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
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.
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).
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)
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)
𝑷(𝑬|𝑯)×𝑷(𝑯𝒊)
𝑷(𝑯𝒊|𝑬) = ................(2. 6)
𝑷(𝑯)
∑𝑷𝟎𝟐
𝒌=𝟐 𝑩𝒂𝒚𝒆𝒔 = 𝑩𝒂𝒚𝒆𝒔𝟏 + 𝑩𝒂𝒚𝒆𝒔𝟐 + ⋯ 𝒏 .............(2. 7)