43-Article Text-77-1-10-20201024

Seminar Nasional Multimedia & Artificial Intelligence 2019
Yogyakarta, 30 November 2019
Sistem Pakar Diagnosa Trauma Dengan Metode Teorema Bayes

Expert Trauma Diagnosis System Using The Bayes Theorem
Imron Fauzi 1, Mutaqin Akbar 2
1Program Studi Teknik Informatika, Universitas Mercu Buana Yogyakarta, Yogyakarta,2 Program Studi Teknik
Informatika, Fakultas Teknologi Informasi, Universitas Mercu Buana Yogyakarta
Email: imronkencunez@gmail.com, mutaqin@mercubuana-yogya.ac.id
ABSTRAK
Pada penelitian mengenai rancangan system pakar untuk mendiagnosa trauma pada manusia dengan
mengimplementasikan metode teorema bayes sebagai alat ukurnya. Teorema Bayes adalah teorema yang
digunakan dalam statistika untuk menghitung peluang suatu hipotesis. Basis pengetahuan sistem pakar
diperoleh dari akuisisi pengetahuan pakar yaitu psikolog. Penelitian ini menggunakan 50 data yang didapat
melalui kuisoner, lalu kuisoner yang ada diimplementasikan kedalam sistem. Hasil pada sistem dicocokan
dengan pakar hingga mendapatkan angka kecocokan maksimal dan hasil identifikasi yang mendekati. Dari 50
data yang telah diujikan terhadap pakar dan sistem, sistem dapat mendeteksi 4 jenis trauma yaitu psikologis,
neurosis, psikosis dan diseases. Untuk pasien yang mengalami trauma dan sesuai dengan validasi pakar adalah
42 pasien dan yang tidak sesuai adalah 8 pasien. Sehingga untuk tingkat akurasi sistem berdasarkan hasil
validasi pakar dan sistem adalah 84%.
Kata kunci: Trauma; Sistem Pakar; Teorema Bayes
ABSTRACT
This research was to design an expert system to diagnose trauma in humans using The Bayes theorem.
The bayes theorem is a theorem used in statistics to calculate the probability of a hypothesis. The basis of the
expert system knowledge was obtained from the acquisition of expert knowledge of the psychologists. Fifty
data were obtained using questionnaires which were then implemented into the system. The results between the
system and the experts were then matched to get the maximum matching number and the closest identification
result. Based on the 50 data tested on the experts and the system, the system detected 4 types of trauma, namely
psychological, neurosis, psychosis, and diseases. As many as 42 patients with trauma complied with the expert
validation and 8 patients did not. Thus, the level of accuracy of the system based on the results of the expert and
system validation was 84%.
Keywords: Trauma, Expert System, The Bayes Theorem
107
1. PENDAHULUAN Tujuan dari penelitian ini antara lain: (1)

Trauma adalah pengalaman yang terjadi Membuat suatu sistem pakar yang dapat melakukan
secara tiba-tiba (tak terduga dan tak diharapkan) diagnosa trauma yang dapat membantu dalam
dan sangat menyakitkan atau mengecewakan, yang melakukan penetapan diagnosa efektif dan memiliki
melebihi situasi stress yang dialami manusia sehari- tingkat akurasi yang tinggi. (2) Menggunakan suatu
hari dalam kondisi wajar. Trauma juga bersifat sistem cerdas dengan menggunakan teorema bayes
massal seperti akibat dari terjadinya bencana alam, dalam membangun sistem pakar untuk mendiagnosa
perang dan kerusuhan. Dalam kehidupan sehari-hari kemungkinan seseorang mengalami trauma. (3)
mengalami peristiwa yang tidak mengenakan atau Menerapkan dan memanfaatkan sistem pakar yang
mengecewakan adalah hal yang biasa atau malah dapat digunakan non ahli untuk melakukan diagnosa
cukup sering terjadi. Tapi rasa kecewa, terpukul atau kemungkinan seseorang mengalami trauma.
rasa takut terulang lagi. Seseorang disebut mengalami Diharapkan penelitian ini dapat dimanfaatkan
trauma bila menunjukkan sejumlah gejala baik fisik untuk: (1) Sistem pakar yang dibangun secara teoritis
maupun psikologi yang terus berlangsung meskipun dapat digunakan untuk pengembangan dibidang
peristiwa traumatis itu sudah lama berlalu. Mulai pembelajaran di bidang teknologi khususnya sistem
dari kehilangan selera makan atau justru makan pakar. (2) Sistem pakar dapat digunakan sebagai
berlebihan, jantung berdebar-debar, pusing-pusing, rujukan, sumber informasi dan diagnosa trauma yang
menjadi lebih emosional, sulit berkonsentrasi, mudah dialaminya dan cara mengatasinya.
curiga atau membenci sesuatu dan selalu ketakutan
peristiwa buruk yang sama akan terulang [1].
Seseorang yang cenderung menekan rasa
traumanya hingga terpendam di bawah alam sadar 2. TINJAUAN PUSTAKA
dan di permukaan terlihat normal-normal saja. Hal Beberapa penelitian yang terkait antara
ini biasa terjadi bila ada upaya penghindaran atau lain seperti penelitian mengenai Sistem Pakar
penolakan secara sadar maupun tidak sadar dari Untuk Mendiagnosa Penyakit Anemia Dengan
orang yang bersangkutan untuk menghindari rasa Menggunakan Metode Teorema Bayes, penerapan
sakit. Trauma yang ditahan ini akan menjadi bom aplikasi metode teorema bayes untuk menentukan
waktu bila dikemudian hari terjadi sebuah peristiwa penyakit anemia yaitu dengan menentukan gejala
yang sama atau mirip, maka trauma masa lalu akan dan jenis penyakit yang telah ditentukan, sehingga
bangkit kembali dan merusak kehidupan seseorang. dapat melakukan perhitungan dan mendapatkan hasil
Inilah yang disebut dampak trauma jangka panjang penyakit dari perhitungan metode teorema bayes.
[2]. Hasil dengan perhitungan menggunakan teorema
bayes pada salah satu sampel data menghasilkan nilai
Bila trauma tidak segera diatasi, dikhawatirkan keyakinan sebesar 32,38% pada penyakit anemia
bisa berkembang menjadi gangguan kejiwaan aplastic [3].
yang lebih serius dikemudian hari seperti fobia,
hysteria, hingga depresi. Untuk mengetahui seorang Penelitian dengan judul Sistem Pakar Diagnosa
mengalami trauma kadang harus berkonsultasi Penyakit Sapi Potong dengan Metode Naive Bayes.
kepada seorang yang ahli atau seorang pakar. Namun Dalam pengujian menggunakan metode Naive Bayes
tidak semua orang mau terbuka terhadap masalah proses diagnosa penyakit sapi potong dilakukan
traumanya. dengan cara memasukkan gejala klinis yang muncul
pada ternak untuk mendapatkan nilai probabilitas
Mengingat hal itu maka penelitian ini akan posterior setiap class jenis penyakit sapi potong.
mengembangkan suatu aplikasi, “Sistem Pakar Jenis penyakit yang memiliki nilai akhir tinggi
Diagnosa Trauma Menggunakan Teorema Bayes”. akan diambil sebagai hasil diagnosa sistem pakar.
Sehingga diharapkan penelitian ini dapat digunakan Berdasarkan kelima skenario pengujian akurasi
untuk membantu seseorang yang mengalami trauma terhadap variasi data menghasilkan nilai rata-rata
untuk mendeteksi gejala awal dan dapat melakukan akurasi masing-masing skenario sebesar 93,08%,
terapi awal untuk menghilangkan traumanya. 93,85%, 93,85%, 92,31% dan 92,31%. Sehingga
Dalam penelitian ini dirumuskan beberapa didapatkan rata-rata akurasi sistem sebesar 93,08%.
masalah yaitu: (1) Bagaimana akuisisi kepakaran Tingkat akurasi tertinggi didapat ketika variasi data
seorang pakar untuk membangun sistem pakar training berjumlah 40% dan 60% dari keseluruhan
diagnosa trauma? (2) Bagaimana merancang jumlah data training yang ada [4].
database, mendesain algoritma metode teorema Dalam penelitian mengenai Sistem Pakar
bayes, rancangan tampilan dan sebagainya dalam Mendiagnosa Penyakit Herpes Zoster Dengan
pembuatan sistem pakar diagnosa trauma? (3) Menggunakan Metode Teorema Bayes didapat proses
Bagaimana unjuk kerja dari sistem pakar diagnosa dengan hasil yang akurat. Nilai keyakinan jenis
trauma? penyakit pada uji coba system pakar untuk konsultasi
pasien dengan jawaban gejala 1, gejala 2, gejala 3,
108
gejala 5, gejala 7, gejala 9 dan gejala 10 mendapatkan P(H) = probabilitas hipotesis Hi (menurut hasil
hasil 62,22 % atau lebih tingkat keyakinan penyakit sebelumnya) tanpa memandang evidence
pasien pada sistem [5]. apapun.
Dalam penelitian mengenai Aplikasi P(E) = probabilitas evidence E tanpa memandang
Probabilitas Bayes Dalam Sistem Pakar Untuk apapun.
Mendiagnosis Gangguan Kejiwaan Bipolar, sistem ini
menggunakan basis pengetahuan dan mesin inferensi Jika evidence tunggal E dan hipotesis ganda
berdasarkan pengetahuan dari seorang pakar. Sistem H1, H2, H3, .... Hn, maka bentuk Theorema Bayes
Pakar ini digunakan untuk mendiagnosis gangguan adalah pada Persamaan 2:
kejiwaan bipolar berdasarkan basis pengetahuan dari
penyakit tersebut. Tujuan dari penelitian ini adalah
untuk mendapatkan tingkat keakuratan yang tinggi (2)
dan untuk membantu Pakar (dokter kejiwaan). Pada
penelitian digunakan 2 macam basis pengetahuan Dengan:
yaitu dengan menggunakan data pebelajaran bipolar p(Hi|E) = probabilitas hiposesis Hi benar jika
saja dan dengan menggunakan data pembelajaran
diberikan evidence E.
bipolar dan skizofrenia. Tingkat keakuratan yang
dicapai dalam penelitian ini mencapai 44.83% [6]. p(E|Hi) = probabilitas munculnya evidence E, jika
diketahui hipotesis Hi benar.
Dalam penelitian dengan judul Sistem Pakar p(Hi) = probabilitas hipotesis Hi (menurut hasil
Diagnosa Penyakit Batu Ginjal Menggunakan sebelumnya) tanpa memandang evidence
Teorema Bayes, menjelaskan mengenai aplikasi
apapun.
sistem pakar yang berguna sebagai alat bantu untuk
mendapatkan informasi dan dugaan awal dalam n = jumlah hipotesis yang mungkin.
mendiagnosa penyakit batu ginjal. Hasil dalam Dalam teorema bayes langkah awal dari
penelitian ini adalah sistem pakar untuk mendiagnosa perhitungan yang dilakukan adalah mencari nilai
penyakit batu ginjal dengan menggunakan metode semesta hipotesa (H) yang terdapat pada evidence,
bayes dapat menyelesaikan masalah diagnosis kemudian dijumlahkan semua nilai probabilitas
penyakit batu ginjal, karena dapat memberikan hasil evidence dari pakar. Untuk langkah – langkah lebih
diagnosis dengan nilai probabilitas kemunculan jelasnya dapat dilihat pada Persamaan 3 sampai
setiap jenis penyakit [7]. Persamaan 7, adalah sebagai berikut:
Penelitian dengan judul Analisis Dan a. Mencari nilai semesta
Perancangan Sistem Pakar Untuk Mengatasi Trauma
Pada Anak Menggunakan Algoritma Forward
Chaining Dan Certainly Factor, menjelaskan mengenai (3)
truma yang dialami oleh anak-anak. Hasil dari sistem
yang dibuat ini sistem dapat memberikan kesimpulan b. Menghitung nilai semesta P(Hi)
hasil penyakit yang diderita, menampilkan gejala-
gejala dari setiap penyakit, hasil diagnosa dengan
perhitungan yang sesuai dan pengguna sistem yang (4)
dibagi menjadi 3 level [8].
c. Menghitung probabilitas H
Teorema Bayes ditemukan oleh Reverend
Thomas Bayes pada abad 18, yang dikembangkan
secara luas Teorema Bayes ditemukan oleh Reverend
Thomas Bayes pada abad 18, yang dikembangkan (5)
secara luas [9], dengan rumusan seperti pada d. Mencari nilai P(Hi|E)
Persamaan 1:
(6)
(1)
e. Menghitung total nilai bayes
Dengan :
P(H|E) = probabilitas hipotesis Hi jika diberikan
(7)
evidence E.
P(E|H) = probabilitas munculnya evidence E, jika
diketahui hipotesis Hi benar.
109
3. METODOLOGI PENELITIAN
Secara garis besar jalan penelitian ini
menggunakan metode waterfall. Model SLC air terjun
(waterfall) sering juga disebut model sekuensial
linier (sequential linier) atau alur hidup klasik
(classic life cycle) Metode Waterfall menyediakan
pendekatan alur hidup perangkat lunak berurutan
yang dimulai analisis, desain, inferensi pengetahuan
dan pemindahan pengetahuan. Berikut adalah gambar
alur penelitian menggunakan metode waterfall yang
dapat dilihat pada Gambar 1.
Gambar 2
0 yang merupakan penjabaran dari diagram

konteks, dapat dilihat pada Gambar 3.
Gambar 1. Alur Penelitian
a. Akuisisi Pengetahuan Gambar 3. DFD Level 0

Akuisisi pengetahuan merupakan kegiatan untuk 2.. Basis Pengetahuan
mencari dan megumpulkan data untuk analisis Basis pengetahuan merupakan inti dari
kebutuhan perangkat lunak yang bersumber dari program sistem pakar karena merupakan
seorang pakar. presentasi pengetahuan yang menyimpan
b. Representasi Pengetahuan dasar-dasar aturan dan data tentang trauma
yang bersumber dari pakar. Berikut ini
1. Perancangan DFD adalah proses indexing yang digunakan
Data Flow Diagram (DFD) merupakan dalam aplikasi dapat dilihat pada Tabel 1
diagram alir data yang menggambarkan sampai dengan Tabel 4 .
bagaimana data di proses oleh sistem. Data Tabel 1. Tabel Trauma
Flow Diagram juga menggambar notasi Kode Trauma Jenis Trauma
aliran data di dalam sistem.
TR01 Trauma Psikologis
Diagram konteks ini memiliki sebuah proses TR02 Trauma Neurosis
yaitu penentu trauma pada manusia dengan
TR03 Trauma Psikosis
dua entity yaitu admin dan user seperti pada
Gambar 2. TR04 Trauma Disaseas
110
Tabel 2. Gejala Trauma Tabel 3 Data Rule
Kode Nama Gejala/Keadaan TR01 TR02 TR03 TR04

GJ01 Mengalami bullying GJ01 X X
GJ02 Mengalami konflik kekeluargaan GJ02 X X
GJ03 Menjadi pemarah GJ03 X X
GJ04 Gangguan tidur GJ04 X X X
GJ05 Mengingat kembali peristiwa buruk yang GJ05 X X
dialami GJ06 X
GJ06 Menghindari situasi atau orang GJ07 X
GJ07 Kurang perhatian terhadap lingkungan GJ08 X
GJ08 Mudah tersinggung GJ09 X
GJ09 Mudah putus asa GJ10 X X
GJ10 Sulit berkonsentrasi GJ11 X X X
GJ11 Perilaku menarik diri GJ12 X
GJ12 Kurang memiliki energi fisik GJ13 X X X
GJ13 Mudah Cemas GJ14 X X
GJ14 Sesak nafas GJ15 X X
GJ15 Dada tertekan GJ16 X X
GJ16 Kepala terasa ringan GJ17 X X X
GJ17 Mudah lelah GJ18 X X
GJ18 Keringat dingin GJ19 X X
GJ19 Mengalami Kepanikan GJ20 X X
GJ20 Perasaan tidak mampu melakukan sesuatu GJ21 X X
GJ21 Histeria (emosi yang tidak terkendali) GJ22 X X
GJ22 Rasa takut yang berlebihan GJ23 X
GJ23 Suka memaksa GJ24 X
GJ24 Sering mengalami halusinasi GJ25 X
GJ25 Pernah mengalami pemukulan di kepala GJ26 X X
GJ26 Kemampuan berfikir yang menurun GJ27 X
GJ27 Memiliki Permasalahan fisik (cacat) GJ28 X X
GJ28 Suka berandai-andai hal yang aneh GJ29 X X
GJ29 Pernah mengalami keracunan GJ30 X X
GJ30 Pernah mengalami ancaman GJ31 X X
GJ31 Pernah mengalami kekerasan, GJ32 X X
penyiksaan,& tindakan asusila
GJ33 X X
GJ32 Pernah mengalami peristiwa bencana
GJ34 X X
alam
GJ35 X X X
GJ33 Pernah mengalami kecelakaan ringan
maupun berat GJ36 X X
GJ34 Pernah mengalami perampokan GJ37 X
GJ35 Pernah melihat kejadian tragis GJ38 X
GJ36 Sering berkemih (Ngompol) Nilai Probabilitas 1 1 1 1
GJ37 Mual Muntah
GJ38 Berbicara melantur dan tidak sesuai topik
111
Tabel 4 Aturan Bayes

No Nilai Bayes Teorema Bayes
1 0 – 0.2 Tidak ada
2 0.3 – 0.4 Mungkin
3 0.5 – 0.6 Kemungkinan Besar
4 0.7 – 0.8 Hampir Pasti
5 0.9 – 1 Pasti

4. Perancangan Database
Perancangan database dapat dilihat pada
Gambar 4.
Gambar 5. Flowchart Sistem
4. PEMBAHASAN
4.1 Proses Inferensi
Dalam perancangan sistem pakar ini
menggunakan metode teorema bayes dan forward
chaining. Teorema bayes dimulai dari mencari nilai
semesta total bobot gejala dari tiap penyakit lalu
menghitung nilai semesta P(Hi) di lanjutkan dengan
menghitung probabilitas (H) tanpa memandang
evidence apapun barulah mencari nilai P(Hi|E) dan
langkah terakhir menjumlahkan nilai bayes.
Dalam proses perhitungan teorema bayes pada
sistem pakar diagnosa trauma adalah sebagai berikut:
Gambar 4 Relasi Antar Tabel Tabel 5. Data Sampel
No. Nama Umur Gejala
5. Flowchart sistem XX XXXX XX GJ01, GJ03, GJ05,
GJ06, GJ08, GJ10,
Flowchart sistem dapat dilihat pada Gambar 5. GJ13, & GJ33
Keterangan :
• Langkah-langkah perhitungannya adalah sebagai
berikut:
a. Step 1 Permasalahan
Diketahui daftar trauma pada Tabel 1.
• Rule Sistem
- Rule gejala yang dipilih adalah :
• GJ01, GJ03, GJ05, GJ08, GJ10, & GJ13 pada
rule TR01.
• GJ10 & GJ13 pada rule TR02.
• GJ33 pada rule TR03.
• GJ01, GJ03, GJ05, GJ06, GJ13, & GJ33
pada rule TR04.
112
- Rule sistem - Trauma Disaseas = TR04

Diketahui rule sistem pada Tabel 3. NS = 0.7 + 0.5 + 0.6 + 0.5 + 0.5 + 0.7 = 3.5
Dimana • Menghitung nilai semesta P(Hi)
GJ01 = Mengalami bullying. Setelah hasil penjumlahan nilai semesta
GJ03 = Menjadi pemarah. diketahui nilai semesta, maka didapatkan rumus
GJ05 = Mengingat kembali peristiwa buruk nilai semesta P(Hi) pada Persamaan 2, adalah
yang dialami. sebagai berikut:
GJ06 = Menghindari situasi atau orang. - Trauma Psikologis = TR01
GJ08 = Mudah tersinggung.
GJ10 = Sulit berkonsentrasi.
GJ13 = Mudah cemas.
GJ33 = Pernah mengalami kecelakaan ringan
atau berat.
b. Step 2 nilai probabilitas pakar gejala terhadap
penyakit.
- Nilai probabilitas yang diberikan pakar untuk
masing-masing gejala terhadap penyakit.
- Trauma Neurosis = TR02
Nilai probabilitas gejala pada TR01
GJ01 = 0.8.
GJ03 = 0.6.
GJ05 = 0.5.
- Trauma Psikosis = TR03
GJ08 = 0.7.
GJ10 = 0.5.
GJ13 = 0.7. - Trauma Disaseas = TR04
- Nilai probabilitas gejala pada TR02
GJ10 = 0.7.
GJ13 = 0.6.
GJ33 = 0.5.
GJ01 = 0.7.
GJ03 = 0.5.
GJ05 = 0.6.
GJ06 = 0.5. • M
enghitung probabilitas H tanpa memandang
GJ13 = 0.5. evidence apapun
GJ33 = 0.7. Setelah seluruh nilai P(H|i) diketahui, dilanjutkan
c. Langkah perhitungannya adalah sebagai berikut. menghitung probabilitas H tanpa memandang
evidence apapun seperti pada Persamaan 3,
• Mencari nilai semesta maka langkah selanjutnya adalah:
Mencari nilai semesta dengan menjumlahkan - Trauma Psikologis = TR01
nilai probabilitas setiap gejala terhadap masing-
masing penyakit dengan rumus pada Persamaan
1, adalah sebagai berikut:
- Trauma Psikologis = TR01
NS = 0.8 + 0.6 + 0.5 + 0.7 + 0.5 + 0.7 = 3.8
NS = 0.7 + 0.6 = 1.3
Total Hipotesa (H) = 0.6526
NS = 0.5 = 0.5
113
- Trauma Disaseas = TR04

• Menghitung total nilai bayes
Setelah seluruh nilai P(Hi|E) diketahui,
jumlahkan seluruh nilai bayes dengan rumus
seperti pada persamaan 5 adalah sebagai berikut:
- Trauma Psikologis = TR01
Nilai bays =(0.8×0.2580)+(0.6×0.1451)+(0.5×0.10
08)+(0.7×1975)+(0.5×0.1008)+(0.7×0.
Total Hipotesa (H) = 0.5971 1975)
=0.2064+0.0870+0.0504+0.1383+0.050
• Mencari nilai P(Hi|E) 4+0.1383
Untuk menghitung P(Hi|E) mengacu pada Step =0.6709
1 dengan rumus seperti persamaan 4. - Trauma Neurosis = TR02
- Trauma Psikologis = TR01 Nilai bayes =(0.7×0.5764)+(0.6×0.4235)
=0.4035+0.2541
Nil =0.6576
Nilai bayes =0.5×1
=0.5
- Trauma Disaseas = TR04
Nilai bays =(0.7×0.2344)+(0.5×0.1196)+(0.6×172
2)+(0.5×1196)+(0.5×1196)+(0.7×0.23
- Trauma Neurosis = TR02 44)
=0.1641+0.0598+0.1033+0.0598+0.059
8+0.1641
=0.6110
Dari hasil perhitungan data sampel pengujian
- Trauma Psikosis = TR03 diatas didapat bahwa didiagnosa kemungkinan trauma
pada pasien XXXX dapat dilihat pada Tabel 6.
Tabel 6 Hasil Hitung
Nama Hasil
- Trauma Disaseas = TR04 Hasil Penyakit Aturan Inferensi
Pasien Hitung
XXXX Trauma Psikologis 0.6709 Kemungkinan Besar
Trauma Neurosis 0.6576 Kemungkinan Besar
Trauma Psikosis 0.5000 Kemungkinan Besar
Trauma Diesaseas 0.6110 Kemungkinan Besar
114
Dari Tabel 6 hasil hitung diambil nilai paling PSN 40 Trauma Psikologis 0.7549 Trauma Psikologis Sesuai
tinggi dari setiap gejala terpilih yang dihitung PSN 41 Trauma Psikosis 0.8056 Trauma Psikosis Sesuai
berdasarkan penyakit yang ada, didapatkan bahwa PSN 42 Trauma Psikosis 0.7803 Trauma Psikosis Sesuai
“TRAUMA PSIKOLOGIS” mendapat nilai paling PSN 43 Trauma Disaseas 0.7336 Trauma Disaseas Sesuai
tinggi yaitu 0.6709, selanjutnya dicocokkan dengan PSN 44 Trauma Disaseas 0.8056 Trauma Disaseas Sesuai
tabel aturan bayes yaitu nilai 0.5 – 0.6 adalah PSN 45 Trauma Psikosis 0.7157 Trauma Psikosis Sesuai
“Kemungkinan Besar”. Maka pasien dengan nama
PSN 46 Trauma Disaseas 0.8056 Trauma Disaseas Sesuai
XXXX didiagnosa mengalami “Trauma Psikologis”.
4.2 Hasil Data Uji PSN 49 Trauma Disaseas 0.6776 Trauma Psikosis Tidak sesuai
Berikut adalah hasil data uji validasi sistem PSN 50 Trauma Neurosis 0.7000 Trauma Neurosis Sesuai
dengan pakar yang dapat dilihat pada Tabel 7.
Tabel 7. Hasil Data Uji
Pasien
Hasil Teorema
Bayes
Hasil
Validasi
Sesuai/
5. KESIMPULAN
Pakar Tidak Dari penelitian yang dilakukan, kesimpulan
Penyakit Nilai yang dapat diperoleh adalah sebagai berikut :
PSN 01 Trauma Psikosis 0.7803 Trauma Psikosis Sesuai
1. Sistem yang dirancang dengan implementasi
metode teorema bayes dapat digunakan untuk
PSN 03 Trauma Psikosis 0.7473 Trauma Disaseas Tidak sesuai
membantu dalam diagnosis trauma.
PSN 05 Trauma Disaseas 0.6966 Trauma Disaseas Sesuai 2. Hasil implementasi dapat berjalan sesuai dengan
PSN 06 Trauma Psikologis 0.6709 Trauma Psikologis Sesuai desain.
PSN 07 Trauma Psikosis 0.7473 Trauma Disaseas Tidak sesuai 3. Berdasarkan 50 data yang telah diujikan
PSN 08 Trauma Disaseas 0.7935 Trauma Psikologis Tidak sesuai terhadap pakar dan sistem, untuk pasien yang
PSN 09 Trauma Psikosis 0.7137 Trauma Psikosis Sesuai menderita trauma dan sesuai dengan validasi
PSN 10 Trauma Disaseas 0.7051 Trauma Disaseas Sesuai pakar adalah 42 pasien dan yang tidak sesuai
PSN 11 Trauma Disaseas 0.7009 Trauma Psikologis Tidak sesuai adalah 8 pasien. Sehingga untuk tingkat akurasi
PSN 12 Trauma Disaseas 0.7263 Trauma Disaseas Sesuai sistem berdasarkan hasi validasi pakar dan
PSN 13 Trauma Psikosis 0.7356 Trauma Psikosis Sesuai sistem, diperoleh presentase 84% data kasus
PSN 14 Trauma Disaseas 0.7273 Trauma Disaseas Sesuai yang sesuai.
PSN 17 Trauma Psikosis 0.7722 Trauma Psikosis Sesuai DAFTAR PUSTAKA
[1] K. Hatta, Trauma Dan Pemulihannya, Tubin,
PSN 19 Trauma Disaseas 0.6900 Trauma Neurosis Tidak Sesuai
Ed., Banda Aceh: Dakwah Ar-Raniry
Press, 2016.
PSN 22 Trauma Disaseas 0.7212 Trauma Disaseas Sesuai [2] A. Mendatu, Pemulihan Trauma : Strategi
PSN 23 Trauma Disaseas 0.7512 Trauma Disaseas Sesuai Penyembuhan Trauma untuk Diri Sendiri,
PSN 24 Trauma Psikosis 0.7015 Trauma Psikosis Sesuai Anak dan Orang Lain di Sekitar Anda, 1st
PSN 25 Trauma Disaseas 0.6956 Trauma Disaseas Sesuai penyunt., Panduan, 2010.
[3] T. Syahputra, M. Dahria and P. D. Putri, “Sistem
PSN 27 Trauma Psikosis 0.6875 Trauma Disaseas Tidak sesuai
Pakar Untuk Mendiagnosa Penyakit
Anemia Menggunakan Metode Teorema
Bayes,” Jurnal Ilmiah Saintikom, vol. 16,
PSN 30 Trauma Psikosis 0.6875 Trauma Psikologis Tidak sesuai
pp. 284-294, September 2017.
PSN 32 Trauma Psikosis 0.7937 Trauma Psikosis Sesuai [4] I. C. Dewi, A. A. Soebroto and T. Furqon,
PSN 33 Trauma Disaseas 0.7155 Trauma Disaseas Sesuai “Sistem Pakar Diagnosa Penyakit Sapi
PSN 34 Trauma Disaseas 0.7155 Trauma Disaseas Sesuai Potong Dengan Metode Naive Bayes,”
PSN 35 Trauma Disaseas 0.7397 Trauma Disaseas Sesuai Journal of Environmental Engineering &
PS N 36 Trauma Disaseas 0.6889 Trauma Disaseas Sesuai Sustainable Technology, vol. II, pp. 72-78,
PSN 37 Trauma Psikosis 0.7803 Trauma Psikosis Sesuai November 2015.
[5] H. T. Sihotang, E. Panggabean and H. Zebua,
“Sstem Pakar Mendiagnosa Penyakit
115
Herpes Zoster Dengan Menggunakan

Metode Teorema Bayes,” Journal
OfInformatic Pelita Nusantara, vol. 3, pp.
33-40, Maret 2018.
[6] C. Lubis, A. B. Dharmawan and Y. Dewi,
“Aplikasi Probabilitas Bayes Dalam Sistem
Pakar Untuk Mendiagnosis Gangguan
Kejiawaan Bipolar,” Seminar Nasional
Teknologi Informasi dan Multimedia
201 7, no. ISSN : 2302-3805, pp. 31-36,
Februari 2017.
[7] I. Russary, “Sistem Pakar Diagnosa Penyakit
Batu Ginjal Menggunakan Teorema
Bayes,” Jurnal Riset Komputer, vol. I, pp.
18-22, Februari 2016.
[8] M. Rakhman and E. T. Luthfi, “Analisis
dan Perancangan Sistem Pakar
Untuk Mengatasi Trauma pada Anak
Menggunakan Algoritma Forward
Chaining Dan Certainly Factor,” pp. 1-5,
2015.
[9] N. Hidayah and A. Amborowati, “Analisis
dan Perancangan Sistem Pakar Diagnosa
Penyakit Mematikan Pada Perempuan
Menggunakan Metode Bayes,” Seminar
Nasional Teknologi Informasi dan
Multimedia, no. ISSN : 2302-3805, 2016.
116

43-Article Text-77-1-10-20201024

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

43-Article Text-77-1-10-20201024

Diunggah oleh

Hak Cipta:

Format Tersedia

Seminar Nasional Multimedia & Artificial Intelligence 2019

Yogyakarta, 30 November 2019

Sistem Pakar Diagnosa Trauma Dengan Metode Teorema Bayes

Imron Fauzi 1, Mutaqin Akbar 2

1. PENDAHULUAN Tujuan dari penelitian ini antara lain: (1)

0 yang merupakan penjabaran dari diagram

Gambar 1. Alur Penelitian

a. Akuisisi Pengetahuan Gambar 3. DFD Level 0

Tabel 2. Gejala Trauma Tabel 3 Data Rule

Kode Nama Gejala/Keadaan TR01 TR02 TR03 TR04

Tabel 4 Aturan Bayes

Gambar 5. Flowchart Sistem

- Rule sistem - Trauma Disaseas = TR04

- Trauma Neurosis = TR02

Total Hipotesa (H) = 0.6538

- Trauma Psikosis = TR03

Total Hipotesa (H) = 0.5

- Trauma Disaseas = TR04

Herpes Zoster Dengan Menggunakan

Anda mungkin juga menyukai