(Skripsi)
Oleh :
IRFANI MAHARANI
Oleh
IRFANI MAHARANI
Penelitian ini dilakukan untuk membuat suatu sistem pakar yang mampu
mengidentifikasi jenis malaria berdasarkan pengetahuan yang diberikan langsung
dari pakar/ahlinya. Penelitian ini menggunakan metode perhitungan Naive Bayes
dalam menghitung tingkat kepakaran dan dibuat pada mobile device platform
Android. Data penelitian ini terdiri dari data gejala dan data jenis malaria, serta
data aturan. Pada penelitian ini data jenis malaria dibatasi yaitu berjumlah 4 jenis
penyakit dengan 25 jenis gejala dan 4 jenis aturan. Metode inferensi yang
digunakan yaitu forward chaining (runut maju) dengan menelusuri aturan-aturan
berdasarkan jawaban yang diberikan pengguna. Jawaban pengguna kemudian
diproses berdasarkan aturan (rule) dan dihitung menggunakan metode Naive
Bayes. Proses penelusuran dilakukan sampai didapatkan suatu kesimpulan berupa
kemungkinan jenis malaria beserta nilai presentasenya. Hasil pengujian
menunjukkan bahwa: (1) Pengujian fungsional dengan menggunakan metode
Black Box Equivalence Partitioning (EP) mendapatkan hasil sesuai dengan yang
diharapkan pada skenario uji di setiap kelas uji. (2) Pengujian kepakaran dengan
membandingkan hasil perhitungan manual dan sistem sudah sesuai dan berjalan
baik. (3) Pengujian kuesioner dengan 40 orang responden yang dibagi menjadi
tiga kelompok responden menunjukkan; kelompok responden pertama yang terdiri
dari dokter mendapatkan rata-rata nilai sebesar 80,41 persen (dikategorikan sangat
baik), kelompok responden kedua yang terdiri dari para mahasiswa kedokteran
mendapatkan rata-rata nilai sebesar 73,81 persen (dikategorikan baik), dan
kelompok responden ketiga yang terdiri mahasiswa Ilmu Komputer dan
masyarakat penderita malaria mendapatkan rata-rata nilai sebesar 87,80 persen
(dikategorikan sangat baik).
Kata Kunci : Sistem Pakar, Naive Bayes, Forward Chaining, Jenis Malaria,
Skala Likert, Android.
ABSTRACT
By
IRFANI MAHARANI
This research is aimed to establish an expert system that may identify the type of
malaria based on knowledge that is given by the expert. This study uses Naïve
Bayes calculation in measuring the level of expertise which is generated in
Android mobile device platform. The data of this research consist of symptoms
data, types of malarias data, and data rules. The type of malaria in this study are
limited for 4 types only with 25 types of symptoms and 4 types of rules. The
inference method in this study uses forward chaining method by searching the
rules based on the answers that given by users. The answers of users then are
processed by rules and computed by using Naïve Bayes calculation. The
searching process is continued until getting a conclusion of malaria type
probability in percentage. The results showed: (1) Functional testing by using
Black Box Equivalence Partitioning (EP) obtained the result as expected as the
scenario in each test class. (2) expert testing by comparing the result of both
manual and system calculation was good and well-run. (3) Questionnaire testing
with 40 respondents which are categorized into 3 group of respondents indicated:
The group of respondent 1 which consists of doctors has 80.41 percent of average
(categorized very good), the group of respondent 2 which consists of medical
students has 73.81 percent of average (categorized good) and the group of
respondent 3 which consists of computer science students and malaria patients has
87.80 percent of average (categorized verygood).
Key Words : Expert System, Naive Bayes, Forward Chaining, Type of Malaria,
Likert Scale, Android.
PENENTUAN JENIS MALARIA DENGAN MENGGUNAKAN METODE
FORWARD CHAINING DAN NAIVE BAYES BERBASIS MOBILE
Oleh :
IRFANI MAHARANI
Skripsi
pada
Pada tahun 2013, penulis terdaftar sebagai mahasiswi Jurusan Ilmu Komputer
jalur SBMPTN. Pada bulan Januari – Maret 2016, penulis melakukan kerja
praktik di Gala’s Indo Lampung selama 40 hari. Kemudian pada bulan Juli 2016
penulis melakukan Kuliah Kerja Nyata (KKN) selama 40 hari di Desa Rantau
Puji dan syukur saya panjatkan kepada Allah SWT atas segala berkah-Nya
sehingga skripsi ini dapat terselesaikan.
(Q.S.Al-Ankabut:6)
“Pohon kejujuran akarnya akan rapuh, daunnya akan layu dan buahnya akan
beracun bila selalu ditutupi dengan tirai kebohongan”
(Anonim)
SANWACANA
Alhamdulillah, segala puji bagi Allah SWT yang telah melimpahkan rahmat,
Metode Forward Chaining Dan Naive Bayes Berbasis Mobile” dengan baik.
Terima kasih penulis ucapkan kepada semua pihak yang telah membantu dan
1. Kedua orangtua tercinta, Mama dan Papa yang telah memberikan doa,
tahap ini.
3. Bapak dr. Tedy Subroto pembimbing kedua yang telah membimbing dan
memberikan bantuan, ide, kritik serta saran dalam penyusunan skripsi ini.
4. Bapak Dr. Eng. Admi Syarif sebagai pembahas, yang telah memberikan
Universitas Lampung.
6. Bapak Dr. Ir. Kurnia Muludi, M.S.Sc., selaku Ketua Jurusan Ilmu
8. Bapak dan Ibu Dosen Jurusan Ilmu Komputer yang telah memberikan
9. Ibu Ade Nora Maela dan Pak Irshan yang telah membantu segala urusan
10. Sahabat tercinta Eria, Dini dan Yeni yang tak pernah henti menemani,
11. Sahabat seperjuangan Pupang, April, Rita, Upeh, Ajenk, Nadya, Kidiw,
12. Teman-teman yang baik hati kak deby, annisa, wibi, faiq, rifaldhi yang
selalu setia direpotkan dan mau menjadi tempat bertanya dikala buntu
13. Keluarga ku tersayang om amsar dan tante dwi yang selalu siap membantu
dan direpotkan.
14. Keluarga Ilmu Komputer 2013 yang tidak bisa disebutkan satu per satu,
15. Mas Naufal yang telah membukakan MIPA Terpadu dan ruang baca serta
Irfani Maharani
DAFTAR ISI
Halaman
DAFTAR ISI ix
I PENDAHULUAN
1.4 Tujuan 4
1.5 Manfaat 4
II TINJAUAN PUSTAKA
2.1 Malaria 5
ix
2.4 Metode Naive Bayes 15
2.5.1 Analisis 16
2.5.2 Perancangan 16
2.5.3 Implementasi 20
2.5.4 Pengujian 21
2.5.5 Pemeliharaan 25
3.3.4.1 Flowchart 29
x
3.3.5.2 Perancangan Halaman Menu Utama 40
3.3.6 Implementasi 45
3.3.7 Pengujian 45
xi
4.5.7 Tampilan Halaman Menu Jenis Penyakit 59
4.5 Pengujian 65
Layar 67
BAB V PENUTUP
5.1 Keimpulan 90
5.2 Saran 91
DAFTAR PUSTAKA 92
LAMPIRAN
LAMPIRAN PENGUJIAN
xii
DAFTAR GAMBAR
Halaman
Gambar 2.1 Morfologi Nyamuk Anopheles 6
xiii
Gambar 3.11 Sequence Diagram Menu Tentang 37
xiv
Gambar 4.12 Tampilan Halaman Submenu Diagnosa 61
xv
DAFTAR TABEL
Halaman
Tabel 2.1 Simbol Class Diagram 16
xvi
Tabel 4.5 (Lanjutan) Pengujian Diagnosa Sistem Pakar Penentuan Jenis
Malaria 73
xvii
1
I . PENDAHULUAN
rule yang telah dibuat oleh manusia (Sari, 2013). Sistem pakar dapat digunakan
menyebabkan 300-500 juta kasus serta kematian 1,5-2,7 juta setiap tahunnya.
Lampung merupakan daerah endemis malaria, daerah endemis pada kota Bandar
Lampung yaitu daerah yang berada di pesisir pantai seperti Panjang, Kota Karang,
Sukamaju, Pasar Ambon, Sukaraja, dan wilayah datar seperti Kemiling, Kedaton
dan Rajabasa. Pada Tahun 2014 penderita malaria mengalami peningkatan dari
479 kasus pada tahun 2013 menjadi 565 pada tahun 2014, (Dinas Kesehatan Kota
Menurut Kasmui dan Kusuma (2016), malaria disebabkan oleh parasit genus
(gigitan) nyamuk Anopheles. Menurut Permata dkk (2014) Ada banyak jenis
Seseorang yang terjangkit malaria biasanya mengalami demam yang diikuti rasa
menggigil dalam siklus waktu yang sama (Rosnelly dan Hardjoko, 2011). Ciri-ciri
melakukan diagnosa awal tentang malaria tanpa pengetahuan dan fakta medis. Hal
tingkat kesalahan dalam diagnosa awal malaria dan dapat membantu mempercepat
Pakar Diagnosa Infeksi Penyakit Tropis Berbasis Web yang menghasilkan sistem
yang diderita sesuai dengan gejala yang dirasakan oleh pengguna ataupun pasien
3
malaria sebelumnya telah dilakukan oleh Sadly Syamsuddin dan Ahyuna (2014)
diagnosa penyakit yang disebabkan oleh nyamuk dengan tingkat akurasi yang
baik dan hampir tidak ditemukan kesalahan yang ada dalam tiap form komponen
yang diuji.
base dalam interface dapat membantu user dalam mengakses sistem dikarenakan
untuk menentukan aturan mana yang akan dijalankan, kemudian aturan tersebut
dijalankan, proses diulang hingga ditemukan suatu hasil. Dengan sistem ini
dan efisien. Dalam perhitungan akurasi digunakan metode Clasic Probability dan
Naive Bayes.
2. Jenis malaria yang dapat diidentifikasi hanya 4 jenis yaitu malaria tropika,
penyakit malaria dilakukan gejala- gejala awal yang diberikan oleh sistem
1.4 Tujuan
Tujuan yang ingin dicapai dalam penelitian adalah menciptakan sistem pakar yang
1.5 Manfaat
2.1 Malaria
hepatosit, dan kemudian melalui sirkulasi darah akan memasuki sel – sel eritrosit.
Plasmodium yang bersifat toksis ke sirkulasi darah. Hal ini mencetuskan sejumlah
gejala klinik yang ringan sampai berat yang dapat menyebabkan kematian. Lebih
dari 100 negara dan territorial yang beresiko menjadi wilayah transmisi malaria
yang biasanya menggigit pada saat waktu terbit dan terbenam (Putra, 2011).
6
Dimulai dari nyamuk yang menghisap manusia, nyamuk akan melepaskan parasit
akhirnya akan membengkak dan pecah sehingga merozoit lepas dan masuk ke
merozoit akan berkembang hingga 6-20 kali dalam waktu 42-72 jam menjadi
tropozoit. Pada eritrosit, tropozoit berubah bentuk menjadi ring form dan
ruptur akan melepaskan seluruh merozoit di dalam eritrosit. Fase dimana parasit
menjadi gametosit jantan dan betina. Di dalam tubuh nyamuk anophelesm betina,
7
demam. Selain itu anemia juga dapat terjadi karena hemolisis autoimun,
sekuentrasi oleh limpa pada eritrosit yang terinfeksi. Pada serangan akut kadar
dan splenomegali. Sebelum demam biasanya pasien merasa lemah, nyeri kepala,
8
tidak ada nafsu makan, mual atau muntah. Pada pasien dengan infeksi
majemuk/campuran (lebih dari satu plasmodium atau satu jenis plasmodium tetapi
infeksi berulang dalam waktu yang berbeda), maka serangan demam yang diderita
falciparum dan paling lama adalah P. malariae. Masa inkubasi pada penularan
secara alamiah bagi masing-masing spesies parasit, untuk P. falciparum 9-14 hari,
P. Vivax 12-17 hari, P. ovale 16-18 hari, dan P. malariae 18-40 hari. Gejala
klasik yang terjadi adalah “Trias Malaria” dijelaskan secara berurutan yaitu
stadium dingin (cold stage), stadium demam (hot stage), dan stadium berkeringat
(sweating stage). Serangan demam yang pertama didahului oleh masa inkubasi
(intrinsik). Setelah melewati masa inkubasi, pada anak besar dan orang dewasa
timbul gejala demam yang terbagi dalam tiga stadium yaitu (Putra, 2011):
a. Stadium dingin
Stadium ini diawali dengan gejala menggigil atau perasaan yang sangat
dingin. Gigi gemeretak dan pasien biasanya menutupi diri dengan segala
macam pakaian dan selimut yang tersedia. Nadi cepat tetapi lemah, bibir
dan jari-jari pucat (sianosis), kulit kering dan pucat, pasien mungkin
b. Stadium demam
kepanasan. Muka merah, kulit kering, dan terasa sangat panas seperti
terbakar, nyeri kepala, seringkali terjadi mual dan muntah, nadi menjadi
9
kuat kembali. Biasanya pasien menjadi sangat haus dan suhu tubuh dapat
meningkat sampai 41OC atau lebih. Stadium ini berlangsung antara 2-12
jam. Demam tersebut disebabkan karena pecahnya skizon dalam sel darah
merah yang telah matang dan masuknya merozoit darah ke dalam aliran
darah. Pada P. vivax dan P. ovale, skizon dari tiap generasi menjadi
matang setiap 48 jam sekali, sehingga timbul demam setiap hari ketiga
terjadi setelah 72 jam (hari keempat), dan pada P. falciparum terjadi setiap
24-48 jam.
c. Stadium berkeringat
Gejala ini diikuti dengan penurunan suhu yang cepat dan penderita yang
organ tubuh tertentu seperti otak, hati, dan ginjal, sehingga menyebabkan
Sistem pakar merupakan program komputer yang masuk dalm cabang dari
penelitian ilmu komputer yaitu AI. Sistem pakar ditujukan pada sistem yang
10
inferensi yang diinterprestasikan dalam suatu mesin (Desiani dan Arhami, 2006).
komponen:
sistem pakar.
11
tahapan awal yaitu akusisi pengetahuan dimana dalam tahap ini pengetahuan di
yang berupa pembuatan suatu aturan atau rule dalam tahap ini pakar akan sangat
Menurut Desiani dan Arhami (2006), terdapat dua karakteristik umum dari
Terdapat dua pendekatan untuk mengontrol inferensi dalam sistem pakar berbasis
tujuan terlebih dahulu (goal-driven). Dalam pendekatan ini pelacakan dimulai dari
kesimpulannya.
Pelacakan kedepan adalah pendekatan yang dimotori data (data driven). Dalam
Kedua metode inferensi tersebut dipengaruhi oleh tiga macam penulusuran, yaitu
Gambar 2.6. Diagram Alir Teknik Penelusuran Depth First Search (Arhami,2006)
2. Breadth-first search, bergerak dari simpul akar, simpul yang ada pada setiap
(Arhami, 2006)
Gambar 2.8. Diagram Alir Teknik Penelusuran Best-first search (Arhami, 2006)
mencocokkan fakta-fakta tersebut dengan bagian dari rules IF-THEN. Bila ada
15
fakta IF yang cocok dengan bagian IF, maka rule tersebut dieksekusi.
Pencocokan berhenti bila tidak ada lagi rule yang bisa dieksekusi.
Probabilitas Bayes adalah suatu interpretasi dari kalkulus yang memuat konsep
probabilitas sebagai derajat dimana suatu pernyataan dipercaya benar. Teori bayes
tingkat kepercayaan dari suatu informasi. Teori probabilitas bayes merupakan satu
dari cabang teori statistik matematik yang memungkinkan untuk membuat satu
pengetahuan umum dengan fakta dari hasil pengamatan (Trisyanto dan Fadlil,
2014).
Menurut Fithri (2013), Probabilitas Bayesian adalah salah satu cara untuk
( | ) ( ) ...... (1)
( | )=
( )
( | ) ( ) ...... (2)
( | )=
∑ |
16
2.5.1 Analisis
Menurut Herliana dan Rasyid (2016), dalam analisis kebutuhan sistem dituntukan
dengan baik dan data yang didapatkan sesuai dengan yang diharapkan.
2.5.2 Perancangan
Hasil dari analaisa kebutuhan dituangkan dalam desain sistem yang dapat berupa
UML dan ERD dalam gambaran hubungan dari database (Herlina dan Rasyid,
2016).
tersebut (metoda/fungsi).
sebuah sistem. Yang ditekankan adalah “apa” yang diperbuat sistem, dan
pekerjaan-pekerjaan tertentu.
terkait).
beberapa eksekusi.
20
2.5.3 Implementasi
aplikasi yang dibuat telah sesuai kebutuhan sistem, desain, dan semua fungsi
dapat berjalan dan dipergunakan dengan baik tanpa kesalahan atau error. Pada
d. Pembuatan dokumentasi.
e. Konversi.
21
2.5.4 Pengujian
menyiapkan sesi khusus untuk menguji program yang sudah dibuat agar kesalahan
Pengujian atau testing sendiri merupakan elemen kritis dari jaminan kualitas
perangkat lunak dan merupakan bagian yang tidak terpisah dari siklus hidup
b. 80% dari semua kesalahan yang terungkap selama pengujian akan mudah
1. Unit testing-testing per unit yaitu mencoba alur yang spesifik pada struktur
konstruksi program
3. High-order test yaitu terjadi ketika software telah selesai diintegrasikan atau
Menurut Khan (2011) dalam Mustaqbal dkk (2015), ada beberapa jenis pengujian
Menurut Wahyudi dan Utami (2016), Proses pengujian black box adalah
memasukkan data ke dalam form - form yang telah disediakan. Pengujian ini
Black box Testing berfokus pada spesifikasi fungsional dari perangkat lunak.
Black box Testing bukanlah solusi alternatif dari White box Testing tapi lebih
merupakan pelengkap untuk menguji hal-hal yang tidak dicakup oleh White box
Testing.
2. Input seperti apa yang dapat menjadi bahan kasus uji yang baik?
5. Berapa banyak rata-rata data dan jumlah data yang dapat ditangani sistem?
6. Efek apa yang dapat membuat kombinasi data ditangani spesifik pada operasi
distribusi respons sebagai dasar penentuan nilai skalanya. Nilai skala setiap
ditentukan oleh distribusi respons setuju dan tidak setuju dari sekelompok
Skala Likert, yaitu skala yang berisi lima tingkat preferensi jawaban dengan
100%
=
K
...... (3)
Keterangan :
I = Interval;
K = Kategori interval
(X) dan angka terendah (Y) untuk item penilaian dengan rumus pada Persamaan
(4) berikut.
Penilaian interpretasi responden terhadap aplikasi sistem pakar ini adalah hasil
nilai yang dihasilkan dengan menggunakan rumus index % pada Persamaan (5)
berikut.
2.5.5 Pemeliharaan
perubahan bisnis atau lingkungan atau adanya permintaan kebutuhan baru oleh
pengguna. Ketiga, pemeliharaan juga bisa dipicu karena kinerja sistem yang
a. Perangkat Keras
b. Perangkat Lunak
editing gambar.
ini. Pada tahapan ini dilakukan identifikasi dalam masyarakat tentang penyakit
yang saat ini banyak terjadi dan masih kurang cepat dalam penanganannya.
Pada tahapan ini dilakukan perumusan dan pembatasan terhadap masalah yang
akan diteliti. Perumusan dan pembatasan masalah dilakukan agar penelitian fokus
dan tidak keluar dari batasan masalah yang telah ditentukan dalam pembuatan
sistem.
Dalam pengumpulan data dilakukan dengan dua metode yaitu studi literatur dan
wawancara.
a. Studi Literatur
data – data yang ada dalam jurnal, buku ataupun dokumen yang berkaitan
b. Wawancara
pakar/ ahli. Metode ini dilakukan dengan tujuan untuk mendapatkan data yang
tidak ditemukan dalam studi literatur. Data yang telah ditemukan akan
bentuk gambar agar mempermudah pengguna dalam memahami sistem yang akan
dibuat. Perancangan sistem dalam penelitian ini terdiri dari Flowchart, Usecase
3.3.4.1 Flowchart
Pada sistem pakar diagnosa malaria terdapat satu pengguna (user). Gambaran
tentang sistem ini secara garis besar dapat digambarkan menggunakan flowchart.
Flowchart merupakan gambaran dari proses bisnis yang berisi aktivitas yang
saling berelasi satu sama lain. Relasi antara pengguna dan sistem pakar
Dalam Flowchart yang digambarkan dalam Gambar 3.2 dijelaskan bahwa User
saat telah menjalankan aplikasi dan memilih menu diagnosa maka akan
oleh sistem yang selanjutnya akan diproses oleh sistem untuk dihitung nilai
akurasinya serta mendiagnosa jenis penyakit malaria yang diderita oleh User.
Pada Gambar 3.3 digambarkan bahwa User memiliki empat aktivitas yaitu
dirancang, dari mulai hingga selesai serta dapat menggambarkan proses paralel
yang mungkin terjadi pada beberapa eksekusi. Activity Diagram Sistem Pakar
Gambar 3.4 Activity Diagram menu Diagnosa Sistem Pakar Diagnosa Malaria
Activity Diagram pada Gambar 3.4 merupakan interaksi antara User dan sistem
pertanyaan-pertanyaan.
2. User menjawab pertanyaan yang diberikan oleh sistem dan kemudian jawaban
3. Sistem menampilkan hasil diagnosa dan user mendaatkan hasil diagnosa sesuai
Gambar 3.5 Activity Diagram Menu Data Penyakit Sistem Pakar Diagnosa Malaria
Activity Diagram pada Gambar 3.5 terdiri dari interaksi antara User dan sistem.
1. User mengawali aktivitas dengan memilih menu data penyakit, yang kemudian
dipilih.
Pada Gambar 3.6 terdapat interaksi antara User dan sistem yang dijelaskan
sebagai berikut.
Gambar 3.6 Activity Diagram Menu Bantuan Sistem Pakar Diagnosa Malaria
Gambar 3.7 Activity Diagram menu tentang Sistem Pakar Diagnosa Malaria
Activity Diagram pada Gambar 3.7 menggambarkan interaksi antara User dan
1. User memilih menu Tentang kemudian sistem menampilkan sub menu dalam
2. User memilih button About maka sistem akan menampilkan informasi tentang
aplikasi
34
playstore.
berupa pesan terhadap waktu. Sequence Diagram pada Sisem Pakar Diagnosa
Sequence Diagram pada Gambar 3.8 terdiri dari satu user dan enam objek yaitu
3. User memilih menu diagnosa pada halaman utama yang kemudian dilanjutkan
Form Gejala.
Sequence Diagram pada Gambar 3.9 terdiri dari satu user dan lima objek yaitu
Splash Screen, Main Activity, Controller Data Penyakit, Form Data Penyakit dan
3. User memilih menu data penyakit pada halaman utama yang kemudian
yang dituju.
4. User memilih jenis penyakit yang akan dilihat detailnya pada Form Data
Penyakit
Sequence Diagram pada Gambar 3.10 terdiri dari satu user dan empat objek yaitu
Splash Screen, Main Activity, Controller Bantuan dan Data Bantuan. Proses pada
dituju.
Sequence Diagram pada Gambar 3.11 terdiri dari satu user dan lima objek yaitu
Splash Screen, Main Activity, Controller Tentang, Form Tentang dan Data
dituju.
38
play store
pengembang.
Diagram pada sistem pakar diagnosa malaria disajikan dalam Gambar 3.12.
Class Diagram pada Gambar 3.12 terdapat sembilan kelas yang terdiri dari
diagnosa, rule, metode, jenis metode, penyakit, jenis penyakit, gejala penyakit,
1. Kelas diagnosa memiliki hubungan kompisisi dengan kelas relasi, yang berarti
bahwa kelas diagnosa tidak dapat berdiri tanpa adanya kelas relasi. Jika kelas
2. Kelas rule memiliki kelas turunan yaitu kelas gejala, penyakit dan metode.
3. Kelas metode memiliki hubungan asosiasi dengan kelas jenis metode dan kelas
rule dengan nilai kardinalitas satu. Hal ini berarti setiap metode hanya
memiliki satu rule dan rule dapat memiliki satu atau lebih metode.
5. Kelas penyakit memiliki hubungan asosiasi dengan kelas jenis penyakit dan
kelas rule dengan nilai kardinalitas satu. Hal ini berarti setiap penyakit hanya
memiliki satu rule dan rule dapat memiliki satu atau lebih penyakit.
6. Kelas gejala penyakit memiliki hubungan asosiasi kelas rule dengan nilai
kardinalitas satu atau lebih. Hal ini berarti setiap gejala penyakit dapat
7. Kelas tentang berdiri sendiri dan tidak memiliki hubungan dengan kelas
lainnya.
8. Kelas bantuan berdiri sendiri dan tidak memiliki hubungan dengan kelas
lainnya.
Perancangan antarmuka bertujuan agar user dapat lebih memahami sistem dalam
penelitian ini, selain itu antarmuka juga merupakan penghubung antara interaksi
user dan sistem. Dalam sistem ini dirancang beberapa antarmuka yang nantinya
Halaman splash screen adalah halaman awal yang muncul secara kilat saat sistem
pertama kali diakses. Splash screen pada sistem ini ditujukkan dalam Gambar
3.13.
Splash screen
Halaman menu utama berisi menu menu yang disajikan dalam sistem untuk
pengguna yaitu menu diagnosa, data penyakit, bantuan dan tentang. Perancangan
menu menu
Text view
button button
Gambar 3.15 Halaman Menu Diagnosis Sistem Pakar Diagnosa Jenis Malaria
Halaman menu diagnosa akan ditampilkan ketika user memilih button diagnosis
pada halaman menu utama. Pada halaman menu diagnosis sistem akan
memberikan pertanyaan kepada user untuk dijawab. Jawaban user hanya berupa
pernyataan iya atau tidak dalam bentuk tombol. Perancangan halaman diagnosis
halaman hasil diagnosa akan disajikan hasil diagnosa, tingkat akurasi. Halaman
ini dilengkapi dengan button detail yang bila di tekan akan menuju ke halaman
3.16.
Text view
detail
Gambar 3.16 Halaman Hasil Diagnosa Sistem Pakar Diagnosa Jenis Malaria
Halaman jenis penyakit merupakan halaman yang disajikan setelah user memilih
tombol jenis penyakit pada halaman utama. Halaman jenis penyakit akan
Gambar 3.17 halaman Jenis Penyakit Sistem Pakar Diagnosa Jenis Malaria
Halaman detail penyakit akan ditampilkan setelah user memilih salah-satu dari
jenis penyakit malaria. Halaman ini berisikan informasi mengenai jenis malaria
yang dipilih oleh user. Perancangan halaman detail penyakit ditunjukkan dalam
Gambar 3.18.
Text view
Gambar 3.18 Halaman Detail Penyakit Sistem Pakar Diagnosa Jenis Malaria
44
Halaman bantuan akan ditampilkan setelah user memilih tombol bantuan pada
menu utama. Halaman ini akan menampilkan list dari menu bantuan dan akan
list
list
Gambar 3.19 Halaman Menu Petunjuk Sistem Pakar Diagnosa Jenis Malaria
Text view
Gambar 3.20 Halaman Informasi Petunjuk Sistem Pakar Diagnosa Jenis Malaria
45
Halaman tentang dapat diakses apabila user memilih tombol tentang pada menu
Text view
rate
3.3.6 Implementasi
forward chaining.
3.3.7 Pengujian
internal dan eksternal. Pengujian ini bertujuan agar saat sistem telah digunakan
menguji fungsional sistem serta kepakaran dari sistem dalam menentukan jenis
domain masukan (input) ke dalam kelas-kelas sehingga test case pada aplikasi
dapat diperoleh. Pengujian ini dilakukan dengan cara membagi kelas uji seperti
pengujian versi android, resolusi layar dan densitas layar, pengujian user
Pengujian ini dilakukan untuk menguji apakah aplikasi dapat berjalan dengan baik
dalam semua versi android yang diujikan. Pengujian versi android dapat dilihat
Pengujian ini dilakukan untuk mengetahui apakah tampilan aplikasi terlihat baik
dan sesuai dengan resolusi android yang diujikan. Pengujian resolusi layar dan
Pengujian ini bertujuan untuk mengetahui apakah aplikasi memilki tampilan yang
baik dan user friendly terhadap pengguna. Pengujian user intrface dapat dilihat
Pengujian ini bertujuan untuk mengetahui apakah tombol – tombol yang terdapat
dalam aplikasi dapat berjalan dan berfungsi dengan baik. Pengujian dari fungsi
jenis malaria terhadap fakta – fakta yang diberikan. Pengujian ini dilakukan
Seluruh data dan hasil pengujian yang telah ditarik kesimpulan akan
Data yang dibutuhkan pada sistem pakar ini meliputi data gejala dan data jenis
malaria. Informasi mengenai gejala dan jenis malaria berasal dari beberapa
literatur yaitu hasil penelitian dari Syamsudin dan Ahyuna (2014) serta hasil
konsultasi dengan pakar malaria. Pada penelitian ini terdapat 25 jenis gejala dan 4
jenis malaria. Daftar nama gejala dan nama penyakit pada sistem pakar ini diberi
kode yaitu “M” dan untuk data gejala “G”. Daftar nama gejala dan penyakit pada
Berdasarkan data gejala dan penyakit, maka dibentuk tabel keputusan yang berisi
digunakan teknik berbasis aturan pengetahuan (rule based knowledge). Pada rule
based system, pengetahuan direpresentasikan dalam suatu fakta dan aturan yang
53
terdiri dari premis dan kesimpulan. Basis aturan sistem pakar pada penelitian ini
disajikan pada Lampiran 5. Dalam sistem pakar terdapat proses perhitungan hasil
Tahapan awal dari pembangunan sistem pakar penentuan juenis malaria dimulai
dituliskan dalam bentuk if-then. Dalam representasi ini akan terbentuk sebuah
Metode inferensi pada sistem pakar ini yaitu forward chaining (runut maju/
Sistem pakar yang dibangun menggunakan bahasa pemerograman java dan sqlite.
operasi android.
Halaman splash screen merupakan halaman kilat yang muncul pertama kali di
lihat saat mengakses aplikasi. Halaman splash screen ditunjukkan Gambar 4.1.
Halaman informasi berisi tentang kegunaan dari aplikasi agar user tidak salah
Halaman utama dalam sistem pakar ini menyajikan menu yang tersedia dalam
sistem pakar dalam bentuk tombol. Terdapat 5 tombol yaitu diagnosa, jenis
Gambar 4.5.
Dalam menu ini user disajikan pertanyaan mengenai gejala-gejala dari malaria
dalam bentuk pertanyaan yang jawabannya ya atau tidak. Setiap jawaban user
akan diarahkan ke jenis malaria sesuai dengan aturan (rule) yang ada. Tampilan
Dalam halaman hasil diagnosa disajikan jenis malaria yang diderita oleh user
berdasarkan hasil dari jawaban user pada halaman diagnosa. Selain menampilkan
jenis malaria yang diderita user seistem pakar juga menyajikan nilai akurasi
menggunakan metode classic probability dan naive bayes. Dalam halaman ini
user dapat melihat penjelasan tentang jenis malaria yang diderita dengan menekan
tombol detail. Dan akan kembali ke halaman utama jika menekan tombol kembali
seperti pada Gambar 4.5. Tampilan halaman hasil diagnosa ditunjukkan pada
Gambar 4.7.
58
Halaman detail penyakit berisi tentang informasi dari jenis malaria. Halaman ini
akan tampil jika user menekan tombol detail pada halaman hasil diagnosa pada
Halaman menu jenis penyakit menyajikan jenis- jenis malaria yang terdapat dalam
sistem pakar dalam bentuk button. Setelah user menekan button dari jenis
penyakit maka sistem pakar akan menampilkan penjelasan dari jenis malaria
seperti pada Gambar 4.8. Tampilan halaman menu jenis penyakit ditunjukkan
Gambar 4.9.
Halaman menu tentang menyajikan data diri dari pengembang sistem pakar dan
disertai dengan tombol rate. Tombol rate berfungsi untuk user dalam memberikan
penilaian terhadap sistem pakar dalam play store. Tampilan halaman menu
Halaman bantuan menyajikan informasi tentang bagaimana cara kerja dari sistem
pakar. Dalam menu ini terdapat 2 submenu yaitu diagnosa dan jenis penyakit.
Dalam sub menu diagnosa disajikan informasi tentang cara kerja sistem pakar
pada menu diagnosa. Pada sub menu jenis penyakit menampilkan informasi
tentang cara kerja dari sistem pakar dalam menu jenis penyakit. Hal ini ditujukan
Tampilan halaman menu bantuan, sub menu diagnosa, dan sub menu jenis
classic probability dan naive bayes dengan menggunakan rumus pada Persamaan
9. Anemia (G13)
Pada kasus tersebut gejala yang dialami user dapat dikategorikan yaitu:
G01, G05, G07, G09, G10, G11, G13, G20 dan G16 merupakan gejala malaria
secara umum.
63
8
=
15
= 0,53
0,8 × 0,25
( 03| 03) =
0 + 0 + 0,8 × 0,25 + 0
,
=
,
=1
64
[ ( | )× ( )]
( 03| 25) = [ ( )× ( ) ( )× ( ) ( )× ( ) ( )× ( )]
| | | |
0,6 × 0,25
( 03| 25) =
0 + 0 + 0,6 × 0,25 + 0
,
=
,
=1
= 1+1
= 2
Hasil bayes = Total Bayes 1 + Total Bayes 2 + Total Bayes 3 + Total Bayes 4
=0+0+2+0
=2
= 2 ÷ 1,54
= 1, 30
1. Malaria Kuartana
= × 100%
,
= × 100%
= 65%
65%.
65
Penelitian sistem pakar ini menggunakan dua jenis pengujian yaitu pengujian
menguji fungsional sistem serta kepakaran dari sistem dalam menentukan jenis
domain masukan (input) ke dalam kelas-kelas sehingga test case pada aplikasi
dapat diperoleh. Pengujian ini dilakukan dengan cara membagi kelas uji seperti
pengujian versi android, resolusi layar dan densitas layar, pengujian user
Pengujian ini dilakukan untuk menguji apakah aplikasi dapat berjalan dengan baik
dalam semua versi android yang diujikan. Pengujian ini menggunakan beberapa
kriteria yang sudah ditentukan seperti kelas uji, daftar pengujian, skenario uji,
hasil yang diharapkan, dan hasil yang diperoleh. Pengujian versi android dapat
(sesuai) di semua sistem android versi 5.0 dan android versi 6.0 baik dari sisi
antarmuka dan fungsi utama sistem pakar. Pada sistem android veri 4.0 dan 4.4
mengalami masalah pada antarmuka yaitu letak dari menu-menu yang ada tidak
sesuai.
67
Pengujian ini dilakukan untuk mengetahui apakah tampilan aplikasi terlihat baik
dan sesuai dengan resolusi android yang diujikan. Pengujian ini menggunakan
beberapa kriteria yang sudah ditentukan seperti kelas uji, daftar pengujian,
skenario uji, hasil yang diharapkan, dan hasil yang diperoleh. Pengujian resolusi
Pengujian ini bertujuan untuk mengetahui apakah aplikasi memilki tampilan yang
baik dan user friendly terhadap pengguna. Pengujian ini menggunakan beberapa
kriteria yang sudah ditentukan seperti kelas uji, daftar pengujian, skenario uji,
hasil yang diharapkan, dan hasil yang diperoleh. Pengujian user interface dapat
Pengujian fungsi dari menu aplikasi bertujuan untuk mengetahui apakah fungsi
yang diberikan pada masing-masing tombol menu aplikasi dapat berjalan dan
berfungsi dengan baik. Pengujian ini menggunakan beberapa kriteria yang sudah
ditentukan seperti kelas uji, daftar pengujian, skenario uji, hasil yang diharapkan,
dan hasil yang diperoleh. Pengujian fungsi dari menu aplikasi dapat dilihat pada
Tabel 4.4.
yang diberikan. Fakta pada sistem ini berupa pertanyaan mengenai gejala yang
akan dijawab dengan opsi pertanyaan ya atau tidak. Pengujian dilakukan pada
tanggal 02 Mei sampai dengan 2 Juni 2017 dengan 10 kasus pasien yang
menderita malaria yaitu 4 orang berasal dari masyarakat yang tinggal di daerah
endemis malaria dan 6 orang berasal dari Rumah sait Muhammadiah Metro. Hasil
No Gejala Diagnosa
Manual Sistem
No Gejala Diagnosa
Manual Sistem
No Gejala Diagnosa
Manual Sistem
No Gejala Diagnosa
Manual Sistem
No Gejala Diagnosa
Manual Sistem
9. 7. Muka pucat
8. Jari kebiruan
9. Berkeringat belebihan 65% (naive
10. Urine berwarna hitam bayes)
11. Anemia
Malaria
12. Splenomegali
kuartana
13. Sakit kepala
14. Sakit kepala terasa amat
menyakitkan
15. Kejang-kejang
16. Komplikasi ginjal ke paru-paru
17. Tinggal di daerah endemis
18. Masa inkubasi 6-18 hari
Berdasarkan pengujian pada Tabel 4.5, dapat dilihat bahwa perhitungan tingkat
memiliki nilai berbeda. Hal ini terjadi karena dalam penerapan metode naive
76
bayes terdapat niali bobot yang berbeda di setiap gejala terhadap jenis malaria,
dimana nilai bobot ini diperoleh dari pakar. Nilai bobot inilah yang akan sangat
jawaban “ya” dari user yang kemudian langsung di bagi dengan jumlah gejala dan
Pengujian ini dilakukan dengan cara mengumpulkan kuesioner yang diisi oleh
responden yang dipilih secara acak. Secara keseluruhan, pengujian ini dilakukan
lainnya berasal dari 18 orang mahasiswa Fakultas Kedokeran dan 11 orang dari
Pengujian ini dilakukan pada tanggal 02 Mei – 02 Juni 2017 dengan tujuan untuk
terhadap sistem melalui penilaian pada kuesioner. Penilaian tersebut terdiri dari :
Hasil penilaian kelompok responden pertama terdiri dari pakar malaria dapat
dilihat pada Tabel 4.6. Hasil penilaian kelompok responden kedua terdiri dari
mahasiswa kedokteran dapat dilihat pada Tabel 4.7. Hasil penilaian kelompok
responden ketiga terdiri dari penderita malaria dan mahasiswa Ilmu Komputer
Tabel 4.8 Hasil Penilaian Responden Mahasiswa Ilmu Komputer dan Masyarakat
penderita malaria terhadap kuisioner pengujian Sistem Pakar
Identifikasi Jenis Malaria (Kelompok Responden III)
Tujuan pengelompokan responden kuesioner pada Tabel 4.6, Tabel 4.7 dan Tabel
4.8 adalah untuk membandingkan hasil penilaian dari responden yang paham
tentang jenis malaria seperti para pakar (dokter dan mahasiswa kedokteran), yang
serta yang tidak paham tentang jenis malaria seperti mahasiswa Ilmu Komputer.
80
nilai interval sebesar 20%, maka dapat ditentukan kriteria penilaian responden
Jawaban Keterangan
0% - 19.99% Tidak Baik
20% - 39.99% Kurang Baik
40% - 59.99% Cukup atau Netral
60% - 79.99% Baik
80% - 100% Sangat Baik
Berdasarkan rumus pada Persamaan (4) jumlah skor tertinggi dan angka terendah
X = 1 x 6 = 6,
Y = 5 x 6 = 30
Jumlah skor tertinggi dan angka terendah untuk Tabel 4.7 adalah
X = 1 x 9 = 9,
Y = 5 x 9 = 45
Sedangkan jumlah skor tertinggi dan angka terendah untuk Tabel 4.8 adalah
X = 1 x 10 = 10,
Y = 5 x 10 = 50
Hasil analisa dari pengisian kuisioner sistem pakar diagnosa penyakit ayam
Hasil dari pengisian kuisioner oleh kelompok responden pertama, kedua, dan
ketiga untuk pernyataan 1 disajikan dalam bentuk grafik yang dapat dilihat
16
14
12
10
Kel responden I
8
Kel Responden II
6
Kel Responden III
4
0
Sangat Setuju Cukup Kurang Tidak setuju
setuju Setuju setuju
yang sangat setuju dengan pernyataan ini sebanyak 3 orang, yang setuju
sebanyak 2 orang, dan yang cukup setuju sebanyak 2 orang. Dari 18 orang
kelompok responden kedua yang sangat setuju dengan pernyataan ini sebanyak
kelompok responden ketiga yang sangat setuju dengan pernyataan ini sebanyak
pertama, kedua dan ketiga yaitu 82,86%, 83,33%, dan 86,67%. Hasil
82
2. Pernyataan 2 : Identifikasi jenis penyakit sudah sesuai dengan fakta yang ada.
10
9
8
7
6
5 Kel responden I
4 Kel responden II
3
2
1
0
sangat setuju setuju cukup setuju kurang tidak setuju
setuju
yang setuju dengan pernyataan ini sebanyak 6 orang dan cukup setuju
sangat setuju dengan pernyataan ini sebanyak 1 orang, yang setuju sebanyak 9
responden pertama dan kedua yaitu 77,14% dan 72,22%. Hasil perhitungan
83
persentase kelompok responden pertama dan kedua masuk pada interval 60% -
dengan baik.
Hasil dari pengisian kuisioner oleh kelompok responden pertama, kedua, dan
ketiga untuk pernyataan 3 disajikan dalam bentuk grafik yang dapat dilihat
18
16
14
12
10
Kel responden I
8 Kel responden II
6 Kel responden III
4
0
Sangat Setuju Cukup setuju Kurang Tidak setuju
setuju setuju
yang sangat setuju dengan pernyataan ini sebanyak 2 orang, setuju sebanyak 4
oarng dan cukup setuju sebanyak 1 orang. Dari 18 orang kelompok responden
kedua yang setuju sebanyak 16 orang dan yang cukup setuju sebanyak 2 orang.
dengan pernyataan ini sebanyak 8 orang, yang setuju sebanyak 6 orang, dan
kedua, dan ketiga yaitu 82,86%, 77,78%, dan 89,33%. Hasil perhitungan
Hasil dari pengisian kuisioner oleh kelompok responden pertama, kedua, dan
ketiga untuk pernyataan 4 disajikan dalam bentuk grafik yang dapat dilihat
18
16
14
12
10
Kel responden I
8 Kel responden II
6 Kel responden III
4
0
Sangat Setuju Cukup setuju Kurang Tidak setuju
setuju setuju
sangat setuju dengan pernyataan ini sebanyak 2 orang, setuju sebanyak 4 oarng
dan cukup setuju sebanyak 1 orang. Dari 18 orang kelompok responden kedua
yang sangat setuju dengan pernyataan ini sebanyak 1 orang, yang setuju
sebanyak 16 orang, dan yang cukup setuju sebanyak 1 orang. Sedangkan dari
15 orang kelompok responden ketiga yang sangat setuju dengan pernyataan ini
85
responden pertama, kedua, dan ketiga yaitu 82,86%, 80%, dan 92%. Hasil
Hasil dari pengisian kuisioner oleh kelompok responden pertama, kedua, dan
ketiga untuk pernyataan 5 disajikan dalam bentuk grafik yang dapat dilihat
12
10
Kel responden I
6
Kel responden II
Kel responden III
4
0
Sangat setuju Setuju Cukup setuju Kurang setuju
yang sangat setuju dengan pernyataan ini sebanyak 2 orang, setuju sebanyak 4
oarng dan cukup setuju sebanyak 1 orang. Dari 18 orang kelompok responden
kedua yang sangat setuju dengan pernyataan ini sebanyak 4 orang, yang setuju
11 orang dan yang cukup setuju sebanyak 3 orang. Sedangkan dari 15 orang
kelompok responden ketiga yang sangat setuju dengan pernyataan ini sebanyak
86
pertama, kedua, dan ketiga yaitu 82,86%, 81,11%, dan 93,33%. Hasil
Hasil dari pengisian kuisioner oleh kelompok responden pertama, kedua, dan
ketiga untuk pernyataan 6 disajikan dalam bentuk grafik yang dapat dilihat
14
12
10
8 Kel responden I
Kel responden II
6
Kel responden III
4
0
Sangat setuju Setuju Cukup setuju Kurang setuju
yang sangat setuju dengan pernyataan ini sebanyak 2 orang, setuju sebanyak 4
oarng dan cukup setuju sebanyak 1 orang. Dari 18 orang kelompok responden
kedua yang cukup setuju dengan pernyataan ini sebanyak 11 orang dan yang
ketiga yang sangat setuju dengan pernyataan ini sebanyak 1 orang, yang setuju
87
penilaian responden pertama, kedua, dan ketiga yaitu 82,86%, 52,22%, dan
masuk pada interval 80% - 100% yang dikategorikan sangat baik. Responden
4
Kel responden III
3
0
Sangat Setuju Cukup Kurang Tidak
setuju setuju setuju setuju
yang sangat setuju dengan pernyataan ini sebanyak 7 orang, yang setuju
ketiga masuk pada interval 80% - 100% yang dikategorikan sangat baik.
yang diderita.
Hasil dari pengisian kuisioner oleh kelompok responden pertama, kedua, dan
ketiga untuk pernyataan 8 disajikan dalam bentuk grafik yang dapat dilihat
12
10
Kel responden I
6
Kel responden II
Kel responden III
4
0
Sangat setuju Setuju Cukup setuju Kurang setuju
yang setuju dengan pernyataan ini sebanyak 4 orang dan yang cukup setuju
dengan pernyataan ini sebanyak 9 orang dan yang cukup setuju sebanyak 9
orang. Sedangkan dari 15 orang kelompok responden ketiga yang sangat setuju
dengan pernyataan ini sebanyak 5 orang dan yang setuju sebanyak 10 orang.
Persentase penilaian responden pertama, kedua, dan ketiga yaitu 71,43%, 70%,
89
kedua masuk pada interval 60% - 79.99% yang dikategorikan baik dan
kelompok responden ketiga ketiga masuk pada interval 80% - 100% yang
Rata-rata hasil dari pengisian kuisioner oleh kelompok responden pertama, kedua,
dan ketiga disajikan dalam bentuk grafik yang dapat dilihat pada Gambar 4.22.
90
85
80
Kel responden I
Kel Responden II
75
Kel responden III
70
65
Sangat Baik Baik Cukup Baik Kurang Baik Tidak Baik
sangat baik dengan nilai rata-rata yaitu 80,41% dan 87,8% dan responden 2
penyakit sudah benar dan sesuai fakta yang ada. Serta aplikasi mudah untuk
V. PENUTUP
5.1 Kesimpulan
sebagai berikut :
yang berbeda hal ini dikarenakan dalam prosesnya naive bayes menggunakan
nilai bobot dalam setiap gejala yang muncul serta melihat dari gejala yang
5.2 Saran
Azwar, S. 2011. Sikap dan Perilaku Dalam: Sikap Manusia Teori dan
Pengukurannya. Pustaka Pelajar: Yogyakarta.
Dinas Kesehatan Kota Bandar Lampung. 2014. Profil Kesehatan Kota Bandar
Lampung 2014. Diunduh dari : http://www.depkes.go.id (diakses November
2016).
Indiyawati, Henny dan Surarso, Bayu. 2013. Sistem Pakar Diagnosa Penyakit
Telinga Hidung Tenggorok (THT) Dengan Menggunakan Metode Inferensi
Berbasis Short Message Service (SMS). Jurnal Sistem Informasi Bisnis No
1.
Permata, Endi, Ariwibowo, Didik dan Maulana, Alief. 2014. Klasifikasi Parasit
Malaria Plasmodium Vivax Pada Citra Sel Darah Merah Menggunakan
Metode Support Vector Machine One Against All. ISSN : 2302 – 3805.
Rachmawati, dkk. 2012. Aplikasi Sistem Pakar Diagnosis Penyakit Asma. ISSN:
2302<7339 Vol. 09 No. 08 Sekolah Tinggi Teknologi Garut.
Ramadhani, Purnama, dkk. 2012. Sistem Pakar Diagnosa Infeksi Penyakit Tropis
Berbasis WEB. Jurnal Teknik Informatika Vol. 1.
Sari, Nur Anjas. 2013. Sistem Pakar Mendiagnosa Penyakit Demam Berdarah
Menggunakan Metode Certainty Factor. Pelita Informatika Budi Darma
Vol. IV No. 3. ISSN: 2301 – 9425
Syamsuddin, Sadly dan Ahyuna. 2014. Sistem Pakar Untuk Diagnosa Penyakit
yang Disebabkan oleh Nyamuk BerbasisWEB. Jatisi Vol. 1 No. 1. ISSN
2407 – 4322.
Triyanto, Sulis dan Fadlili, Abdul. 2014. Sistem Pakar Untuk Mendiagnosa
Penyakit Kelinci Berbasis Web. Jurnal Sarjana Teknik Informatika Vol. 2
No. 1 eISSN 2338-5197.
Wahyudi, Rizki dan Utami, Ema. 2016. Sistem Pakar E-Tourism Pada Dinas
Pariwisata D.I.Y Menggunakan Metode Forward Chaining. Jurnal Ilmiah
Dasi Vol. 17 No. 2. ISSN: 1411-3201.