PENERAPAN METODE NAÏVE BAYES UNTUK DETEKSI PENYAKIT

DIABETES MELLITUS

Proposal Skripsi

Diajukan sebagai salah satu persyaratan untuk memenuhi Mata Kuliah Manajemen
Proyek Perangkat Lunak

Oleh

Risalatul Khasanah NIM. B34180057

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER

UNIVERSITAS NAHDLATUL ULAMA SIDOARJO

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

DAFTAR ISI............................................................................................................. iii

BAB I : PENDAHULUAN

1.1 LATAR BELAKANG....................................................................................... 4

1.2 RUMUSAN MASALAH................................................................................... 4

1.3 TUJUAN PENELITIAN.................................................................................... 4

1.4 BATASAN MASALAH..................................................................................... 4

BAB II : TINJAUAN PUSTAKA

2.1 Penelitian Sebelumnya....................................................................................... 5

2.2 Landasan Teori................................................................................................... 5

2.3 Naïve Bayes......................................................................................................... 6

BAB III : DESAIN SISTEM

3.1 Flowchart/DFD................................................................................................... 9

3.2 Desain Database................................................................................................ 14

3.3 Desain GUI Aplikasi.......................................................................................... 20

BAB IV : KESIMPULAN DAN SARAN

4.1 Kesimpulan......................................................................................................... 22

4.2 Saran....................................................................................................................22

DAFTAR PUSTAKA...............................................................................................23

3
 BAB I

PENDAHULUAN

1.1 Latar Belakang

Di era industri 4.0 dimana perkembangan teknologi sangatlah cepat
dimana dapat dikembangkan dan dimanfaatkan dalam beberapa bidang
seperti, kedokteran, pendidikan, psikologi, pertanian dan sebagainya.
Pesatnya teknologi saat ini dapat memberikan kemudahan dan
mendapatka serta menyajikan informasi secara lengkap dan akurat.
Apalagi dalam kebutuhan manusia yang semakin banyak, teknologi tidak
dapat dipisahkan dari kehidupan manusia. Dalm hal ini pemanfaatan
teknologi tidak hanya sekear membantu mempermudah kinerja manusia
akan tetapi bisa melakukan sama persis seperti manusia bahkan diluar
kemampuan manusia.
Salah satu pemanfaatan teknologi dalam bidang Kesehatan dan
penerapannya yaitu penerapan metode Naïve Bayes untuk deteksi
penyakit diabetes mellitus yaitu dengan menentukan penyakit dan gejala
yang diderita oleh seseorang dan sekaligus menghtung peluang
seseorang itu mengidap penyakit diabetes dan juga memberikan solusi
pencegahannya berdasar penyakit yang diderita.
Penyakit diabetes mellitus merupakan penyakit yang banyak diderita
oleh masyarakat Indonesia. Penyakit ini tidak hanya menyerang lansia
tetapi dapat juga menyerang anak-anak. Hal ini dipicu oleh minimnya
pengetahuan masyarakat tentang Kesehatan dan kurang memperhatikan
asupan gula darah dalam tubuh mereka.
Oleh karena itu perlunya sistem aplikasi untuk diagnose penyakit
Diabetes Mellitus yang dapat membantu seseorang tanpa harus bertemu
dokter secara langsung. Kasus ini menggunakan metode Naïve Bayes .
dengan penerapan ini dapat menemukan dan menyimpulkan peluang
seseorang itu dapat beresiko mengidap penyakit ini an juga memberikan
solusi berdasarkan penyakit yang dideritanya.

4
1.2Rumusan Masalah

Berdasarkan latar belakang yang telah diuraikan di atas, maka dapat

diambil suatu rumusan masalah yaitu bagaimana mendiagnosa penyakit
Diabetes dan saran bagu penderita Diabetes dengan menerapkan metode
Naive Bayes.

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

2.1 Penelitian Sebelumnya

Sistem pakar merupakan sistem untuk menduplikasi pengetahuan diagnosa
dalam metode perangkat lunak. Sebagaimana layaknya ahli pakar
mendiagnosis dan memberikan kemudahan. Salah satu penerapannya yaitu
dalam pada bidang Kesehatan. Pengunaan sistem pakar pada Kesehatan
telah berkembang luas. Beberapa penelitian sebelunya yaitu “Penerapan
Metode Naïve Bayes Classifier Untuk Deteksi Penyakit Pada Tanaman
Jagung ” Penelitian ini membahas tentang sistem pakar dengan melibatkan
ahli pakar untuk berperan dalam membuat basis pengetahuan tentang gejala
dan penyakit atau hama yang muncul pada tanaman jagung.
Penelitian selanjutnya yaitu tentang “Sistem Pakar Berbasis Android
Untuk Diagnosa Penyakit Kulit Kucing Dengan Metode Forward Chaining”
Penelitian ini membahas tentang diagnosis penyakit kulit kucing dengan
metode Forward Chaining berbasis android, untuk mendiagnosa penyakit
kulit kucing disertai terapi serta cara penyembuhannya.
Penelitian selanjutnya yaitu tentang “Penerapan Metode Naïve Bayes daam
Memprediksi Kepuasan Mahasiswa Terhadap Cara Pengajaran Dosen”
penelitian ini bertujuan untuk melakukan klasifikasi dalam menentukan
kepuasa mahasiswa terhadap cara pengajaran dosen di perguruan tinggi.

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).

2.3 Naïve Bayes

P ( E∨H ) P(H)
P ( H| E )=
P( E)

Keterangan :

e = Data dengan class yang belum diketahui

h = Hipotesis data merupakan suatu class spesifik

P(h|e) = Probabilitas hipotesis berdasar kondisi (posteriori probability)

P(h) = Probabilitas hipotesis (prior probabity)

P(e|h) = Probabilitas berdasarkan kondisi pada hipotesis

P(e) = Probabilitas ev

Contoh kasus penyakit Diabetes Mellitus :

Nafa memeilih gejala penyakit Diabetes untuk mendapat hasil diagnosanya. Nafa
memilih gejala sebagai berikut :

Tabel 1.

Gejala dan bobot

Gejala Bobot Peluang Penyakit

G1 0.5 P ( E∨H 1 ) Obesitas
G2 0.3 P ( E∨H 2 ) Lemak berlebih
G3 0.3 P ( E∨H 3 ) Tidak aktif
G4 0.1 P ( E∨H 4 ) Sering haus
G5 0.5 P ( E∨H 5 ) Sering kencing

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

Setelah nilai P (Hi) diketahui, probabilitas hipotesis H tanpa memandang evidence

apapun, maka langkah selanjutnya adalah :

P(Hi)*PE( Hi-n)

= P(H1) * P(E|H1) + P(H2) * P(E|H2) + P(H3) * P(E|H3) + P(H4) * P(E|H4) +

P(H5) * P(E|H5)

= (0.061*0.5) + (0.037*0.3) + (0.037*0.3) + (0.1233*0.1) + (0.13661*0.5) =

0.0955

Langkah selanjutnya ialah mencari nilaiP(Hi|E) atau probabilitas hipotesis Hi

benar jika diberikan evidence E

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 :

= Bayes1+ Bayes2+ Bayes3+ Bayes4+ Bayes5

= (0.5*0.31937) + (0.3*0.11623) + (0.3*0.11623)

+ (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

Gambar 1.1 Flowchart

Dt_login
Dt_penyakit
Dt_gejala

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

Gambar 1.2 Contex Diagram

10
Tabel 1.1 Penjelasan Contex Diagram

Nama Entitas Deskripsi

Admin Yang dapat melakukan semua akses
pada sistem seperti, perbaikan sistem,
input data, ubah data, hapus
data,pencarian data, dan lain-lain, pada
entitas ini mempunyai hak penuh untuk
melakukan proses akses ini.
User Adalah entitas pengguna, akses ini
hanya untuk pengguna seperti
mengetahui info penyakit, info gejala,
termasuk diagnose. Tetapi hanya
dibatasi dan tidak melakukan input
data, ubah data maupun menghapus
data.

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

Gambar 1.3 Data Flow Diagram Level 1

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

Gambar 1.4 DFD Level 2 : Pengolahan Data Master

Tabel 1.4 keterangan DFD Level 2 : Pengolahan Data Master

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

3.3.2 Database Tabel Nilai Probabilitas

15
3.3.3 Database Tabel Gejala

16
3.3.4 Database Tabel Hasil

3.3.5 Database Tabel Pasien

17
3.3.6 Database Tabel Penyakit

3.3.7 Database Tabel Rule

18
3.3.8 Database Tabel Analisa

3.3.10 Database Tabel Gejala

19
3.3.11 Database Tabel Penyakit

3.3.12 Database Tabel Total Bayes

20
3.4 Desain GUI Aplikasi
1. Tampilan Menu Utama

21
2. Tampilan Login Admin

3. Tampilan registrasi

22
3. Tampilan Gejala

4. Tampilan Hasil Diagnosa

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