DIABETES MELLITUS
Proposal Skripsi
Diajukan sebagai salah satu persyaratan untuk memenuhi Mata Kuliah Manajemen
Proyek Perangkat Lunak
Oleh
2021
KATA PENGANTAR
Puji syukur kami panjatkan kehadirat Tuhan Yang Maha Esa, karena kami dapat
menyelesaikan makalah ini. Penyusunan makalah ini disusun untuk memenuhi tugas mata kuliah
Manajemen Proyek Perangkat Lunak yang berjudul “PENERAPAN METODE NAÏVE BAYES
UNTUK DETEKSI PENYAKIT DIABETES MELLITUS”.
Kami juga mengucapkan terima kasih kepada Bapak Angga Lisdiyanto,S.Kom., M.T
selaku dosen mata kuliah Manajemen Proyek Perangkat Lunak kami yang telah membimbing
kami agar dapat menyelesaikan makalah ini.
Akhirnya kami menyadari bahwa makalah ini sangat jauh dari kesempurnaan. Oleh
karena itu, dengan segala kerendahan hati, kami menerima kritik dan saran agar penyusunan
Makalah selanjutnya menjadi lebih baik. Untuk itu kami mengucapkan banyak terima kasih dan
semoga makalah ini bermanfaat bagi para pembaca.
2
DAFTAR ISI
KATA PENGANTAR…………………………………………………………….... i
BAB I : PENDAHULUAN
3.1 Flowchart/DFD................................................................................................... 9
4.1 Kesimpulan......................................................................................................... 22
4.2 Saran....................................................................................................................22
DAFTAR PUSTAKA...............................................................................................23
3
BAB I
PENDAHULUAN
4
1.2Rumusan Masalah
1.3Tujuan Penelitian
Agar para pembaca mengerti tentang macam-macam penyakit Diabetes
Mellitus.
1.4Batasan masalah
Adapun batasan masalahnya adalah sebagai berikut:
1. Diagnosa penyakit Diabetes Mellitus hanya berdasakan gejala umum
2. Mesin inferensi yang digunakan adalah dengan menerapkan metode
naïve bayes
5
BAB II
TINJAUAN PUSTAKA
2.2Landasan Teori
Menurut (Kusrini, 2006) Sistem pakar adalah sistem berbasis komputer
yang menggunakan pengetahuan, fakta, dan teknik 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.(Sulistyohati.dkk, 2008).
Sedangkan menurut (Durkin,1994) Sistem pakar adalah sistem yang
berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang
6
untuk memodelkan kemampuan menyelesaikan masalah seperti
layakanya pakar (Daniel.dkk, 2010).
Keterangan :
P(e) = Probabilitas ev
Nafa memeilih gejala penyakit Diabetes untuk mendapat hasil diagnosanya. Nafa
memilih gejala sebagai berikut :
Tabel 1.
7
Kemudian mencari nilai dengan menjumlahkannya :
=G1+G2+G3+G4+G5
=0.5+0.3+0.3+0.1+0.5 = 8.1
Setelah hasil penjumlahan diatas sudah diketahui, maka didapatlah rumus untuk
menghitung nilai semesta adalah sebagai berikut :
P(H1) = 0.061
P(H2) = 0.037
P(H3) = 0.37
P(H4) = 0.123
P(H5) = 0.061
P(Hi)*PE( Hi-n)
P(H1|E) = 0.31937
P(H2|E) = 0.11623
P(H3|E) = 0.11623
8
P(H4|E) = 0.31937
P(H5|E) = 0,31937
Setelah seluruh nilai P (Hi|E) diketahui, maka jumlahkan seluruh nilai bayesnya
dengan rumus sebagai berikut :
+ (0.1*0.12879) + (0.5*0.31937)
= 0.3903959*100%
= 3903959%
9
BAB III DESAIN SISTEM
3.1 Flowchart/DFD
Mulai
Tampil
pilihan
gejala
Pilih gejala
IF Gejala ==
Basis Gejala == Basis
pengetahuan pengetahuan
Tampil
hasil
diagnosa
Selesai
Penera pa n
Metode Na iv e
Ba yes Untuk Dt_Proses_Diagnosa Pasien/Admin
Admin Deteksi Peny akit
Dia betes
Info_login
Info_penyakit Hasil_Diagnosa
Info_gejala
10
Tabel 1.1 Penjelasan Contex Diagram
Dt_login
Info_login
Login
Info_gejala Gejala
Dt_Login 1.
Dt_gejala
Dt_Gejala Pengolahan
Admin Dt_Penyakit Data Master Dt_penyakit
Penyakit
Info_penyakit
info_Login
Info_diagnosa
info_Gejala Diagnosa
info_Penyakit Dt_diagnosa
Dt_proses_diagnosa
2. Dt_gejala
Pasien/User Dt_proses Proses
diagnosa Diagnosa Dt_penyakit
Menggunakan
Naive Bayes Info_diagnosa
Hasil_diagnosa
11
Tabel 1.2 keterangan DFD Level 1
Nama Deskripsi
Pengolah Data Master Merupakan proses untuk pengolahan
data master berupa login, data gejala,
dan data penyakit.
Proses Diagnosa Menggunakan Naïve Merupakan output untuk proses
Bayes diagnosa data yang diinput lalu
menghasilkan diagnose penyakit
diabetes yang diderita pasien deengan
nilai probabiltas tertinggi dari masing-
masing jenis diabetes.
Tabel 1.3 keterangan aliran data DFD Level 1 : Diabetes Mellitus dengan
Naïve Bayes
Nama Deskripsi
Dt_login Data login yang dimasukkan kedalam
sistem
Dt_gejala Data gejala diabetes yang disimpan
didalam sistem
Dt_penyakit Data jenis penyakit diabetes yang
disimpan didalam sistem
Dt_proses_diagnosa Data gejala yang diinputkan user
kedalam sistem yang akan diproses
oleh sistem
Info_login Untuk memberikan informasi berhasil
login atau tidak
Info_gejala Info gejala-gejala penyakit diabetes
yang ada pada sistem
Info_penyakit Info jenis penyakit diabetes yang ada
pada sistem
Hasil_diagnosa Hasil proses diagnosa penyakit
diabetes
12
1.1
Info_login Pengolahan
Data Login
Dt_login Data Login
1.2
Dt_penyakit Pengolahan Data
Admin Data Penyakit
Info_penyakit Penyakit
Dt_login 1.3
Info_login Pengolahan Data Gejala
Data Gejala
Nama Deskripsi
1.1 Pengolahan Data Pengguna/ Login Merupakan data proses pengguna atau
login. Proses ini memberikan username
dan password untuk masuk kedalam
sistem
1.2 Pengolah Data Penyakit Merupakan proses untuk mengolah
data penyakit diabetes.
1.3 Pengolah Data Gejala Merupakan proses untuk mengolah
data gejala yang dialami pasien
Tabel 1.3 keterangan aliran data DFD Level 2 : Pengolahan Data Master
Nama Deskripsi
Dt_login Data login yang dimasukkan admin
kedalam sistem untuk membuat hak
akses sistem
Dt_gejala Merupakan data gejala yang akan
13
diaasukkan kedalam sistem dan
disimpan di database pada tabel gejala
Dt_penyakit Merupakan jenis inputan data penyakit
yang disimpan didalam sistem dan
database pada tabel penyakit
Info_login Informasi yang memberikan info
berhasil login atau tidak
Info_gejala Info gejala-gejala penyakit diabetes
yang ada pada sistem
Info_penyakit Info jenis penyakit diabetes yang ada
pada sistem
14
3.3 Desain Database
3.3.1 Database Tabel Login
15
3.3.3 Database Tabel Gejala
16
3.3.4 Database Tabel Hasil
17
3.3.6 Database Tabel Penyakit
18
3.3.8 Database Tabel Analisa
19
3.3.11 Database Tabel Penyakit
20
3.4 Desain GUI Aplikasi
1. Tampilan Menu Utama
21
2. Tampilan Login Admin
3. Tampilan registrasi
22
3. Tampilan Gejala
23
BAB IV KESIMPULAN DAN SARAN
4.1 Kesimpulan
Berdasarkan hasil pembahasan teori pada perancangan sistem pakar
diagnosa tersebut maka dapat disimpulkan sebagai berikut :
1. aplikasi kemungkinan bisa mendiagnosa diabetes yang meliputi diabetes,
tipe 1, tipe 2, gestational, pra-diabetes.
2. Setelah ditemukan gejala dan tipe diabetes sistem juga mampu
memberikan informasi dan solusi pengobatan penyakit
4.2 Saran
Penulis tentunya masih menyadari jika masih terdapat kesalahan dan jauh
dari kesempurnaan. Penulis akan memperbaiki tersebut denga berpedoman
pada banyak sumber serta kritik yang membangun dari para pembaca.
24
DAFTAR PUSTAKA
[1] Sihotang, Hengki Tamando , “PERANCANGAN APLIKASI SISTEM PAKAR DIAGNOSA DIABETES
DENGAN METODE BAYES” Volume 1 No. 1 Juli 2017, p 37, Jurnal mantik penusa(accessed January 22,
2021)
[2] Saleh, Alfa, “IMPLEMENTASI METODE KLASIFIKASI NAÏVE BAYES DALAM MEMPREDIKSI
BESARNYA PENGGUNAAN LISTRIK RUMAH TANGGA” Vol. 2, No. 3, Mei 2015 – Juli 2015, p 213,
Citec Journal(accessed January 12, 2021)
[3] Hartama, Dedy , “PENERAPAN METODE NAÏVE BAYES DALAM MEMPREDIKSI KEPUASAN
TERHADAP CARA PENGAJARAN DOSEN” September 2019, p 289, STIKOM Tunas Bangsa
Pematangsiantar (accessed January 22, 2021)
[4] Nurajizah, Siti, “SISTEM PAKAR BERBASIS ANDROID UNTUK DIAGNOSA PENYAKIT KULIT
KUCING DENGAN METODE FORWARD CHAINING” Vol. 14, No.1 Maret 2018, p 289, Jurnal PILAR
Nusa Mandiri (accessed January 22, 2021)
25