Skripsi Baru

PENENTUAN JENIS MALARIA DENGAN MENGGUNAKAN METODE
FORWARD CHAINING DAN NAIVE BAYES BERBASIS MOBILE
(Skripsi)
Oleh :
IRFANI MAHARANI
JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
2017
ABSTRAK

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
DETERMINATION TYPES OF MALARIA USING FORWARD

CHAINING AND NAIVE BAYES METHODS ON MOBILE BASED
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.
Oleh :
IRFANI MAHARANI
Skripsi
Sebagai Salah Satu Syarat untuk Memperoleh Gelar

SARJANA KOMPUTER
pada
Jurusan Ilmu Komputer

Fakultas Matematika dan Ilmu Pengetahuan Alam
JURUSAN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
UNIVERSITAS LAMPUNG
2017
Lulus Ujian Tanggal :
RIWAYAT HIDUP
Penulis dilahirkan pada tanggal 19 Oktober 1995 di
Bandar Lampung, dengan Ibu bernama Rosdiana dan
Ayah bernama Himalson.
Penulis menyelesaikan pendidikan formal pertama
kali di Taman Kanak-kanak An-Nur, Lempasing
tahun 2001, menyelesaikan Sekolah Dasar (SD) di
SD Negeri 2 Pesawahan Bandar Lampung tahun
2007, menyelesaikan Sekolah Menengah Pertama (SMP) di SMP Negeri 1
Pagelaran, Kabupaten Pringsewu tahun 2010, kemudian melanjutkan jenjang
Sekolah Menengah Atas (SMA) di SMA Negeri 1 Pagelaran Kabupaten
Pringsewu dan lulus tahun 2013.
Pada tahun 2013, penulis terdaftar sebagai mahasiswi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung melalui
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
Jaya Baru Kecamatan Putra Rumbia Kabupaten Lampung Tengah.
Selama menjadi mahasiswa, penulis aktif dalam Organisasi Himpunan Mahasiswa
Jurusan Ilmu Komputer (Himakom) Universitas Lampung dengan menjabat
sebagai Anggota Bidang Keilmuan pada tahun 2013-2014, Sekretaris Bidang
Keilmuan pada tahun 2014-2015.

PERSEMBAHAN
Puji dan syukur saya panjatkan kepada Allah SWT atas segala berkah-Nya
sehingga skripsi ini dapat terselesaikan.
Teruntuk yang terkasih mama ku tersayang kupersembahkan skripsi ini, hasil

jerih payah ku selama 4 tahun ini.
Terimakasih untuk cinta kasihmu untuk ku, anakmu..
Terimakasih telah menjaga, mengasihi, melindungi ku seorang diri dengan
kesabaran, tetes keringat serta air mata.
Keluarga besar yang telah memberikan apresiasi.
Keluarga Ilmu Komputer 2013

Serta Almamater tercinta,
Universitas Lampung.
Motto
“Barangsiapa bersungguh-sungguh, sesungguhnya kesungguhannya itu adalah

untuk dirinya sendiri.”
(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
Assalamualaikum wr, wb.
Alhamdulillah, segala puji bagi Allah SWT yang telah melimpahkan rahmat,
hidayah, kesehatan dan karunia-Nya sehingga penulis dapat menyelesaikan
penulisan skripsi yang berjudul “Penentuan Jenis Malaria Dengan Menggunakan
Metode Forward Chaining Dan Naive Bayes Berbasis Mobile” dengan baik.
Terima kasih penulis ucapkan kepada semua pihak yang telah membantu dan
berperan besar dalam menyusun skripsi ini, antara lain :
1. Kedua orangtua tercinta, Mama dan Papa yang telah memberikan doa,
kasih sayang, dukungan dan semangat yang tak terhingga serta
memfasilitasi kebutuhan untuk menyelesaikan skripsi ini.
2. Bapak Aristoles, M.Si. sebagai pembimbing utama yang telah
membimbing, memotivasi serta memberikan ide, kritik dan saran selama
masa perkuliahan dan penyusunan skripsi sehingga penulis bisa sampai di
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
komentar dan masukan yang bermanfaat untuk perbaikan dalam
penyusunan skripsi ini.
5. Bapak Prof. Warsito, S.Si., D.E.A., Ph.D. sebagai Dekan FMIPA
Universitas Lampung.
6. Bapak Dr. Ir. Kurnia Muludi, M.S.Sc., selaku Ketua Jurusan Ilmu
Komputer FMIPA Universitas Lampung.

7. Bapak Didik Kurniawan, S.Si., M.T. sebagai Sekretaris Jurusan Ilmu
Komputer FMIPA Universitas Lampung yang telah banyak membantu
penulis selama perkuliahan.
8. Bapak dan Ibu Dosen Jurusan Ilmu Komputer yang telah memberikan
ilmu dan pengalaman hidup selama penulis menjadi mahasiswa.
9. Ibu Ade Nora Maela dan Pak Irshan yang telah membantu segala urusan
administrasi penulis di Jurusan Ilmu Komputer.
10. Sahabat tercinta Eria, Dini dan Yeni yang tak pernah henti menemani,
memberikan semangat dan menghibur penulis dalam kondisi apapun.
11. Sahabat seperjuangan Pupang, April, Rita, Upeh, Ajenk, Nadya, Kidiw,
Adib, Danzen dan Vandu yang selalu memberikan kegembiraan, semangat
dikala penulis merasa jenuh dalam penyusunan skripsi ini.
12. Teman-teman yang baik hati kak deby, annisa, wibi, faiq, rifaldhi yang
selalu setia direpotkan dan mau menjadi tempat bertanya dikala buntu
terutama dimasa perkuliahan dan penyusunan skripsi ini.
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,
terima kasih atas kebersamaannya selama ini.
15. Mas Naufal yang telah membukakan MIPA Terpadu dan ruang baca serta
menyiapkan ruang seminar.
16. Almamater tercinta, Universitas Lampung.

Penulis menyadari bahwa skripsi ini masih jauh dari kesempurnaan, akan tetapi
sedikit harapan semoga skripsi ini bermanfaat bagi perkembangan ilmu
pengetahuan terutama bagi teman-teman Ilmu Komputer.
Bandarlampung, 20 Juli 2017
Irfani Maharani
DAFTAR ISI
Halaman
DAFTAR ISI ix
DAFTAR GAMBAR xiii
DAFTAR TABEL xvi
I PENDAHULUAN
1.1 Latar Belakang 1
1.2 Rumusan Masalah 3
1.3 Batasan Masalah 4
1.4 Tujuan 4
1.5 Manfaat 4
II TINJAUAN PUSTAKA
2.1 Malaria 5
2.1.1 Daur Hidup Plasmodium sp 6
2.1.2 Patogenesis Malaria 7
2.2 Sistem Pakar 9
2.2.1 Komponen Sistem Pakar 10
2.2.1.1 Basis Pengetahuan 11
2.2.1.2 Mesin Inferensi 12
2.3 Metode Forward Chaining 14
ix
2.4 Metode Naive Bayes 15
2.5 Metode Pengembangan Perangkat Lunak 16
2.5.1 Analisis 16
2.5.2 Perancangan 16
2.5.3 Implementasi 20
2.5.4 Pengujian 21
2.5.4.1 Blackbox Testing 22
2.5.4.2 Skala Likert 24
2.5.5 Pemeliharaan 25
BAB III METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian 26
3.2 Alat Pendukung 26
3.3 Tahapan Penelitian 27
3.3.1 Identifikasi Masalah 28
3.3.2 Perumusan Masalah 28
3.3.3 Pengumpulan Data 28
3.3.4 Perancangan Sistem 29
3.3.4.1 Flowchart 29
3.3.4.2 Usecase Diagram 30
3.3.4.3 Activity Diagram 31
3.3.4.4 Sequence Diagram 34
3.3.4.5 Class Diagram 38
3.3.5 Perancangan Antarmuka 39
3.3.5.1 Perancangan Halaman Splash Screen 40
x
3.3.5.2 Perancangan Halaman Menu Utama 40
3.3.5.3 Perancangan Halaman Menu Diagnosa 41
3.3.5.4 Perancangan Halaman Hasil Diagnosa 42
3.3.5.5 Perancangan Halaman Menu Jenis Penyakit 42
3.3.5.6 Perancangan Halaman Detail Penyakit 43
3.3.5.7 Perancangan Halaman Petunjuk 44
3.3.5.8 Perancangan Halaman Menu Tentang 45
3.3.6 Implementasi 45
3.3.7 Pengujian 45
3.3.7.1 Pengujian Internal 46
3.3.7.1.1 Pengujian Fungsional 46
3.3.7.1.2 Pengujian Kepakaran Sistem 50
3.3.7.2 Pengujian Ekstenal 51
3.3.8 Penyusunan Laporan 51
BAB IV HASIL DAN PEMBAHASAN
4.1 Analisa Kebutuhan Data 52
4.2 Representasi Pengetahuan 53
4.3 Implementasi Sistem 53
4.5.1 Tampilan Halaman Splash Screen 54
4.5.2 Tampilan Halaman Informasi 55
4.5.3 Tampilan Halaman Utama 56
4.5.4 Tampilan Halaman Menu Diagnosa 57
4.5.5 Tampilan Halaman Hasil Diagnosa 57
4.5.6 Tampilan Halaman Dtail Penyakit 58
xi
4.5.7 Tampilan Halaman Menu Jenis Penyakit 59
4.5.8 Tampilan Halaman Menu Tentang 59
4.5.9 Tampilan Halaman Menu Bantuan 60
4.4 Analisa Presentase Penyakit 62
4.5 Pengujian 65
4.5.1 Pengujian Internal 65
4.5.1.1 Pengujian Fungsional 65
4.5.1.1.1 Pengujian Versi Android 65
4.5.1.1.2 Pengujian Resolusi Layar dan Densitas
Layar 67
4.5.1.1.3 Pengujian User Interface 68
4.5.1.1.4 Pengujian Fungsi dari Menu Aplikasi 69
4.5.1.2 Pengujian Kepakaran Sistem 71
4.5.2 Pengujian Eksternal 76
4.5.2.1 Analisa Hasil Kuesioner 80
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
Gambar 2.2 Siklus Hidup Plasmodium sp 7
Gambar 2.3 Arsitektur Sistem Pakar 11
Gambar 2.4 Proses Backward Chaining 12
Gambar 2.5 Proses Forward Chaining 13
Gambar 2.6 Diagram Alir Teknik Penelusuran Deph First Search 13
Gambar 2.7 Diagram Alir Teknik Penelusuran Breadht-first Search 14
Gambar 2.8 Diagram Alir Teknik Penelusuran Best-first Search 14
Gambar 3.1 Diagram Alir Tahapan Penelitian 27
Gambar 3.2 Flowchart Sistem Pakar Identifikasi Malaria 29
Gambar 3.3 Use Case Diagram Sistem Pakar Identifikasi Malaria 30
Gambar 3.4 Activity Diagram Menu Diagnosa 31
Gambar 3.5 Activity Diagram Menu Data Penyakit 32
Gambar 3.6 Activity Diagram Menu Bantuan 33
Gambar 3.7 Activity Diagram Menu Tentang 33
Gambar 3.8 Sequence Diagram Menu Diagnosa 34
Gambar 3.9 Sequence Diagram Menu Data Penyakit 36
Gambar 3.10 Sequence Diagram Menu Bantuan 36
xiii
Gambar 3.11 Sequence Diagram Menu Tentang 37
Gambar 3.12 Class Diagram Sistem Pakar Identifikasi Malaria 38
Gambar 3.13 Rancangan Halaman Splash Screen 40
Gambar 3.14 Rancangan Halaman Menu Utama 41
Gambar 3.15 Rancangan Halaman Menu Diagnosa 41
Gambar 3.16 Rancangan Halaman Hasil Diagnosa 42
Gambar 3.17 Rancangan Halaman Jenis Pemyakit 43
Gambar 3.18 Rancangan Halaman Detail Peyakit 43
Gambar 3.19 Rancangan Halaman Menu Petunjuk 44
Gambar 3.20 Rancangan Halaman Informasi Petunjuk 44
Gambar 3.21 Rancangan Halaman Tentang 45
Gambar 4.1 Tampilan Halaman Splash Screen 54
Gambar 4.2 Tampilan Halaman Informasi 55
Gambar 4.5 Tampilan Halaman Utama 56
Gambar 4.6 Tampilan Halaman Menu Diagnosa 57
Gambar 4.7 Tampilan Halaman Hasil Diagnosa 58
Gambar 4.8 Tampilan Halaman Jenis Penyakit 58
Gambar 4.9 Tampilan Halaman Menu Jenis Penyakit 59
Gambar 4.10 Tampilan Halaman Menu Tentang 60
Gambar 4.11 Tampilan Halaman Menu Bantuan 60
xiv
Gambar 4.12 Tampilan Halaman Submenu Diagnosa 61
Gambar 4.13 Tampilan Halaman Submenu Jenis Penyakit 61
Gambar 4.14 Grafik Hasil Pernyataan 1 81
Gambar 4.22 Grafik Rata-rata Hasil Pertanyaan 89
xv
DAFTAR TABEL
Halaman
Tabel 2.1 Simbol Class Diagram 16
Tabel 2.1 (Lanjutan) Simbol Class Diagram 17
Tabel 2.2 Simbol Use Case Diagram 17
Tabel 2.2 (Lanjutan) Simbol Use Case Diagram 18
Tabel 2.3 Simbol Sequence Diagram 19
Tabel 2.4 Simbol Activity Diagram 20
Tabel 3.1 Pengujian Versi Android 46
Tabel 3.1 (Lanjutan) Pengujian Versi Android 47
Tabel 3.2 Pengujian Resolusi Layar dan Densitas Layar 47
Tabel 3.2 (Lanjutan) Pengujian Resolusi Layar dan Densitas Layar 48
Tabel 3.3 Pengujian User Interface 48
Tabel 3.3 (Lanjutan) Pengujian User Interface 49
Tabel 3.4 Pengujian Fungsi dari Menu Aplikasi 49
Tabel 3.4 (Lanjutan) Pengujian Fungsi dari Menu Aplikasi 50
Tabel 4.1 Pengujian Versi Android 66
Tabel 4.2 Pengujian Resolusi Layar dan Densitas Layar 67
Tabel 4.3 Pengujian User Interface 68
Tabel 4.3 (Lanjutan) Pengujian User Interface 69
Tabel 4.4 Pengujian Fungsi dari Menu Aplikasi 69
Tabel 4.5 Pengujian Diagnosa Sistem Pakar Penentuan Jenis Malaria 71
Tabel 4.5 (Lanjutan) Pengujian Diagnosa Sistem Pakar Penentuan Jenis

Malaria 72
xvi
Malaria 73

Malaria 74

Malaria 75
Tabel 4.6 Hasil Penilaian Responden Dokter Terhadap Kuesioner

Pengujian Sistem Pakar (Kelompok Responden I) 77
Tabel 4.7 Hasil Penilaian Responden Peternak dan Mahasiswa Kedokteran

Terhadap Kuesioner Pengujian Sistem Pakar (Kelompok
Responden II) 78
Tabel 4.8 Hasil Penilaian Responden Mahasiswa Ilmu Komputer dan

Masyarakat Penderita Malaria Terhadap Kuesioner
Pengujian Sistem Pakar (Kelompok Responden III) 79
Tabel 4.9 Kriteria Penilaian Responden 80
xvii
1
I . PENDAHULUAN
1.1 Latar Belakang
Sistem pakar merupakan sistem yang menjadikan komputer mampu berfikir
layaknya manusia dalam memecahkan suatu permasalahan menggunakan rule-
rule yang telah dibuat oleh manusia (Sari, 2013). Sistem pakar dapat digunakan
untuk membantu dalam klasifikasi, pengambilan keputusan dan mendeteksi
penyakit salah-satunya adalah penyakit malaria. Malaria merupakan masalah
kesehatan masyarakat terutama daerah tropik sekaligus ancaman bagi dunia.
Menurut Permata (2014), malaria endemis di 105 negara di dunia dan
menyebabkan 300-500 juta kasus serta kematian 1,5-2,7 juta setiap tahunnya.
Indonesia merupakan daerah endemis malaria dengan 60% penduduknya tinggal
di daerah endemis. Walaupun tidak merata disemua wilayah Kota Bandar
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
Bandar Lampung, 2014).

2
Menurut Kasmui dan Kusuma (2016), malaria disebabkan oleh parasit genus
Plasmodium yang termasuk golongan protozoa melalui perantaran tusukan
(gigitan) nyamuk Anopheles. Menurut Permata dkk (2014) Ada banyak jenis
Plasmodium yang dapat menyebabkan penyakit pada manusia yaitu P.
falcifarum, P. vivax, P. malariae dan P. ovale. P. falcifarum menyebabkan
malaria tropika, P. vivax menyebabkan malaria tertiana, P. malariae
menyebabkan malaria kuartana, P. ovale menyebabkan malaria ovale. Parasit
plasmodium masuk melalui gigitan nyamuk anopheles betina.
Seseorang yang terjangkit malaria biasanya mengalami demam yang diikuti rasa
menggigil dalam siklus waktu yang sama (Rosnelly dan Hardjoko, 2011). Ciri-ciri
tersebut memiliki banyak kesamaan dengan penyakit lainnya. Masyarakat biasa
melakukan diagnosa awal tentang malaria tanpa pengetahuan dan fakta medis. Hal
ini menyebabkan terjadi kesalahan dalam diagnosa malaria maka perlu
dikembangkan suatu sistem yang mampu mendiagnosa malaria agar mengurangi
tingkat kesalahan dalam diagnosa awal malaria dan dapat membantu mempercepat
penanganan terhadap malaria.
Penelitian oleh Rosnelly dan Hardjoko (2011) mengenai Pengembangan Sistem
Informasi Diagnosis Penyakit Tropis Menggunakan Algoritma Naïve Bayesian
dihasilkan sistem yang mampu mendiagnosa penyakit malaria, demam berdarah
ataupun demam typoid dengan mengimplementasikan metode Naive Bayesian.
Penelitian selanjutnya dilakukan oleh Ramadhani dkk (2012) mengenai Sistem
Pakar Diagnosa Infeksi Penyakit Tropis Berbasis Web yang menghasilkan sistem
yang dapat membantu pengguna ataupun pasien dalam mendiagnosa penyakit
yang diderita sesuai dengan gejala yang dirasakan oleh pengguna ataupun pasien
3
menggunakan metode Naive Bayes. Penelitian sistem pakar mengenai penyakit
malaria sebelumnya telah dilakukan oleh Sadly Syamsuddin dan Ahyuna (2014)
mengenai Diagnosa Penyakit yang Disebabkan oleh Nyamuk Berbasis WEB.
Penelitian ini bertujuan menciptakan sistem pakar yang mampu melakukan
diagnosa penyakit yang disebabkan oleh nyamuk dengan tingkat akurasi yang
baik dan hampir tidak ditemukan kesalahan yang ada dalam tiap form komponen
yang diuji.
Pada penelitian mengenai sistem pakar diagnosa penyakit malaria belum
ditemukan penggunaan mobile base dalam penerapan interface. Penerapan mobile
base dalam interface dapat membantu user dalam mengakses sistem dikarenakan
sistem dapat beroperasi dalam smartphone. Metode yang digunakan dalam
membangun sistem ini adalah Forward Chaining. Metode tersebut digunakan
untuk menentukan aturan mana yang akan dijalankan, kemudian aturan tersebut
dijalankan, proses diulang hingga ditemukan suatu hasil. Dengan sistem ini
diharapkan dapat membantu dalam mendiagnosa penyakit malaria dengan efektif
dan efisien. Dalam perhitungan akurasi digunakan metode Clasic Probability dan
Naive Bayes.
1.2 Rumusan Masalah
Perumusan masalah dalam penelitian adalah bagaimana merancang dan
membangun sistem pakar yang mampu mendiagnosa malaria dengan metode
Forward Chaining dan Naive Bayes berbasis mobile.

4
1.3 Batasan Masalah
Batasan masalah dalam penelitian adalah:
1. Sistem mampu mendiagnosa malaria berdasarkan gejala awal penyakit.
2. Jenis malaria yang dapat diidentifikasi hanya 4 jenis yaitu malaria tropika,
tertiana, kuartana dan ovale dengan 25 gejala awal.
3. Metode yang digunakan adalah forward chaining yaitu proses identifikasi
penyakit malaria dilakukan gejala- gejala awal yang diberikan oleh sistem
dan Naive Bayes.
1.4 Tujuan
Tujuan yang ingin dicapai dalam penelitian adalah menciptakan sistem pakar yang
mampu membantu masyarakat dalam diagnosa malaria berbasis mobile.
1.5 Manfaat
Manfaat dari penelitian adalah:
1. Masyarakat dapat mengidentifikasi jenis penyakit malaria yaitu malaria
tropikana, tertiana, kuartana dan ovale.
2. Mempercepat penanganan terhadap pasien malaria.
3. Memberikan informasi tentang jenis – jenis Plasmodium yang terdapat
dalam nyamuk Anopheles yang dapat menyebabkan malaria.

5
II. TINJAUAN PUSTAKA
2.1 Malaria
Menurut Ramadhani dkk (2012) Penyakit malaria adalah penyakit yang
disebabkan oleh parasit Plasmodium, dan manusia dapat terinfeksi oleh
Plasmodium ini melalu gigitan nyamuk Anopheles, yang melepaskan Plasmodium
dari salivanya sewaktu menggigit manusia Plasmodium memasuki sel – sel
hepatosit, dan kemudian melalui sirkulasi darah akan memasuki sel – sel eritrosit.
Didalam sel – sel eritrosit plasmodium selanjutnya berreplikasi. Replikasi ini
merangsang sitolisis sel eritrosit dan menyebabkan lepasnya hasil metabolisme
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
(WHO, 2014) . Malaria disebabkan oleh parasit (protozoa) Plasmodium. Terdapat
lima jenis spesies Plasmodium: P. falciparum, P. malariae, P. ovale, P. vivax, dan
P. knowlesi. Parasit malaria ditransmisikan melalui nyamuk anopheles betina,
yang biasanya menggigit pada saat waktu terbit dan terbenam (Putra, 2011).
6
Gambar 2.1 Morfologi Nyamuk Anopheles (UNICEF Indonesia, 2013)
2.1.1 Daur Hidup Plasmodium sp
Dimulai dari nyamuk yang menghisap manusia, nyamuk akan melepaskan parasit
malaria dalam bentuk sporozoit yang akan mengalami siklus eksoeritrositik
dengan menginfeksi sel hepatosit. Hepatosit yang mengandung merozoit pada
akhirnya akan membengkak dan pecah sehingga merozoit lepas dan masuk ke
dalam pembuluh darah. Selanjutnya siklus eritrositik, di dalam pembuluh darah
merozoit akan berkembang hingga 6-20 kali dalam waktu 42-72 jam menjadi
tropozoit. Pada eritrosit, tropozoit berubah bentuk menjadi ring form dan
mengonsumsi hemoglobin dalam darah hingga membentuk merozoit dan apabila
ruptur akan melepaskan seluruh merozoit di dalam eritrosit. Fase dimana parasit
berada dalam eritrosit merupakan penyebab utama munculnya gejala malaria.
Fase selanjutnya tropozoit yang berkembang menjadi gametosit akan berkembang
menjadi gametosit jantan dan betina. Di dalam tubuh nyamuk anophelesm betina,
7
plasmodium berkembang dari bentuk gametosit kemudian akan memulai siklus
sporogonik (CDC, 2010).
Gambar 2.2 Siklus Hidup Plasmodium sp (CDC, 2010)
2.1.2 Patogenesis Malaria
Menurut Putra (2011), anemia terjadi pada penderita malaria dengan
penghancuran eritrosit yang cepat dan hebat yang menyebabkan terjadinya
demam. Selain itu anemia juga dapat terjadi karena hemolisis autoimun,
sekuentrasi oleh limpa pada eritrosit yang terinfeksi. Pada serangan akut kadar
hemoglobin turun secara mendadak.
Gambaran karakteristik malaria pada umumnya adalah demam periodik, anemia,
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
akan terus menerus atau tanpa interval.
Menurut Departemen Kesehatan RI (2008), masa inkubasi malaria bervariasi dari
9-30 hari bergantung kepada jenis plasmodiumnya, paling pendek adalah P.
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
muntah. Stadium ini berlangsung 15 menit sampai 1 jam.
b. Stadium demam
Setelah penderita merasa kedinginan, pada stadium ini penderita merasa
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
terhitung dari serangan demam sebelumnya. Pada P. malariae, demam
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
berkeringat sangat banyak. Namun, tidak selalu sama pada semua
penderita, tergantung pada spesies parasit, berat infeksi, dan usia
penderita. Gejala klinis berat biasanya dialami penderita yang terinfeksi
oleh malaria tropika yang disebabkan oleh adanya kecenderungan parasit
(bentuk tropozoit dan skizon) untuk berkumpul pada pembuluh darah
organ tubuh tertentu seperti otak, hati, dan ginjal, sehingga menyebabkan
tersumbatnya pembuluh darah organ-organ tersebut, yang akan
menyebabkan gejala klinis yang lebih berat, berujung komplikasi yang
akan diderita pasien.
2.2 Sistem Pakar
Sistem pakar merupakan program komputer yang masuk dalm cabang dari
penelitian ilmu komputer yaitu AI. Sistem pakar ditujukan pada sistem yang
10
cerdas yang dapat melakukan penalaran terhadap suatu pengetahuan ntuk
menghasilkan sebuah kesimpulan oleh komputer dengan menggunakan metode
inferensi yang diinterprestasikan dalam suatu mesin (Desiani dan Arhami, 2006).
2.2.1 Komponen Sistem Pakar
Menurut Rachmawati dkk (2012), sistem pakar disusun oleh komponen-
komponen:
1. Knowledge Base (Basis Pengetahuan)
Basis pengetahuan merupakan hasil akuisisi dan representasi pengetahuan
dari seorang pakar. Basis pengetahuan berisi pengetahuan-pengetahuan
dalam penyelesaian masalah. Basis pengetahuan terdiri dari dua elemen
dasar yaitu fakta dan rule atau aturan.
2. Inference Engine (Mesin Inferensi)
Mesin inferensi adalah sebuah program yang berisi metodologi yang
digunakan untuk melakukan penalaran terhadap informasi-informasi dalam
basis pengetahuan untuk memformulasikan konklusi.
3. User Interface (Antar Muka Pengguna)
User interface adalah penghubung antar program sistem pakar dengan
pengguna yang dapat dihubungkan via dekstop ataupun mobile.
Antarmuka digunakan sebagai media komunikasi antara pengguna dan
sistem pakar.
11
Gambar 2.3 Arsitektur Sistem Pakar (Rachmawati, 2012)
2.2.1.1 Basis Pengetahuan
Menurut Astuti dkk (2016), dalam membentuk basis pengetahuan terdapat
tahapan awal yaitu akusisi pengetahuan dimana dalam tahap ini pengetahuan di
dapatkan dari pakar maupun studiliteratur. Kemudian tahapan ini dilanjutkan
dengan merepresentasikan pengetahuan dimana dalam tahapan ini dapat berupa
pembobotan. Yang kemudian dilanjutkan dengan pembuatan basis pengetahuan
yang berupa pembuatan suatu aturan atau rule dalam tahap ini pakar akan sangat
berperan dalam validasi rule yang dibangun.
Menurut Desiani dan Arhami (2006), terdapat dua karakteristik umum dari
representasi pengetahuan yaitu:
1. Reperesentasi pengetahuan dapat diprogramkan dengan beragam bahasa
komputer yang ada dan dapat disimpan dalam memori.

12
2. Representasi pengetahuan dirancang sedemikian rupa sehingga pengetahuan
lainnya dapat dimanfaatkan untuk penalaran.
2.2.1.2 Mesin Inferensi
Terdapat dua pendekatan untuk mengontrol inferensi dalam sistem pakar berbasis
aturan, yaitu pelacakan ke belakang (backward chaining) dan pelacakan ke depan
(forward chaining). Pelacakan ke belakang adalah pendekatan yang di motori
tujuan terlebih dahulu (goal-driven). Dalam pendekatan ini pelacakan dimulai dari
tujuan, selanjutnya dicari aturan yang memiliki tujuan tersebut untuk
kesimpulannya.
Gambar 2.4. Proses Backward Chaining (Arhami,2006)
Pelacakan kedepan adalah pendekatan yang dimotori data (data driven). Dalam
pendekatan ini pelacakan dimulai dari informasi masukan, dan selanjutnya
mencoba menggambarkan kesimpulan. Pelacakan ke depan mencari fakta yang
sesuai dengan bagian IF dari aturan IF-THEN.

13
Gambar 2.5. Proses Forward Chaining (Arhami,2006)
Kedua metode inferensi tersebut dipengaruhi oleh tiga macam penulusuran, yaitu
Depth-first search, Breadth-first search dan Best-first search.
1. Depth-first search, melakukan penulusuran kaidah secara mendalam dari
simpul akar bergerak menurun ke tingkat dalam yang berurutan.
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
tingkat diuji sebelum pindah ke tingkat selanjutnya.

14
Gambar 2.7. Diagram Alir Teknik Penelusuran Breadth-first search
(Arhami, 2006)
3. Best-first search, bekerja berdasarkan kombinasi kedua metode sebelumnya.
Gambar 2.8. Diagram Alir Teknik Penelusuran Best-first search (Arhami, 2006)
2.3 Metode Forward Chaining
Menurut Indriyawati dan Surarso (2013), metode forward chaining merupakan
teknik pencarian yang dimulai dengan fakta yang diketahui, kemudian
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.
2.4 Metode Naive Bayes
Probabilitas Bayes adalah suatu interpretasi dari kalkulus yang memuat konsep
probabilitas sebagai derajat dimana suatu pernyataan dipercaya benar. Teori bayes
juga dapat digunakan sebagai alat pengambilan keputusan untuk memperbaharui
tingkat kepercayaan dari suatu informasi. Teori probabilitas bayes merupakan satu
dari cabang teori statistik matematik yang memungkinkan untuk membuat satu
model ketidakpastian dari suatu kejadian yang terjadi dengan menggabungkan
pengetahuan umum dengan fakta dari hasil pengamatan (Trisyanto dan Fadlil,
2014).
Menurut Fithri (2013), Probabilitas Bayesian adalah salah satu cara untuk
mengatasi ketidakpastian. Rumus Teorema Bayes
( | ) ( ) ...... (1)
( | )=
( )
P(H|E) = probabilitas hipotesa H jika evidence E.
P(E|H) = probabilitas muncul evidence E jika diketahui hipotesa H.
P(E) = probabilitas evidence E.
P(H) = probabilitas hipotesa H tanpa memandang evidence apapun.
dalam penerapannya metode naive bayes dapat ditulis sebagai berikut
( | ) ( ) ...... (2)
( | )=
∑ |
16
2.5 Metode Pengembangan Perangkat Lunak
2.5.1 Analisis
Menurut Herliana dan Rasyid (2016), dalam analisis kebutuhan sistem dituntukan
fungsi-fungsi dari sistem agar permasalahan yang terjadi dapat diselesaikan
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).
Ada beberapa jenis diagram dalam UML (Unified Model Language)yaitu:
a. Diagram Kelas (Class Diagram)
Class adalah sebuah spesifikasi yang jika diinstansiasi akan menghasilkan
sebuah objek dan merupakan inti dari pengembangan dan desain
berorientasi objek. Class menggambarkan keadaan (atribut/properti) suatu
sistem, sekaligus menawarkan layanan untuk memanipulasi keadaan
tersebut (metoda/fungsi).
Tabel 2.1 Simbol Class Diagram
NO Gambar Nama Keterangan

Generalization Hubungan dimana objek anak
(descendent) berbagi perilaku
1 dan struktur data dari objek
yang ada di atasnya objek
induk (ancestor).
Nary Upaya untuk menghindari
2 Association asosiasi dengan lebih dari 2
objek.
17

Class Himpunan dari objek-objek
3 yang berbagi atribut serta
operasi yang sama.
Collaboration Deskripsi dari urutan aksi-aksi
yang ditampilkan sistem yang
4
menghasilkan suatu hasil yang
terukur bagi suatu aktor
Realization Operasi yang benar-benar
5 dilakukan oleh suatu objek.
Dependency Hubungan dimana perubahan

yang terjadi pada suatu
elemen mandiri
6 (independent) akan
mempegaruhi elemen yang
bergantung padanya elemen
yang tidak mandiri
Association Apa yang menghubungkan
7 antara objek satu dengan
objek lainnya
b. Diagram Paket (Package Diagram)
c. Diagram Use-Case (Usecase Diagram)
Usecase diagram menggambarkan fungsionalitas yang diharapkan dari
sebuah sistem. Yang ditekankan adalah “apa” yang diperbuat sistem, dan
bukan “bagaimana”. Sebuah usecase merepresentasikan sebuah interaksi
antara actor dengan sistem. Seorang/sebuah aktor adalah sebuah entitas
manusia atau mesin yang berinteraksi dengan sistem untuk melakukan
pekerjaan-pekerjaan tertentu.
Tabel 2.2 Simbol Usecase Diagram

Actor Menspesifikasikan himpuan
peran
1
18

Dependency Hubungan dimana perubahan
yang terjadi pada suatu
elemen mandiri (independent)
2 akan mempengaruhi
elemen yang bergantung
padanya elemen yang tidak
mandiri (independent).
Generalization Hubungan dimana objek anak
(descendent) berbagi perilaku
dan
3
struktur data dari objek yang
ada di atasnya objek induk
(ancestor).
Include Menspesifikasikan bahwa use
4 case sumber secara eksplisit.
Extend Menspesifikasikan bahwa use
case target memperluas
5 perilaku dari use case sumber
pada suatu titik yang
diberikan.
Association Apa yang menghubungkan
antara objek satu dengan
6
objek lainnya.
System Menspesifikasikan paket yang

7 menampilkan sistem secara
terbatas.
Use Case Deskripsi dari urutan aksi-aksi
yang ditampilkan sistem yang
8
menghasilkan suatu hasil yang
terukur bagi suatu aktor.
Collaboration Interaksi aturan-aturan dan
elemen lain yang bekerja
sama untuk menyediakan
9
prilaku yang lebih besar dari
jumlah dan elemen-elemennya
(sinergi).
Note Elemen fisik yang eksis saat
aplikasi dijalankan dan
10
mencerminkan suatu sumber
daya komputasi.
19
d. Diagram Interaksi dan Sequence (Sequence Diagram)
Sequence diagram menggambarkan interaksi antar objek di dalam dan di
sekitar sistem (termasuk pengguna, display, dan sebagainya) berupa
message yang digambarkan terhadap waktu. Sequence diagram terdiri atar
dimensi vertical (waktu) dan dimensi horizontal (objek-objek yang
terkait).
Tabel 2.3 Simbol Squence Diagram

LifeLine Objek entity, antarmuka yang
saling berinteraksi.
1
Message Spesifikasi dari komunikasi

antar objek yang memuat
2
informasi-informasi tentang
aktifitas yang terjadi
Message Spesifikasi dari komunikasi
antar objek yang memuat
3
informasi-informasi tentang
aktifitas yang terjadi
e. Diagram Komunikasi (Communication Diagram)
f. Diagram Statechart (Statechart Diagram)
g. Diagram Aktivitas (Activity Diagram)
Activity diagram menggambarkan berbagai alir aktivitas dalam sistem
yang sedang dirancang, bagaimana masing-masing alir berawal, decision
yang mungkin terjadi, dan bagaimana mereka berakhir. Activity diagram
juga dapat menggambarkan proses paralel yang mungkin terjadi pada
beberapa eksekusi.
20
Tabel 2.4 Simbol Activity Diagram

Activity Memperlihatkan bagaimana
masin-gmasing kelas
1
antarmuka saling berinteraksi
satu sama lain
Action State dari sistem yang
mencerminkan eksekusi dari
2
suatu aksi
Initial Node Bagaimana objek dibentuk

3 atau diawali.
Activity Bagaimana objek dibentuk

4 Final Node dan dihancurkan
Fork Node Satu aliran yang pada tahap

5 tertentu berubah menjadi
beberapa aliran
h. Diagram Komponen (Component Diagram)
i. Diagram Deployment (Deployment Diagram)
2.5.3 Implementasi
Menurut Kadir (2003), implementasi sistem dilakukan untuk memastikan apakah
aplikasi yang dibuat telah sesuai kebutuhan sistem, desain, dan semua fungsi
dapat berjalan dan dipergunakan dengan baik tanpa kesalahan atau error. Pada
implementasi sistem, aktifitas yang dilakukan antara lain:
a. Pemrograman dan Pengujian.
b. Instalasi hardware dan software.
c. Pelatihan kepada pengguna.
d. Pembuatan dokumentasi.
e. Konversi.
21
2.5.4 Pengujian
Mustaqbal dkk (2015), pengujian software sangat diperlukan untuk memastikan
software/aplikasi yang sudah/sedang dibuat dapat berjalan sesuai dengan
fungsionalitas yang diharapkan. Pengembang atau penguji software harus
menyiapkan sesi khusus untuk menguji program yang sudah dibuat agar kesalahan
ataupun kekurangan dapat dideteksi sejak awal dan dikoreksi secepatnya.
Pengujian atau testing sendiri merupakan elemen kritis dari jaminan kualitas
perangkat lunak dan merupakan bagian yang tidak terpisah dari siklus hidup
pengembangan software seperti halnya analisis, desain, dan pengkodean.
Mustaqbal dkk (2015), ia menyarankan satu set prinsip pengujian:
1. Semua test harus dapat dilacak ke kebutuhan pelanggan.
2. Test harus direncanakan dengan baik sebelum pengujian mulai.
a. Prinsip Pareto berlaku untuk pengujian
b. 80% dari semua kesalahan yang terungkap selama pengujian akan mudah
dapat dilacak dari 20% semua modul program.
3. Pengujian seharusnya mulai “dari yang kecil” dan pengujian perkembangan ke
arah “yang besar”.
4. Pengujian menyeluruh adalah tidak mungkin. Paling efektif, pengujian harus
diselenggarakan oleh suatu pihak ketiga mandiri.
Langkah-langkah pengujian software ada 4 yaitu:
1. Unit testing-testing per unit yaitu mencoba alur yang spesifik pada struktur
modul kontrol untuk memastikan pelengkapan secara penuh dan pendeteksian
error secara maksimum

22
2. Integration testing – testing per penggabungan unit yaitu pengalamatan dari
isu-isu yang diasosiasikan dengan masalah ganda pada verifikasi dan
konstruksi program
3. High-order test yaitu terjadi ketika software telah selesai diintegrasikan atau
dibangun menjadi satu –tidak terpisah-pisah
4. Validation test yaitu menyediakan jaminan akhir bahwa software memenuhi
semua kebutuhan fungsional, kepribadian dan performa.
Menurut Khan (2011) dalam Mustaqbal dkk (2015), ada beberapa jenis pengujian
perangkat lunak, antara lain:
1. Pengujian white box adalah pengujian yang didasarkan pada pengecekan
terhadap detail perancangan, menggunakan struktur kontrol dari desain
program secara prosedural untuk membagi pengujian ke dalam beberapa kasus
pengujian. Secara sekilas dapat diambil kesimpulan white box testing
merupakan petunjuk untuk mendapatkan program yang benar secara 100%.
2. Black-Box Testing merupakan pengujian yang berfokus pada spesifikasi
fungsional dari perangkat lunak, tester dapat mendefinisikan kumpulan kondisi
input dan melakukan pengetesan pada spesifikasi fungsional program.
2.5.4.1 Black box Testing
Menurut Wahyudi dan Utami (2016), Proses pengujian black box adalah
pengujian yang dilakukan dengan cara mencoba program aplikasi dengan
memasukkan data ke dalam form - form yang telah disediakan. Pengujian ini
memungkinkan perekayasa perangkat lunak mendapatkan serangkaian kondisi
input yang sepenuhnya semua persyaratan fungsional untuk suatu program.

23
Black box Testing berfokus pada spesifikasi fungsional dari perangkat lunak.
Tester dapat mendefinisikan kumpulan kondisi input dan melakukan pengetesan
pada spesifikasi fungsional program.
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.
Black box Testing cenderung untuk menemukan hal-hal berikut:
1. Fungsi yang tidak benar atau tidak ada.
2. Kesalahan antarmuka (interface errors).
3. Kesalahan pada struktur data dan akses basis data.
4. Kesalahan performansi (performance errors).
5. Kesalahan inisialisasi dan terminasi.
Pengujian didesain untuk menjawab pertanyaan-pertanyaan berikut:
1. Bagaimana fungsi-fungsi diuji agar dapat dinyatakan valid?
2. Input seperti apa yang dapat menjadi bahan kasus uji yang baik?
3. Apakah sistem sensitif pada input-input tertentu?
4. Bagaimana sekumpulan data dapat diisolasi?
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
sistem? (Mustaqbal dkk 2015).

24
2.5.4.2 Skala Likert
Metode ini merupakan metode penskalaan pernyataan sikap yang menggunakan
distribusi respons sebagai dasar penentuan nilai skalanya. Nilai skala setiap
pernyataan tidak ditentukan oleh derajat favourable masing-masing, akan tetapi
ditentukan oleh distribusi respons setuju dan tidak setuju dari sekelompok
responden yang bertindak sebagai kelompok uji coba (Azwar, 2011).
Skala Likert, yaitu skala yang berisi lima tingkat preferensi jawaban dengan
pilihan sebagai berikut : 1= sangat setuju; 2 = tidak setuju; 3 = ragu-ragu atau
netral; 4 = setuju; 5 = sangat setuju. Penentuan interval per kategori digunakan
rumus sebagai berikut (Azwar, 2011) :
100%
=
K
...... (3)
Keterangan :
I = Interval;
K = Kategori interval
Untuk mendapatkan presentase hasil interpretasi, harus diketahui skor tertinggi
(X) dan angka terendah (Y) untuk item penilaian dengan rumus pada Persamaan
(4) berikut.
X = Skor terendah likert × jumlah responden (Angka Terendah 1)
Y = Skor tertinggi likert × jumlah responden (Angka Tertinggi 5) …......(4)
Penilaian interpretasi responden terhadap aplikasi sistem pakar ini adalah hasil
nilai yang dihasilkan dengan menggunakan rumus index % pada Persamaan (5)
berikut.
Rumus Index % = …………..(5)

×
25
2.5.5 Pemeliharaan
Selama sistem beroperasi, pemeliharaan sistem tetap diperlukan karena beberapa
alasan. Pertama, mungkin sistem masih menyisakan masalah-masalah yang tidak
terdeteksi selama pengujian sistem. Kedua, pemeliharan diperlukan karena
perubahan bisnis atau lingkungan atau adanya permintaan kebutuhan baru oleh
pengguna. Ketiga, pemeliharaan juga bisa dipicu karena kinerja sistem yang
menjadi menurun (Kadir, 2003).

26
III . METODOLOGI PENELITIAN
3.1 Waktu dan Tempat Penelitian
Penelitian dilaksanankan pada 06 Januari sampai dengan 5 Juni 2017 di Jurusan
Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam, Fakultas
Kedokteran Universitas Lampung, Desa Teluk Pandan Lempasing dan Rumah
sakit Muhammadiah Metro.
3.2 Alat Pendukung
Alat pendukung dalam penelitian adalah
a. Perangkat Keras
1. Laptop HP Probook 4440s dengan spesifikasi Processor Intel(R)
Core(TM) i3 CPU 3120M, RAM 6 GB.
2. Smartphone Android (Samsung Galaxy J2 Lollipop 5.1.1 version).
b. Perangkat Lunak
1. Sistem Operasi Windows 8.1 Pro 64 bit
2. Android Studio, digunakan untuk pembuatan aplikasi
3. SQLite Manager, sebagai software pembuatan dan akses database

27
4. Adobe Photoshop CS6, untuk pembuatan tampilan user interface dan
editing gambar.
3.3 Tahapan Penelitian
Tahapan penelitian merupakan langkah – langkah yang dilakukan peneliti dalam
melakukan penelitian. Adapun tahapan penelitian yang dilakukan peneliti dalam
membangun sistem pakar diagnosis malaria ditunjukkan pada gambar 3.1.
Gambar 3.1 Diagram Alir Tahapan Penelitian

28
3.3.1 Identifikasi Masalah
Identifikasi masalah merupakan tahapan awal yang dilakukan dalam penelitian
ini. Pada tahapan ini dilakukan identifikasi dalam masyarakat tentang penyakit
yang saat ini banyak terjadi dan masih kurang cepat dalam penanganannya.
3.3.2 Perumusan Masalah
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.
3.3.3 Pengumpulan Data
Dalam pengumpulan data dilakukan dengan dua metode yaitu studi literatur dan
wawancara.
a. Studi Literatur
Pada metode ini pengumpulkan data – data dilakukan dengan menggunakan
data – data yang ada dalam jurnal, buku ataupun dokumen yang berkaitan
dengan tema penelitian.
b. Wawancara
Metode wawancara dilakukan melalui proses wawancara langsung dengan
pakar/ ahli. Metode ini dilakukan dengan tujuan untuk mendapatkan data yang
tidak ditemukan dalam studi literatur. Data yang telah ditemukan akan
digunakan untuk rule dalam sistem pakar yang diteliti.

29
3.3.4 Perancangan Sistem
Dalam perancangan sistem akan digambarkan tentang gambaran sistem dalam
bentuk gambar agar mempermudah pengguna dalam memahami sistem yang akan
dibuat. Perancangan sistem dalam penelitian ini terdiri dari Flowchart, Usecase
Diagram, Activity Diagram, Sequence Diagram, dan Class Diagram.
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
digambarkan pada Gambar 3.2.
Gambar 3.2 Flowchart Sistem Pakar Diagnosa Malaria
Dalam Flowchart yang digambarkan dalam Gambar 3.2 dijelaskan bahwa User
saat telah menjalankan aplikasi dan memilih menu diagnosa maka akan
ditampilkan pertanyaan tentang gejala – gejala penyakit yang terdapat dalam

30
database. Kemudian User meninputkan jawaban dari pertanyaan yang diajukan
oleh sistem yang selanjutnya akan diproses oleh sistem untuk dihitung nilai
akurasinya serta mendiagnosa jenis penyakit malaria yang diderita oleh User.
3.3.4.2 Usecase Diagram
Dalam usecase diagram akan direpresentasikan interaksi antara user dengan
sistem pakar diagnosa malaria. Usecase diagram ditunjukkan Gambar 3.3.
Gambar 3.3 Usecase diagram Sistem Pakar Diagnosa Malaria
Pada Gambar 3.3 digambarkan bahwa User memiliki empat aktivitas yaitu
mendiagnosa penyakit malaria, melihat data penyakit malaria, mengakses menu
bantuan dan mengakses menu tentang.

31
3.3.4.3 Activity Diagram
Activity Diagram merupakan gambaran aktivitas dalam sistem yang sedang
dirancang, dari mulai hingga selesai serta dapat menggambarkan proses paralel
yang mungkin terjadi pada beberapa eksekusi. Activity Diagram Sistem Pakar
Diagnosa Malaria ditunjukkan dalam Gambar 3.4 samapi dengan 3.7.
Gambar 3.4 Activity Diagram menu Diagnosa Sistem Pakar Diagnosa Malaria
Activity Diagram pada Gambar 3.4 merupakan interaksi antara User dan sistem
yang dijelaskan sebagai berikut.
1. User memilih menu diagnosa, yang kemudian sistem akan menampilkan
pertanyaan-pertanyaan.
2. User menjawab pertanyaan yang diberikan oleh sistem dan kemudian jawaban
tersebut akan diproses oleh sistem
3. Sistem menampilkan hasil diagnosa dan user mendaatkan hasil diagnosa sesuai
dengan gejala yang dipilih dalam daftar pertanyaan.

32
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.
Gambar 3.5 dijelaskan sebagai berikut.
1. User mengawali aktivitas dengan memilih menu data penyakit, yang kemudian
sistem menampilkan daftar jenis penyakit malaria.
2. Selanjutnya User mendapatkan informasi tentang jenis penyakit malaria yang
dipilih.
Pada Gambar 3.6 terdapat interaksi antara User dan sistem yang dijelaskan
sebagai berikut.
1. User memilih menu bantuan, kemudian sistem menampilkan informasi bantuan
2. User mendapatkan informasi mengenai bantuan dalam menggunakan sistem.

33
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
sistem yang dijelaskan sebagai berikut.
1. User memilih menu Tentang kemudian sistem menampilkan sub menu dalam
menu tentang yaitu About dan Rate Us.
2. User memilih button About maka sistem akan menampilkan informasi tentang
aplikasi
34
3. User memilih button Rate Us maka sistem akan menampilkan halaman
playstore.
3.3.4.4 Sequence Diagram
Sequence Diagram menggambarkan interaksi antara objek dan di sekitar sistem
berupa pesan terhadap waktu. Sequence Diagram pada Sisem Pakar Diagnosa
Malaria digambarkan dalam Gambar 3.8 sampai dengan 3.11.
Gambar 3.8 Sequence Diagram Menu Diagnosa Sistem Pakar malaria
Sequence Diagram pada Gambar 3.8 terdiri dari satu user dan enam objek yaitu
Splash Screen, Main Activity, Controller Diagnosa, Memulai Diagnosa, Form
Gejala, Diagnosa. Proses pada Gambar 3.8 dijelaskan sebagai berikut.
1. User mengakses aplikasi melewati objek splash screen.
2. Kemudian User masuk ke halaman utama (Main Activity) kemudian sistem
melakukan self stimulus dengan menampilkan halaman utama.

35
3. User memilih menu diagnosa pada halaman utama yang kemudian dilanjutkan
oleh Controller Diagnosa untuk menampilkan halaman yang dituju.
4. User menjawab pertanyaan yang diberikan oleh sistem yang dilanjutkan ke
Form Gejala.
5. Sistem mengirim melakukan diagnosa dari inputan jawaban oleh User
6. Sistem Menampilkan hasil diagnosa kepada User.
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
Data Penyakit. Proses pada Gambar 3.9 dijelaskan sebagai berikut.
2. Kemudian User masuk ke halaman utama (Main Activity) kemudian
sistem melakukan self stimulus dengan menampilkan halaman utama.
3. User memilih menu data penyakit pada halaman utama yang kemudian
dilanjutkan oleh Controller Data Penyakit untuk menampilkan halaman
yang dituju.
4. User memilih jenis penyakit yang akan dilihat detailnya pada Form Data
Penyakit
5. Sistem menampilkan detail dari penyakit yang dipilih oleh User.

36
Gambar 3.9 Sequence Diagram Data Penyakit
Gambar 3.10 Sequence Diagram Bantuan
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
Gambar 3.10 dijelaskan sebagai berikut.

37
3. User memilih menu bantuan pada halaman utama yang kemudian
dilanjutkan oleh Controller Bantuan untuk menampilkan halaman yang
dituju.
4. Sistem menampilkan informasi bantuan kepada User.
Gambar 3.11 Sequence Diagram Tentang
Sequence Diagram pada Gambar 3.11 terdiri dari satu user dan lima objek yaitu
Splash Screen, Main Activity, Controller Tentang, Form Tentang dan Data
Tentang. Proses pada Gambar 3.11 dijelaskan sebagai berikut.
3. User memilih menu tentang pada halaman utama yang kemudian
dilanjutkan oleh Controller Tentang untuk menampilkan halaman yang
dituju.
38
4. User memilih button rate us kemudian sistem akan menampilkan halaman
play store
5. User memilih button about kemudian sistem menampilkan informasi data
pengembang.
3.3.4.5 Class Diagram
Class Diagram menggambarkan keadaan (atribut/properti) suatu sistem, sekaligus
menawarkan layanan untuk memanipulasi keadaan (metoda/ fungsi). Class
Diagram pada sistem pakar diagnosa malaria disajikan dalam Gambar 3.12.
Gambar 3.12 Class Diagram Sistem Pakar Diagnosa Malaria
Class Diagram pada Gambar 3.12 terdapat sembilan kelas yang terdiri dari
diagnosa, rule, metode, jenis metode, penyakit, jenis penyakit, gejala penyakit,
tentang dan bantuan.

39
1. Kelas diagnosa memiliki hubungan kompisisi dengan kelas relasi, yang berarti
bahwa kelas diagnosa tidak dapat berdiri tanpa adanya kelas relasi. Jika kelas
relasi hilang maka kelas diagnosa juga akan menghilang.
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.
4. Kelas jenis metode memiliki hubungan asosiasi dengan kelas 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
memiliki satu atau lebih dan sebaliknya.
7. Kelas tentang berdiri sendiri dan tidak memiliki hubungan dengan kelas
lainnya.
8. Kelas bantuan berdiri sendiri dan tidak memiliki hubungan dengan kelas
lainnya.
3.3.5 Perancangan Antarmuka
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
akan diakses oleh pengguna yaitu user.

40
3.3.5.1 Perancangan Halaman Splash Screen
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
Gambar 3.13 Splash screen sistem pakar diagnosa jenis malaria
3.3.5.2 Perancangan Halaman Menu Utama
Halaman menu utama berisi menu menu yang disajikan dalam sistem untuk
pengguna yaitu menu diagnosa, data penyakit, bantuan dan tentang. Perancangan
menu utama ditunjukkan dalam Gambar 3.14.

41
menu menu
menu menu menu
Gambar 3.14 Menu utama Sistem Pakar Diagnosa Jenis Malaria
3.3.5.3 Perancangan Halaman Menu Diagnosa
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
di tunjukkan dalam Gambar 3.15.

42
3.3.5.4 Perancangan Halaman Hasil Diagnosa
Halaman hasil diagnosa merupakan halaman hasil dari menjawab pertanyaan
menegnai gejala pada halaman menu diagnosa secara keseluruhan. Dalam
halaman hasil diagnosa akan disajikan hasil diagnosa, tingkat akurasi. Halaman
ini dilengkapi dengan button detail yang bila di tekan akan menuju ke halaman
detail penyakit. Perancangan halaman hasil diagnosa ditunjukkan dalam Gambar
3.16.
Text view
detail
Gambar 3.16 Halaman Hasil Diagnosa Sistem Pakar Diagnosa Jenis Malaria
3.3.5.5 Perancangan Halaman Menu Jenis Penyakit
Halaman jenis penyakit merupakan halaman yang disajikan setelah user memilih
tombol jenis penyakit pada halaman utama. Halaman jenis penyakit akan
menampilkan jenis – jenis penyakit malaria yang terdapat dalam sistem.
Perancangan halaman jenis penyakit ditunjukkan dalam Gambar 3.17.

43
Gambar 3.17 halaman Jenis Penyakit Sistem Pakar Diagnosa Jenis Malaria
3.3.5.6 Perancangan Halaman Detail Penyakit
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
3.3.5.7 Perancangan Halaman Petunjuk
Halaman bantuan akan ditampilkan setelah user memilih tombol bantuan pada
menu utama. Halaman ini akan menampilkan list dari menu bantuan dan akan
menampilkan informasi mengenai petunjuk penggunaan sistem setelah user
memilih salah-satu dari list petunjuk. Perancangan halaman bantuan ditunjukkan
dalam Gambar 3.19 dan Gambar 3.20.
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
3.3.5.8 Perancangan Halaman Menu Tentang
Halaman tentang dapat diakses apabila user memilih tombol tentang pada menu
utama. Halaman tentang akan menyajikan informasi tentang pengembang sistem
pakar dan dilengkapi dengan button rate. Perancangan halaman tentang
ditunjukkan dalam Gambar 3.21.
Text view
rate
Gambar 3.21 Halaman Tentang Sistem Pakar Diagnosa Jenis Malaria
3.3.6 Implementasi
Tahapan setelah perancangan adalah implementasi yaitu sistem akan mulai
dibangun berasarkan rancangan yang telah dibuat dengan menggunakan bahasa
pemerograman java dan database mysql dengan menerapkan metode inferensi
forward chaining.
3.3.7 Pengujian
Setelah tahap implementasi selesai maka dilakukan pengujian yaitu pengujian
internal dan eksternal. Pengujian ini bertujuan agar saat sistem telah digunakan
oleh masyarakat dapat menghasilkan informasi yang akurat.

46
3.3.7.1 Pengujian Internal
Pengujian internal merupakan pengujian yang dilakukan oleh peneliti untuk
menguji fungsional sistem serta kepakaran dari sistem dalam menentukan jenis
malaria berdasarkan fakta – fakta yang diberikan.
3.3.7.1.1 Pengujian Fungsional
Pengujian fungsional dilakukan menggunakan metode black box Equivalence
Partitioning (EP). Pengujian dengan menggunakan metode ini akan membagi
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
interface, dan pengujian fungsi dan menu aplikasi.
a. Pengujian Versi Android
Pengujian ini dilakukan untuk menguji apakah aplikasi dapat berjalan dengan baik
dalam semua versi android yang diujikan. Pengujian versi android dapat dilihat
pada tabel 3.1.
Tabel 3.1 Pengujian Versi Android
No Kelas Uji Daftar Pengujian Skenario Uji Hasil yang

Diharapkan
1 Versi Pengujian Pengujian pada Kompatibel dengan

Android Kompabilitas versi android versi 4.1 android versi 4.1
Operating System (Jelly Bean) (Jelly Bean)
(OS) android
47
Lanjutan Tabel 3.1 Pengujian Versi Android

Diharapkan
1 Versi Pengujian Pengujian pada Kompatibel dengan

Android Kompabilitas versi android versi 4.4 android versi 4.4
Operating System (KitKat) (KitKat)
(OS) android
Pengujian pada Kompatibel dengan
android versi 5.0 android versi 5.0
(Lollipop) (Lollipop)
Pengujian pada Kompatibel dengan
android versi 6.0 android versi 6.0
(Marshmallow) (Marshmallow)
b. Pengujian Resolusi Layar dan Densitas Layar
Pengujian ini dilakukan untuk mengetahui apakah tampilan aplikasi terlihat baik
dan sesuai dengan resolusi android yang diujikan. Pengujian resolusi layar dan
densitas layar dapat dilihat pada Tabel 3.2.
Tabel 3.2 Pengujian Resolusi Layar dan Densitas Layar

Diharapkan
1 Versi Resolusi Layar dan Pengujian pada Tampilan sesuai

Android Densitas Layar android dengan dan proporsional
resolusi 4,5 inch dengan resolusi
4,5 inch
Pengujian pada Tampilan sesuai
android dengan dan proporsional
4,7 inch
Pengujian pada Tampilan sesuai
android dengan dan proporsional
5,0 inch
48
Lanjutan Tabel 3.2 Pengujian Resolusi Layar dan Densitas Layar

Diharapkan
1 Versi Resolusi Layar dan Pengujian pada Tampilan sesuai

Android Densitas Layar android dengan dan proporsional
5,5 inch
c. Pengujian User Interface
Pengujian ini bertujuan untuk mengetahui apakah aplikasi memilki tampilan yang
baik dan user friendly terhadap pengguna. Pengujian user intrface dapat dilihat
pada Tabel 3.3.
Tabel 3.3 Pengujian user Interface
No Kelas Uji Daftar Skenario Uji Hasil yang

Pengujian Diharapkan
1 User Pengujian pada Klik icon Menampilkan

Interface icon Identifikasi Identifikasi splash screen dan
Malaria malaria pada diikuti halaman
perangkat android info kemudian
halaman utama
Pengujian pada Pilih menu Menampilkan
Halaman utama Diagnosis halaman menu
aplikasi Diagnosis
Penentuan Jenis
Malaria
Pilih menu Data Menampilkan
Penyakit halaman menu
Data Penyakit
Pilih menu Menampilkan
Petunjuk halaman menu
bantuan dengan 2
tombol didalamnya
49
Lanjutan Tabel 3.3 Pengujian user friendly

Pilih menu Menampilkan

Tentang halaman menu
tentang dengan
tombol Rate di
dalamnya
d. Pengujian dari Fungsi Aplikasi
Pengujian ini bertujuan untuk mengetahui apakah tombol – tombol yang terdapat
dalam aplikasi dapat berjalan dan berfungsi dengan baik. Pengujian dari fungsi
aplikasi dapat dilihat dalam Tabel 3.4.
Tabel 3.4 Pengujian dari Fungsi Aplikasi

1 Fungsi layout Pengujian button Klik button ‘ya’ Menampilkan

menu ‘ya’ dalam pertanyaan
Diagnosis menjawab selanjutnya atau
pertanyaan hasil diagnosis
mengenai gejala
Pengujian button Klik button Menampilkan
‘tidak’ dalam ‘tidak’ pertanyaan
menjawab selanjutnya atau
pertanyaan hasil diagnosis
mengenai gejala
Pengujian Klik button Menampilkan

melihat detail ‘detail’ informasi
jenis malaria mengenai jenis
yang dialami malaria yang
user dialami user
50
Lanjutan Tabel 3.4 Pengujian dari Fungsi Aplikasi

2 Fungsi layout Pengujian button Klik button ‘data Menampilkan

menu Data ‘data penyakit’ penyakit’ halaman data
Penyakit penyakit berupa
listview data
penyakit
Pengujian Pilih salah satu Menampilkan
melihat list nama penyakit halaman
informasi data informasi
penyakit penyakit
3 Fungsi layout Pengujian button Klik button Menampilkan list

menu ‘petunjuk’ ‘petunjuk’ petunjuk
Petunjuk penggunaan
sistem pakar
Pengujian Pilih salah-satu Menampilkan
melihat list petunjuk halaman
informasi informasi
petunjuk penggunaan
sistem pakar
4 Fungsi layout Pengujian Klik button Menampilkan

menu Tentang melihat ‘About’ informasi aplikasi
informasi tentang
Klik button ‘Rate Menampilkan
Us’ aplikasi pada
halaman playstore
3.3.7.1.2 Pengujian Kepakaran Sistem
Pengujian ini bertujuan untuk menguji kemampuan sistem pakar mengidentifikasi
jenis malaria terhadap fakta – fakta yang diberikan. Pengujian ini dilakukan
menggunakan metode F-Measure, precission dan recall.

51
3.3.7.2 Pengujian Eksternal
Pengujian eksternal dilakukan menggunakan metode kuisioner. Pengujian ini
bertujuan untuk mengetahui penilaian pengguna terhadap sistem.
3.3.8 Penyusunan Laporan
Setelah pengujian selesai dilakukan, tahapan terakhir adalah penyusunan laporan.
Seluruh data dan hasil pengujian yang telah ditarik kesimpulan akan
didokumentasikan dalam bentuk laporan.

IV. HASIL DAN PEMBAHASAN
4.1 Analisa Kebutuhan Data
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
penelitian ini disajikan pada Lampiran 1 dan Lampiran 2.
Berdasarkan data gejala dan penyakit, maka dibentuk tabel keputusan yang berisi
relasi atau hubungan antara penyakit dengan gejala-gejalanya. Data-data pada
tabel keputusan dibentuk menjadi pohon keputusan agar mempermudah dalam
penelusuran penyakit berdasarkan gejala-gejalanya. Tabel keputusan dan pohon
keputusan disajikan pada Lampiran 3 dan Lampiran 4.
Dalam penelitian ini, untuk merepresentasikan pengetahuan pada sistem pakar
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
diagnosis kemungkinan penyakit pada sistem ini menggunakan metode Clasic
Probability dan Naive Bayes.
4.2 Representasi Pengetahuan
Representasi pengetahuan yang digunakan pada penelitian ini menggunakan
kaidah produksi. Kaidah produksi dituliskan dalam bentuk jika-maka (if-then).
Representasi pengetahuan digunakan untuk menentukan proses pencarian atau
menentukan kesimpulan (Nugroho, 2014). Sistem pakar penentuan jenis malaria
memiliki 4 aturan yang dapat dilihat pada Lampiran 5.
4.3 Implementasi Sistem
Tahapan awal dari pembangunan sistem pakar penentuan juenis malaria dimulai
dengan pengumpulan data-data terkait gejala dan jenis malaria. Kemudian
pengetahuan direpresentasikan berdasarkan data-data yang telah diperoleh.
Metode representasi pengetahuan yang digunakan adalah kaidah produksi yang
dituliskan dalam bentuk if-then. Dalam representasi ini akan terbentuk sebuah
aturan yang nantinya disimpan dalam sistem pakar.
Metode inferensi pada sistem pakar ini yaitu forward chaining (runut maju/
pelacakan ke depan). Algoritma metode penalaran forward chaining yaitu
menelusuri aturan-aturan berdasarkan jawaban yang diberikan pengguna. Jawaban

54
pengguna kemudian dicocokkan dengan aturan (rule) yang telah ditentukan
hingga mendapatkan suatu kesimpulan dan kemudian dihitung menggunakan
metode classic probability dan naive bayes.
Sistem pakar yang dibangun menggunakan bahasa pemerograman java dan sqlite.
Dalam implementasinya dapat diakses menggunakan smartphone dengan sistem
operasi android.
4.3.1 Tampilan Halaman Splash Screen
Halaman splash screen merupakan halaman kilat yang muncul pertama kali di
lihat saat mengakses aplikasi. Halaman splash screen ditunjukkan Gambar 4.1.
Gambar 4.1 Tampilan Halaman Splash Screen

55
4.3.2 Tampilan Halman Informasi
Halaman informasi adalah halaman yang muncul sebelum halaman utama.
Halaman informasi berisi tentang kegunaan dari aplikasi agar user tidak salah
mengerti tentang kegunaan dari aplikasi. halaman informasi ditunjukkan Gambar
4.2 hingga Gambar 4.4.
Gambar 4.2 Tampilan Halaman Informasi

56
4.3.3 Tampilan Halaman Utama
Halaman utama dalam sistem pakar ini menyajikan menu yang tersedia dalam
sistem pakar dalam bentuk tombol. Terdapat 5 tombol yaitu diagnosa, jenis
penyakit, bantuan, tenatang dan exit. Tampilan halaman utama ditunjukkan
Gambar 4.5.
Gambar 4.5 Tampilan Halaman Utama

57
4.3.4 Tampilan Halaman Menu Diagnosa
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
halaman menu diagnosa ditunjukkan Gambar 4.6
Gambar 4.6 Tampilan Halaman Menu Diagnosa
4.3.5 Tampilan Halaman Hasil Diagnosa
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
Gambar 4.7 Tampilan Halaman Hasil Diagnosa
4.3.6 Tampilan Halaman Detail Penyakit
Halaman detail penyakit berisi tentang informasi dari jenis malaria. Halaman ini
akan tampil jika user menekan tombol detail pada halaman hasil diagnosa pada
Gambar 4.7. Tampilan halaman detail penyakit ditunjukkan Gambar 4.8.
Gambar 4.8 Tampilan Halaman Jenis Penyakit

59
4.3.7 Tampilan Halaman Menu Jenis Penyakit
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.
Gambar 4.9 Tampilan Halaman Menu Jenis Penyakit
4.3.8 Tampilan Halaman Menu Tentang
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
tentang ditunjukkan Gambar 4.10.

60
Gambar 4.10 Tampilan Halaman Menu Tentang
4.3.9 Tampilan Halaman Menu Bantuan
Gambar 4.11 Tampilan Halaman Menu Bantuan

61
Gambar 4.12 Tampilan Halaman Submenu Diagnosa
Gambar 4.13 Tampilan Halaman Submenu Jenis Penyakit
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
agar user tidak mengalami kesulitan dalam mengoprasionalkan sistem pakar.

62
Tampilan halaman menu bantuan, sub menu diagnosa, dan sub menu jenis
penyakit ditunjukkan Gambar 4.11 sampai dengan 4.13.
4.4 Analisa Presentase Penyakit
Perhitungan persentase pada sistem pakar ini dibangun berdasarkan metode
classic probability dan naive bayes dengan menggunakan rumus pada Persamaan
(1) untuk naive bayes.
Sebagai contoh, user mengalami gejala sebagai berikut :
1. Demam >380C (G01)
2. Demam terjadi secara periodik 4 sekali (G03)
3. Mengalami sakit kepala (G16)
4. Badan terasa lemas (G05)
5. Nafsu makan turun (G07)
6. Muka pucat (G09)
7. Jari kebiruan (G10)
8. Berkeringat berlebihan (G11)
9. Anemia (G13)
10. Tinggal di daerah endemis malaria (G20)
11. Masa infeksi hingga muncul gejala yaitu 18 – 40 hari (G25)
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
G03 dimiliki oleh malaria kuartana.
G25 dimiliki oleh malaria kuartana.
1. Probabilitas Malaria Secara umum
Jika jumlah keseluruhan gejala umum adalah 15
Perhitungan kemungkinan user mengalami malaria
( 01) + ( 05) + ( 07) + ( 10) + ( 11) + ( 13) + ( 16) + ( 20)

( )=
15
8
=
15
= 0,53
2. Probabiltas Jenis Malaria
Jika probabilitas Malaria Kuartana (M03) adalah 0,25
Jika probabilitas gejala adalah :
• Demam terjadi secara periodik 4 sekali (G03) : 0,8
• Masa infeksi hingga muncul gejala yaitu 18 – 40 hari (G25) : 0,6
Perhitungan nilai bayes

[ ( | )× ( )]
( 03| 03) = [ ( )× ( ) ( )× ( ) ( )× ( ) ( )× ( )]
| | | |
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
Total Bayes 3 = P(M03 | G03) + P(M03 | G25)
= 1+1
= 2
Hasil bayes = Total Bayes 1 + Total Bayes 2 + Total Bayes 3 + Total Bayes 4
=0+0+2+0
=2
Normalisasi nilai total bayes
= 2 ÷ 1,54
= 1, 30
Maka perhitungan probabilitas malaria adalah
1. Malaria Kuartana
= × 100%
,
= × 100%
= 65%
Sehingga dapat disimpulkan user mengalami malaria kuartana dengan probabilitas
65%.
65
4.5 Pengujian Sistem
Penelitian sistem pakar ini menggunakan dua jenis pengujian yaitu pengujian
internal dan pengujian eksternal.
4.5.1 Pengujian Internal
Pengujian internal merupakan pengujian yang dilakukan oleh peneliti untuk
menguji fungsional sistem serta kepakaran dari sistem dalam menentukan jenis
malaria berdasarkan fakta – fakta yang diberikan.
4.5.1.1 Pengujian Fungsional
Pengujian fungsional dilakukan menggunakan metode black box Equivalence
Partitioning (EP). Pengujian dengan menggunakan metode ini akan membagi
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
interface, dan pengujian fungsi dan menu aplikasi.
4.5.1.1.1 Pengujian Versi Android
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
dilihat pada Tabel 4.1.

66
Tabel 4.1 Pengujian Versi Android
No Kelas Daftar Skenario Uji Hasil yang Hasil yang

Uji Pengujian Diharapkan Diperoleh
1 Versi Pengujian Pengujian pada Kompatibel Berhasil

Android Kompabili android versi dengan android namun
tas versi 4.1 (Jelly Bean) versi 4.1 (Jelly kurang
Operating Bean) rapih dalam
System tampilan
(OS) antarmuka
android
Pengujian pada Kompatibel Berhasil
android versi dengan android namun
4.4 (KitKat) versi 4.4 Kurang
(KitKat) rapih dalam
tampilan
antarmuka
android versi dengan android Kompatibel
5.0 (Lollipop) versi 5.0 dengan
(Lollipop) android
versi 5.0
android versi dengan android Kompatibel
6.0 versi 6.0 dengan
(Marshmallow) (Marshmallow) android 6.0
Berdasarkan pengujian kompatibilitas sistem operasi Android, maka dapat
disimpulkan bahwa aplikasi sistem pakar penentuan jenis malaria kompatibel
(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
4.5.1.1.2 Pengujian Resolusi Layar dan Densitas Layar
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
layar dan densitas layar dapat dilihat pada Tabel 4.2.
Tabel 4.2 Pengujian Resolusi Layar dan Densitas Layar

1 Versi Resolusi Layar Pengujian Tampilan Berhasil

Android dan Densitas pada android sesuai dan Tampilan
Layar dengan proporsional proporsional
resolusi 4,5 dengan dengan
inch resolusi 4,5 resolusi 4,5
inch inch
Pengujian Tampilan Berhasil

pada android sesuai dan Tampilan
dengan proporsional proporsional
resolusi 4,7 dengan dengan
inch resolusi 4,7 resolusi 4,7
inch inch
pada android sesuai dan Tampilan
dengan proporsional proporsional
resolusi 5 dengan dengan
inch resolusi 5 resolusi 5
inch inch

pada android terlihat Tampilan
dengan sesuai dan proporsional
resolusi 5,5 proporsional dengan
inch dengan resolusi 5,5
resolusi 5,5 inch
inch
68
4.5.1.1.3 Pengujian User Interface
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
dilihat pada Tabel 4.3.
Tabel 4.3 Pengujian User Interface

1 User Pengujian Klik icon Menampilkan Berhasil

Interface pada icon Identifikasi splash screen Menampilk
Identifikasi malaria pada dan diikuti an splash
Malaria perangkat halaman info screen,
android kemudian halaman
halaman info dan
utama halaman
utama
2 Pengujian Pilih menu Menampilkan Berhasil

pada Halaman Diagnosis halaman Menampilk
utama aplikasi menu an halaman
Penentuan Diagnosis menu
Jenis Malaria Diagnosis
Pilih menu Menampilkan Berhasil
Data halaman Menampilk
Penyakit menu Data an halaman
Penyakit menu Data
Penyakit
Petunjuk halaman Menampilk
menu bantuan an halaman
dengan 2 menu
tombol Bantuan
didalamnya
69
Lanjutan Tabel 4.3 Pengujian User Interface
No Kelas Uji Daftar Skenario Uji Hasil yang Hasil yang

Pengujian Diharapkan Diperoleh

Tentang halaman Menampilk
menu tentang an halaman
dengan menu
tombol Rate Tentang
di dalamnya
4.5.1.1.4 Pengujian Fungsi dari Menu Aplikasi
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.
Tabel 4.4 Pengujian Fungsi dari Menu Aplikasi

1 Fungsi Pengujian Klik button Menampilkan Berhasil

layout button ‘ya’ ‘ya’ pertanyaan Menampilkan
menu dalam selanjutnya pertanyaan
Diagnosis menjawab atau hasil selanjutnya
pertanyaan diagnosis atau hasil
mengenai diagnosis
gejala
70
(Lanjutan) Tabel 4.4 Pengujian Fungsi dari Menu Aplikasi


layout button ‘tidak’ pertanyaan Menampilkan
menu ‘tidak’ selanjutnya pertanyaan
Diagnosis dalam atau hasil selanjutnya
menjawab diagnosis atau hasil
pertanyaan diagnosis
mengenai
gejala
Pengujian Klik button Menampilkan Berhasil
melihat ‘detail’ informasi Menampilkan
detail jenis mengenai informasi
malaria yang jenis malaria mengenai
dialami user yang dialami jenis malaria
user yang dialami
user

layout button ‘data ‘data halaman data Menampilkan
menu Data penyakit’ penyakit’ penyakit halaman data
Penyakit berupa penyakit
listview data berupa
penyakit listview data
penyakit
Pengujian Pilih salah Menampilkan Berhasil
melihat satu list nama halaman Menampilkan
informasi penyakit informasi halaman
data penyakit informasi
penyakit penyakit

layout button ‘petunjuk’ list petunjuk Menampilkan
menu ‘petunjuk’ penggunaan list petunjuk
Petunjuk sistem pakar penggunaan
sistem pakar
Pengujian Pilih salah- Menampilkan Berhasil
melihat satu list halaman Menampilkan
informasi petunjuk informasi halaman
petunjuk penggunaan informasi
sistem pakar penggunaan
sistem pakar
71
(Lanjutan) Tabel 4.4 Pengujian Fungsi dari Menu Aplikasi


layout melihat ‘About’ informasi Menampilkan
menu informasi aplikasi informasi
Tentang tentang aplikasi
Klik button Menampilkan Berhasil
‘Rate Us’ aplikasi pada Menampilkan
halaman aplikasi pada
playstore halaman
playstore
4.5.1.2 Pengujian Kepakaran Sistem
Pengujian kepakaran sistem bertujuan untuk melihat kemampuan sistem pakar
pada aplikasi ini dalam mengidentifikasi jenis malaria berdasarkan fakta-fakta
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
pengujian diagnosa penyakit disajikan pada Tabel 4.5.
Tabel 4.5 Pengujian Diagnosa Sistem Pakar Penentuan Jenis Malaria
No Gejala Diagnosa
Manual Sistem
1 1. Mengalami demam >380C Diagnosa : Diagnosa :

2. Demam terjadi secara periodik
terjadi 3 hari sekali Malaria Tertiana 90% (classic
3. Badan Lemas probability)
4. Mual dan Muntah
72
Lanjutan Tabel 4.5 Pengujian Diagnosa Sistem Pakar Penentuan Jenis

Malaria
No Gejala Diagnosa
Manual Sistem
5. Nafsu Makan Turun

6. Muka Pucat
7. Jari kebiruan 47,25% (naive
8. Berkeringat berlebihan bayes)
9. Anemia (Kelopak mata pucat)
Malaria Tertiana
10. Sakit kepala
11. Sakit kepala terasa amat
menyakitkan
12. Kejang- kejang
13. Tinggal di daerah endemis
malaria
Masa inkubasi (masa infeksi
hingga muncul gejala) 8 – 17
hari

terjadi 3 hari sekali Malaria Ovale 90% (classic
3. Badan Lemas probability)
47,25% (naive
5. Muka Pucat
bayes)
6. Jari kebiruan
7. Berkeringat berlebihan Malaria Ovale
8. Anemia (Kelopak mata pucat)
9. Sakit kepala
menyakitkan
malaria
12. Masa inkubasi (masa infeksi
hingga muncul gejala) 6 – 18
hari

terjadi setiap hari dengan interfal Malaria 18% (classic
tidak jelas Tropikana probability)
3. Badan Lemas
4. Mual dan Muntah
6. Muka Pucat
7. Berkeringat berlebihan
73

Malaria
No Gejala Diagnosa
Manual Sistem
8. Sakit kepala 68% (naive

9. Tinggal di daerah endemis bayes)
malaria
Malaria
Tropikana
4. 1. Mengalami demam >380C Diagnosa : Diagnosa :
terjadi setiap hari dengan Malaria 36% (classic
interfal tidak jelas Tropikana probability)
3. Badan lemas
68% (naive
4. Mual dan muntah
bayes)
5. Nafsu makan turun
6. Muka pucat Malaria
7. Berkeringat berlebihan Tropikana
8. Anemia
9. Sakit kepala
menyakitkan

terjadi setiap hari dengan Malaria 18% (classic
interfal tidak jelas Tropikana probability)
3. Badan Lemas
68% (naive
4. Mual dan Muntah
bayes)
6. Sakit kepala Malaria
7. Tinggal di daerah endemis Tropikana
8. Masa inkubasi 6-18 hari

2. Demam terjadi secara periodik 3
hari sekali Malaria Tertiana 90% (classic
3. Badan lemas probability)
4. Mual dan muntah
47,25% (naive
5. Muka pucat
bayes)
7. Anemia Malaria Tertiana
8. Sakit kepala
74

Malaria
No Gejala Diagnosa
Manual Sistem

2. Demam terjadi terjadi setiap
hari Malaria 36% (classic
3. Badan lemas Tropikana probability)
4. Mual dan muntah
68% (naive
bayes)
6. Diare
8. Jari kebiruan Tropikana
10. Anemia
11. Hepatomegali
12. Splenomegali
13. Sakit kepala
14. Komplikasi ginjal dan paru
paru
2. Demam terjadi secara periodik 4
hari sekali Malaria 45% (classic
3. Badan lemas Kuartana probability)
65% (naive
5. Diare
bayes)
6. Muka pucat
7. Berkeringat berlebihan Malaria
8. Anemia kuartana
9. Sakit kepala
10. Komplikasi ginjal dan paru-paru
12. Pernah tranfusi darah dalam
waktu dekat

4 hari sekali Malaria 45% (classic
4. Mual dan muntah
6. Diare
75

Malaria
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
menyakitkan
15. Kejang-kejang
16. Komplikasi ginjal ke paru-paru

4 hari sekali Malaria 45% (classic
4. Mual dan muntah
65% (naive
bayes)
6. Diare
8. Jari kebiruan kuartana
10. Urine berwarna hitam
11. Anemia
12. Hepatomegali
13. Sakit kepala
menyakitkan
15. Komplikasi gnjal dan paru-
paru
Berdasarkan pengujian pada Tabel 4.5, dapat dilihat bahwa perhitungan tingkat
keyakinan diagnosa menggunakan metode classic probability dan naive bayes
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
berperan dalam hasil perhitungan. Dalam peneraan perhitungan dilakukan
normalisasi dengan tujuan menghasilkan nilai akurasi yang yang sesuai.
Sedangkan dalam metode classic probability hanya menghitung berdasarkan
jawaban “ya” dari user yang kemudian langsung di bagi dengan jumlah gejala dan
dikalikan dengan 100%.
4.5.2 Pengujian Eksternal
Pengujian ini dilakukan dengan cara mengumpulkan kuesioner yang diisi oleh
responden yang dipilih secara acak. Secara keseluruhan, pengujian ini dilakukan
dengan melibatkan 40 orang responden. Dengan rincian 7 orang pakar malaria
yaitu dokter. Empat orang responden merupakan penderita malaria. 29 responden
lainnya berasal dari 18 orang mahasiswa Fakultas Kedokeran dan 11 orang dari
Jurusan Ilmu Komputer.
Pengujian ini dilakukan pada tanggal 02 Mei – 02 Juni 2017 dengan tujuan untuk
mengetahui penilaian responden terhadap sistem pakar identifikasi jenis malaria
yang telah dibangun. Responden yang mengisi kuesioner diminta untuk
mengakses aplikasi sistem pakar secara langsung dan memberikan penilaian
terhadap sistem melalui penilaian pada kuesioner. Penilaian tersebut terdiri dari :
- Sangat Setuju (SS) dengan bobot 5
- Setuju (S) dengan bobot 4
- Cukup Setuju (CS) dengan bobot 3
- Kurang Setuju (KS) dengan bobot 2

77
- Tidak Setuju (TS) dengan bobot 1
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
dapat dilihat pada Tabel 4.8.
Tabel 4.6 Hasil Penilaian Responden Dokter Terhadap Kuesioner Pengujian

Sistem Pakar (Kelompok Responden I)
Jumlah Responden=7 Total Index

%
No Pernyataan SS S CS KS TS
(5) (4) (3) (2) (1)
1 Aplikasi dapat memberikan 3 2 2 0 0 29 82,86%

informasi yang bermanfaat
bagi masyarakat khususnya
penderita malaria
2 Identifikasi jenis penyakit 0 6 1 0 0 27 77,14%

sudah sesuai dengan fakta
yang ada
3 Aplikasi dapat membantu 2 4 1 0 0 29 82,86%

dalam identifikasi jenis
malaria dengan baik
4 Aplikasi berjalan dengan baik 2 4 1 0 0 29 82,86%

dan sesuai dengan fungsinya
5 Aplikasi mudah dipahami dan 2 4 1 0 0 29 82,86%

digunakan
6 Data-data yang tersedia sudah 2 4 1 0 0 29 82,86%

lengkap

penjelasan mengenai jenis
malaria yang diderita
Total Rata-Rata 80,41% (Sangat baik)

78
Tabel 4.7 Hasil Penilaian Responden Mahasiswa kedokteran terhadap pengujian

kuisioner Sistem pakar Identifikasi Jenis Malaria (Kelompok
Responden II)

%
(5) (4) (3) (2) (1)

penderita malaria
2 Identifikasi jenis penyakit 1 9 8 0 0 65 72,22%

sudah sesuai dengan fakta
yang ada

dalam identifikasi malaria
dengan baik
4 Aplikasi berjalan dengan baik 1 16 1 0 0 36 80%


digunakan

lengkap
7 Aplikasi dapat penjelasan 0 9 9 0 0 63 70%

mengenai jenis malaria
Total Rata-Rata 73,81% (Baik)

79
Tabel 4.8 Hasil Penilaian Responden Mahasiswa Ilmu Komputer dan Masyarakat
penderita malaria terhadap kuisioner pengujian Sistem Pakar
Identifikasi Jenis Malaria (Kelompok Responden III)

%
(5) (4) (3) (2) (1)

bagi peternak/ pengusaha
ayam

dalam mendiagnosa penyakit
dengan baik
3 Aplikasi berjalan dengan baik 9 6 0 0 0 69 92%


digunakan

lengkap
6 Aplikasi membuat anda 7 7 1 0 0 66 88%

paham tentang sistem pakar
7 Aplikasi dapat memberikan 5 10 0 0 0 65 86.67%

solusi yang benar terkait
penyakit yang diderita
Total Rata-Rata 87,80% (Sangat baik)
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
berhubungan langsung dengan malaria yaitu masyarakat yang menderita malaria,
serta yang tidak paham tentang jenis malaria seperti mahasiswa Ilmu Komputer.
80
4.5.2.1 Analisa Hasil Kuisioner
Berdasarkan hasil perhitungan interval menggunakan Persamaan (3) didapatkan
nilai interval sebesar 20%, maka dapat ditentukan kriteria penilaian responden
terhadap sistem pakar pada Tabel 4.9 di bawah ini.
Tabel 4.9 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
untuk Tabel 4.6 adalah
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
penyebab bakteri adalah sebagai berikut :

81
1. Pernyataan 1 : Aplikasi dapat memberikan informasi yang bermanfaat bagi
masyarakat khususnya bagi peternak/ pengusaha ayam.
Hasil dari pengisian kuisioner oleh kelompok responden pertama, kedua, dan
ketiga untuk pernyataan 1 disajikan dalam bentuk grafik yang dapat dilihat
pada Gambar 4.14.
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
Gambar 4.14 Grafik Hasil Pernyataan 1
Gambar 4.14 menunjukkan bahwa dari 7 orang kelompok responden pertama
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
3 orang dan yang setuju sebanyak 15 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 82,86%, 83,33%, dan 86,67%. Hasil
82
perhitungan persentase kelompok responden pertama, kedua, dan ketiga sama-
sama masuk pada interval 80% - 100% sehingga pernyataan 1 dapat
dikategorikan sangat baik.
2. Pernyataan 2 : Identifikasi jenis penyakit sudah sesuai dengan fakta yang ada.
Penyataan 2 hanya diberikan pada kelompok responden pertama dan kedua.
Hasil dari pengisian kuisioner untuk pernyataan 2 disajikan dalam bentuk
grafik yang dapat dilihat pada Gambar 4.15.
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
sebanyak 1 orang. Sedangkan dari 18 orang kelompok responden kedua yang
sangat setuju dengan pernyataan ini sebanyak 1 orang, yang setuju sebanyak 9
orang, dan yang cukup setuju sebanyak 8 orang. Persentase penilaian
responden pertama dan kedua yaitu 77,14% dan 72,22%. Hasil perhitungan
83
persentase kelompok responden pertama dan kedua masuk pada interval 60% -
79.99% yang dikategorikan baik.
3. Pernyataan 3 : Aplikasi dapat membantu dalam identifikasi jenis malaria
dengan baik.
pada Gambar 4.16.
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.
Sedangkan dari 15 orang kelompok responden ketiga yang sangat setuju
dengan pernyataan ini sebanyak 8 orang, yang setuju sebanyak 6 orang, dan
yang cukup setuju sebanyak 1 orang. Persentase penilaian responden pertama,

84
kedua, dan ketiga yaitu 82,86%, 77,78%, dan 89,33%. Hasil perhitungan
persentase kelompok responden kedua masuk pada interval 60% - 79.99%
yang dikategorikan baik sedangkan kelompok responden pertama dan ketiga
masuk pada interval 80% - 100% yang dikategorikan sangat baik.
4. Pernyataan 4 : Aplikasi berjalan dengan baik dan sesuai dengan fungsinya.
pada Gambar 4.17.
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
Gambar 4.17 menunjukkan bahwa 7 orang kelompok responden pertama 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
sebanyak 16 orang, dan yang cukup setuju sebanyak 1 orang. Sedangkan dari
15 orang kelompok responden ketiga yang sangat setuju dengan pernyataan ini
85
sebanyak 9 orang dan yang setuju sebanyak 6 orang. Persentase penilaian
responden pertama, kedua, dan ketiga yaitu 82,86%, 80%, dan 92%. Hasil
perhitungan persentase kelompok responden pertama, kedua dan ketiga masuk
pada interval 80% - 100% yang dikategorikan sangat baik.
5. Pernyataan 5 : Aplikasi mudah dipahami dan digunakan.
pada Gambar 4.18.
12
10
Kel responden I
6
Kel responden II
Kel responden III
4
0
Sangat setuju Setuju Cukup setuju Kurang setuju
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
10 orang dan yang setuju sebanyak 5 orang. Persentase penilaian responden
pertama, kedua, dan ketiga yaitu 82,86%, 81,11%, dan 93,33%. Hasil
perhitungan persentase kelompok responden pertama, kedua dan ketiga masuk
pada interval 80% - 100% yang dikategorikan sangat baik.
6. Pernyataan 6 : Data-data yang tersedia sudah lengkap.
pada Gambar 4.19.
14
12
10
8 Kel responden I
Kel responden II
6
Kel responden III
4
0
kedua yang cukup setuju dengan pernyataan ini sebanyak 11 orang dan yang
kurang setuju sebanyak 7 orang. Sedangkan dari 15 orang kelompok responden
ketiga yang sangat setuju dengan pernyataan ini sebanyak 1 orang, yang setuju
87
sebanyak 12 orang, dan yang cukup setuju sebanyak 2 orang. Persentase
penilaian responden pertama, kedua, dan ketiga yaitu 82,86%, 52,22%, dan
78,67%. Hasil perhitungan persentase kelompok responden pertama ketiga
masuk pada interval 80% - 100% yang dikategorikan sangat baik. Responden
kedua masuk pada interval 40% - 59.99% yang dikategorikan cukup/netral
sedangkan kelompok responden ketiga masuk pada interval 60% - 79.99%
yang dikategorikan baik.
7. Pernyataan 7 : Aplikasi membuat anda paham tentang sistem pakar.
Penyataan 7 hanya diberikan pada kelompok responden ketiga. Hasil dari
pengisian kuisioner untuk pernyataan 7 disajikan dalam bentuk grafik yang
dapat dilihat pada Gambar 4.20.
4
Kel responden III
3
0
Sangat Setuju Cukup Kurang Tidak
setuju setuju setuju setuju
Gambar 4.20 menunjukkan bahwa dari 15 orang kelompok responden ketiga
sebanyak 7 orang, dan yang cukup setuju sebanyak 1 orang. Persentase

88
penilaian responden ketiga yaitu 88%. Hasil perhitungan persentase responden
ketiga masuk pada interval 80% - 100% yang dikategorikan sangat baik.
8. Pernyataan 8 : Aplikasi dapat memberikan penjelasan mengenai jenis malaria
yang diderita.
pada Gambar 4.21.
12
10
Kel responden I
6
Kel responden II
Kel responden III
4
0
yang setuju dengan pernyataan ini sebanyak 4 orang dan yang cukup setuju
sebanyak 3 orang. Dari 18 orang kelompok responden kedua yang 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
dan 86,67%. Hasil perhitungan persentase kelompok responden pertama dan
kedua masuk pada interval 60% - 79.99% yang dikategorikan baik dan
kelompok responden ketiga ketiga masuk pada interval 80% - 100% yang
dikategorikan sangat baik.
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
Gambar 4.22 Grafik Rata-rata Hasil Pertanyaan
Gambar 4.22 menunjukkan bahwa menurut kelompok responden 1 dan 3 aplikasi
sangat baik dengan nilai rata-rata yaitu 80,41% dan 87,8% dan responden 2
aplikasi benilai baik dengan nilai rata-rata yaitu 73,81.
Berdasarkan hasil persentase tiap pernyataan, maka dapat disimpulkan bahwa
aplikasi penentuan jenis malaria dapat memberikan informasi yang bermanfaat
bagi masyarakat khususnya masyarakat penderita malaria dimana diagnosa
penyakit sudah benar dan sesuai fakta yang ada. Serta aplikasi mudah untuk
dipahami terutama untuk mengintreprestasikan sistem pakar.

90
V. PENUTUP
5.1 Kesimpulan
Berdasarkan penelitian yang telah dilakukan dapat disimpulkan beberapa hal
sebagai berikut :
1. Telah berhasil dibangun aplikasi ‘Identifikasi Jenis Malaria’ yang dapat
membantu masyarakat untuk mengetahui jenis malaria yang diderita.
2. Sistem pakar yang dibangun dapat memberikan presentase hasil diagnosa
penyakit berdasarkan fakta dan pengetahuan yang telah diberikan.
3. Pesentase menggunakan classic probability dan naive bayes menghasilkan nilai
yang berbeda hal ini dikarenakan dalam prosesnya naive bayes menggunakan
nilai bobot dalam setiap gejala yang muncul serta melihat dari gejala yang
sama antara jenis malaria.
4. Berdasarkan hasil pengujian Equivalence Partitioning, disimpulkan bahwa dari
40 orang total responden, 7 orang kelompok responden pertama dan 15 orang
responden ketiga menunjukkan bahwa penilaian terhadap aplikasi ‘Identifikasi
Jenis Malaria’ tergolong ‘Sangat Baik’ dan 18 orang kelompok responden
kedua tergolong ‘Baik’.

91
5.2 Saran
Adapun saran yang diberikan adalah sebagai berikut :
1. Penambahan data gejala dari setiap jenis malaria.
2. Penyempurnaan desain User Interface (UI) aplikasi.
3. Penyederhanaan bahasa pada gejala agar lebih mudah dimengerti.

DAFTAR PUSTAKA
Astuti, Indah. P, dkk. 2016. Pengembangan Sistem Pakar Identifikasi Awal

Penyakit Kedelai Dengan Pendekatan Naive Bayes Berbasis Android. Jurnal
Pustakawan Indonesia Vol. 14 No. 2.
Azwar, S. 2011. Sikap dan Perilaku Dalam: Sikap Manusia Teori dan
Pengukurannya. Pustaka Pelajar: Yogyakarta.
CDC. 2010. Malaria: Scheme of The Life Cycle. Diunduh dari :

http://www.dpd.cdc.gov/dpdx/HTML/Malaria.htm (diakses Oktober 2016).
Departemen Kesehatan Republik Indonesia. 2008. Pedoman Penatalaksaan

Malaria Di Indonesia. Depatemen Kesehatan RI. Jakarta.
Desiani dan Arhami, M. 2006. Konsep Kecerdasan Buatan. ANDI. Yogyakarta.
Djarwanto, P. S. 1996. Statistik Induktif. BPFE-UGM. Yogyakarta.
Dinas Kesehatan Kota Bandar Lampung. 2014. Profil Kesehatan Kota Bandar
Lampung 2014. Diunduh dari : http://www.depkes.go.id (diakses November
2016).
Fithri, Diana. L. 2013. Sistem Pendeteksian Penyimpangan Tingkah Laku Anak

Usia 0 Sampai 3 Tahun Dengan Metode Bayesian. Jurnal SIMETRIS vol. 4
no. 1 ISSN: 2252-4983.
Herliana, Asti dan Rasyid, Prima. M. 2016. Sistem Informasi Monitoring

Pengembangan Software Pada Tahap Development Berbasis Web. Jurnal
Infotika vol. III no.1.
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.
Kadir, Abdul. 2003. Pengenalan Sistem Informasi. ANDI. Yogyakarta.
Kasmui, M. Noor, Kusuma, SBW. 2016. Analisis Hubungan Kuantitatif Struktur

dan Aktivitas Anti Malaria Senyawa Turunan Quinoxalin. Jurnal MIPA
39(1)(2016): 51-56.
Mustaqbal, M. Sidi, Firdaus, Roeri Fajri, Rahmadi, Hendra. 2015. Pengujian
Aplikasi Menggunakan Black Box Testing Boundary Value Analysis (Studi
Kasus: Aplikasi Prediksi Kelulusan SNMPTN). Jurnal Ilmiah Teknologi
Informasi Terapan Volume I No. 3. ISSN : 2407 – 3911.
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.
Putra, T. R. Imansyah. 2011. Malaria Dan Permasalahannya. Jurnal Kedokteran

Syahkuala Vol. 11 No. 2.
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.
Rosnelly, Rika dan Hardjoko, Agus. 2011. Pengembangan Sistem Informasi

Diagnosis Penyakit Tropis Menggunakn Algoritma Naive Bayesian.
KNS&I11-013.
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.
UNICEF Indonesia. 2013. Morfologi Nyamuk Anopheles. Diunduh dari

http://www.unicef.org/indonesia (diakses pada November 2016).
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.
World Health Organization. 2014. World Health Statistic 2013. France.

Skripsi Baru

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

Skripsi Baru

Diunggah oleh

Hak Cipta:

Format Tersedia

PENENTUAN JENIS MALARIA DENGAN MENGGUNAKAN METODE

FORWARD CHAINING DAN NAIVE BAYES BERBASIS MOBILE

JURUSAN ILMU KOMPUTER

PENENTUAN JENIS MALARIA DENGAN MENGGUNAKAN METODE

DETERMINATION TYPES OF MALARIA USING FORWARD

Sebagai Salah Satu Syarat untuk Memperoleh Gelar

Jurusan Ilmu Komputer

JURUSAN ILMU KOMPUTER

Penulis dilahirkan pada tanggal 19 Oktober 1995 di

Bandar Lampung, dengan Ibu bernama Rosdiana dan

Ayah bernama Himalson.

Penulis menyelesaikan pendidikan formal pertama

kali di Taman Kanak-kanak An-Nur, Lempasing

tahun 2001, menyelesaikan Sekolah Dasar (SD) di

SD Negeri 2 Pesawahan Bandar Lampung tahun

2007, menyelesaikan Sekolah Menengah Pertama (SMP) di SMP Negeri 1

Pagelaran, Kabupaten Pringsewu tahun 2010, kemudian melanjutkan jenjang

Sekolah Menengah Atas (SMA) di SMA Negeri 1 Pagelaran Kabupaten

Pringsewu dan lulus tahun 2013.

Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung melalui

Jaya Baru Kecamatan Putra Rumbia Kabupaten Lampung Tengah.

Selama menjadi mahasiswa, penulis aktif dalam Organisasi Himpunan Mahasiswa

Jurusan Ilmu Komputer (Himakom) Universitas Lampung dengan menjabat

sebagai Anggota Bidang Keilmuan pada tahun 2013-2014, Sekretaris Bidang

Keilmuan pada tahun 2014-2015.

Teruntuk yang terkasih mama ku tersayang kupersembahkan skripsi ini, hasil

Keluarga besar yang telah memberikan apresiasi.

Keluarga Ilmu Komputer 2013

“Barangsiapa bersungguh-sungguh, sesungguhnya kesungguhannya itu adalah

Assalamualaikum wr, wb.

hidayah, kesehatan dan karunia-Nya sehingga penulis dapat menyelesaikan

penulisan skripsi yang berjudul “Penentuan Jenis Malaria Dengan Menggunakan

berperan besar dalam menyusun skripsi ini, antara lain :

kasih sayang, dukungan dan semangat yang tak terhingga serta

memfasilitasi kebutuhan untuk menyelesaikan skripsi ini.

2. Bapak Aristoles, M.Si. sebagai pembimbing utama yang telah

membimbing, memotivasi serta memberikan ide, kritik dan saran selama

masa perkuliahan dan penyusunan skripsi sehingga penulis bisa sampai di

komentar dan masukan yang bermanfaat untuk perbaikan dalam

penyusunan skripsi ini.

5. Bapak Prof. Warsito, S.Si., D.E.A., Ph.D. sebagai Dekan FMIPA

Komputer FMIPA Universitas Lampung.

Komputer FMIPA Universitas Lampung yang telah banyak membantu

penulis selama perkuliahan.

ilmu dan pengalaman hidup selama penulis menjadi mahasiswa.

administrasi penulis di Jurusan Ilmu Komputer.

memberikan semangat dan menghibur penulis dalam kondisi apapun.

Adib, Danzen dan Vandu yang selalu memberikan kegembiraan, semangat

dikala penulis merasa jenuh dalam penyusunan skripsi ini.

terutama dimasa perkuliahan dan penyusunan skripsi ini.

terima kasih atas kebersamaannya selama ini.

menyiapkan ruang seminar.

16. Almamater tercinta, Universitas Lampung.

sedikit harapan semoga skripsi ini bermanfaat bagi perkembangan ilmu

pengetahuan terutama bagi teman-teman Ilmu Komputer.

Bandarlampung, 20 Juli 2017

DAFTAR GAMBAR xiii

DAFTAR TABEL xvi

1.1 Latar Belakang 1

1.2 Rumusan Masalah 3

1.3 Batasan Masalah 4

2.1.1 Daur Hidup Plasmodium sp 6

2.1.2 Patogenesis Malaria 7