AKADEMIKA ISSN : 1907 - 3984

RANCANG BANGUN APLIKASI PENENTUAN TINGKAT RISIKO PENYAKIT

GASTROESOFAGEAL REFLUX DISEASE (GERD) BERDASARKAN POLA
MAKAN, GAYA HIDUP, DAN STATUS GIZI DENGAN POHON KEPUTUSAN
KONSEP ENTROPY

Hambali Furnawan1), Sukma Puspitorini1)

1)
Dosen Tetap STMIK Nurdin Hamzah Jambi, Jambi 36121
Email : alifnawan@gmail.com, sukm4pit@gmail.com

Abstract : Gastroesophageal Reflux Disease (GERD) is a gastrointestinal disease in which

oesophageal abnormalities that cause gastric fluid to flow back (reflux) into the esophagus
and cause heartburn symptoms typical of burning in the chest, sometimes accompanied by
pain. GERD can be experienced by any person at any time and in intensity which often can
cause the inflammation of the esophagus esofagistis (esophagus) which can lead to
complications such as esophageal stricture, Barrett's esophagus, and esophageal cancer.
Lifestyle factors and good eating habits can be the cause of GERD. This GERD disease risk
level determination aplication programme design is made to determine the extent of a person's
risk of experiencing GERD seen lifestyle factors, diet, and nutritional status as well. Data
obtained from questionnaires given to patient. The average point on each variable for lifestyle
factors and diet then categorized. While the nutritional status is obtained by finding a body
mass index (BMI) of the patient. Of the categories obtained on each factor, the classification
rule set (classification rule) which will then be represented in the form of a decision tree
(decision tree). The results obtained from a search result is a tree-level person's risk of disease
GERD.
Keyword : Classification Rule. Clinical Decision Support System, Decision Tree,
Esofagu,s Gastroesofageal Reflux Disease, Reflux.
1. PENDAHULUAN pendarahan kerongkongan dan kondisi yang disebut
Barrett's esophagus yaitu terjadinya pembentukan
Pencernaan makanan adalah proses jaringan pada dinding kerongkongan. Jika hal ini
mengolah makanan di dalam saluran cerna dimana terjadi, perjalanan penyakit ini berhubungan dengan
makanan akan diubah menjadi bentuk akhir yang kanker kerongkongan[2].
lebih mudah dicerna dan diserap oleh dinding
saluran cerna[1]. Gangguan pada saluran pencernaan Prevalensi terjadinya GERD dan
merupakan masalah yang sering ditemui pada pusat komplikasianya termasuk rendah untuk negara-
pelayanan kesehatan. Perilaku gaya hidup dan pola negara Asia dibanding negara-negara barat[2].
makan dapat menjadi penyebab adanya gangguan Namun ini tidak berarti GERD dapat diabaikan
saluran cerna ini. Gastroesofageal Reflux Disease begitu saja mengingat jika refluks sering terjadi dan
(GERD) merupakan salah satu penyakit gangguan tidak tertangani dengan baik dapat memicu
saluran pencernaan dimana terdapat (esofagus) terjadinya kanker esofagus. Faktor pola makan
kelainan yang menyebabkan cairan lambung seperti kebiasaan sering mengkonsumsi makanan
mengalir balik (reflux) ke kerongkongan dan yang digoreng dan pedas, dapat menjadi menjadi
menimbulkan gejala khas berupa rasa panas terbakar faktor risiko seseorang terkena GERD. Apalagi
di dada, kadang disertai dengan rasa nyeri[1]. . Pada orang Indonesia dikenal sangat menyukai gorengan.
umumnya, penyakit yang berkaitan dengan asam Kegemukan dan perilaku seperti merokok, makan
lambung selalu dikaitkan sebagai dyspepsia atau terlalu kenyang, dan makan diselingi minum juga
maag. Padahal GERD adalah penyakit kronik yang merupakan gaya hidup yang dapat menjadi faktor
bisa mengakibatkan kanker kerongkongan karena pencetus GERD [1]. Beberapa penenlitian yang telah
asam lambung bisa naik dan mengakibatkan dilakukan berkaitan dengan bidang ini antara lain :
perlukaan di kerongkongan[2]. GERD yang tidak
diterapi dengan baik dapat yang dapat menyebabkan Penelitian yang dilakukan oleh Davide
terjadinya esofagistis (peradangan tenggorokan) Festidkk (2009) dengan judul Body weight, lifestyle,
yang dapat memicu penyempitan kerongkongan, dietary habits and gastroesophageal reflux disease.

LP2M STMIK NURDIN HAMZAH JAMBI 28

AKADEMIKA ISSN : 1907 - 3984

Meneliti tentang kegemukan, kebiasaan diet dan 2. TINJAUAN PUSTAKA

aktivitas fisik pada pasien dengan GERD. Hasil dari
penelitian menunjukkan bahwa kegemukan
berpengaruh terhadap risiko GERD. Metode yang
digunakan adalah statistik[4].
Penelitian oleh Josceli Maria Tenório dkk
(2011) berjudul Artificial intelligence techniques
applied to the development of a decision–support
system for diagnosing celiac disease. Penelitian ini
membahas tentang pengaplikasian tehnik kecerdasan
buatan dalam membangun sistem pendukung
keputusan diagnisa penyakit celiac yaitu penyakit-
penyakit yang representasi klinis dan gejala-gejala
mirip antara satu dengan yang lain. Ada lima metode
yang diuji cobakan yaitu pohon keputusan,
klasifikasi Bayes, jaringan syaraf tiruan, support
vector machine, dan K nearest neighbour[5].
2.1 Faktor Risiko GERD
Berdasarkan penelitian yang dilakukan oleh
S.A Budi Hartati dan Anggi Novita Sari yang
terdapat pada buku “Pengkajian Status Gizi Studi
Epidemiologi dan Penelitian di Rumah Sakit Edisi
Kedua” yang diterbitkan oleh Fakultas Kedokteran
Universitas Indonesia pada tahun 2010, variabel-
variabel yang mempengaruhi faktor resiko GERD
[1] disajikan pada Tabel 1 berikut :
Tabel 1. Faktor Risiko GERD
FAKTOR RISIKO
STATUS
POLA MAKAN GAYA HIDUP
GIZI

Penelitian yang dilakukan oleh Nobutake Indeks Perilaku yang

Konsumsi bahan
Yamamichiet.al (2012) yang berjudul Lifestyle Massa berisiko
makanan yang
factors affecting gastroesophageal reflux disease Tubuh menimbulkan gejala
symptoms: a cross-sectional study of healthy 19864 berisiko gejala GERD
(IMT) GERD
adults using FSSG scores. Penelitian membahas
tentang faktor gaya hidup yang mempengaruhi 1. Nasi/mie/kentang
gejala GERD dengan menggunakan metode 2. Gorengan lauk
statistik FGGS (Frequency Scale for the Symptoms 3. Gorengan snack
of GERD). Hasil penelitian menunjukkan bahwa dari 4. Santan
beberapa faktor gaya hidup yang diteliti, rendahnya Konsumsi bahan
kualitas tidur dan kebiasaan makan yang tidak makanan yang
teratur mempunyai faktor resiko yang besar terhadap meningkatkan 1. Tidur tanpa
timbulnya gejala GERD [6]. sekresi asam bantal
Kurus
lambung 2. Duduk
Penelitian oleh Bertolini S dkk (2013) (17 – 18.4) menyandar setelah
dengan judul Entropy-driven decision tree building makan
5. Minuman keras
for decision support in gastroenterology. Bertolini Normal 3. Berbaring
6. Kopi
membangun sebuah pendukung keputusan dalam (18.5 – 25) setelah makan
7. Coklat
bentuk pohon entopy untuk membantu dokter dalam 4. Mengangkat
8. Mint
pemeriksaan klinis awal untuk mengklasifikasikan beban kerja berat
Konsumsi bahan
pasien berdasarkan kelas setelah dilakukan 5. Memakai
makanan yang
pemeriksaan endoskopis[7] Gemuk pakaian ketat
menimbulkan rasa
nyeri & iritasi pada 6. Merokok
Penelitian ini bertujuan untuk ( > 25)
esofagis 7. Makan
membangun sebuah model sistem pendukung
diselingi minum
keputusan yang dapat membantu tenaga medis baik
dokter mauapun ahli gizi dalam menentukan resiko 9. Makanan pedas
seseorang terkena GERD berdasakan pengamatan cabe
pada pola makan, gaya hidup, dan status gizinya 10. Makanan pedas
menggunakan metode pohon keputusan dengan lada
konsep entropy. Metode ini dipilih karena karena Makanan yang
akan memecah data secara optimal dengan asam
menentukan kondisi atribut test dan menentukan Tidak pernah = 0 x
Tidak pernah = 0 x
cara pembagian data terbaik. Hasil yang didapat /mgg
FREKUENSI /mgg
diharapkan dapat membantu tenaga medis dalam
mengidentifikasi pola makan, gaya hidup, dan status Jarang = ≤3 x /mgg
KONSUMSI Jarang = ≤3 x /mgg
gizi pasien yang dapat digunakan untuk menentukan
terapi dan solusi pengobatan yang tepat bagi pasien Sering = ≥4 x /mgg Sering = ≥4 x mgg
sesuai dengan tingkat risiko GERD.

LP2M STMIK NURDIN HAMZAH JAMBI 29

AKADEMIKA ISSN : 1907 - 3984

Dari Tabel 1 diatas dapat dibuat atribut-atribut  Penerapan model dengan data baru untuk
sebagaimana Tabel 2 berikut menghasilkan perkiraan dari kasus yang ada
Ada banyak model dalam data mining, antara lain
Tabel 2. Atribut classification dan clustering. Penelitian ini
Atribut Keterangan Nilai menggunakan model klasifikasi dengan pohon
IMT Status Gizi Kurus, keputusan menggunakan konsep gain dan entrophy
Normal, atau yang juga dikenal dengan Algoritma C4.5
Gemuk
Pola Konsumsi bahan Tidak
makan_1 makanan yang pernah, 2.3 Pohon Keputusan (Decision Tree)
berisiko gejala jarang, Pohon keputusan menurut merupakan
GERD sering representasi dukungan keputusan yang diberikan
secara grafis. Kegunaannya Permasalahan yang
Pola Konsumsi bahan Tidak
makan_2 didekati dengan pohon keputusan bersifat saling
makanan yang pernah,
bebas antara satu kejadian dengan kejadian yang
meningkatkan jarang, lainnya. Pohon keputusan memiliki empat
sekresi asam sering komponen utama, yaitu: akar (root), node, daun
lambung (leaf), dan busur (arc). Akar merupakan kejadian
Pola Konsumsi bahan Tidak awal dimana proses penelusuran dimulai [10]. Node
makan_3 makanan yang pernah, menunjukkan menunjukkan suatu atribut tertentu
menimbulkan rasa jarang, yang akan diuji kebenarannya. Daun menunjukkan
nyeri & iritasi pada sering klasifikasi, yaitu hasil yang akan diuji kebenarannya.
esofagis Daun menunjukkan klasifikasi, yaitu hasil yang
Gaya Rata-rata frekuensi Tidak diberikan setelah proses penelusuran. Busur dengan
hidup perilaku/kebiasaan pernah, anak panah menunjukkan arah penelusuran [10].
yang dapat jarang, Pohon keputusan dapat digunakan untuk
menimbulkan sering merepresentasikan aturan-aturan pengklasifikasian
gejala GERD (classification rule). Pada aturan klasifikasi dikenal
Risiko Resiko GERD Rendah, istilah antesenden dan dan konsekuen. Antesenden
Sedang, adalah fakta yang didapat dari serangkaian hasil
Tinggi pengujian terhadap sekumpulan kejadian sedangkan
konsekuen adalah merupakan konklusi dari
antesenden yang diberikan. Pada penelitian ini,
2.2 Data Mining aturan yang diaplikasikan adalah aturan IF-THEN.
Data mining menurut David Hand, Heikki Pada aturan ini, antesenden terletak setelah IF
Manilla, dan Padhraic Smyth adalah analisa terhadap seda.ngkan konsekuen terletak setelah THEN.
data (biasanya data yang berukuran besar) untuk
menemukan hubungan yang jelas serta
menyimpulkan yang belum diketahui sebelumnya 2.4 Pohon Keputusan dengan Konsep Entropy
dengan cara terkini yang dipahami dan berguna bagi Urutan kemunculan sebuah atribut perlu
pemilik data tersebut [8]. dipertimbangkan dalam membuat sebuah pohon
Definis lain menyebutkan bahwa Data keputusan. Pemilihan sebuah node menjadi akar dan
mining adalah eksplorasi dan analisis data yang node mana yang akan menjadi alternatif atribut
berukuran besar untuk menemukan pola data yang berikutnya akan mempengaruhi efisiensi waktu
valid, novel, understandable dan memiliki potensi penelusuran [10]. Penentuan urutan atribut dapat
untuk dimanfaatkan (useful) [9]. Valid yaitu pola dilakukan dengan menggunakan konsep entropy
berlaku secara umum. Novel berarti pola tersebut dengan memanfaatkan information gain [10].
tidak diketahui atau dikenali sebelumnya. Dengan konsep ini, selain akan menentukan posisi
Understandable artinya dapat menginterpretasi dan atribut mana yang akan dijadikan akar, juga akan
memahami pola yang diperoleh. Useful berarti kita mengeliminasi beberapa atribut yang kurang
dapat merancang tindakan apa saja yang dapat memberikan kontribusi dalam pembentukan basis
dilakukan berdasarkan pola tersebut [9]. pengetahuan. Tahapan pembentukan pohon
Secara skematis, menurut Gorunescu keputusan dengan konsep entropy adalah sebagai
(2011) aktivitas data mining dapat dilaksanakan berikut :
dalam tiga aktivitas, yaitu [8] :
 Eksplorasi data : pembersihan data, transformasi 1. Hitung jumlah data untuk setiap klasifikasi
data, pengurangan dimensi, pemilihan ciri, dll 2. Tentukan atribut akar pohon.
Untuk menentukan atribut akar didasarkan pada
 Membuat model dan melakukan pengujian
nilai Gain tertinggi dari atribut-atribut yang ada
terhadap validitas model untuk memilih model
dengan persamaan
mana yang cocok dengan kasus yang dihadapi.

LP2M STMIK NURDIN HAMZAH JAMBI 30

AKADEMIKA ISSN : 1907 - 3984

( ) ( ) Sering 3 2 1 0 0,000

( ) (1) Tidak
Dimana : Pernah 2 1 1 0 0,000
– S: simpul acuan
PM3 0,904
– A: atribut Jarang 5 2 1 2 0,960
– n: jumlah partisi atribut A
– |Si|: jumlah kasus pada partisi ke-i Sering 2 0 1 1 0,000
– |S|: jumlah kasus dalam S
Entropy dicari dengan Tidak
( ) ∑ (2) Pernah 2 1 1 0 0,000
Dimana GH 0,862
– pi: proporsi dari Si terhadap S Jarang 7 2 3 2 0,982
– Log2 pi = log pi / log 2
3. Buat cabang untuk setiap nilai atribut Sering 2 0 0 2 0,000
4. Bagi kasus untuk setiap cabang.
5. Ulangi proses 3-4 untuk setiap cabang sampai
semua kasus pada cabang memiliki kelas yang
sama Dari Tabel 3 diatas nilai gain yang paling
tinggi adalah atribut PM1 (pola makan tipe 1).
Dilihat dari nilai entrophy yang paling besar maka
Untuk kasus diatas, misalkan setelah yang menjadi cabang adalah partisi JARANG
dilakukan klasifikasi tingkat risiko penyakit GERD dengan kelas risiko TINGGI dan partisi SERING
dari 50 kasus pasien yang telah didiagnosa dengan kelas risiko TINGGI, sedangkan partisi
sebeumnya menjadi kelas rendah (tingkat risiko TIDAK PERNAH harus dipecah lagi ke level dua
rendah), kelas sedang (untuk risiko sedang), dan untuk menentukan cabang selanjutnya. Gambar
kelas tinggi (untuk risiko tinggi) didapat perhitungan pohon pada level satu adalah sebagaimana terlihat
gain dan entrophy pada level 1 untuk menentukan pada Gambar 1 berikut
manakah atribut yang akan menjadi akar pohon.
Apakah atribut status gizi (IMT), pola makan tipe 1
(PM1), pola makan tipe 2 (PM2), pola makan tipe 3
(PM3), atau gaya hidup (GH). Misalkan hasilnya
adalah sebagaimana tersaji pada Tabel 3 berikut :

Tabel 3. Hasil Perhitungan Entrophy

Jml Kls Kls Kls
Atri- Par- Entro- Gambar. 1. Pohon entrophy level 1
Ka- Gain
but py
tisi R S T
sus 3. RANCANGAN BASIS DATA
Total 50 17 17 16 1,000 Tabel 4. Tabel Pasien
Fields Type Size Keterangan
Kurus 3 1 1 1 1,000
*Kd_pasien Varchar 10 Kode pasien
IMT Normal 2 0 0 2 0,000 0,853

Gemuk 5 1 3 1 0,865 Nama_pasien Varchar 15 Nama pasien

Tidak Jenis_kelamin Varchar 10 Jenis kelamin

Pernah 4 1 1 2 0,946 pasien

PM1 0,924
Umur Number 3 Umur pasien
Jarang 3 2 1 0 0,000

Sering 2 1 1 0 0,000 Tinggi_badan Number - Tinggi badan

pasien
Tidak
Pernah 5 2 1 2 0,960 Berat_badan Number - Berat badan
PM2 0,844 ppasien
Jarang 3 1 1 1 1,000

LP2M STMIK NURDIN HAMZAH JAMBI 31

AKADEMIKA ISSN : 1907 - 3984

Tabel 5. Tabel Atribut Tabel 10. Tabel Data Rule

Fields Type Size Keterangan Fields Type Size Keterangan

Kd_atribut* Varchar 10 Kode *Kd_pasien Varchar 10 Kode pasien

atribut
IMT Varchar 15 Status gizi
Nama_atribut Varchar 25 Nama
atribut PM1 Varchar 15 Pola makan tipe 1

Tabel 6. Tabel Sub Atribut PM2 Varchar 15 Pola makan tipe 2

Field Type Size Keterangan
PM3 Varchar 15 Pola makan tipe 3
Kd_atribut** Varchar 10 Kode atribut
GH Varchar 15 Gaya hidup
Kd_sub_atribut* Varchar 10 Kode sub
atribut RESIKO Varchar 15 Risiko GERD

Nama_sub_atribut Varchar 25 Nama sub

atribut 4. RELASI TABEL

Tabel 7. Tabel Skor

Field Type Size Keterangan

Kd_pasien** Varchar 10 Kode pasien

Kd_sub_atribut** Varchar 10 Kode sub

atribut

Skor Number - Skor

penilaian
sub atribut

Tabel 8. Tabel Total Kuesioner

Field Type Size Keterangan

Kd_pasien** Varchar 10 Kode pasien

Kd_atribut** Varchar 10 Kode sub atribut

Total Number - Total penilaian

sub atribut Gambar. 1. Rancangan relasi tabel

Rata_rata Number - Rata-rata 5. RANCANGAN ANTARMUKA

penilaian sub
atribut Berikut adalah rancangan antarmuka dari aplikasi

5.1 Rancangan Antarmuka Login

Tabel 9. Tabel Hasil Diagnosa Antarmuka login dirancang untuk
Field Type Size Keterangan memberikan hak akses kepada admin (dalam hal ini
adalah ahli gizi) untuk mengmasukkan data pasien
Kd_pasien** Varchar 10 Kode pasien GERD yang mengisi kuesioner.

Kd_atribut** Varchar 15 Kode sub

atribut

Hasil Varchar 15 Total

Diagnosa penilaian
sub atribut

LP2M STMIK NURDIN HAMZAH JAMBI 32

AKADEMIKA ISSN : 1907 - 3984

Gambar. 2. Rancangan antarmuka login penelusuran (jika ada). Dari pohon tersebut akan
diketahui rule (aturan) dari penelusuran pohon.
5.2 Rancangan Antarmuka Kuesioner
Antarmuka kuesioner dirancang untuk
memasukkan data pasien GERD dan memberikan
penilaian terhadap pertanyaan-pertanyaan kuesioner
yang berhubungan dengan gaya hidup, pola makan,
dan status gizi pasien.

Gambar. 3. Rancangan antarmuka kuesioner

5.3 Rancangan Antarmuka Data Pasien

Antarmuka data pasien dirancang untuk
menyimpan data penilaian isian kuesioner pasien.
Gambar. 5. Rancangan antarmuka proses

5.5 Rancangan antarmuka diagnosa

Antarmuka diagnosa dirancang untuk
mengetahui tingkat risiko penyakit GERD seorang
pasien berdasarkan rule yang didapat pada
penelusuran pohon keputusan.

Gambar. 4. Rancangan antarmuka data pasien

5.4 Rancangan Antarmuka Hasil Diagnosa

Antarmuka hasil diagnosa dirancang untuk
menampilkan nilai entropy dan gain dari dari setiap
kelas (tingkat) risiko penyakit GERD untuk
kemudian dari nilai gain akan dapat ditentukan Gambar. 6. Rancangan antarmuka diagnosa
atribut yang menjadi akar dari pohon keputusan,
atribut-atribut mana saja yang menjadi cabangnya
dan atribut mana yang tidak dibutuhkan untuk 6. KESIMPULAN DAN SARAN

LP2M STMIK NURDIN HAMZAH JAMBI 33

AKADEMIKA ISSN : 1907 - 3984

Penelitian ini adalah sebuah rangangan [6] Nobutake Yamamichi dkk. (2012). Lifestyle factors
aplikasi yang dibangun untuk membantu affecting gastroesophageal reflux disease symptoms:
tenaga medis dalam menganalisa tingkat risiko a cross-sectional study of healthy 19864 adults using
seorang pasien GERD. Hal ini bertujuan FSSG scores. http://www.biomedcentral.com/1741-
membantu mereka dalam menganalisa tingkat 7015/10/45/. Diakses tanggal 2 Juni 2014
keparahan seorang pasien GERD atau dapat
juga untuk mengetahui apakah seseorang [7] Bertolini S dkk. (2013).Entropy-driven decision tree
beresiko terkena GERD atau tidak dilihat dari building for decision support in gastroenterology.
pola makan, gaya hidup, dan status gizinya. http://www.ncbi.nlm.nih.gov/pubmed/17420944.
Proses penentuan risiko dilakukan dengn Diakses tanggal 4 Juni 2014
konsep data mining dimana sekumpulan data
pasien GERD yang telah melalui proses [8] Prabowo P Widodo, dkk. (2013). Penerapan Data
diagnosa oleh dokter diuji dengan metode Mining Dengan Matlab. Rekayasa Sains. Bandung
entrophy untuk membentuk pohon keputusan.
Aturan yang diperoleh dari penelusuran [9] Sri Kusumadewi dan Lizda Iswari. (2013). Bahan
digunakan untuk menentukan tingkat risiko Kuliah SPK Datamining
seseorang yang didiagnosa GERD selanjutnya.
Penelitian ini merupakan sebuah studi awal [10 Sri Kusumadewi dkk. (2009). Informatika Kesehatan.
yang dapat dikembangkan dengan ] Graha Ilmu. Jogjakarta
menggunakan metode klasifikasi data mining
yang lain seperti dengan Naive Bayes atau K-
Nearest Neighbour. Dapat juga dilakukan
klustering dengan menggunakan konsep fuzzy DAFTAR RIWAYAT HIDUP PENULIS
seperti fuzzy c mean atau fuzzy subtractive.
Nama : Hambali Furnawan, ST.
TTL : Palembang, 20 Juli 1978
7. REFERENSI NIDN : 1020077802
Pend. Terakhir : S1 (Teknik Informatika
[1] Sarwono Waspadji dkk. (2010). Pengkajian status gizi: UII Yogyakarta)
Studi epidemologi dan Penelitian Rumah sakit EdisiBidang Keahlian : Sistem Cerdas
Kedua. Pusat Diabetes dan Lipid, RSCM/FKUI danJab. Fungsional : Asisten Ahli
Instalasi Gizi RSCM. Jakarta.

[2] Tiantian Chen, dkk. (2012). Prevalence and risk factorsNama : Sukma Puspitorini, ST.
of gastroesophageal reflux symptoms in a ChineseTTL : Blora, 01 April 1982
retiree cohort. http://www.biomedcentral.com/1471-NIDN : 1001048201
230X/12/161. Diakses tanggal 7 Juni 2014 Pend. Terakhir
: S1 (Teknik Informatika
UII Yogyakarta)
[3] Horowitz N dkk.(2007). Applying data miningBidang Keahlian : Sistem Cerdas
techniques in the development of a diagnosticsJab. Fungsional : Asisten Ahli
questionnaire for GERD.
http://europepmc.org/abstract/med/23542975.
Diakses tanggal 2 Juni 2014.

[4] Davide Festi dkk.(2009). Body weight, lifestyle, dietary

habits and gastroesophageal reflux disease.
http://www.ncbi.nlm.nih.gov/pmc/articles/PMC266
8774/. Diakses tanggal 2 Juni 2014

[5] Josceli Maria Tenório dkk. (2011). Artificial

intelligence techniques applied to the development of
a decision–support system for diagnosing celiac
disease.
http://pubmedcentralcanada.ca/pmcc/articles/PMC3
768292/. Diakses tanggal 2 Juni 2014

LP2M STMIK NURDIN HAMZAH JAMBI 34