KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) ISSN 2597-4645 (media online)

Volume 4, Nomor 1, Oktober 2020 ISSN 2597-4610 (media cetak)

DOI: 10.30865/komik.v4i1.2718 Page: 345-350

Penerapan Metode Case Based Reasoing Dan Certainty Factor Dalam

Perancangan Sistem Pakar Diagnosa Penyakit Flu Burung Berbasis Web
Rajutidesli
1Fakultas Ilmu Komputer dan Teknologi Informasi, Program Studi Teknik Infirmatika, Universitas Budi Darma, Medan, Indonesia
Email: rajotidesli123@gmail.com
Abstrak−Penyakit flu burung yang disebabkan oleh virus sangat rentan terjadi saat ini, hal tersebut disebabkan oleh sistem kekebalan
tubuh yang kurang baik. Kebanyakan yang terkena virus flu burung ialah mereka yang sering melakukan kontak langsung dengan
unggas, salah satu penyebabnya yaitu menyentuh unggas yang terinfeksi dan kontak dengan cairan tubuh unggas yaitu ludah unggas.
Sistem pakar ini dibangun untuk mendiagnosa penyakit flu burung yang disebabkan oleh infeksi virus. Dari sistem pakar ini dapat
memberikan informasi mengenai penyakit, defenisinya, pengobatan serta pencegahannya. Sistem pakar ini menggunakan metode
Forward Channing. Hasil uji konsultasi dengan sistem ini menunjukkan bahwa sistem mampu menentukan penyakit beserta
pengobatan dan penanganan awal yang harus dilakukan, berdasarkan gejala-gejala yang sebelumnya dipilih oleh pengguna.
Kata Kunci: Sistem Pakar, Diagnosa, Flu Burung, Case Based Reasoning, Certainty Factor.
Abstract−Bird flu caused by a virus is very susceptible to occur at this time, it is caused by a weak immune system. Most people
who are infected with the bird flu virus are those who often have direct contact with poultry, one of the causes is touching infected
birds and contact with poultry body fluids, namely poultry saliva. This expert system was built to diagnose bird flu caused by viral
infections. From this expert system can provide information about disease, its definition, treatment and prevention. This expert system
uses the Forward Channing method. The results of consultation tests with this system show that the system is able to determine the
disease along with the initial treatment and treatment that must be carried out, based on the symptoms previously selected by the
user.
Keywords: Expert System, Diagnosis, Avian Flu, Case Based Reasoning, Certainty Factor.

1. PENDAHULUAN
Flu burung adalah sejenis virus influenza yang menular dari burung ke manusia. Penanganan penyakit flu burung yang
lambat sering terjadi karena kurangnya pemahaman masyarakat terhadap penyakit flu burung termasuk gejala dan
penanganannya, sehingga masayarat cenderung membiarkan dan menyamakannya dengan flu biasa atau demam. Hal
ini sering terjadi dikalangan masyarakat didaerah perkampungan yang belum memiliki rumah sakit dan hanya ada
puskemas. Solusi agara masalah di atas dapat teratasi adalah membuat dan menyediakan sistem dengan memiliki
kepakaran layaknya seorang dokter untuk mendiagnosa apakah seseorang terinfeksi flu burung atau tidak.
Metode Case Based Reasoning (CBR) berguna sebagai perancangan sistem pakar dengan mengambil keputusan
pada masalah yang baru berdasarkan masalah lalu yang sudah terjadi. Metode CBR bekerja dengan melakukan
perbandingan masalah baru dengan masalah lama. Berdasarkan penelitian terdahulu, menyimpulkan bahwa penerapan
metode CBR memberikan keberhasilan sistem implementasi yang dibangun berdasarkan hasil perhitungan memiliki
nilai kecocokan yaitu 86% untuk menghasilkan diagnosa yang tepat[5]. Metode Certainty Factor (CF) digunakan
sebagai penguji kebenaran apakah itu pasti atau tidak pasti yang sering di pakai pada sistem pakar. Berdasarkan
penelitian terdahulu, menyimpulkan bahwa penerapan metode Certainty Factor (CF) memberikan persentase dalam
berntuk keyakinan terhadap kepastian solusi dan hasil dari pengujian pada 8 pasien didapatkan persentase kebenaran
sistem adalah 62.5% (berdasarkan kebenaran data) dan hasil analisis pada sistem 100% (sejalan dengan kadar gula
darah).
Penelitian ini menguraikan bagaimana penggabungan metode Case Based Reasoning (CBR) dan Certaninty
Factor (CF) untuk mendapatkan nilai yang akuran dan lebih tinggi terhadap hasil diagnosa flu burung yang
diimplementasikan dalam sebuah sistem pakar, sehingga diharapkan sangat membantu pada proses diagnosa gejala
pertama ketika penyakit flu burung menyeranng pasien tidak harus ke rumah sakit melainkan bisa dengan mengikuti
solusi dari diagnosa yang diinformasikan oleh aplikasi sistem pakar.

2. METODE PENELITIAN
2.1 Sistem Pakar
Expert System atau yang biasa dikenal dengan sistem pakar adalah salah satu bagian dari Artificial Intelegent yang
membuat penggunaan secara luas pengetahuan khusus dalam menyelesaikan masalah tingkat pakar. Pakar adalah orang
yang ahli pada suatu bidang yaitu pakar yang memiliki pengetahuan atau kemampuan yang orang lain tidak mengetahui
atau memiliki kemampuan dalam bidang yang ditekuni. Pertama kali sistem pakar dikembangkan tahun 1970-an, sistem
pakar hanya berisi knowledge yang eksklusif. Namun saat ini istilah sistem pakar dapat digunakan berbagai macam
sistem pada teknologi sistem pakar. Sistem pakar adalah sistem yang mengambil keahlian manusia ke komputer,
sehingga komputer dapat menyelesaikan masalah layaknya seorang ahli.

2.2 Flu Burung

Page | 345
http://ejurnal.stmik-budidarma.ac.id/index.php/komik
 KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) ISSN 2597-4645 (media online)
Volume 4, Nomor 1, Oktober 2020 ISSN 2597-4610 (media cetak)
DOI: 10.30865/komik.v4i1.2718 Page: 345-350

Penyakit flu burung merupakan satu penyakit menular yang ada karena virus influenza tipe A yang ditularkan oleh
unggas. Penyakit flu burung disebabkan oleh virus Avian Influenza jenis H5N1 (H= Hemagglutinin, N =
Neuraminidase) pada unggas, dapat pula menyerang manusia. Sumber virus flu burung di duga bermula dari
perpindahan burung dan transformasi unggas terjangkit. Penularan flu burung dari unggas ke unggas, dan dari unggas
ke manusia. Penularan flu burung yang dialami manusia melalui air liur, lendir dari hidung dan debu yang dicemari
tinja.
2.3 Metode Case Based Reasoning
CBR menggunakan pendekatan kecerdasan buatan (Artificial Inteligent) yang menitik beratkan pemecahan masalah
dengan di dasarkan pada knowledge pada kasus lampau. Secara detail tahapan sistem penalaran case based reasoning
terbagi menjadi empat tahap, yaitu: Retrieve, yaitu penelurusan masalah yang hampir sama dengan kasus baru yang
akan dievaluasi. Reuse, yaitu mengambil kembali informsi atau pengetahuan yang telah tersimpan untuk pemecahan
masalah baru.Revise, yaitu solusi yang ada diperbaiki. Retain, yaitu pengetahuan disimpan dan nantinya akan digunakan
untuk memecahkan masalah ke dalam basis kasus yang ada.
Similarity (kemiripan) adalah tahapan yag dipakai agara kesamaan dapat dikenali atau kemiripan antara kasus-
kasus yang tersimpan dalam basis kasus dengan kasus yang baru[12]. Nilai kemiripan ditentukan dengan nilai antara 0
sampai dengan 1. Nilai 0 memiliki arti tidak sama/mirip dan nilai 1 berarti mirip/mutlak. Di bawah ini rumus dalam
mencari nilai similarity[12]:
(1)
Keterangan :
T = Target Kasus
S = Asal Kasus
N = Jumlah atribut pada kasus
I = Atribut individu dari 1 ke n
F = Fungsi (Similarity) untuk atribut 1 dalam kasus T dan S
W = Bobot yang diberikan
2.4 Metode Certainty Factor
Certainty Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukan besarnya
kepercayaan. Certainty factor didefenisikan sebagai berikut[12]:
CF (H,E) = MB(H,E)-MD(H,E) (2)
Ada beberapa premis pada CF yang biasanya dipakai daalam diagnosa penyakit, yaitu[12]:
a. Premis Tunggal
CF(H,E) = CF(H) * CF(E) (3)
b. Premis Kombinasi
Cfcombine [H,E]1,2 = CF(H,E)1 + CF(H,E)2 * (1-CF(H,E)1) (4)
Cfcombine [H,E]old,3 = CF(H,E)old + CF(H,E)3 * (1-CF(H,E)old) (5)
dimana :
CF(E,e) : Certainty factor evidence E yang dipengaruhi oleh evidence e
CF(H,E) : Certainty factor hipotesis dengan asumsi evidence diketahui dengan pasti, yaitu ketika CF(E,e) = 1
CF(H,e) : Certainty factor hipotesis yang dipengaruhi oleh evidence e
Cfold : Hasil dari pengkombinasian awal

3. HASIL DAN PEMBAHASAN

3.1 Analisa Masalah
Flu burung adalah salah satu penyakit yang mematikan. Gejala-gejala dari virus flu burung H5N1 antara lain, demam
tinggi melebihi 38OC, batuk, sakit tenggoroka dan lainnya. Ada pasien yang mengalami gejala yang berbeda, antara lain
mata merah dan badan lemas. Resiko seseorang dapat terjangkit virus flu burung H5N1 antara lain berada di area yang
banyak burung dan makanan olahan dari unggas.
Sistem pakar bekerja dengan memasukkan pengetahuan ahli kedalam sistem, melakukan proses akuisisi
pengetahuan dan dijadikan basis pengetahuan, basis pengatuan dimasukkan ke dalam mesin interface dan dijadikan
sebuah sistem agar dapat digunakan atau diakses oleh user.
Metode Case based reasoing dan certainty factor dipakai untuk menentukan diagnosa penyakit flu burung yang
dialami oleh pasien. Metode case based reasoning menyelesaikan setiap kasus baru yang diinputkan oleh pasien dengan
menghitung kemiripan dengan kasus terdahulu. Sedangkan metode certainty factor akan menyelesaikan masalah yang
diinputkan pasien dengan cara menghitung nilai keyakinan. Berikut adalah gejala yang terjadi pada penderita flu
burung, sumber informasi yang didapat berasal dari seorang pakar. Gejala tersebut ditunjukkan pada tabel 1.

Tabel 1. Gejala Pada Penderita Flu Burung

Page | 346
http://ejurnal.stmik-budidarma.ac.id/index.php/komik
 KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) ISSN 2597-4645 (media online)
Volume 4, Nomor 1, Oktober 2020 ISSN 2597-4610 (media cetak)
DOI: 10.30865/komik.v4i1.2718 Page: 345-350

No Gejala Kode Gejala Nilai Pakar

1 G01 Sesak napas 0,6
2 G02 Kontak dengan unggas 7 hari terakhir 0,9
3 G03 Sekret hidung meningkat dan encer 0,4
4 G04 Mata merah 0,2
5 G05 Sakit tenggorokan 0,3
6 G06 Batuk 0,5
7 G07 Badan lemas 0,2
8 G08 Demam diatas 38O C 0,8
9 G09 Nyeri Otot 0,2
10 G10 Sakit Kepala 0,3
Sistem pakar berbasis web memberikan informasi mengenai gejala penyakit flu burung pada seseorang dilihat dari
tabel di atas, jika gejala pada penderita flu burung jenis virus H5N1 sesuai dengan yang di input, maka rule yang didapat
digunakan untuk mendiagnosa penyakit flu burung terdapat di tabel 2.
Tabel 2. Analisis Gejala Pasien Virus Flu Burung
No Kode Pasien Kode Gejala Keterangan
1 P01 G01, G02, G03, G04, G05, G06, G07, G08 99,16% Flu Burung
2 P02 G01, G02, G03, G06, G08, G09, G10 99,52% Flu Burung
3 P03 G01, G03, G04, G06, G08, G09, G10 88% Flu Burung
4 P04 G01, G04, G05, G06, G08, G09, G10 86% Flu Burung
5 P05 G01, G02, G04, G06, G08, G10 98% Flu Burung
3.1.1 Penerapan Metode Case Based Reasoning
Pada metode CBR ketika penginptan sistem adalah pengguna diberikan pilihan untuk memilih bobot pada masing-
masing gejala, penetuan bobot keyakinan menggunakan logika nearest neighbor. Pemberian bobot dengan melakukan
pendekatan antara masalah sekarang dan masalah lampau.
Berikut ini tahapan-tahapan penyelesaiian diagnosa penyakit flu burung menggunakan metode CBR dan CF.
Contoh :
Terdapat gejala kasus yang baru diinputkan sebagai berikut:
Gejala yang diinput : G02, G03, G05, G08
Tahapan-tahapan penyelesaian:
Tahap 1 :
Proses Retrive yang dilakukan adalah mengenali masalah dan diakhiri dengan solusi yang didapatkan sama dengan
kasus yang telah ada.
Tabel 3. Menentukan Kemiripan Kasus Baru dengan Kasus Terdahulu
Kode Gejala Gejala Basis Kasus Terdahulu
Gejala Penyakit Baru P01 P02 P03 P04 P05
G01 Sesak napas     
Kontak dengan unggas 7 hari
G02    
terakhir
Sekret hidung meningkat dan
G03    
encer
G04 Mata merah    
G05 Sakit tenggorokan   
G06 Batuk    
G07 Badan lemas 
G08 Demam diatas 38O C      
G09 Nyeri Otot   
G10 Sakit Kepala    
Pencarian nilai kemiripan dilakukan dengan memasukkan nilai keyakinan dengan bobot, yaitu :
Jika Terdapat kecocokan, maka nilai = 1
Jika tidak terdapat kecocokan, maka nilai = 0
Tabel 4. Menghitung Nilai Kemiripan Kasus Terdahulu dan Kasus Baru
Kode Gejala Kasus Terdahulu Kode Gejala Bobot Bobot
P01 P02 P03 P04 P05 Kasus Baru Kepastian Jawaban
G01 G01 G01 G01 G01 - 0,6 0
G02 G02 - - G02 G02 0,9 1

Page | 347
http://ejurnal.stmik-budidarma.ac.id/index.php/komik
 KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) ISSN 2597-4645 (media online)
Volume 4, Nomor 1, Oktober 2020 ISSN 2597-4610 (media cetak)
DOI: 10.30865/komik.v4i1.2718 Page: 345-350

Kode Gejala Kasus Terdahulu Kode Gejala Bobot Bobot

P01 P02 P03 P04 P05 Kasus Baru Kepastian Jawaban
G03 G03 G03 - - G03 0,4 1
G04 - G04 G04 G04 - 0,2 0
G05 - - G05 - G05 0,3 1
G06 G06 G06 G06 G06 - 0,5 0
G07 - - - - - 0,2 0
G08 G08 G08 G08 G08 G08 0,8 1
- G09 G09 G09 - - 0,2 0
- G10 G10 G10 G10 - 0,3 0
Perhitungan nilai kemiripan kasus lampau dengan kasus baru dirumuskan pada persamaan (1), yaitu :
Kasus 1 :
Pasien P01
= (0*0,6)+(1*0,9)+(1*0,4)+(0*0,2)+(1*0,3)+(0*0,5)+(0*0,2)+(1*0,8)
0,6 + 0,9 + 0,4 +0,2+0,3+0,5+0,2+0,8
= 0, 615384615 * 100%
= 61, 53%
Kasus 2 :
Pasien P02 = (0*0,6)+(1*0,9)+(1*0,4)+(0*0,5)+(1*0,8)+(0*0,2)+(0*0,3)
0,6 + 0,9 + 0,4 +0,5+0,8+0,2+0,3
= 0, 724137931 * 100%
= 72, 41 %
Kasus 3:
Pasien P03 = (0*0,6)+(1*0,4)+(0*0,2)+(0*0,5)+(1*0,8)+(0*0,2)+(0*0,3)
0,6 + 0,4 + 0,2 +0,5+0,8+0,2+0,3
= 0,4 * 100%
= 40 %
Kasus 4 :
Pasien P04 = (0*0,6)+(0*0,2)+(1*0,3)+(0*0,5)+(1*0,8)+(0*0,2)+(0*0,3)
0,6 + 0,2 + 0,3 + 0,5 + 0,8 + 0,2 + 0,3
= 0,4137931 * 100%
= 41, 37 %
Kasus 5 :
Pasien P05 = (0*0,6)+(1*0,9)+(0*0,2)+(0*0,5)+(1*0,8)+(0*0,3)
0,6 + 0,9 + 0,2 + 0,5 + 0,8 + 0,3
= 0, 515151 * 100%
= 51,51 %
Gejala Baru : (1*0,9)+(1*0,4)+(1*0,3)+(1*0,8)
0,6 + 0,9 + 0,4 +0,5+0,8+0,2+0,3
= 0,6486 * 100%
= 64,86%
Inputan gejala baru menghasilkan nilai kemiripan antara kasus baru dengan kasus terdahulu yang terjangkit flu
burung mempunyai persentase kemiripan sebesar 64,86%.
Tahap 2 :
Proses Reuse, yaitu kasus yang ada digunakan kembali dan mencoba menyelesaikan masalah baru dengan menghitung
nilai kepastain, yaitu:
CF[H,E]1 = CF[H]1 * CF[E]1
=0,9 * 1
= 0,9
CF[H,E]2 = CF[H]2 * CF[E]2
=0,4 * 1
= 0,4
CF[H,E]3 = CF[H]3 * CF[E]3
=0,3 * 1
= 0,3
CF[H,E]4 = CF[H]4 * CF[E]4
=0,8 * 1
= 0,8
Langkah selanjutnya adalah mengkombinasikan nilai CF, yaitu sebagai berikut :
Cfcombine CF[H,E]1,2 = CF[H,E]1 + CF[H,E]2 * (1- CF[H,E]1)
= 0,9 + 0,4 * (1-0,9)
= 0,9 + 0,4 * 0,1
Page | 348
http://ejurnal.stmik-budidarma.ac.id/index.php/komik
 KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) ISSN 2597-4645 (media online)
Volume 4, Nomor 1, Oktober 2020 ISSN 2597-4610 (media cetak)
DOI: 10.30865/komik.v4i1.2718 Page: 345-350

= 0,9 + 0,04
= 0.94old
CfcombineCF[H,E]old,3 = CF[H,E]old + CF[H,E]3 * (1- CF[H,E]0ld)
= 0,94 + 0,3 * (1 – 0,94)
= 0,94 + 0,3 * 0,06
= 0,94+ 0,018
= 0,958old2
CfcombineCF[H,E]old2,4 = CF[H,E]old2 + CF[H,E]4 * (1- CF[H,E]0ld2)
= 0,958 + 0,8 * (1 – 0,958)
= 0,958 + 0,8 * 0,042
= 0,958 + 0,033
= 0,991old3
CF[H,E]old7* 100 %
= 0,991 * 100%
= 99,1 %
Hasil pengujian dilakukan dapat terdapat kemiripan dengan kasus lampau yang terjangkit flu burung dengan
besar nilai kemiripan 64,86%, dan perhitungan CF dalam diagnosa virus flu burung mendapatkan nilai kepastian 99,52%
terjangkit virus flu burung. Solusi diagnosa dari persentase diagnosa pasien sebesar 99,52% terjangkit penyakit flu
burung adalah pasien harus dilakukan perawat dirumah sakit untuk diberikan obat agar virus tersebut hilang. Sebelum
terjadi komplikasi yang sangat banyak seperti kerusakan pada ginjal.
Tahap 3:
Tahap ketiga yaitu proses Revise, yaitu melakukan evaluasi dan memperbaiki jika terdapat kesalahan. Mengevaluasi
masalah yang didapat ketika proses reuse. Apabila berjalan dengan baik, lanjutan k proses retain.
Tahap 4 :
Tahap empat yaitu Retain, dimana tahap menyimpan solusi baru yang telah diupdate dalam basis kasus, pada tahap
retain terjadi suatu proses pengagabungan dari solusi yang baru dan benar ke knowledge yang telah ada.

4. KESIMPULAN
Ada beberapa kesimpulan yang dapat ditarik setalah dilakukan penngerjaan pada bab-bab sebelumnya. Kesimpulan
tersebut antara lain Sistem pakar sangat dibutuhkan oleh masyarakat dalam mendiagnosa penyakit flu burung agar lebih
mudah melakukan tindakan pengecekan awal sebelum pergi ke rumah sakit. Metode CBR digunakan untuk memberi
solusi kasus terhadap masalah baru jika memiliki kemiripan dengan masalah lampau dan metode CF digunakan untuk
mencari nilai kepastian terhadap diagnosa penyakit flu burung sehingga penggabungan metode ini mengahasilkan nilai
yang akurat dalam mendiagnosa penyakit. Aplikasi sistem yang dibangun nantinya dapat membantu penduduk untuk
melakukan diagnosa terhadap penyakit flu burung serta mendapatkan solusi penanganan dini.

REFERENCES
[1] Pencegahan dan Pengendalian Flu Burung ( Avian Influenza ) pada Peternakan Unggas Skala Kecil Buku Petunjuk bagi
Paramedik Veteriner,Kerajaan Kamboja, 2005, pp. 1–41.
[2] Buku pegangan sistem pakar,STIKOM Surabay, Surabaya, Indonesia,2007, pp. 1-172.
[3] N. Jarti dan R. Trisno, "Sistem Pakar Diagnosa Penyakit Alergi Pada Anak Berbasis Web Dengan Metode Forward Chaining
di Kota Batam", Fakultas Teknik Universitas Putera Batam,vol. I, pp.60-72, 2017.
[4] T. Rismawan dan S.Hartati, "Case Based Reasoning Untuk Diagnosa Penyakit THT (Telinga Hidung Tenggorokan)", FMIPA
UGM, vol. IV, pp.67-78, 2017.
[5] T. R. Maulidia, “Implementasi Case Based Reasoning Sistem Diagnosa Penyakit Anak Berbasis Web",FMIPA Universitas
Tanjung Pura, vol. V, pp.57-63, 2017.
[6] S. Rohajawati dan R. Supriyati, “Sistem Pakar: Diagnosis Penyakit Unggas Dengan Metode Certainty Factor”,Universitas
Pakuan Bogor, vol. IV, pp.41, 2010.
[7] B. C. Saputro, R. Delima, dan J. Purwadi, “Sistem Diagnosa Penyakit Diabetes Melitus Menggunakan Metode Certainty
Factor”, vol. VII, 2011.
[8] E. Wijaya, “Analisis Penggunaan Algoritma Breadth First Search Dalam Konsep Artificial Intellegencia”, STMIK Time
Medan, vol. II, pp. 18–26, 2013.
[9] M. Dahria, “Pengembangan Sistem Pakar Dalam Membangun Suatu Aplikasi”, STMIK Triguna Darma, vol. X, pp. 199–205,
2011.
[10] K. Ramanda, “Penerapan Sistem Pakar Untuk Mendiagnosa Penyakit Pada Kehamilan”,STMIK Nusa Mandiri Jakarta , vol.
XI, pp. 179–185, 2015.
[11] T.Lusiani, “Sistem Berbasis Aturan Untuk Mendiagnosa Penyakit Flu Burung Secara Online”,STIKOM Surabaya, pp. 156–
163, 2006.
[12] R. Andika, “Sistem Pakar Mendiagnosa Virus Pada Udang Dengan Implementasi Metode Case Based Reasoning dan Certainty
Factor”, Pelita Informatika STMIK Budidarma, vol. XVIII, pp. 587–592, 2019.
[13] Learning UML 2.0, Edisi I, O'REILLY Media, Sebastopol, United States of America, 2006, pp.1-258,

Page | 349
http://ejurnal.stmik-budidarma.ac.id/index.php/komik
 KOMIK (Konferensi Nasional Teknologi Informasi dan Komputer) ISSN 2597-4645 (media online)
Volume 4, Nomor 1, Oktober 2020 ISSN 2597-4610 (media cetak)
DOI: 10.30865/komik.v4i1.2718 Page: 345-350

[14] S. Santoso dan R. Nurmalina, “Perencanaan dan Pengembangan Aplikasi Absensi Mahasiswa Menggunakan Smart Card Guna
Pengembangan Kampus Cerdas (Studi Kasus Politeknik Negeri Tanah Laut)”, Politeknik Negeri Tanah Laut, vol. X, pp. 84–
91, 2017.
[15] P. S. Hasugian, “Perancangan Website Sebagai Media Promosi Dan Informasi”,Pelita Nusantara Medan, vol. III, pp. 82–86,
2018.
[16] A. Anisah dan M. S. Mayasari, “Desain Database Sistem Informasi Penerimaan Peserta Didik Baru Pada Selective English
Course”, STMIK Atma Luhur, vol. VII, pp. 183, 2016.
[17] H. Yuliansyah, "Perancangan Replikasi Basis Data MYQSL dengan mekanisme pengamanan menggunkan SSL Encryption",
vol VIII, 2014.
[18] K. S. Haryana, “Pengembangan Perangkat Lunak Dengan Menggunakan Php”,STMIK Mardira Indonesia , vol. II, pp. 14–21,
2008.
[19] Virologi, Kebayoran Baru Jakarta Selatan, Indonesia, 2018, pp. 1-314
[20] Belajar HTML dan CSS "Tutorial Fundamental dalam Mempelajari HTML & CSS", Indonesia, 2013, pp. 1-138
[21] D. P. Utomo and S. D. Nasution, “Sistem Pakar Mendeteksi Kerusakan Toner Dengan Menggunakan Metode Case Based-
Reasoning,” JURIKOM (Jurnal Ris. Komputer), vol. 3, no. 5, pp. 430–434, 2016.

Page | 350
http://ejurnal.stmik-budidarma.ac.id/index.php/komik