beberapa kejadian pada target keputusan kemudian
diproses sehingga memunculkan dependency diagram selanjutnya diproses lagi
untuk menghasilkan tabel keputusan yang belum direduksi, setelah proses reduksi

4
dilakukan maka akan menghasilkan tabel yang sudah direduksi. Dari tabel
keputusan yang sudah direduksi menghasilkan if thenrule. Dengan ditambahkan
Certainty Factor diharapkan mampu menghasilkan diagnosa penyakit yang
mendekati keakuratan. Berdasarkan hasil pengujian, sistem pakar untuk
memprediksi awal penyakit gigi dan mulut dengan menggunakan Knowledge Based
System dan Certainty Factor,memiliki prosentase keberhasilan 90% serta
kegagalan yang dialami 10%. Besar prosentase keberhasilan sangat bergantung
oleh keakurasian data gejala penyakit yang digunakan (Arifin, 2016).
Penelitian dengan judul “Aplikasi pakar diagnosa penyakit gigi
Menggunakan Metode forward chaining Berbasis mobile”. Sistem ini adalah
sistem pakar diagnosa penyakit menggunakan pendekatan Metode Forward
Chaining yang merupakan suatu teknik yang digunakan untuk mengatasi
ketidakpastian dalam pengambilan keputusan. Metode ini cocok untuk mengukur
sesuatu apakah pasti atau tidak pasti dalam mendiagnosis penyakit sebagai
contohnya. Dengan kemajuan teknologi yang semakin pesat, berpengaruh pula pada
perkembangan mobile saat ini, sehingga perangkat mobile saat ini sangatlah
membantu dalam menyajikan informasi yang cepat dan efisien (Sri & Febriani SM,
2017).
Penelitian dengan judul “Rancang Bangun aplikasi Sistem Pakar diagnosa
Penyakit gigi dan mulut dengan Metode forward chaining berbasis web (studi
kasus klinik taruna manggala grup surabaya)” Metodologi Penelitian yang
digunakan dalam penyusunan Tugas Akhir ini adalah studi literatur. Untuk
merancang aplikasi ini digunakan metode perancangan struktural yaitu Data Flow
Diagram (DFD), DFD merupakan sebuah metode yang telah menjadi standar untuk
visualisasi, merancang dan mendokumentasikan sistem perangkat lunak
berdasarkan aliran data. Aplikasi sietem pakar ini diharapkan dapat memberikan
informasi mengenai diagnosis penyakit gigi dan mulut pada manusia serta cara
pengobatannya, serta dapat menghasilkan suatu alternatif solusi yang tepat dan
cepat dalam menentukan penyakt gigi dan mulut dengan melihat dari gejala yang
timbul tanpa harus berkonsultasi dengan seorang pakar (Rubino & Puspitarini,
2016).

5
 6

Penelitian dengan judul, “Pembangunan Aplikasi Sistem Pakar untuk

Diagnosis Penyakit Gigi dan Mulut Pada Manusia” Penyakit gigi dan mulut
pada manusia menduduki urutan pertama dari daftar 10 besar penyakit yang paling
sering dikeluhkan masyarakat Indonesia. Persepsi dan perilaku masyarakat
Indonesia terhadap kesehatan gigi dan mulut masih buruk. Ini terlihat dari masih
besarnya angka karies gigi dan penyakit mulut di Indonesia yang cenderung
meningkat. Sehingga berdasarkan permasalahan tersebut, maka diperlukan suatu
perangkat lunak yang dapat membantu menyediakan informasi yang diperlukan
untuk staf/pegawai dibidang kesehatan serta meningkatkan pengetahuan/
pemahaman pasien dalam mengetahui dengan benar gejala penyakit gigi dan mulut
pada manusia Aplikasi sietem pakar ini diharapkan dapat memberikan informasi
mengenai diagnosis penyakit gigi dan mulut pada manusia serta cara
pengobatannya, serta dapat menghasilkan suatu alternatif solusi yang tepat dan
cepat dalam menentukan penyakt gigi dan mulut dengan melihat dari gejala yang
timbul tanpa harus berkonsultasi dengan seorang pakar (Nurzaman & Destiani,
2015).

2.2 Landasan Teori

2.2.1 Penyakit Gigi

Menurut Pearce sebuah gigi mempunyai mahkota, leher, dan akar. Mahkota
gigi menjulang di atas gusi, lehernya dikelilingi gusi dan akarnya berada di
bawahnya. Gigi dibuat dari bahan yang sangat keras, yaitu dentin. Di dalam pusat
strukturnya terdapat rongga pulpa. Menurut Fawcett orang dewasa memiliki 32
gigi, 16 tertanam di dalam proses alveoris maksila dan 16 di dalam mandibula.
Yang disebut gigi permaneni ini didahului oleh satu set sebanyak 20 gigi desidua,
yang mulai muncul sekitar 7 bulan setelah lahir dan lengkap pada umur 6-8 tahun.
Gigi ini akan tanggal antara umur enam dan tiga belas, dan diganti secara berangsur
oleh gigi permanen, atau suksedaneus. Proses penggantian gigi ini berlangsung
sekitar 12 tahun sampai gigi geligi lengkap, umumnya pada umur 18, dengan
munculnya molar ketiga atau gigi kebijakan. Menurut Fawcett semua gigi terdiri
atas sebuah mahkota yang menonjol di atas gusi atau gingival, dan satu atau lebih
 7

akar gigi meruncing yang tertanam di dalam lubang atau alveolus di dalam tulang
maksila atau mandibula. Batas antara mahkota dan akar gigi disebut leher atau
serviks. Manusia memiliki susunan gigi primer dan sekunder, yaitu :
a. Gigi primer, dimulai dari tuang diantara dua gigi depan yang terdiri dari 2
gigi seri, 1 taring, 3 geraham dan untuk total keseluruhan 20 gigi
b. Gigi sekunder, terdiri dari 2 gigi seri, 1 taring, 2 premolar dan 3 geraham
untuk total keseluruhan 32 gigi.

Fungsi gigi adalah dalam proses matrikasi (pengunyahan). Menurut Pearce

mengunyah ialah menggigit dan menggiling makanan di antara gigi atas dan bawah.
Gerakan lidah dan pipi membantu dengan memindah-mindahkan makanan lunak
ke palatum keras ensit gigi-gigi (Arifin, 2016). Penampang gigi dapat di lihat pada
Gambar 2.1.

Gambar 2. 1 Penampang Gigi

2.2.2 Sistem Pakar
Sistem pakar adalah suatu program yang dirancang untuk mengambil
keputusan seperti keputusan yang diambil oleh seorang atau beberapa orang pakar.
Sistem pakar juga sistem perangkat lunak komputer yang menggunakan ilmu, fakta,
dan teknik berpikir dalam pengambilan keputusan. untuk menyelesaikan masalah
masalah yang biasanya hanya dapat diselesaikan oleh tenaga ahli dalam bidang
yang bersangkutan
Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah
penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang
 8

diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi dari kedua
hal tersebut disimpan dalam komputer, yang selanjutnya digunakan dalam proses
pengambilan keputusan untuk penyelesaian masalah tertentu.
Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan
dalam pengembangan suatu sistem pakar, yaitu :
• Rule-Based Knowledge
Pengetahuan direpresentasikan dalam suatu bentuk fakta (facts) dan aturan
(rules). Bentuk representasi ini terdiri atas premise dan kesimpulan
• Frame-Based Knowledge Pengetahuan direpresentasikan dalam suatu bentuk
hirarki atau jaringan frame
• Object-Based Knowledge Pengetahuan direpresentasikan sebagai jaringan
dari obyek-obyek. Obyek adalah elemen data yang terdiri dari data dan
metoda (proses)
• Case-Base Reasoning Pengetahuan direpresentasikan dalam bentuk
kesimpulan kasus(cases) (Rubino & Puspitarini, 2016).

2.2.3 Teorema Bayes

Teorema Bayes merupakan metode yang baik didalam mesin pembelajaran
berdasarkan data Training, dengan menggunakan probabilitas bersyarat sebagai
dasarnya. Metode Bayes juga merupakan suatu metode untuk menghasilkan
estimasi parameter dengan menggabungkan informasi dari sampel dan informasi
lain yang telah tersedia sebelumnya. Keunggulan utama dalam penggunaan metode
Bayes adalah penyederhanaan dari cara klasik yang penuh dengan integral untuk
memperoleh model marginal. Adapun bentuk dari Teorema Bayes untuk Evidence
tunggal E dan hipotesis ganda H1, H2, H3, . . . . Hn. berkaitan dengan kenyataan yang
tidak sesuai dengan harapan atau situasi yang menekan. Kondisi ini mengakibatkan
perasaan cemas, marah dan frustasi. Secara teknisi psikologik, stres didefenisikan
sebagai suatu respons penyesuaian seseorang tehadap situasi yang dipersepsinya
menantang atau mengancam kesejahteraan orang bersangkutan. Stres adalah suatu
reaksi fisik dan psikis tehadap setiap tuntutan yang menyebabkan ketegangan dan
menggangu stabilitas kehidupan sehari-hari (Azmi & Syahputra, 2018).
 9

Theorema Bayes ditemukan oleh Reverend Thomas Bayes pada abad 18,
yang dikembangkan secara luas Theorema Bayes ditemukan oleh Reverend
Thomas Bayes pada abad 18, yang dikembangkan secara luas (Azmi & Syahputra,
2018). dengan rumusan seperti pada Persamaan 2.1.

𝒑(𝑬|𝑯)×𝒑(𝑯)
𝑷(𝑯|𝑬) = ............................ (2. 1)
𝒑(𝑬)

Dengan :
P (H|E) = probabilitas hipotesis Hi jika diberikan evidence E.
P (E|H) = probabilitas munculnya evidence E, jika diketahui hipotesis Hi
benar.
P (H) = probabilitas hipotesis Hi (menurut hasil sebelumnya) tanpa
memandang evidence apapun.
P(E) = probabilitas evidence E tanpa memandang apapun.
Jika evidence tunggal E dan hipotesis ganda H1, H2, H3, .... Hn, maka
bentuk Theorema Bayes adalah pada Persamaan 2.2.

𝒑(𝑬|𝑯𝒊)×𝒑(𝑯𝒊)
𝑷(𝑯𝒊|𝑬) = ∑𝒏 .................................(2. 2)
𝒌=𝟏 𝒑(𝑬|𝑯𝒌)×𝒑(𝑯𝒌)

Dengan:
p(Hi|E) = probabilitas hiposesis Hi benar jika diberikan evidence E.
p(E|Hi) = probabilitas munculnya evidence E, jika diketahui hipotesis Hi
benar.
p(Hi) = probabilitas hipotesis Hi (menurut hasil sebelumnya) tanpa
memandang evidence apapun.
n = jumlah hipotesis yang mungkin.
Dalam teorema bayes langkah awal dari perhitungan yag dilakukan adalah
mencari nilai semesta hipotesa (H) yang terdapat pada evidence kemudian
dijumlahkan semua nilai probabilitas evidence dari pakar. Untuk langkah – langkah
lebih jelasnya dapat dilihat pada Persamaan 2.3 sampai Persamaan 2.7.
a. Mencari nilai semesta
 10

∑𝑷𝒆𝒏𝒚𝒂𝒌𝒊𝒕
𝑮𝒆𝒋𝒂𝒍𝒂 = 𝑮𝑱𝟎𝟏 + 𝑮𝑱𝟎𝟐 + 𝑮𝑱𝟎𝟑 + ⋯ 𝒏 ...........(2. 3)

b. Menghitung nilai semesta P(Hi)

𝑯𝟏,𝟐,…𝒏
𝐏(𝐇𝟏, 𝟐, . . . 𝒏) = 𝒑𝟎𝟏 ............(2. 4)
∑𝒌=𝟏

c. Menghitung probabilitas H

∑𝑷𝟎𝟏
𝑮𝟎𝟏 = 𝑷(𝑯𝒊) × 𝑷(𝑬|𝑯𝒊 − 𝒏 .............(2. 5)

d. Mencari nilai P(Hi|E)

𝑷(𝑬|𝑯)×𝑷(𝑯𝒊)
𝑷(𝑯𝒊|𝑬) = ................(2. 6)
𝑷(𝑯)

e. Menghitung total nilai bayes

∑𝑷𝟎𝟐
𝒌=𝟐 𝑩𝒂𝒚𝒆𝒔 = 𝑩𝒂𝒚𝒆𝒔𝟏 + 𝑩𝒂𝒚𝒆𝒔𝟐 + ⋯ 𝒏 .............(2. 7)