ANALISIS PERBANDINGAN METODE CERTAINTY FACTOR

DAN NAÏVE BAYESIAN DALAM MENDETEKSI

KEMUNGKINAN ANAK TERKENA DISLEKSIA

SKRIPSI

Diajukan untuk Menempuh Ujian Akhir Sarjana

TITA TJAHYATI
10110400

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS KOMPUTER INDONESIA
2014
 BIODATA

Data Pribadi
Nama : Tita Tjahyati
Tempat/Tanggal Lahir : Bandung,15 Juli 1992
Jenis Kelamin : Perempuan
Alamat : Jl. Sindanglaya-Arcamanik No.27, Bandung
No. Telp : 085624281072
Email : titatjahyati@yahoo.com

Riwayat Pendidikan
1998 – 2004 Lulus SDN 06 Sindanglaya
2004 – 2007 Lulus SMPN 49 Bandung
2007 – 2010 Lulus SMAN 16 Bandung
2010 – 2014 Universitas Komputer Indonesia
Demikian riwayat hidup ini saya buat dengan sebenar-benarnya.
 DAFTAR ISI

ABSTRAK ................................................................................................................... ..i

ABSTRACT................................................................................................................... ii
KATA PENGANTAR .................................................................................................iii
DAFTAR ISI................................................................................................................. v

DAFTAR GAMBAR .................................................................................................viii

DAFTAR TABEL........................................................................................................ix

DAFTAR SIMBOL...................................................................................................... x
DAFTAR LAMPIRAN................................................................................................ xi

BAB 1 PENDAHULUAN.......................................................................................... 1

1.1 Latar Belakang Masalah ................................................................................. 1

1.2 Rumusan Masalah .......................................................................................... 2

1.3 Maksud dan Tujuan ........................................................................................ 3

1.4 Batasan Masalah............................................................................................. 3

1.5 Metode Penelitian........................................................................................... 4

1.6 Sistematika Penulisan..................................................................................... 5

BAB 2 LANDASAN TEORI ..................................................................................... 7

2.1 Pengertian Deteksi.......................................................................................... 7

2.2 Pengertian Disleksia ....................................................................................... 7

2.3 Kecerdasan Buatan ....................................................................................... 11

2.3.1. Metode Certainty Factor....................................................................... 11

v
 2.3.2. Metode Naïve Bayesian......................................................................... 13

2.4 Metode Pengujian......................................................................................... 16

2.4.1. White Box ............................................................................................. 16

2.4.2. Black Box.............................................................................................. 16

2.5 WAMP SERVER 2.2 ..................................................................................... 17

2.6 PHP (Hypertext Prepocessor) ...................................................................... 17

2.7 MySQL ......................................................................................................... 18

2.8 Adobe dreamweaver CS 5 ............................................................................ 20

2.9 Adobe Photoshop CS 3................................................................................. 21

BAB 3 ANALISIS METODE .................................................................................. 23

3.1 Analisis Masalah .......................................................................................... 23

3.2 Alur Pendeteksi ............................................................................................ 24

3.3 Analisis Gejala Disleksia.............................................................................. 25

3.3.1 Analisis Data Masukkan ....................................................................... 26

3.3.2 Analisis Data Keluaran ......................................................................... 29

3.4 Tahapan Analisis Metode ............................................................................. 30

3.4.1 Perhitungan Metode .............................................................................. 31

BAB 4 IMPLEMENTASI DAN PENGUJIAN SISTEM ........................................ 55

4.1 Implementasi Sistem .................................................................................... 55

4.1.1 Implementasi Perangkat Keras.............................................................. 55

4.1.2 Implementasi Perangkat Lunak............................................................. 56

4.1.3 Implementasi Antarmuka ...................................................................... 56

4.2 Pengujian Sistem .......................................................................................... 56

vi
 4.2.1 Pengujian Whitebox .............................................................................. 56

4.2.2 Pengujian Blackbox .............................................................................. 67

4.2.3 Pengujian Akurasi ................................................................................. 69

BAB 5 PENUTUP .................................................................................................... 75

5.1 Kesimpulan................................................................................................... 75

5.2 Saran ............................................................................................................. 75

DAFTAR PUSTAKA .................................................................................................77

vii
 76

{Halaman Ini Di Kosongkan}

 DAFTAR PUSTAKA

[1] P. A. D. Yasa, "Sistem pakar Penyakit Kulit menggunakan Metode Certainty

Factor Berbasis Web," no. 2085-9902, 2012.
[2] D. L. Fithri, "Sistem Pendeteksian Penyimpangan Tingkah Laku Anak Usia 0
sampa 3 tahun dengan Metode Bayesian," Simetris, vol. 4, no. 2252-4983, Nov.
2013.

[3] T. D. A. o. Indonesia. (2012, Nov.) Dyslexia Associztion of Indonesia. [Online].

http://dyslexiaindonesia.com

[4] B. K. Khotimah, "Sistem Pakar Troubleshooting Komputer dengan metode

Certainty factor menggunakan probabilitas bayesian".

77
 KATA PENGANTAR

Puji dan syukur penulis panjatkan kehadirat Allah SWT atas berkat rahmat
dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul :
“ANALISIS PERBANDINGAN METODE CERTAINTY FACTOR DAN
NAÏVE BAYESIAN DALAM MENDETEKSI KEMUNGKINAN ANAK
TERKENA DISLEKSIA ”.
Tugas Akhir ini diajukan untuk memenuhi syarat mata kuliah Tugas Akhir
program STRATA I Program Studi Teknik Informatika, Fakultas Teknik dan Ilmu
Komputer, Universitas Komputer Indonesia (UNIKOM), Bandung. Dengan
terselesaikannya Tugas Akhir ini, Penulis ungkapkan rasa syukur yang tiada
terhingga kepada Allah SWT. dan Penulis mengucapkan terimakasih kepada :
1. Kedua Orang Tua yang saya hormati dan saya cintai yang telah
memberikan kepada Penulis dukungan dan motivasi untuk menyelesaikan
laporan Tugas Akhir ini.
2. Ibu Utami Dewi W,S.Kom.,M.Kom. selaku dosen pembimbing dan
penguji 2 yang telah menyelesaikan waktunya dan memberikan banyak
masukan kepada penulis.
3. Ibu Nelly Indriani Widiastuti,S.Si.,M.T. selaku reviewer dan Penguji 1
yang telah menyediakan waktunya dan memberikan banyak masukan
kepada penulis.
4. Ibu Sufaatin S.T.,M.Kom. selaku Penguji 3 dan sebagai dosen wali yang
telah menyediakan waktunya dan memberikan banyak masukan kepada
penulis.
5. Ibu Adimia Rila Oktoga,S.Psi.,M.Psi. sebagai pakar atau psikolog yang
telah menyediakan waktu nya untuk membantu penulis dalam
menyelesaikan skripsi ini.

iii
 6. Bapak Irawan Afrianto,S.T.,M.T. selaku Ketua Program Studi Teknik
Informatika Fakultas Teknik dan Ilmu Komputer Universitas Komputer
Indonesia.
7. Bapak Prof. Dr. H. Denny Kurniadie, Ir., M.Sc. selaku Dekan Fakultas
Teknik dan Ilmu Komputer Universitas Komputer Indonesia.
8. Kakak saya, Tanti Nurhayati dan Wina Winiarti yang saya sayangi yang
telah memberikan saya motivasi untuk menyelesaikan tugas akhir ini.
9. Rekan-rekan seperjuangan IF-09 angkatan 2010 yang selalu memberikan
semangat dan motivasi kepada penulis.
10. Rekan-rekan satu bimbingan Ibu Utami, rekan-rekan reviewer ibu Nelly.
11. Kepada Muhammad Akhdiat Munggaran terimakasih atas semua doa dan
dukungan selama ini yang selalu memberikan semangat dan motivasi
kepada penulis sehingga bisa menyelesaikan skripsi ini.
12. Sahabat – sahabatku Dwikeu Novi Asrika, Dien Amalia, Eka Anisya,
Leni Mariani, Wulan fitriani, dan Mukti Alamsyah yang selalu
memberikan semangat saat penulis butuh motivasi.
13. Pihak-pihak yang telah membantu yang tidak dapat disebutkan satu
persatu.
Akhir kata, Penulis berharap semoga laporan ini dapat bermanfaat bagi para
pembaca.
Bandung, 19 Agustus 2014

Penulis

iv
 BAB 1
PENDAHULUAN

1.1 Latar Belakang Masalah

Deteksi merupakan suatu cara untuk mengetahui jenis masalah atau cara
untuk menyelesaikan suatu permasalahan untuk membuat keputusan maupun
pengambilan kesimpulan. Deteksi juga dapat digunakan pada penyakit atau
gangguan terhadap anak-anak seperti disleksia, karena disleksia adalah
gangguan terhadap anak yang terkadang gejalanya tidak diketahui karena anak
tersebut terlihat normal, maka dari itu dibutuhkan suatu deteksi agar dapat
mengetahui dengan benar mengenai disleksia. Anak terkena disleksia adalah
anak yang mengalami salah satu gangguan dalam belajar yang
mengkhawatirkan yang mengalami kesulitan dalam membaca, tetapi juga dalam
hal mengeja, menulis dan sebagai suatu kondisi pemrosesan input atau
informasi yang berbeda dari anak normal yang seringkali ditandai dengan
kesulitan dalam membaca, yang dapat mempengaruhi daya ingat, kecepatan
pemrosesan input, kemampuan pengaturan waktu, aspek koordinasi dan
pengendalian gerak.
Dalam suatu deteksi, akurasi data adalah suatu komponen yang penting
demi tercapainya solusi yang diharapkan. Dalam penelitian sebelumnya
terdapat jurnal yang diteliti oleh Putu Ary Darma Yasa yang berjudul Sistem
Pakar Penyakit Kulit pada Manusia Menggunakan Metode Certainty Factor
Berbasis Web [1] dijelaskan bahwa metode Certainty Factor dalam mendeteksi
penyakit kulit memiliki hasil akurasi sebesar 73,15%. Sedangkan pada
penelitian yang dilakukan oleh Diana Laily Fithri yang berjudul Sistem
Pendeteksian Penyimpangan Tingkah Laku Anak Usia 0 sampai 3 Tahun
dengan Metode Bayesian [2] dijelaskan bahwa metode Bayesian mampu

1
2

mendeteksi tingkah laku anak melalui gejala-gejala yang sudah ada tetapi dalam
jurnal tersebut tidak dijelaskan mengenai tingkat akurasi metode Bayesian
dalam mendeteksi kasus tersebut. Dalam kedua penelitian tersebut hanya
metode Certainty Factor yang memiliki tingkat akurasi sedangkan metode
Bayesian tidak memiliki tingkat akurasi pada kasus tersebut. Maka dari itu akan
dilakukan suatu analisis perbandingan mengenai akurasi dari kedua metode
tersebut dengan kasus yang sama yaitu dalam mendeteksi kemungkinan anak
terkena disleksia. Karena tidak diketahui apakah hasil akurasi yang dihasilkan
oleh Certainty Factor akan lebih besar atau tidak begitu juga dengan Naïve
Bayesian apakah dapat menghasilkan akurasi yang lebih baik dari metode
Certainty Factor atau tidak jika dibandingkan dalam kasus yang sama. Karena
suatu metode yang baik untuk suatu kasus belum tentu baik untuk kasus yang
berbeda.
Berdasarkan permasalahan tersebut maka diterapkan metode Certainty
Factor dan Naïve Bayesian dalam mendeteksi kemungkinan anak terrkena
disleksia dan dibutuhkan suatu analisis perbandingan antara metode Certainty
Factor dan Naïve Bayesian untuk mengetahui metode mana yang lebih baik
dalam ketepatan akurasi data dengan jumlah masukkan yang sama melalui
gejala-gejala disleksia.

1.2 Rumusan Masalah

Berdasarkan penjelasan dari latar belakang yang telah diuraikan, masalah
utama yang di bahas pada tugas akhir ini yaitu bagaimana membandingkan
metode yang lebih baik antara Certainty Factor dan Naïve Bayesian mengenai
akurasi data dengan jumlah masukkan gejala yang sama dalam mendeteksi
kemungkinan anak terkena disleksia.
 3

1.3 Maksud dan Tujuan

Maksud dari penelitian ini adalah menganalisis perbadningan metode
Certainty Factor dan Naïve Bayesian dalam mendeteksi kemungkinan anak
terkena disleksia.
Adapun tujuan dari penelitian ini adalah untuk menentukan satu metode
diantara metode Certainty Factor dan Naïve Bayesian yang memiliki akurasi
data yang paling baik dalam mendeteksi kemungkinan anak terkena disleksia.

1.4 Batasan Masalah

Batasan masalah dalam penulisan skripsi ini sebagai berikut :
1. Data yang digunakan pada aplikasi ini adalah 20 gejala-gejala
kemungkinan anak terkena disleksia.
2. Metode yang dibandingkan pada pendeteksi ini adalah Certainty
Factor dan Naïve Bayesian.
3. Masing-masing variabel pada metode Naïve Bayesian gejala diberi
nilai 1 untuk jawaban Ya dan 0 untuk jawaban Tidak.
4. Masing-masing variabel pada metode Certainty Factor gejala diberi
nilai range antara 0 sampai 1 untuk jawban Ya dan 0 atau tidak di
hitung untuk jawaban Tidak.
5. Komponen yang akan di ukur dalam membandingkan metode
Certainty factor dan Naïve Bayesian adalah akurasi data. Dengan
rumus akurasi = ( jumlah data benar / jumlah data keseluruhan ) x
100%.
6. Keluaran dalam pendeteksian ini berisi kesimpulan kemungkinan anak
terkena disleksia yang meliputi disleksia auditori, disleksia visual,
disleksia kombinasi.
7. Pengujian sistem yang digunakan adalah pengujian Whitebox dan
Blackbox.
4

8. Nilai MB (Meansure of Believe) dan MD ( Meansure of Disbelieve )

untuk metode Certainty Factor di dapat dari satu pakar.

1.5 Metode Penelitian

Metode penelitian yang digunakan dalam penulisan ini adalah sebagai berikut :
1. Tahap Pengumpulan Data
a. Studi Literatur
Pengumpulan data dengan cara mengumpulkan literature, jurnal, paper,
dan e-book yang ada kaitannya dengan judul penelitian.
b. Observasi
Tekni pengumpulan data dengan mengadakan penelitian dan peninjauan
langsung terhadap permasalahan yang diambil. Penelitian yang
dilakukan dengan cara wawancara dengan Pakar yang bernama Adimia
Rila Oktoga,S.Psi.,M.Psi. dengan alamat yang berada di Biro Psikologi
Dwipayana di Jl. Taman Cibunut Dalam No. 7 untuk memperoleh
gejala-gejala disleksia dan nilai MB (Meansure of Believe) dan MD
(Meansure of Disbelieve) untuk metode Certainty Factor mengenai
kepastian terhadap setiap gejala. Dan mengambil data gejala disleksia di
www.dyslexiaindonesia.com untuk mencocokkan hasil wawancara.
2. Eksperimen
Eksperimen yang dilakukan akan mengambil uji coba dengan beberapa
sample yang akan di ambil dari penelitian yang dilakukan. Dari kedua
metode tersebut akan dilakukan beberapa kali percobaan yang bertujuan
untuk melakukan pengujian agar solusi yang diharapkan mengenai
ketetapatan akurasi data pada deteksi disleksia ini sesuai dengan proses
yang dihasilkan.
 5

1.6 Sistematika Penulisan

Sistematika penulisan ini disusun untuk memberikan gambaran umum
tentang penelitian yang dijalankan. Sistematika penulisan tugas akhir ini adalah
sebagai berikut :
BAB 1 PENDAHULUAN
Bab ini berisi meliputi latar belakang permaslahan yaitu latar belakang
berdasarkan latar belakang masalah tersebut, penulis menyusun identifikasi
masalah yang diperjelas dengan pembatasan masalah yang akan di angkat
dalam tugas akhir ini. Manfaat penelitian akan dapat dirasakan apabila tujuan
penelitian telah tercapai. Metodologi penelitian merupakan tahapan dalam
menuntun penulis dalam mencapai tujuan skripsi.
BAB 2 LANDASAN TEORI
Bab ini menguraikan tentang teori-teori pendekatan yang digunakan untuk
menganalisis masalah dan teori yang di pakai dalam mengolah data penelitian
yaitu teori mengenai deteksi, teori disleksia, teori metode Certainty Factor dan
Naïve Bayesian, dan teori mengenai software pembangun simulator.
BAB 3 ANALISIS METODE
Bab ini merupakan tahapan untuk menganalisis perbandingan perhitungan
metode Certainty Factor dan Naïve Bayesian pada pendeteksi kemungkinan
anak terkena disleksia
BAB 4 IMPLEMENTASI DAN PENGUJIAN
Bab ini berisi tentang pengujian simulator menggunakan Blackbox dan
Whitebox, serta pengujian akurasi untuk kedua metode tersebut. Sehingga dapat
terlihat hasil perbandingan dari kedua metode tersebut.
BAB 5 PENUTUP
Bab ini berisi kesimpulan dan saran yang sudah diperoleh dari hasil penulisan
tugas akhir.
6

{Halaman ini dikosongkan}

 BAB 2
LANDASAN TEORI

2.1 Pengertian Deteksi

Deteksi adalah suatu proses untuk memeriksa atau melakukan pemeriksaan
terhadap sesuatu dengan menggunakan cara dan teknik tertentu. Deteksi dapat
digunakan untuk berbagai masalah, misalnya dalam sistem pendeteksi suatu
penyakit, dimana sistem mengidentifikasi masalah-masalah yang berhubungan
dengan penyakit yang biasa disebut gejala.
Tujuan dari deteksi adalah memecahkan suatu masalah dengan berbagai
cara tergantung metode yang diterapkan sehingga menghasilkan sebuah solusi.

2.2 Pengertian Disleksia

Disleksia berasal dari bahasa Greek, yakni dari kata “dys” yang berarti
kesulitan, dan kata “lexis” yang berarti bahasa. Jadi disleksia secara harafiah
berarti kesulitan dalam berbahasa. Anak disleksia tidak hanya mengalami
kesulitan dalam membaca, tetapi juga dalam hal mengeja, menulis, dan
beberapa aspek bahasa yang lain.
Kesulitan membaca pada anak disleksia ini tidak sebanding dengan tingkat
intelegensi ataupun motivasi yang dimiliki untuk kemampuan membaca dengan
tepat atau akurat, karena anak disleksia biasanya mempunyai level intelegensi
yang normal bahkan diantaranya diatas normal. Disleksia merupakan kelainan
dengan dasar kelainan neurobiologis, dan ditandai dengan kesulitan dalam
mengenali kata dengan tepat/akurat, dalam pengejaan dan dalam kemampuan
mengkode symbol.
Beberapa ahli lain mendefinisikan disleksia sebagai suatu kondisi
pemrosesan input atau informasi yang berbeda dari anak normal yang seringkali

7
8

ditandai dengan kesulitan dalam membaca, yang dapat mempengaruhi area

kognisi seperti daya ingat, kecepatan pemrosesan input, kemampuan
pengaturan waktu, aspek koordinasi dan pengendalian gerak. Dapat terjadi
kesulitan visual dan fonologis, juga biasanya terdapat perbedaan kemampuan di
berbagai aspek perkembangan.
Sebagian ahli membagi disleksia sebagai disleksia visual, disleksia
auditori, dan disleksia kombinasi (visual-auditori). Sebagian ahli lain membagi
disleksia berdasarkan apa yang dipersepsi oleh mereka yang mengalaminya
yaitu persepsi pembalikan konsep ( suatu kata dipersepsi sebagai lawan
katanya), persepsi disorientasi vertical atau horizontal (huruf atau kata
berpindah tempat dari depan ke belakang atau sebaliknya, dari barisan atas ke
barisan bawah dan sebaliknya), persepsi teks terlihat terbalik seperti di dalam
cermin, dan persepsi dimana huruf atau kata-kata tertentu jadi seperti
menghilang.
Adapun jenis-jenis dari disleksia yaitu disleksia auditori, disleksia visual,
dan disleksia kombinasi dijelaskan pada tabel 2.1. :
Table 2.1 Jenis-Jenis Disleksia

Jenis Disleksia Gejala

Tulisan tangan yang buruk atau berantakan
Ketika mendengarkan sesuatu, rentang perhatiannya pendek
Kesulitan membedakan huruf vocal dengan konsonan
Kesulitan mengingat rutinitas aktivitas sehari-hari atau
Disleksia Auditori
mencerna sesuatu secara berurutan
Ketidak akuratan dalam membaca seperti membaca lambat
kata demi kata jika dibandingkan dengan anak seusianya,
intonasi suara turun naik tidak teratur
Kesulitan membuat pekerjaan tertulis secara terstruktur
misalnya essay
Huruf tertukar tukar, misal ‘b’ tertukar ‘d’,’p’ tertukar ‘q’,
‘m’ tertukar ‘w’, ‘s’ tertukar ‘z’ misalnya papa-qaqa
Tulisan tangan yang buruk atau berantakan
Disleksia Visual Mengeluh pusing atau nyeri kepala atau sakit perut saat
membaca
Membaca lambat lambat dan terputus putus dan tidak tepat
Menghilangkan atau salah baca kata penghubung (“di”,
“ke”, “pada”)
Mengabaikan kata awalan pada waktu membaca (“menulis”,
 9

dibaca sebagai “tulis”)

Melihat atau merasakan gerakan-gerakan yang sebenarnya
tidak ada saat membaca, menulis atau menyalin
Kesulitan memahami kalimat yang dibaca ataupun yang
didengar dan melelahkan
Mengalami kesulitan mempelajari tulisan sambung
Kesulitan dalam mengingat kata-kata atau ingatan yang
buruk atau lemah terhadap informasi yang tidak pernah
dialami sebelumnya
Kesulitan mengingat nama-nama
Kesulitan / lambat mengerjakan PR
Kesulitan memahami konsep waktu atau kesulitan dalam
Disleksia
menyebutkan waktu, mengatur waktu ataupun melakukan
Kombinasi
sesuatu dengan tepat waktu
Kesulitan mengingat rutinitas aktivitas sehari-hari atau
mencerna sesuatu secara berurutan
Kesulitan membedakan kanan kiri
Tertukar-tukar kata (misalnya : dia-ada, sama-masa, lahu-
gula, batu-buta, tanam-taman, dapat-padat, mana-nama)
Ketidakakuratan dalam membaca seperti membaca lambat
kata demi kata jika dibandingkan dengan anak seusianya,
intonasi suara turun naik tidak teratur

Secara lebih khusus, anak disleksia biasanya mengalami masalah sebagai

berikut :
1. Masalah Fonologi
Yang dimaksud fonologi adalah hubungan sistematik antara huruf dan
bunyi. Misalnya anak mengalami kesulitan membedakan “paku”
dengan “palu” atau anak keliru memahami kata-kata yang mempunyai
bunyi hampir sama, misalnya “lima puluh” dengan ‘lima belas”.
Kesulitan ini tidak disebabkan masalah pendengaran namun berkaitan
dengan proses pengolahan input di dalam otak.
2. Masalah Mengingat Perkataan
Kebanyakan anak disleksia mempunyai level intelgensi normal atau
diatas normal namun mereka mempunyai kesulitan mengingat
perkataan. Mereka mungkin sulit menyebutkan nama teman-temannya
dan memilih untuk memanggilnya dengan istilah “temanku di sekolah”
atau “temanku yang laki-laki itu”. Mereka mungkin dapat menjelaskan
10

suatu cerita namun tidak dapat mengingat jawaban untuk pertanyaan

yang sederhana.
3. Masalah Penyusunan yang Sistematis / Sekuensial
Anak disleksia mengalami kesulitan menyusun sesuatu secara
berurutan misalnya susunan bulan dalam setahun, hari dalam seminggu
atau susunan huruf dan angka. Mereka sering lupa susunan aktivitas
yang sudah direncanakan sebelumnya, misalnya lupa apakah setelah
pulang sekolah langsung pergi ke tempat latihan sepak bola. Padahal
orang tua sudah mengingatkannya bahkan mungkin sudah pula ditulis
dalam agenda kegiatannya. Mereka juga mengalami kesulitan yang
berhubungan dengan perkiraan terhadap waktu. Misalnya mereka
mengalami kesulitan memahami intruksi.
4. Masalah Ingatan Jangka Pendek
Anak disleksia mengalami kesulitan memahami intruksi yang panjang
dalam satu waktu yang pendek. Misalnya ibu menyuruh anak untuk “
simpan tas di kamarmu dilantai atas, ganti pakaian, cuci kaki dan
tangan lalu turun ke bawah lagi untuk makan siang bersama ibu, tapi
jangan lupa bawa serta buku PR matematikanya ya”, maka
kemungkinan besar anak disleksia tidak melakukan seluruh intruksi
tersebut dengan sempurna karena tidak mampu mengingat seluruh
perkataan ibunya.
5. Masalah Pemahaman Sintaks
Anak disleksia sering mengalami kebingungan dalam memahami tata
bahasa, terutama jika dalam waktu yang bersamaan mereka
menggunakan dua atau lebih bahasa yang mempunyai tata bahasa yang
berbeda. Anak disleksia mengalami masalah tata bahasa keduanya
apabila pengaturan tata bahasanya berbeda daripada bahasa pertama.
Misalnya dalam bahasa Indonesia dikenal susunan diterangkan-
 11

menerangkan (contoh : tas merah), namun dalam bahasa Inggris dikenal

susunan menerangkan-diterangkan (contoh : red bag). [3]
2.3 Kecerdasan Buatan
Kecerdasan buatan atau Artificial Intelligence merupakan salah satu bagian
ilmu computer yang membuat agar mesin (komputer) dapat melakukan
pekerjaan seperti dan sebaik yang dilakukan manusia. Dengan adanya
kecerdasan buatan, diharapkan tidak menutup kemungkinan hanya dengan data
pengetahuan yang terbatas, sebuah computer dapat berpikir seperti manusia
dalam menghadapi masalah.

2.3.1. Metode Certainty Factor

Certainty Factor merupakan suatu metode yang digunakan untuk
menyatakan kepercayaan dalam sebuah kejadian ( fakta atau hipotesis)
berdasarkan bukti atau penilaian pakar. Secara konsep Certainty Factor
(CF) merupakan salah satu teknik yang digunakan untuk mengatasi
ketidakpastian dalam pengambilan keputusan. Certainty Factor dapat
terjadi dengan berbagai kondisi. Diantara kondisi yang terjadi adalah
terdapat beberapa antensenden (dalam rule yang berbeda ) dengan satu
konsekuen yang sama. Dalam kasus ini, kita harus mengagregasikan
nilai CF keseluruhan dari setiap kondisi yang ada. Pada konsep
Certainty Factor ini juga sering dikenal dengan adanya believe dan
disbelieve. Believe merupakan keyakinan, sedangkan disbelieve
merupakan ketidakyakinan. [1]
Adapun alur kinerja metode Certainty Factor yang akan dijelaskan
pada gambar 2.1 :
12

Gambar 2.1 Alur Metode Certainty Factor

Adapun Notasi atau rumusan dasar dari Certainty Factor , seperti

tampak pada persamaan 2.1 sebagai berikut :
�[ℎ, ] = � [ℎ, ] − � [ℎ, ]
Persamaan 2.1

Keterangan :
CF[h,e] : Certainty Factor dalam hipotesis h yang dipengaruhi oleh
fakta e.
MB[h,e] : Meansure of Believe, merupakan nilai kenaikan dari
kepercayaan hipotesis h dpengaruhi oleh fakta e.
MD[h,e] : Meansure of Disbelieve, merupakan nilai kenaikan dari
ketidakpercayaan hipotesis h dipengaruhi oleh fakta e.
h : hipotesis
e : evidence
 13

Adapun tipe-tipe nilai Certainty Factor untuk berbagai macam

istilah ketidakpastian [4] dijelaskan pada tabel 2.2 :
Table 2.2Tipe - tipe Nilai Certainty Factor

Istilah Ketidakpastian MB/MD

Pasti tidak (definitely not) -1.0
Hampir pasti tidak (Almost Certainty Not) -0.8
Mungkin tidak (probably not) -0.6
Barang kali tidak (maybe not) -0.4
Tidak tahu (unknown) -0.2 s/d 0.2
Barang kali (maybe) 0.4
Mungkin (probably) 0.6
Hampir pasti (Almost certainty) 0.8
Pasti (definitely) 1.0

2.3.2. Metode Naïve Bayesian

Teorema bayes dikemukakan oleh Thomas Bayes pada tahun 1763.
Teorema bayes digunakan untuk menghitung peluang atau probabilitas
terjadinya suatu peristiwa berdasarkan pengaruh yang di dapat dari hasil
observasi.
Metode Bayesian yang dipilih ialah metode Naïve Bayesian. Model
statistic dalam metode Naïve Bayesian merupakan salah satu model
yang sangat andal sebagai sistem pendukung keputusan. Konsep
probabilitas merupakan salah satu bentuk model statistic. Pada metode
ini semua atribut akan memberikan kontribusinya dalam pengambilan
keputusan, dengan bobot atribut yang sama penting dan setiap atribut
saling bebas satu sama lain.
Metode ini berfungsi untuk mencari nilai probabilitas tiap faktor
sehingga nantinya hasilnya akan dijadikan perhitungan untuk
menentukan apakah resikonya kecil, sedang atau besar.
Adapun alur perhitungan metode Naïve Bayesian dijelaskan pada
gambar 2.2 sebagai berikut :
14

Gambar 2.2 Alur Perhitungan Metode Naive Bayesian

Pada sistem ini hanya menggunakan jenis data yaitu data optional
jika jawaban nya Yam aka bernilai 1 dan jika jawabannya Tidak maka
bernilai 0. Untuk memperoleh hasil ekspektasi maksimal, probabilitas
dapat dirubah dengan mempertimbangkan semua faktor yang
mempengaruhi probabilitas tersebut, dalam hal ini metode ini sangat
berperan untuk menentukan probabilitas yang telah dipengaruhi oleh
faktor lain.
Pendekatan bayes pada saat klasifikasi adalah mencari probabilitas
tertinggi (VMAP) dengan masukan atribut (a1, a2, a3, …, an) seperti
tampak pada persamaan 2.2 berikut :
���� = arg max � | , , ,…,
vj∈ �
 15

Teorema Bayes sendiri berawal dari rumus berikut :

� �∩�
� �|� =
� �
Persamaan 2.2

Dimana P (A | B) artinya peluang A jika diketahui keadaan B

Rumus Formula Bayes
� �
� �|� = � �|�
� �
Persamaan 2.3

Dimana :
P(H|E) : Probabilitas hipotesis H jika terdapat evidence E
P(E|H) : Probabilitas munculnya evidence E jika diketahui
hipotesa H
Jika setelah dilakukan pengujian terhadap hipotesis, muncul satu
atau lebih evidence baru, maka :
� �|�, �
� �|�, � = � �|�
� �|�
Persamaan 2.4

Dimana :
e : evidence lama
E : evidence atau observasi baru
P(H|E,e) : Probabilitas adanya hipotesis H jika muncul evidence
baru E dari evidence lama e
P(H|E) : Probabilitas hipotesis H jika terdapat evidence E
P(e|E,H) : Probabilitas kaitan antara e dan e jika hipotesis h
benar
P(e|E) : Probabilitas kaitan antara e dan E tanpa memandang
hipotesis apapun.
16

2.4 Metode Pengujian

2.4.1. White Box

Pengujian white box dilakukan untuk menguji prosedur-prosedur
yang ada lintasan lojik yang dilalui oleh setiap bagian prosedur diuji
dengan memberikan kondisi / loop spesifik. Pengujian white box
menjamin pengujian terhadap semua lintasan yang tidak bergantungan
minimal satu kali, mencoba semua keputusan lojik dari sisi true dan
false, ekseskusi semua loop dalam batasan kondisi dan batasan
operasionalnya data pengujian validasi data internal.
Konsep pengujian basis path ialah sebagai berikut :
a. Merupakan bagian dari pengujian white box dalam hal
pengujian prosedur-prosedur.
b. Mempergunakan notasi aliran graph ( node, link untuk
merepresentasikan sequence, if, while, until, dll ).
c. Konsep kompleksitas cyclomatic antara lain cara perhitungan
daerah tertutup pada graph planar dimana dapat
menghubungkan batas atas jumlah pengujian yang harus
direncanakan dan di eksekusi untuk menjamin pengujian
seluruh statement program.
d. Memunculkan kasus-kasus yang akan diuji dengan membuat
daftar lintasan kasus pengujian berdasarkan kompleksitas dan
cyclomatic yang di dapat.
e. Membuat alat bantu untuk matrix graph yang membantu
pengawasan pengujian.

2.4.2. Black Box

Pengujian yang dilakukan untuk antarmuka perangkat lunak.
Pengujian ini dilakukan untuk memperlihatkan bahwa hasil fungsi-
fungsi bekerja dengan baik dalam arti masukan yang diterima dengan
 17

benar dan keluaran yang dihasilkan benar-benar tepat pengintegrasian

dari eksternal data berjalan dengan baik.
Metode pengujian black box memfokuskan pada requirement fungsi
dari perangkat lunak pengujian ini merupakan kompetensi dari
pengujian white box. Pengujian white box dilakukan pada tahap akhir
dari pengujian perangkat lunak.
Proses yang terdapat dalam proses pengujian black box antara lain
sebagai berikut :
a. Pembagian kelas data untuk pengujian setiap kasus yang
muncul pada pengujian white box.
b. Analisis batasan nilai yang berlaku untuk setiap data.

2.5 WAMP SERVER 2.2

WAMP ( Windows, Apache, MySQL, PHP) merupakan server yang dapat
dijalankan computer tanpa memerlukan sambungan internet. Server di
computer ini disebut dengan Local Server (Localhost) yang mana server ini
nantinya akan kita install website hosting yang sudah memiliki system CMS (
Content Management System), proses intalasi WebHosting CMS di local server
ini disebut juga proses pembuatan database di komputer /local Server
(localhost).

2.6 PHP (Hypertext Prepocessor)

Pada awalnya PHP merupakan kependekan dari Personal Home Page
(Situs Personal). PHP pertama kali dibuat oleh Rasmus Lerdorf pada tahun
1995. Pada waktu itu PHP masih bernama Form Interpreted (FI), yang
wujudnya berupa sekumpulan skrip yang digunakan untuk mengolah data
formulir dari web.
Selanjutnya Rasmus merilis kode sumber tersebut untuk umum dan
menamakannya PHP/FI. Dengan perilisan kode sumber ini menjadi sumber
18

terbuka, maka banyak pemrograman yang tertarik untuk ikut mengembangkan

PHP.
Pada November 1997, dirilis PHP?FI 2.0 Pada rilis ini, interpreter PHP
sudah diimplementasikan dalam program C. Dalam rilis ini disertakan juga
modul-modul ekstensi yang meningkatkan kemampuan PHP/FI secara
signifikan.
Pada tahun 1997, sebuah perusahaan bernama Zend menulis ulang
interpreter PHP menjadi lebih bersih, lebih baik, dan lebih cepat. Kemudian
pada Juni 1998, perusahaan tersebut merilis interpreter baru untuk PHP dan
meresmikan rilis tersebut sebagai PHP 3.0 dan singkatan PHP diubah menjadi
akronim berulang PHP : Hypertext Preprocessing.
Pada pertengahan tahun 1999, Zend merilis interpreter PHP baru dan rilis
tersebut dikenal dengan PHP 4.0. PHP 4.0 adalah versi PHP yang paling
banyak dipakai pada awal abad ke-21. Versi ini banyak dipakai disebabkan
kemampuannya untuk membangun aplikasi web kompleks tetapi tetap memiliki
kecepatan dan stabilitas yang tinggi.
Pada Juni 2004, Zend merilis PHP 5.0. Dalam versi ini dari interpreter PHP
mengalami perubahan besar. Versi ini juga memasukkan model pemrograman
berorieantasi objek ke dalam PHP untuk menjawab perkembangan bahasa
pemrograman kea rah paradigm berorientasi objek.

2.7 MySQL
MySQL adalah sebuah perangkat lunak sistem manajemen basis data SQL
dalam bahasa Inggris yang berarti Database Management System atau DBMS
yang multithread, multi-user, dengan sekitar 6 juta instalasi diseluruh dunia.
Tidak sama dengan proyek-proyek seperti Apache, dimana perangkat lunak
dikembangkan oleh komunitas umum, dan hak cipta untuk kode sumber
dimiliki oleh penulisnya masing-masing. MySQL dimiliki dan disponsori oleh
sebuah perusahaan komersial Swedia MySQl AB, dimana memegang hak cipta
 19

hampir atas semua kode sumbernya. Kedua orang Swedia dan satu orang
Finlandia yang mendirikan MySQL AB adalah : David axmark, Allan Larsson,
dan Michael “Monty” Widenius.
MySQL adalah sebuah implementasi dari sistem manajemen basisdata
relasional (RDBMS) yang didistribusikan secara gratis dibawah lisensi GPL
(General Public License). Setiap pengguna dapat secara bebas menggunakan
MySQL, namun dengan batasan perangkat lunak tersebut tidak boleh dijadikan
produk turunan yang bersifat komersial. MySQL sebenarnya merupakan turunan
salah satu konsep utama dalam basisdata yang telah ada sebelumnya. SQL (
Structured Query Language). SQL adalah sebuah konsep pengoperasian
basisdata, terutama untuk pemilihan atau seleksi dan pemasukkan data, yang
memungkinkan pengoperasian data dikerjakan dengan mudah secara otamatis.
Kehandalan suatu sistem basisdata (DBMS) dapat diketahui dari cara kerja
pengoptimasi-nya dalam melakukan proses perintah-perintah SQL yang dibuat
oleh pengguna maupun program-program aplikasi yang memanfaatkannya.
Sebagai peladen basis data, MySQL mendukung operasi basis data
transaksional maupun operasi basis data non-transaksional. Pada modus operasi
non-transaksional, MySQL dapat dikatakan unggul dalam hal unjuk kerja
dibandingkan perangkat lunak peladen basisdara competitor lainnya. Namun
demikian pada modus non-transaksional tidak ada jaminan atas reliabilitas
terhadap data yang tersimpan, karenanya modus non-transaksional hanya cocok
untuk jenis aplikasi yang tidak membutuhkan reabilitas data seperti aplikasi
blogging berbasis web (wordpress), CMS dan sejenisnya. Untuk kebutuhan
sistem yang ditunjukkan untuk bisnis sangat disarankan untuk menggunakan
modus basisdata transaksional, hanya saja sebagai konsekuensinya unjuk kerja
MySQL pada modus transaksional tidak secepat unjuk kerja pada modus non-
transaksional.
20

2.8 Adobe dreamweaver CS 5

Adobe Dreamweaver merupakan program penyunting halaman web
keluaran Adobe System yang dulu dikenal sebagai Macromedia dreamweaver
keluaran macromedia. Program ini banyak digunakan oleh pengembang web
karena fitur-fiturnya yang menarik dan kemudahan penggunaannya. Versi
terakhir macromedia Dreamweaver sebelum Macromedia dibeli oleh Adobe
Systems yaitu versi 8. Versi terakhir Dreamweaver keluaran Adobe Systems
adalah versi 12 yang ada dalam Adobe Creative Suite 6 (sering disingkat Adobe
CS6).
Adobe Dreamweaver adalah aplikasi desain dan pengembangan web yang
menyediakan editor WYSIWYG visual (bahasa sehari-hari yang disebut
sebagai Design View) dank ode editor dengan fitur standar seperti syntax
highlighting, code completion, dan code collapsing serta fitur lebih canggih
seperti real-time syntax checking dan code introspection untuk menghasilkan
petunjuk kode untuk membantu pengguna dalam menulis kode. Tata letak
tampilan design memfasilitasi desain cepat dan pembuatan kode seperti
memungkinkan pengguna dengan cepat membuat tata letak dan manipulasi
elemen HTML.
Dreamweaver memiliki fitur browser yang terintegrasi untuk melihat
halaman web yang dikembangkan di jendela pratinjau program sendiri agar
konten memungkinkan untuk terbuka di web browser yang telah terinstalll.
Aplikasi ini menyediakan transfer dan fitur sinkronisasi, kemampuan untuk
mencari dan menggangti baris teks atau kode untuk mencari kata atau kalimat
biasa di seluruh situs, dan templating feature yang memungkinkan untuk
berbagi satu sumber kode atau memperbarui tata letak di seluruh situs tanpa
server side includes atau scripting. Behavior panel juga memungkinkan
penggunaan javascript dasar tanpa pengetahuan coding, dan integrasi dengan
Adobe Spry Ajax framework menawarkan akses mudah ke konten yang dibuat
secara dinamis dan interface.
 21

Dreamweaver dapat menggunakan ekstensi dari pihak ketiga untuk

memperpanjang fungsionalitas inti dari aplikasi, yang setiap pengembang web
bisa menulis (sebagian besar dalam HTML dan javaScript). Dreamweaver
didukung oleh komunitas besar pengembang ekstensi yang membuat ekstensi
yang tersedia (baik komersial maupun yang gratis) untuk pengembangan web
dari efek rollover sederhana sampai full-featured shopping chart.

2.9 Adobe Photoshop CS 3

Adobe photoshop, atau biasa disebut Photoshop, adalah perangkat lunak
editor citra buatan adobe systems yang dikhususkan pengeditan foto/gambar
dan pembuatan efek. Perangkat lunak ini banyak digunakan oleh fotografer
digital dan perusahaan iklan sehingga dianggap sebagai pemimpin pasar
(market leader) untuk perangkat lunak pengolah gambar/foto dan bersama
Adobe acrobat, dianggap sebagai produk terbaik yang pernah diproduksi oleh
Adobe Systems. Versi kedelapan aplikasi ini disebut dengan nama photoshop
CS (Creative Suite), versi Sembilan disebut Adobe Photoshop CS2, versi
sepuluh disebut Adobe Photoshop CS3, versi kesebelas adalah Adobe
Photoshop CS4, versi keduabelas adalah Adobe Photoshop CS5, dan versi yang
terakhir ketiga belas adalah Adobe Photoshop CS6.
Photoshop tersedia untuk Microsoft Windows, Mac OS X, dan Mac OS
versi 9 ke atas juga dapat digunakan oleh sistem operasi lain seperti Linux
dengan bantuan perangkat lunak tertentu seperti Crossover.
Pada tahun 1987, Thomas Knoll, mahasiswa PhD di Universitas Michigan,
mulai menulis sebuah program pada Macintosh Plus-nya untuk menampilkan
gambar grayscale pada layar monokrom. Program ini, yang disebut Display,
menarik perhatian saudaranya John Knoll, seorang karyawan di Industrial light
& Magic, yang merekomendasikan Thomas agar merubah programnya menjadi
program penyunting gambar penuh. Thomas mengambil enam bulan istirahat
dari studi pada tahun 1988 untuk berkolaborasi dengan saudaranya pada
22

program itu yang telah di ubah namanya menjadi ImagePro. Setelah itu,
Thomas mengubah nama programnya menjadi Photoshop dan bekerja dalam
jangka pendek dengan produsen scanner Barneyscan untuk mendistribusikan
salinan dari program tersebut dengan slide scanner.
Selama waktu itu, johm berpergian ke silicon Valley di California dan
memberikan demonstrasi program itu kepada insinyur di Apple Computer inc.
dan Russel Brown, direktur seni di adobe. Kedua demonstrasi itu berhasil, dan
Adobe memutuskan untuk membeli lisensi untuk mendistribusikan pada bulan
September 1988. Sementara John bekerja pada plug-in di California, Thomas
tetap di Ann Arbor untuk menulis kode program. Photoshop 1.0 dirilis pada
1990 khusus untuk Macintosh.
 BAB 3
ANALISIS METODE

3.1 Analisis Masalah

Dalam suatu deteksi, akurasi data adalah suatu komponen yang penting
demi tercapainya solusi yang diharapkan. Dalam penelitian sebelumnya
terdapat jurnal yang diteliti oleh Putu Ary Darma Yasa yang berjudul Sistem
Pakar Penyakit Kulit pada Manusia Menggunakan Metode Certainty Factor
Berbasis Web [1] dijelaskan bahwa metode Certainty Factor dalam mendeteksi
penyakit kulit memiliki hasil akurasi sebesar 73,15%. Sedangkan pada
penelitian yang dilakukan oleh Diana Laily Fithri yang berjudul Sistem
Pendeteksian Penyimpangan Tingkah Laku Anak Usia 0 sampai 3 Tahun
dengan Metode Bayesian [2] dijelaskan bahwa metode Bayesian mampu
mendeteksi tingkah laku anak melalui gejala-gejala yang sudah ada tetapi dalam
jurnal tersebut tidak dijelaskan mengenai tingkat akurasi metode Bayesian
dalam mendeteksi kasus tersebut.
Dalam kedua penelitian tersebut hanya metode Certainty Factor yang
memiliki tingkat akurasi sedangkan metode Bayesian tidak memiliki tingkat
akurasi pada kasus tersebut. Maka dari itu akan dilakukan suatu analisis
perbandingan mengenai akurasi dari kedua metode tersebut dengan kasus yang
sama yaitu dalam mendeteksi kemungkinan anak terkena disleksia. Karena
tidak diketahui apakah hasil akurasi yang dihasilkan oleh Certainty Factor akan
lebih besar atau tidak begitu juga dengan Naïve Bayesian apakah dapat
menghasilkan akurasi yang lebih baik dari metode Certainty Factor atau tidak
jika dibandingkan dalam kasus yang sama. Karena suatu metode yang baik
untuk suatu kasus belum tentu baik untuk kasus yang berbeda.

23
24

Berdasarkan permasalahan tersebut maka akan dilakukan suatu analisis

untuk beberapa hal yang diperlukan dalam penelitian BAB 3 ini yaitu
perbandingan antara metode Certainty Factor dan Naïve Bayesian untuk
mengetahui metode mana yang lebih baik dalam ketepatan akurasi data dengan
jumlah masukkan yang sama melalui gejala-gejala disleksia.

3.2 Alur Pendeteksi

Subbab ini akan menjelaskan alur dari keseluruhan deteksi kemungkinan
anak terkena disleksia menggunakan Certainty Factor dan Naïve Bayesian
yang akan ditunjukkan dengan menggunakan flowchart pada Gambar 3.1
sebagai berikut :

Gambar 3.1 Flowchart Sistem Pendeteksi Disleksia

 25

Gambar 3.1 di atas menjelaskan alur dari keseluruhan sistem deteksi

kemungkinan anak terkena disleksia. Proses-proses di dalam alur tersebut yaitu
masukkan user berupa gejala-gejala disleksia, pemilihan metode yang akan
digunakan yaitu metode Certainty Factor dan Naïve Bayesian, proses dengan
menggunakan metode yang telah dipilih, dan hasil deteksi
Dari proses-proses tersebut maka akan diketahui hasil deteksi dari kedua
metode tersebut mana yang lebih baik dalam segi akurasi data dalam
menghasilkan solusi kemungkinan anak terkena disleksia.

3.3 Analisis Gejala Disleksia

Gejala-gejala yang nanti nya akan diproses dan menjadi analisis masukan
adalah gejala-gejala disleksia yang terbagi menjadi tiga jenis disleksia yaitu
disleksia auditori, disleksia visual, dan disleksia kombinasi. Berikut adalah 20
gejala yang terdapat pada disleksia dapat dilihat di tabel 3.1.
Table 3.1 Gejala-Gejala Disleksia

Jenis Disleksia
No Gejala
Auditori Visual Kombinasi
Kesulitan membuat pekerjaan
1 tertulis secara terstruktur misalnya 
essay
Huruf tertukar tukar, misal ‘b’
tertukar ‘d’,’p’ tertukar ‘q’,’m’
2 
tertukar ‘w’,’s’ tertukar ‘z’.
Misalnya papa-qaqa
Melihat atau merasakan gerakan-
gerakan yang sebenarnya tidak ada
3 
saat membaca, menulis atau
menyalin
Kesulitan memahami kalimat yang
4 dibaca ataupun yang didengar dan 
melelahkan
Tulis tangan yang buruk atau
5  
berantakan
Mengalami kesulitan mempelajari
6 
tulisan sambung
Ketika mendengarkan sesuatu,
7 
rentang perhatiannya pendek
Kesulitan dalam mengingat kata-
8 
kata atau ingatan yang buruk atau
26

lemah terhadap informasi yang

tidak pernah dialami sebelumnya
9 Kesulitan mengingat nama-nama 
10 Kesulitan/lambat mengerjakan PR 
Kesulitan memahami konsep waktu
atau kesulitan dalam menyebutkan
11 waktu, mengatur waktu ataupun 
melakukan sesuatu dengan tepat
waktu
Kesulitan membedakan huruf vocal
12 
dengan konsonan
Mengeluh pusing atau nyeri kepala
13 
atau sakit perut saat membaca
Kesulitan mengingat rutinitas
14 aktivitas sehari-hari atau mencerna  
sesuatu secara berurutan
15 Kesulitan membedakan kanan kiri 
Membaca lambat-lambat dan
16 
terputus-putus dan tidak tepat
Menghilangkan atau salah baca
17 kata penghubung (“di”, 
“ke”,”pada”)
Mengabaikan kata awalan pada
18 waktu membaca(“menulis” dibaca 
sebagai “tulis”)
Tertukar-tukar kata(misalnya : dia-
ada, sama-masa, lagu-gula, batu-
19 
buta,tanam-taman, dapat-padat,
mana-nama)
Ketidak akuratan dalam membaca
seperti membaca lambat kata demi
20 kata jika dibandingkan dengan  
anak sseusianya, intonasi suara
turun naik tidak teratur

3.3.1 Analisis Data Masukkan

Data yang digunakan sebagai masukan ke dalam deteksi yaitu
gejala. Berikut adalah 20 gejala yang berupa pertanyaan yang termasuk
gejala-gejala disleksia untuk analisis data masukkan Certainty Factor
dan Naïve Bayesian.
3.3.1.1 Analisis Data Masukkan Certainty Factor
Berikut adalah variabel Input Gejala-gejala disleksia untuk
dijadikan data masukkan pada sistem yang dijelaskan pada tabel 3.2.
 27

Table 3.2 Variabel Input Gejala-gejala untuk Metode Certainty Factor

No. Gejala Variabel Nilai

1. Kesulitan membuat pekerjaan tertulis Ya 0..1
secara terstruktur misalnya essay Tidak 0
2. Huruf tertukar-tukar, misal ‘b’ Ya 0..1
tertukar ‘d’,’p’ tertukar ‘q’,’m’ Tidak 0
tertukar ‘w’, ‘s’ tertukar ‘z’. misalnya
papa-qaqa
3. Melihat atau merasakan gerakan- Ya 0..1
gerakan yang sebenarnya tidak ada Tidak 0
saat membaca, menulis, atau menyalin
4. Kesulitan memahami kalimat yang Ya 0..1
dibaca ataupun yang di dengar dan Tidak 0
melelahkan
5 Tulisan tangan yang buruk atau Ya 0..1
berantakan Tidak 0
6 Mengalami kesulitan mempelajari Ya 0..1
tulisan sambung Tidak 0
7 Ketika mendengarkan sesuatu, rentang Ya 0..1
perhatiannya pendek Tidak 0
8 Kesulitan dalam mengingat kata-kata Ya 0..1
atau ingatan yang buruk atau lemah Tidak 0
terhadap informasi yang tidak pernah
dialami sebelumnya
9 Kesulitan mengingat nama-nama Ya 0..1
Tidak 0
10 Kesulitan/lambat mengerjakan PR Ya 0..1
Tidak 0
11 Kesulitan memahami konsep waktu Ya 0..1
atau kesulitan dalam menyebutkan Tidak 0
waktu, mengatur waktu ataupun
melakukan sesuatu dengan tepat
waktu
12 Kesulitan membedakan huruf vocal Ya 0..1
dengan konsonan Tidak 0
13 Mengeluh pusing atau nyeri kepala Ya 0..1
atau sakit perut saat membaca Tidak 0
14 Kesulitan mengingat rutinitas aktivitas Ya 0..1
sehari-hari atau mencerna sesuatu Tidak 0
secara berurutan
15 Kesulitan membedakan kanan kiri Ya 0..1
Tidak 0
16 Membaca lambat lambat dan terputus- Ya 0..1
putus dan tidak tepat Tidak 0
17 Menghilangkan atau salah baca kata Ya 0..1
penghubung (“di”,”ke”,”pada”) Tidak 0
18 Mengabaikan kata awalan pada waktu Ya 0..1
membaca (“menulis” dibaca sebagai Tidak 0
“tulis”)
28

19 Tetukar tukar kata (misalnya : dia- Ya 0..1

ada,sama-masa,lagu-gula,batu- Tidak 0
buta,tanam-taman,dapat-padat,mana-
nama)
20 Ketidak akuratan dalam membaca Ya 0..1
seperti membaca lambat kata demi Tidak 0
kata jika dibandingkan dengan anak
seusianya, intonasi suara turun naik
tidak teratur

Berdasarkan tabel 3.1 gejala-gejala tersebut disusun yang akan

menjadi data masukkan pada pendeteksi. Untuk setiap nilai range
antara 0 sampai satu untuk jawaban “Ya” dan 0 atau tidak di hitung
untuk jawaban “Tidak”.

3.3.1.2 Analisis Data Masukkan Naïve Bayesian

Berikut adalah variabel Input Gejala-gejala disleksia untuk
dijadikan data masukkan pada sistem yang dijelaskan pada tabel 3.3
Table 3.3 Variabel Input Gejala-gejala untuk Metode Naive Bayesian

No. Gejala Variabel Nilai

1. Kesulitan membuat pekerjaan tertulis Ya 1
secara terstruktur misalnya essay Tidak 0
2. Huruf tertukar-tukar, misal ‘b’ Ya 1
tertukar ‘d’,’p’ tertukar ‘q’,’m’ Tidak 0
tertukar ‘w’, ‘s’ tertukar ‘z’. misalnya
papa-qaqa
3. Melihat atau merasakan gerakan- Ya 1
gerakan yang sebenarnya tidak ada Tidak 0
saat membaca, menulis, atau menyalin
4. Kesulitan memahami kalimat yang Ya 1
dibaca ataupun yang di dengar dan Tidak 0
melelahkan
5 Tulisan tangan yang buruk atau Ya 1
berantakan Tidak 0
6 Mengalami kesulitan mempelajari Ya 1
tulisan sambung Tidak 0
7 Ketika mendengarkan sesuatu, rentang Ya 1
perhatiannya pendek Tidak 0
8 Kesulitan dalam mengingat kata-kata Ya 1
atau ingatan yang buruk atau lemah Tidak 0
terhadap informasi yang tidak pernah
dialami sebelumnya
9 Kesulitan mengingat nama-nama Ya 1
 29

Tidak 0
10 Kesulitan/lambat mengerjakan PR Ya 1
Tidak 0
11 Kesulitan memahami konsep waktu Ya 1
atau kesulitan dalam menyebutkan Tidak 0
waktu, mengatur waktu ataupun
melakukan sesuatu dengan tepat
waktu
12 Kesulitan membedakan huruf vocal Ya 1
dengan konsonan Tidak 0
13 Mengeluh pusing atau nyeri kepala Ya 1
atau sakit perut saat membaca Tidak 0
14 Kesulitan mengingat rutinitas aktivitas Ya 1
sehari-hari atau mencerna sesuatu Tidak 0
secara berurutan
15 Kesulitan membedakan kanan kiri Ya 1
Tidak 0
16 Membaca lambat lambat dan terputus- Ya 1
putus dan tidak tepat Tidak 0
17 Menghilangkan atau salah baca kata Ya 1
penghubung (“di”,”ke”,”pada”) Tidak 0
18 Mengabaikan kata awalan pada waktu Ya 1
membaca (“menulis” dibaca sebagai Tidak 0
“tulis”)
19 Tetukar tukar kata (misalnya : dia- Ya 1
ada,sama-masa,lagu-gula,batu- Tidak 0
buta,tanam-taman,dapat-padat,mana-
nama)
20 Ketidak akuratan dalam membaca Ya 1
seperti membaca lambat kata demi Tidak 0
kata jika dibandingkan dengan anak
seusianya, intonasi suara turun naik
tidak teratur

Berdasarkan tabel 3.3 diatas metode Naïve Bayesian diasumsikan

gejala-gejala dalam setiap variabel akan diberikan nilai 0 atau 1 dimana
nilai 0 untuk jawaban “Tidak” dan nilai 1 untuk jawban “Ya”.

3.3.2 Analisis Data Keluaran

Data yang digunakan sebagai keluaran dari hasil deteksi yaitu
berbeda untuk Certainty Factor dan Naïve Bayesian. Berikut adalah
analisis data keluaran untuk Certainty Factor dan Naïve Bayesian.
30

3.3.2.1 Analisis Data Keluaran Metode Certainty Factor

Berikut adalah keterangan hasil keluaran dari metode Certainty
Factor yang dijelaskan pada tabel 3.4.
Table 3.4 Keterangan Hasil Keluaran Certainty Factor

Rumus Keterangan
Nilai CF auditori > CF visual > CF Disleksia Auditori
kombinasi
Nilai CF visual > CF auditori > CF Disleksia Visual
kombinasi
Nilai CF kombinasi > CF visual > CF Disleksia Kombinasi
auditori

Pada tabel 3.4 diatas menjelaskan bahwa hasil keluaran dari sistem
pendeteksi disleksia menghasilkan klasifikasi disleksia atau jenis
disleksia menggunakan metode Certainty Factor.

3.3.2.2 Analisis Data Keluaran Metode Naïve Bayesian

Berikut adalah keterangan hasil keluaran dari metode Naïve
Bayesian yang dijelaskan pada tabel 3.5.
Table 3.5 Keterangan Hasil Keluaran Naive Bayesian

Rumus Keterangan
P(Y=A) > P(Y=V) > P(Y=K) Disleksia Auditori
P(Y=V) > P(Y=A) > P(Y=K) Disleksia Visual
P(Y=K) > P(Y=A) > P(Y=V) Disleksia Kombinasi

Pada tabel 3.5 diatas menjelaskan bahwa hasil keluaran dari sistem
pendeteksi disleksia menghasilkan klasifikasi disleksia atau jenis
disleksia menggunakan metode Naïve Bayesian.

3.4 Tahapan Analisis Metode

Sub-bab ini akan menjelaskan tahapan-tahapan apa saja untuk analisis
metode pada sistem pendeteksi kemungkinan anak terkena disleksia yang akan
ditunjukkan dengan block diagram pada gambar 3.2 di bawah ini :
 31

Gambar 3.2 Tahapan Analisis Metode

Gambar 3.2 menjelaskan tahapan-tahapan analisis metode mulai dari

menentukan inputan awal mengenai gejala-gejala disleksia dan dip roses
menggunakan Certainty Factor dan Naïve Bayesian hasilnya akan dilakukan
analisis perbandingan mengenai akurasi data dalam menghasilkan solusi
kemungkinan anak terkena disleksia. Setelah menganalisis keempat tahapan
tersebut kemudian di dapat sebuah hasil dari analisis yang telah di lakukan.
Tahapan-tahapan di atas akan dijelaskan pada sub-bab selanjutnya.

3.4.1 Perhitungan Metode

Perhitungan metode menjelaskan cara-cara dari metode Certainty
Factor dan Naïve Bayesian dalam mendeteksi kemungkinan anak
terkena disleksia auditori, visual atau kombinasi.

3.4.1.1 Perhitungan Metode Certainty Factor

Berdasarkan gejala-gejala yang di masukkan ke dalam sistem,
sistem tersebut akan melakukan proses perhitungan dengan metode
Certainty Factor. Pada akhir perhitungan akan di dapat kesimpulan
berupa keluaran jenis disleksia yang terjadi pada anak. Berikut adalah
32

bagan alir perhitungan metode Certainty Factor yang dijelaskan pada

Gambar 3.3 berikut ini :

Gambar 3.3 Alur Perhitungan Metode Certainty Factor

Berikut adalah perhitungan Metode Certainty Factor. Dimulai dari

inisialisasi gejala untuk metode Certainty Factor yang akan dijelaskan
pada tabel 3.6 berikut ini :
Table 3.6 Inisialisasi Gejala untuk Metode Certainty Factor

Inisialisasi
Keterangan Gejala
Gejala
A: Kesulitan membuat pekerjaan tertulis secara terstruktur
B: Huruf tertukar-tukar misal ‘b’ tertukar ‘d’, ‘p’ tertukar ‘q’, ‘m’
tertukar ‘w’, ‘s’ tertukar ‘z’. misalnya papa-qaqa
C: Melihat atau merasakan gerakan-gerakan yang sebenarnya
tidak ada saat membaca, menulis atau menyalin
D: Kesulitan memahami kalimat yang dibaca ataupun yang di
dengar dan melelahkan
E: Tulisan tangan yang buruk atau berantakan
F: Mengalami kesulitan mempelajari tulisan sambung
G: Ketika mendengarkan sesuatu, rentang perhatiannya pendek
H: Kesulitan dalam mengingat kata-kata atau ingatan yang buruk
 33

atau lemah terhadap informasi yang tidak pernah dialami

sebelumnya
I: Kesulitan mengingat nama-nama
J: Kesulitan/ lambat mengerjakan PR
K: Kesulitan memahami konsep waktu atau kesulitan dalam
menyebutkan waktu, mengatur waktu ataupun melakukan
sesuatu dengan tepat waktu.
L: Kesulitan membedakan huruf vocal dengan konsonan
M: Mengeluh pusing atau nyeri kepala atau sakit perut saat
membaca
N: Kesulitan mengingat rutinitas aktivitas sehari-hari atau
mencerna sesuatu secara berurutan
O: Kesulitan membedakan kanan kiri
P: Membaca lambat-lambat dan terputus-putus dan tidak tepat
Q: Menghilangkan atau salah baca kata penghubung
(“di”.”ke”,”pada”)
R: Mengabaikan kata awalan pada waktu membaca (“menulis”
dibaca “tulis”)
S: Tertukar-tukar kata (misalnya : dia-ada, sama-masa, lagu-gula,
batu-bata, tanam-taman, dapat-padat, mana-nama)
T: Ketidak akuratan dalam membaca seperti membaca lambat
kata demi kata jika dibandingkan dengan anak seusianya,
intonasi suara turun naik tidak teratur

Setelah inisialisasi gejala diatas selanjutnya menentukan nilai MB

dan MD untuk setiap klasifikasi disleksia. Nilai MB dan MD untuk
setiap klasifikasi disleksia di dapat dari seorang pakar bernama Adimia
Rila Oktoga, Spsi.,M.Psi. yang sudah dilakukan wawancara yang ada di
lampiran mengenai nilai kepastian atau nilai ketidakpastian terhadap
masing-masing gejala yang dapat dijelaskan pada tabel 3.7 berikut ini :
Table 3.7 Nilai MB dan MD untuk Setiap Klasifikasi Gejala Disleksia

Disleksia
Disleksia Auditori Disleksia Visual
No Gejala Kombinasi
MB MD MB MD MB MD
1 A 0.6 0.4 0.8 0.2 0.4 0.6
2 B 0.8 0.2 0.8 0.2 0.8 0.2
3 C 0.2 0.2 0.4 0.6 0.6 0.4
4 D 0.8 0.2 0.8 0.2 0.6 0.4
5 E 0.4 0.6 0.6 0.4 0.4 0.6
6 F 0.6 0.4 0.6 0.4 0.6 0.4
7 G 0.6 0.4 0.4 0.6 0.6 0.4
8 H 0.6 0.4 0.4 0.6 0.6 0.4
9 I 0.6 0.4 0.4 0.6 0.4 0.6
34

10 J 0.6 0.4 0.8 0.2 0.6 0.4

11 K 0.6 0.4 0.4 0.6 0.4 0.6
12 L 0.4 0.6 0.4 0.6 0.6 0.4
13 M 0.8 0.2 1 0 0.8 0.2
14 N 0.4 0.6 0.4 0.6 0.4 0.6
15 O 0.6 0.4 0.6 0.4 0.6 0.4
16 P 0.8 0.2 0.8 0.2 0.6 0.4
17 Q 0.6 0.4 0.6 0.4 0.6 0.4
18 R 0.6 0.4 0.6 0.4 0.6 0.4
19 S 0.6 0.4 0.6 0.4 0.6 0.4
20 T 0.8 0.2 0.8 0.2 0.6 0.4

Keterangan :
MB : Nilai Kepastian terhadap setiap gejala
MD : Nilai ketidakpastian terhdap setiap gejala

Setelah di dapat nilai MB dan MD untuk setiap gejala maka dapat

ditentukan Rule untuk setiap perhitungan Certainty Factor. Rule dipakai
dengan menggunakan operator AND dimana jika tidak ada salah satu
gejala diantara beberapa gejala yang ada pada satu klasifikasi maka
hasilnya akan termasuk ke dalam klasifikasi gejala disleksia yang telah
di sesuaikan menurut klasifikasi disleksia. Berikut cara perhitungan
metode Certainty Factor dengan Rule jika 20 gejala disleksia yang di
pilih maka hasilnya disleksia kombinasi. Jika tidak maka perhitungan
tidak sesuai dengan klasifikasi disleksia. Hal ini disebakan oleh nilai
MB dan nilai MD yang kurang tepat.
Berikut adalah proses perhitungan CF berdasarkan persamaan 2.1
rumus Certainty Factor untuk setiap klasifikasi disleksia yang
dijelaskan pada beberapa tabel berikut ini :
1. Disleksia Auditori
Table 3.8 Proses Perhitungan Nilai CF Disleksia Auditori

Gejala Perhitungan MB
A 0.6+(0.6*(1-0.6)) 0.84
A AND B 0.84+(0.8*(1-0.84)) 0.968
 35

A AND B AND C 0.968+(0.2*(1-0.968)) 0.9744

A AND B AND C 0.9744+(0.8*(1-0.9744)) 0.99488
AND D
A AND B AND C 0.99488+(0.4*(1-0.99488)) 0.996928
AND D AND E
A AND B AND C 0.996928+(0.6*(1- 0.9987712
AND D AND E 0.996928))
AND F
A AND B AND C 0.9987712+(0.6*(1- 0.99950848
AND D AND E 0.9987712))
AND F AND G
A AND B AND C 0.99950848+(0.6*(1- 0.999803392
AND D AND E 0.99950848))
AND F AND G
AND H
A AND B AND C 0.999803392+(0.6*(1- 0.9999213568
AND D AND E 0.999803392))
AND F AND G
AND H AND I
A AND B AND C 0.9999213568+(0.6*(1- 0.9999674627
AND D AND E 0.9999213568))
AND F AND G
AND H AND I
AND I AND J
A AND B AND C 0.9999674627+(0.6*(1- 0.9999869851
AND D AND E 0.9999674627))
AND F AND G
AND H AND I
AND I AND J
AND K
A AND B AND C 0.9999869851+(0.4*(1- 0.9999921911
AND D AND E 0.9999869851))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
A AND B AND C 0.9999921911+(0.4*(1- 0.9999984382
AND D AND E 0.9999921911))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M
A AND B AND C 0.9999984382+(0.4*(1- 0.9999990629
AND D AND E 0.9999984382))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
A AND B AND C 0.9999990629+(0.6*(1- 0.9999996252
36

AND D AND E 0.9999990629))

AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O
A AND B AND C 0.9999996252+(0.6*(1- 0.999999925
AND D AND E 0.9999996252))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
A AND B AND C 0.999999925+(0.6*(1- 0.99999997
AND D AND E 0.999999925))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q
A AND B AND C 0.99999997+(0.6*(1- 0.999999988
AND D AND E 0.99999997))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
A AND B AND C 0.999999988+(0.6*(1- 0.999999952
AND D AND E 0.999999988))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
AND S
A AND B AND C 0.999999952+(0.8*(1- 0.999999999
AND D AND E 0.999999952))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
 37

AND Q AND R
AND S AND T
Gejala Perhitungan MD
A 0.4+(0.4*(1-0.4)) 0.64
A AND B 0.64+(0.2*(1-0.64)) 0.712
A AND B AND C 0.712+(0.2*(1-0.712)) 0.7696
A AND B AND C 0.7696+(0.2*(1-0.7696)) 0.81568
AND D
A AND B AND C 0.81568+(0.6*(1-0.81568)) 0.926272
AND D AND E
A AND B AND C 0.926272+(0.4*(1- 0.9557632
AND D AND E 0.926272))
AND F
A AND B AND C 0.9557632+(0.4*(1- 0.97345792
AND D AND E 0.9557632))
AND F AND G
A AND B AND C 0.97345792+(0.4*(1- 0.984074752
AND D AND E 0.97345792))
AND F AND G
AND H
A AND B AND C 0.984074752+(0.4*(1- 0.990444851
AND D AND E 0.984074752))
AND F AND G
AND H AND I
A AND B AND C 0.990444851+(0.4*(1- 0.99426691
AND D AND E 0.990444851))
AND F AND G
AND H AND I
AND I AND J
A AND B AND C 0.99426691+(0.4*(1- 0.996560145
AND D AND E 0.99426691))
AND F AND G
AND H AND I
AND I AND J
AND K
A AND B AND C 0.996560145+(0.6*(1- 0.998624057
AND D AND E 0.996560145))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
A AND B AND C 0.998624057+(0.2*(1- 0.998899245
AND D AND E 0.998624057))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M
A AND B AND C 0.998899245+(0.6*(1- 0.999295516
AND D AND E 0.998899245))
38

AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
A AND B AND C 0.999295516+(0.4*(1- 0.999577309
AND D AND E 0.999295516))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O
A AND B AND C 0.999577309+(0.2*(1- 0.999661847
AND D AND E 0.999577309))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
A AND B AND C 0.999661847+(0.4*(1- 0.999797108
AND D AND E 0.999661847))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q
A AND B AND C 0.999797108+(0.4*(1- 0.999878264
AND D AND E 0.999797108))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
A AND B AND C 0.999878264+(0.4*(1- 0.999926958
AND D AND E 0.999878264))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
AND S
A AND B AND C 0.999926958+(0.2*(1- 0.999941566
AND D AND E 0.999926958))
 39

AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
AND S AND T

Nilai CF menurut persamaan 2.1 di dapat dari hasil perhitungan

selisih MB dan MD sebagai berikut :
CF = MB – MD
= 0.999999999 – 0.999941566
= 0.000058433

2. Disleksia Visual
Table 3.9 Proses Perhitungan Nilai CF Disleksia Visual

Gejala Perhitungan MB
A 0.8+(0.8*(1-0.8)) 0.96
A AND B 0.96+(0.8*(1-0.96)) 0.992
A AND B AND C 0.992+(0.4*(1-0.992)) 0.9952
A AND B AND C 0.9952+(0.8*(1-0.9952)) 0.99904
AND D
A AND B AND C 0.99904+(0.6*(1-0.99904)) 0.999616
AND D AND E
A AND B AND C 0.999616+(0.6*(1- 0.9998464
AND D AND E 0.999616))
AND F
A AND B AND C 0.9998464+(0.4*(1- 0.99990784
AND D AND E 0.9998464))
AND F AND G
A AND B AND C 0.99990784+(0.4*(1- 0.999944704
AND D AND E 0.99990784))
AND F AND G
AND H
A AND B AND C 0.999944704+(0.4*(1- 0.999966822
AND D AND E 0.999944704))
AND F AND G
AND H AND I
A AND B AND C 0.999966822+(0.8*(1- 0.999993364
AND D AND E 0.999966822))
AND F AND G
AND H AND I
40

AND I AND J
A AND B AND C 0.999993364+(0.4*(1- 0.999996018
AND D AND E 0.999993364))
AND F AND G
AND H AND I
AND I AND J
AND K
A AND B AND C 0.999996018+(0.4*(1- 0.99999761
AND D AND E 0.999996018))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
A AND B AND C 0.99999761+(1.0*(1- 1
AND D AND E 0.99999761))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M
A AND B AND C 1+(0.4*(1-1)) 1
AND D AND E
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
A AND B AND C 1+(0.6*(1-1)) 1
AND D AND E
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O
A AND B AND C 1+(0.8*(1-1)) 1
AND D AND E
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
A AND B AND C 1+(0.6*(1-1)) 1
AND D AND E
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
 41

AND Q
A AND B AND C 1+(0.6*(1-1)) 1
AND D AND E
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
A AND B AND C 1+(0.6*(1-1)) 1
AND D AND E
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
AND S
A AND B AND C 1+(0.8*(1-1)) 1
AND D AND E
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
AND S AND T
Gejala Perhitungan MD
A 0.2+(0.2*(1-0.2)) 0.36
A AND B 0.36+(0.2*(1-0.36)) 0.488
A AND B AND C 0.488+(0.6*(1-0.488)) 0.7952
A AND B AND C 0.7952+(0.3*(1-0.7952)) 0.83616
AND D
A AND B AND C 0.83616+(0.4*(1-0.83616)) 0.901696
AND D AND E
A AND B AND C 0.901696+(0.4*(1- 0.9410176
AND D AND E 0.901696))
AND F
A AND B AND C 0.9410176+(0.6*(1- 0.97640704
AND D AND E 0.9410176))
AND F AND G
A AND B AND C 0.97640704+(0.6*(1- 0.990562816
AND D AND E 0.97640704))
AND F AND G
AND H
A AND B AND C 0.990562816+(0.6*(1- 0.9962251264
AND D AND E 0.990562816))
42

AND F AND G
AND H AND I
A AND B AND C 0.9962251264+(0.2*(1- 0.9969801011
AND D AND E 0.9962251264))
AND F AND G
AND H AND I
AND I AND J
A AND B AND C 0.9969801011+(0.6*(1- 0.9987920404
AND D AND E 0.9969801011))
AND F AND G
AND H AND I
AND I AND J
AND K
A AND B AND C 0.9987920404+(0.6*(1- 0.9995168162
AND D AND E 0.9987920404))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
A AND B AND C 0.9995168162+(0*(1- 0.9995168162
AND D AND E 0.9995168162))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M
A AND B AND C 0.9995168162+(0.6*(1- 0.9998067265
AND D AND E 0.9995168162))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
A AND B AND C 0.9998067265+(0.4*(1- 0.9998840359
AND D AND E 0.9998067265))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O
A AND B AND C 0.9998840359+(0.2*(1- 0.9999072287
AND D AND E 0.9998840359))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
A AND B AND C 0.9999072287+(0.4*(1- 0.9999443372
AND D AND E 0.9999072287))
 43

AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q
A AND B AND C 0.9999443372+(0.4*(1- 0.9999666023
AND D AND E 0.9999443372))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
A AND B AND C 0.9999666023+(0.4*(1- 0.9999799614
AND D AND E 0.9999666023))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
AND S
A AND B AND C 0.9999799614+(0.2*(1- 0.9999839691
AND D AND E 0.9999799614))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
AND S AND T

Nilai CF menurut persamaan 2.1 di dapat dari hasil perhitungan

selisih MB dan MD sebagai berikut :
CF = MB – MD
= 1 – 0.9999839691
= 0.0000160309
3. Disleksia Kombinasi
44

Table 3.10 Proses Perhitungan Nilai CF Disleksia Kombinasi

Gejala Perhitungan MB
A 0.4+(0.4*(1-0.4)) 0.64
A AND B 0.64+(0.8*(1-0.64)) 0.928
A AND B AND C 0.928+(0.6*(1-0.928)) 0.9712
A AND B AND C 0.9712+(0.6*(1-0.9712)) 0.98848
AND D
A AND B AND C 0.98848+(0.6*(1-0.98848)) 0.993088
AND D AND E
A AND B AND C 0.993088+(0.6*(1- 0.9972352
AND D AND E 0.993088))
AND F
A AND B AND C 0.9972352+(0.6*(1- 0.99889408
AND D AND E 0.9972352))
AND F AND G
A AND B AND C 0.99889408+(0.6*(1- 0.999557632
AND D AND E 0.99889408))
AND F AND G
AND H
A AND B AND C 0.999557632+(0.4*(1- 0.9997345792
AND D AND E 0.999557632))
AND F AND G
AND H AND I
A AND B AND C 0.9997345792+(0.6*(1- 0.9998938317
AND D AND E 0.9997345792))
AND F AND G
AND H AND I
AND I AND J
A AND B AND C 0.9998938317+(0.4*(1- 0.999936299
AND D AND E 0.9998938317))
AND F AND G
AND H AND I
AND I AND J
AND K
A AND B AND C 0.999936299+(0.6*(1- 0.9999745196
AND D AND E 0.999936299))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
A AND B AND C 0.9999745196+(0.8*(1- 0.9999949039
AND D AND E 0.9999745196))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M
A AND B AND C 0.9999949039+(0.4*(1- 0.9999969423
AND D AND E 0.9999949039))
AND F AND G
 45

AND H AND I
AND I AND J
AND K AND L
AND M AND N
A AND B AND C 0.9999969423+(0.6*(1- 0.9999987769
AND D AND E 0.9999969423))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O
A AND B AND C 0.9999987769+(0.6*(1- 0.9999995108
AND D AND E 0.9999987769))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
A AND B AND C 0.9999995108+(0.6*(1- 0.9999998043
AND D AND E 0.9999995108))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q
A AND B AND C 0.9999998043+(0.6*(1- 0.9999999217
AND D AND E 0.9999998043))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
A AND B AND C 0.9999999217+(0.6*(1- 0.9999999687
AND D AND E 0.9999999217))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
AND S
A AND B AND C 0.9999999687+(0.6*(1- 0.9999999875
AND D AND E 0.9999999687))
AND F AND G
46

AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
AND S AND T
Gejala Perhitungan MD
A 0.6+(0.6*(1-0.6)) 0.84
A AND B 0.84+(0.2*(1-0.84)) 0.872
A AND B AND C 0.872+(0.4*(1-0.872)) 0.9232
A AND B AND C 0.9232+(0.4*(1-0.9232)) 0.95392
AND D
A AND B AND C 0.95392+(0.6*(1-0.95392)) 0.981568
AND D AND E
A AND B AND C 0.981568+(0.4*(1- 0.9889408
AND D AND E 0.981568))
AND F
A AND B AND C 0.9889408+(0.4*(1- 0.99336448
AND D AND E 0.9889408))
AND F AND G
A AND B AND C 0.99336448+(0.4*(1- 0.996018688
AND D AND E 0.99336448))
AND F AND G
AND H
A AND B AND C 0.996018688+(0.6*(1- 0.9984074752
AND D AND E 0.996018688))
AND F AND G
AND H AND I
A AND B AND C 0.9984074752+(0.4*(1- 0.9990444851
AND D AND E 0.9984074752))
AND F AND G
AND H AND I
AND I AND J
A AND B AND C 0.9990444851+(0.6*(1- 0.999617794
AND D AND E 0.9990444851))
AND F AND G
AND H AND I
AND I AND J
AND K
A AND B AND C 0.999617794+(0.4*(1- 0.9997706764
AND D AND E 0.999617794))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
A AND B AND C 0.9997706764+(0.2*(1- 0.9998165411
AND D AND E 0.9997706764))
AND F AND G
AND H AND I
 47

AND I AND J
AND K AND L
AND M
A AND B AND C 0.9998165411+(0.6*(1- 0.9999266164
AND D AND E 0.9998165411))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
A AND B AND C 0.9999266164+(0.4*(1- 0.9999559698
AND D AND E 0.9999266164))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O
A AND B AND C 0.9999559698+(0.4*(1- 0.9999735819
AND D AND E 0.9999559698))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
A AND B AND C 0.9999735819+(0.4*(1- 0.9999841491
AND D AND E 0.9999735819))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q
A AND B AND C 0.9999841491+(0.4*(1- 0.9999904895
AND D AND E 0.9999841491))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
A AND B AND C 0.9999904895+(0.4*(1- 0.9999942937
AND D AND E 0.9999904895))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
48

AND O AND P
AND Q AND R
AND S
A AND B AND C 0.9999942937+(0.4*(1- 0.9999965762
AND D AND E 0.9999942937))
AND F AND G
AND H AND I
AND I AND J
AND K AND L
AND M AND N
AND O AND P
AND Q AND R
AND S AND T

Nilai CF menurut persamaan 2.1 di dapat dari hasil perhitungan

selisih MB dan MD sebagai berikut :
CF = MB – MD
= 0.9999999875 – 0.9999965762
= 0.0000034113
Semua nilai CF dengan Rule jika 20 gejala yang di pilih maka
hasilnya termasuk ke dalam disleksia kombinasi, namun menggunakan
metode CF dengan nilai MB dan MD maka di ambil nilai CF yang
terbesar yaitu disleksia visual sebesar 0.0000160309.

3.4.1.2 Perhitungan Metode Naïve Bayesian

Dalam metode Naïve Bayesian ini akan digunaka Teorema Bayes
untuk menghitung peluang atau probabilitas terjadinya suatu peristiwa
berdasarkan pengaruh yang di dapat dari hasil observasi. Berikut adalah
bagan alir perhitungan metode Naïve Bayesian yang dijelaskan pada
gambar 3.4 berikut ini :
 49

Gambar 3.4 Alur Perhitungan Metode Naive Bayesian

Pada tugas akhir ini, metode Naïve Bayesian akan diterapkan pada
studi kasus mendeteksi kemungkinan anak terkena disleksia. Diketahui
60 dat pasien penderita disleksia dengan berbagai jenis, diantaranya
disleksia auditori, disleksia visual, disleksia kombinasi sebagai data
train set yang telah terlampir. Terdapat 20 gejala berbeda dari setiap
jenis disleksia tersebut. Nilai dari setiap gejala tersebut adalah 1 untuk
jawaban “Ya” dan 0 untuk jawaban “Tidak” pada saat pendeteksian.
Gejala-gejala tersebut di inisialisasikan pada tabel 3.11 sebagai berikut :
Table 3.11 Inisialisasi Gejala Metode Naive Bayesian

Inisialisasi
Keterangan Gejala
Gejala
A: Kesulitan membuat pekerjaan tertulis secara terstruktur
B: Huruf tertukar-tukar misal ‘b’ tertukar ‘d’, ‘p’ tertukar ‘q’, ‘m’
tertukar ‘w’, ‘s’ tertukar ‘z’. misalnya papa-qaqa
C: Melihat atau merasakan gerakan-gerakan yang sebenarnya
tidak ada saat membaca, menulis atau menyalin
D: Kesulitan memahami kalimat yang dibaca ataupun yang di
50

dengar dan melelahkan

E: Tulisan tangan yang buruk atau berantakan
F: Mengalami kesulitan mempelajari tulisan sambung
G: Ketika mendengarkan sesuatu, rentang perhatiannya pendek
H: Kesulitan dalam mengingat kata-kata atau ingatan yang buruk
atau lemah terhadap informasi yang tidak pernah dialami
sebelumnya
I: Kesulitan mengingat nama-nama
J: Kesulitan/ lambat mengerjakan PR
K: Kesulitan memahami konsep waktu atau kesulitan dalam
menyebutkan waktu, mengatur waktu ataupun melakukan
sesuatu dengan tepat waktu.
L: Kesulitan membedakan huruf vocal dengan konsonan
M: Mengeluh pusing atau nyeri kepala atau sakit perut saat
membaca
N: Kesulitan mengingat rutinitas aktivitas sehari-hari atau
mencerna sesuatu secara berurutan
O: Kesulitan membedakan kanan kiri
P: Membaca lambat-lambat dan terputus-putus dan tidak tepat
Q: Menghilangkan atau salah baca kata penghubung
(“di”.”ke”,”pada”)
R: Mengabaikan kata awalan pada waktu membaca (“menulis”
dibaca “tulis”)
S: Tertukar-tukar kata (misalnya : dia-ada, sama-masa, lagu-gula,
batu-bata, tanam-taman, dapat-padat, mana-nama)
T: Ketidak akuratan dalam membaca seperti membaca lambat
kata demi kata jika dibandingkan dengan anak seusianya,
intonasi suara turun naik tidak teratur

Adapun cara perhitungan atau alur perhitungan metode Naïve

Bayesian adalah sebagai berikut :
1. Menghitung jumlah label atau class
Untuk menentukannya terlebih dahulu harus mengklasifikasikan
jenis disleksia tersebut yang berada pada data train set. Setelah
diklasifikasikan maka terdapat tiga jenis disleksia yaitu disleksia
auditori, disleksia visual, disleksia kombinasi yang masing-masing
terdapat 20 data. Setelah diklasifikasikan maka dibagi dengan
jumlah data train set. Dalam studi kasus ini jumlah data train
sebanyak 60 data.
Berikut adalah jumlah label atau class yang telah di hitung :
a. Class “Disleksia Auditori”

P(Y = Auditori) = 20/60
b. Class “Disleksia Visual”
P(Y = Visual) = 20/60
c. Class “Disleksia Kombinasi”
P(Y = Kombinasi) = 20/60
2. Menghitung jumlah kasus yang sama dengan class yang sama
Untuk perhitungan tahap ini kita bagi
Sehingga perhitungannya adalah jumlah gejala “Ya” dibagi classnya
dan jumlah gejala “tidak” dibagi classnya.
Berikut adalah jumlah kasus yang sama dengan class yang sama :
P(A=Ya|Y=Auditori)=15/20
P(A=Ya|Y=Visual)=15/20
P(A=Ya|Y=Kombinasi)=16/20
P(A=Tidak|Y=Auditori)=5/20
P(A=Tidak|Y=Visual)=5/20
P(A=Tidak|Y=Kombinasi)=4/20
P(B=Ya|Y=Auditori)=13/20
P(B=Ya|Y=Visual)=13/20
P(B=Ya|Y=Kombinasi)=17/20
P(B=Tidak|Y=Auditori)=7/20
P(B=Tidak|Y=Visual)=7/20
P(B=Tidak|Y=Kombinasi)=3/20
P(C=Ya|Y=Auditori)=15/20
P(C=Ya|Y=Visual)=12/20
P(C=Ya|Y=Kombinasi)=17/20
P(C=Tidak|Y=Auditori)=5/20
P(C=Tidak|Y=Visual)=8/20
P(C=Tidak|Y=Kombinasi)=3/20
P(D=Ya|Y=Auditori)=7/20
P(D=Ya|Y=Visual)=10/20
P(D=Ya|Y=Kombinasi)=12/20
P(D= Tidak |Y=Auditori)=13/20
51
dan hitung pergejalanya.
P(D=Tidak|Y=Visual)=10/20
P(D=Tidak|Y=Kombinasi)=8/20
P(E=Ya|Y=Auditori)=6/20
P(E=Ya|Y=Visual)=4/20
P(E=Ya|Y=Kombinasi)=6/20
P(E=Tidak|Y=Auditori)=14/20
P(E=Tidak|Y=Visual)=16/20
P(E=Tidak|Y=Kombinasi)=14/20
P(F=Ya|Y=Auditori)=5/20
P(F=Ya|Y=Visual)=5/20
P(F=Ya|Y=Kombinasi)=5/20
P(F=Tidak|Y=Auditori)=15/20
P(F=Tidak|Y=Visual)=15/20
P(F=Tidak|Y=Kombinasi)=15/20
P(G=Ya|Y=Auditori)=6/20
P(G=Ya|Y=Visual)=5/20
P(G=Ya|Y=Kombinasi)=6/20
P(G=Tidak|Y=Auditori)=14/20
P(G=Tidak|Y=Visual)=15/20
P(G=Tidak|Y=Kombinasi)=14/2
0
P(H=Ya|Y=Auditori)=4/20
52
P(H=Ya|Y=Visual)=6/20
P(H=Ya|Y=Kombinasi)=5/20
P(H=Tidak|Y=Auditori)=16/20
P(H=Tidak|Y=Visual)=14/20
P(H=Tidak|Y=Kombinasi)=15/2
0 P(N=Ya|Y=Visual)=8/20
P(I=Ya|Y=Auditori)=10/20
P(I=Ya|Y=Visual)=7/20
P(I=Ya|Y=Kombinasi)=5/20
P(I=Tidak|Y=Auditori)=10/20
P(I=Tidak|Y=Visual)=13/20
P(I=Tidak|Y=Kombinasi)=15/20
P(J=Ya|Y=Auditori)=6/20
P(J=Ya|Y=Visual)=6/20
P(J=Ya|Y=Kombinasi)=4/20
P(J=Tidak|Y=Auditori)=14/20
P(J=Tidak|Y=Visual)=14/20
P(J=Tidak|Y=Kombinasi)=16/20
P(K=Ya|Y=Auditori)=10/20
P(K=Ya|Y=Visual)=10/20
P(K=Ya|Y=Kombinasi)=8/20
P(K=Tidak|Y=Auditori)=10/20
P(K=Tidak|Y=Visual)=10/20
P(K=Tidak|Y=Kombinasi)=12/2
0 P(Q=Ya|Y=Auditori)=9/20
P(L=Ya|Y=Auditori)=7/20
P(L=Ya|Y=Visual)=7/20
P(L=Ya|Y=Kombinasi)=10/20
P(L=Tidak|Y=Auditori)=13/20
P(L=Tidak|Y=Visual)=13/20
P(L=Tidak|Y=Kombinasi)=10/20
P(M=Ya|Y=Auditori)=9/20
P(M=Ya|Y=Visual)=8/20
P(M=Ya|Y=Kombinasi)=10/20
P(M=Tidak|Y=Auditori)=11/20
P(M=Tidak|Y=Visual)=12/20
P(M=Tidak|Y=Kombinasi)=10/2
0
P(N=Ya|Y=Auditori)=9/20
P(N=Ya|Y=Kombinasi)=7/20
P(N=Tidak|Y=Auditori)=11/20
P(N=Tidak|Y=Visual)=12/20
P(N=Tidak|Y=Kombinasi)=13/2
0
P(O=Ya|Y=Auditori)=7/20
P(O=Ya|Y=Visual)=7/20
P(O=Ya|Y=Kombinasi)=7/20
P(O=Tidak|Y=Auditori)=13/20
P(O=Tidak|Y=Visual)=13/20
P(O=Tidak|Y=Kombinasi)=13/2
0
P(P=Ya|Y=Auditori)=6/20
P(P=Ya|Y=Visual)=8/20
P(P=Ya|Y=Kombinasi)=11/20
P(P=Tidak|Y=Auditori)=14/20
P(P=Tidak|Y=Visual)=12/20
P(P=Tidak|Y=Kombinasi)=9/20
P(Q=Ya|Y=Visual)=7/20
P(Q=Ya|Y=Kombinasi)=9/20
P(Q=Tidak|Y=Auditori)=11/20
P(Q=Tidak|Y=Visual)=13/20
P(Q=Tidak|Y=Kombinasi)=11/2
0
P(R=Ya|Y=Auditori)=12/20
P(R=Ya|Y=Visual)=8/20
P(R=Ya|Y=Kombinasi)=9/20
 53

P(R=Tidak|Y=Auditori)=8/20 P(S=Tidak|Y=Visual)=9/20
P(R=Tidak|Y=Visual)=12/20 P(S=Tidak|Y=Kombinasi)=8/20
P(R=Tidak|Y=Kombinasi)=11/2 P(T=Ya|Y=Auditori)=11/20
0 P(T=Ya|Y=Visual)=9/20
P(S=Ya|Y=Auditori)=8/20 P(T=Ya|Y=Kombinasi)=11/20
P(S=Ya|Y=Visual)=11/20 P(T=Tidak|Y=Auditori)=9/20
P(S=Ya|Y=Kombinasi)=12/20 P(T=Tidak|Y=Visual)=11/20
P(S=Tidak|Y=Auditori)=12/20 P(T=Tidak|Y=Kombinasi)=9/20

3. Kalikan semua hasil variabel sesuai dengan kolom hasil

Misalkan dalam contoh kasus user memasukan data gejala seperti
pada tabel 3.2 berikut ini :
Table 3.12 Data Uji Pasien Baru Metode Naive Bayesian

Gejala Nilai Gejala Nilai

A 0 K 0
B 0 L 1
C 1 M 0
D 0 N 0
E 1 O 1
F 1 P 0
G 1 Q 0
H 1 R 1
I 1 S 0
J 1 T 0

Maka perhitungannya adalah :

a. Class Disleksia Auditori
P(Y|Auditori) = 5/20 * 7/20 * 15/20 * 13/20 * 6/20 * 5/20 *
6/20 * 4/20 * 10/20 * 6/20 * 10/20 * 7/20 *
11/20 * 11/20 * 7/20 * 14/20 * 11/20 * 12/20
* 12/20 * 9/20
= 0.0000000333
b. Class Disleksia Visual
54

P(Y|Visual) = 5/20 * 7/20 * 11/20 * 10/20 * 4/20 * 5/20 *

5/20 * 6/20 * 7/20 * 6/20 * 10/20 * 7/20 *
12/20 * 12/20 * 7/20 * 12/20 * 13/20 * 8/20 *
9/20 * 11/20
= 0.0000000088

c. Class Disleksia Kombinasi

P(Y|Kombinasi) = 5/20 * 7/20 * 15/20 * 13/20 * 6/20 *
5/20 * 6/20 * 4/20 * 10/20 * 6/20 * 10/20 *
7/20 * 11/20 * 11/20 * 7/20 * 14/20 * 11/20 *
12/20 * 12/20 * 9/20
= 0.0000000023

4. Bandingkan setiap nilai probabilitas dari setiap class atau label

5. Ambil hasil paling maksimal
Nilai yang paling maksimal adalah nilai P(Y|Auditori) dengan nilai
= 0.0000000333
6. Maka dapat disimpulkan bahwa pasien tersebut mengalami disleksia
Auditori.
 BAB 5
PENUTUP

Pada bab ini akan dikemukan kesimpulan yang dapat diperoleh dari
pembahasan bab-bab sebelumnya serta saran untuk perbaikan dan
pengembangan sistem yang lebih lanjut.
5.1 Kesimpulan
Berdasarkan hasil yang didapat dalam penelitian dan penyusunan skripsi
ini serta disesuaikan dengan tujuannya, maka diperoleh kesimpulan, tingkat
akurasi rat-rata 58% untuk metode Certainty Factor dan rata-rata akurasi data
untuk metode Naïve Bayesian adalah 93%. Hasil tersebut sudah menunjukkan
metode mana yang lebih baik dalam mendeteksi kemungkinan anak terkena
disleksia, yakni metode Naïve Bayesian karena selisih nya jauh lebih baik
dibandingkan metode Certainty Factor ini disebabkan oleh parameter pada
metode Certainty Factor yaitu nilai MB (Meansure of Believe) dan nilai MD
(Meansure of Disbelieve) yang berikan langsung dari seorang pakar. Dan kedua
metode tersebut dapat diterapkan dalam sistem pendeteksi disleksia sesuai cara
dan perhitungan kedua metode tersebut.
5.2 Saran
Pada masa yang akan dating pengenalan kemungkinan anak terkena
disleksia dapat dikembangkan lebih lanjut. Adapun saran untuk dimasa
mendatang adalah dengan menggunakan nilai MB dan nilai MD yang sudah
disepakati oleh beberapa pakar agar dapat memberikan nilai kepastian yang
lebih baik. Pembangunan struktur data dan penggunaan strategi metode yang
lebih sesuai agar mendapatkan hasil eksplorasi yang jauh lebih baik agar
mendapatkan implementasi metode Certainty Factor dan Naïve Bayesian yang
lebih mangkus.

75