Tio Ramadan Sapto Hari

SISTEM PAKAR DENGAN MENGGUNAKAN METODE NAIVE
BAYES DALAM MENGIDENTIFIKASI PENYAKIT KARIES

PADA GIGI MANUSIA
TESIS
Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Magister Komputer
TIO RAMADAN SAPTO HARI

192321055
PROGRAM MAGISTER (S2)

PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER
UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG
SEPTEMBER 2021
iv
v
Untuk ayah dan ibu tercinta dan tersayang

vi
KATA PENGANTAR
Alhamdulillah, berkat rahmat dan nikmat dari Al-Alim Yang Maha

Mengetahui maka penulisan tesis yang berjudul Sistem Pakar dengan Menggunakan
Metode Naive Bayes dalam Mengidentifikasi Penyakit Karies pada Gigi Manusia
bisa diselesaikan dengan baik. Shalawat beserta salam kita sampaikan kepada teladan
manusia, Rasulullah Shalallahu Alaihi Wassallam, karena kehadiran Beliaulah yang
membawa kita dari kejahiliyahan menjadi ummat yang beradab dan berilmu
pengetahuan.
Melalui tulisan ini, penulis hendak menyampaikan penghargaan yang tulus
kepada:
1. Bapak Prof. Dr. Sarjon Defit, S.Kom., M.Sc. sebagai Rektor Universitas Putra
Indonesia “YPTK” Padang.
2. Bapak Dr. Yuhandri, S.Kom., M.Kom. selaku Dekan Fakultas Ilmu Komputer
Universitas Putra Indonesia “YPTK” Padang.
3. Bapak Dr. Ir. Gunadi Widi Nurcahyo, M.Sc. selaku Ketua Program Studi
Magister Ilmu Komputer Universitas Putra Indonesia “YPTK” Padang.
4. Bapak Prof. Dr. H. Jufriadif Na’am, S.Kom., M.Kom. selaku Dosen
Pembimbing I, yang telah banyak memberikan bimbingan dan arahan selama
penulisan tesis ini sehingga bisa diselesaikan dengan baik.
5. Bapak Dr. Ir. Sumijan, M.Sc. selaku Dosen Pembimbing II, yang telah banyak
memberikan motivasi, saran dan arahan selama penulisan tesis ini sehingga bisa
diselesaikan dengan baik.
6. Seluruh Dosen Program Studi Ilmu Komputer yang telah mendidik dan
mengajarkan penulis berbagai disiplin ilmu di Magister Ilmu Komputer selama
masa perkuliahan.
7. Pihak Puskesmas Sialang, Kabupaten Dharmasraya dan bapak drg. Agus
Nikmala Putra yang telah memberikan kelapangan waktu bagi penulis untuk
melakukan observasi dan penelitian untuk tesis ini.
vii
viii
ABSTRAK
Penyakit karies pada gigi manusia adalah penyakit yang merusak lapisan gigi
secara permanen dan membentuk lubang-lubang kecil pada gigi. Minimnya
pengetahuan masyarakat Indonesia untuk mengetahui informasi dan mengidentifikasi
kerusakan gigi yang membuat banyak masyarakat tidak mengetahui akibat dan bahaya
dari penyakit tersebut. Gangguan pada karies gigi sering terjadi karena tiga faktor.
Faktor pertama adalah gigi dan air liur yang berfungsi sebagai inang bagi
mikroorganisme di rongga mulut. Bakteri dan makanan adalah faktor kedua dan
ketiga. Tujuan dari penelitian ini adalah untuk membantu masyarakat dalam
mengetahui informasi tentang penyakit karies pada gigi, sehingga dibuatlah cabang
dari kecerdasan buatan yaitu sistem pakar. Kecerdasan buatan adalah ilmu yang
memungkinkan dalam membangun sistem komputer yang menampilkan kecerdasan
dengan cara yang berbeda. Sistem Pakar merupakan salah satu program komputer atau
sistem informasi yang menggunakan beberapa pengetahuan dari seorang pakar.
Metode yang digunakan dalam penelitian ini adalah metode Naive Bayes dan Model
View Controller yang diimplementasikan pada PHP Framework Codeigniter dan
MySQL sebagai databasenya. Data yang diolah dalam penelitian ini adalah
pengetahuan tentang gejala-gelaja penyakit karies pada gigi yang diperoleh dari
seorang pakar. Hasil dari pengujian terhadap metode ini memberikan pengetahuan
yang dibutuhkan pasien dalam mencegah penyakit karies pada gigi dengan tingkat
akurasi sebesar 83,61%. Sistem pakar ini telah membantu masyarakat untuk mengenali
dan memperoleh informasi tentang kerusakan gigi. Sistem Pakar ini juga dapat
digunakan untuk mengambil langkah awal untuk mencegah gigi berlubang.
Kata Kunci: Sistem Pakar, Penyakit Karies Gigi, Naïve Bayes, Framework
Codeigniter, MySQL
ix
ABSTRACT
Caries disease in human teeth is a disease that permanently destroys the inner
walls of teeth and forms small holes in the teeth. The Indonesian people lack the
knowledge to find information and identify tooth decay, which makes many people
unaware of the consequences and dangers of this disease. Tooth decay disease is
usually caused by three factors. The first factor is teeth and saliva, which are the hosts
of microorganisms in the oral cavity. Bacteria and food are the second and third
factors. The purpose of this research is to help the public find information about tooth
decay, thus forming a branch of artificial intelligence, the expert system. Artificial
intelligence is a science that allows you to build computer systems that display
intelligence in different ways. An expert system is a computer program or information
system that uses some knowledge of an expert. The methods used in this study are the
Naive Bayes method and the model's view controller, which are implemented as a
database in the PHP Codeigniter framework and MySQL. The data processed in this
study is knowledge about the symptoms of dental caries obtained from experts. The
test results of this method provide patients with the knowledge necessary to prevent
tooth decay, with an accuracy rate of 83.61%. This expert system helps the public to
recognize and obtain information about tooth decay. The Expert System can also be
used to take the first step in preventing tooth decay.
Keywords: Expert System, Dental Caries, Naive Bayes, Codeigniter Framework,

MySQL
x
DAFTAR ISI
BAB JUDUL HALAMAN

HALAMAN JUDUL i
HALAMAN PERSETUJUAN ii
HALAMAN PENGESAHAN iii
HALAMAN PENGAKUAN iv
HALAMAN DEDIKASI v
KATA PENGANTAR vi
ABSTRAK viii
ABSTRACT ix
DAFTAR ISI x
DAFTAR TABEL xii
DAFTAR GAMBAR xiv
DAFTAR LAMPIRAN xvi
I PENDAHULUAN
1.1 Latar Belakang 1
1.2 Perumusan Masalah 3
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 4
1.5 Manfaat Penelitian 4
1.6 Sistematika Penulisan 5
II LANDASAN TEORI
2.1 Artificial Intelligence 6
2.2 Sistem Pakar 6
2.3 Metode Naive Bayes 8
xi
2.4 Penyakit Karies pada Gigi Manusia 10

BAB JUDUL HALAMAN
2.5 Framework CodeIgniter 11
2.6 Penelitian Terdahulu 12
III METODOLOGI PENELITIAN

3.1 Pendahuluan 22
3.2 Kerangka Penelitian 22
IV ANALISA DAN PERANCANGAN

4.1 Tahapan Analisa dan Perancangan 26
4.2 Analisa Data 27
4.3 Analisa Sistem 36
4.3.1 Mengumpulkan Data Penyakit Karies Gigi 37
4.3.2 Mengumpulkan Data Gejala Penyakit Karies Gigi 39
4.3.3 Menentukan Rule atau Aturan 39
4.3.4 Perhitungan Metode Naive Bayes 40
4.3.5 Hasil Perhitungan Metode Naive Bayes 44
4.4 Perancangan Sistem 45
4.4.1 Desain Output 45
4.4.2 Desain Input 46
4.4.3 Desain File (Database) 49
V IMPLEMENTASI DAN HASIL

5.1 Implementasi Sistem 53
5.2 Hasil Pengujian Sistem 53
VI KESIMPULAN DAN SARAN

6.1 Kesimpulan 70
6.2 Saran 71
DAFTAR PUSTAKA 72
LAMPIRAN
xii
xiii
DAFTAR TABEL
TABEL JUDUL HALAMAN

2.1 Perbedaan Antara Sistem Pakar dengan Pakar Manusia 8
2.2 Penelitian Terdahulu Tentang Metode Naive Bayes 13
2.2 Penelitian Terdahulu Tentang Metode Naive Bayes(Lanjutan) 14
4.1 Data Jenis-jenis Penyakit Karies pada Gigi 27
4.2 Data Konsultasi Pasien 28
4.2 Data Konsultasi Pasien (Lanjutan) 29
4.3 Data Jenis-jenis Penyakit Karies pada Gigi dan Solusi 37
4.3 Data Jenis-jenis Penyakit Karies pada Gigi dan Solusi (Lanjutan) 38
4.4 Data Gejala Penyakit Karies pada Gigi 39
4.5 Rule Gejala dan Penyakit 40
4.6 Hasil Perhitungan 45
4.7 Desain File Admin 50
xiv
TABEL JUDUL HALAMAN

4.8 Desain File Pasien 50
4.9 Desain File Karies 51
4.10 Desain File Gejala 51
4.11 Desain File Rule 52
4.12 Desain File Konsul 52
4.13 Desain File Konsultasi 52
5.1 Perbandingan Hasil Diagnosa Sistem dengan Pakar 63
5.1 Perbandingan Hasil Diagnosa Sistem dengan Pakar (Lanjutan) 64
xv
DAFTAR GAMBAR
GAMBAR JUDUL HALAMAN

2.1 Struktur Sistem Pakar 8
3.1 Kerangka Penelitian 23
4.1 Tahapan Analisa dan Perancangan 26
4.2 Flowchart Naive Bayes 37
4.3 Desain Laporan Hasil Konsultasi Pasien 46
4.4 Desain Laporan Konsultasi 46
4.5 Desain Halaman Login Admin 47
4.6 Desain Halaman Daftar 47
4.7 Desain Halaman Login Pasien 48
4.8 Desain Halaman Input Penyakit Karies 48
4.9 Desain Halaman Input Gejala Penyakit Karies 49
4.10 Desain Halaman Input Rule Penyakit Karies 49
5.1 Halaman Menu Utama 54
5.2 Halaman Penyakit Karies 54
5.3 Halaman Daftar 55
5.4 Halaman Login 55
5.5 Halaman Konsultasi 56
5.6 Halaman Hasil Konsultasi 56
5.7 Halaman Cetak Hasil Konsultasi 57
5.8 Halaman Riwayat Konsultasi 57
5.9 Halaman Login Admin 58
5.10 Halaman Dashboard Admin 58
5.11 Halaman Data Penyakit Karies 59
5.12 Halaman Data Gejala Karies 59
5.13 Halaman Data Rule 60
5.14 Halaman Data Konsultasi 60
xvi
GAMBAR JUDUL HALAMAN

5.15 Halaman Data Admin 61
5.16 Halaman Data Pasien 61
5.17 Halaman Laporan Konsultasi 62
xvii
DAFTAR LAMPIRAN
LAMPIRAN JUDUL HALAMAN

A Data Dari Dokter Gigi 8
BAB I
PENDAHULUAN
1.1 Latar Belakang
Penyakit karies pada gigi manusia merupakan sebuah penyakit yang merusak
lapisan gigi secara permanen dan membentuk lubang kecil pada gigi. Kurangnya
pengetahuan masyarakat Indonesia dalam mendapatkan informasi dan mengenali
penyakit karies pada gigi, menyebabkan banyak masyarakat tidak memperdulikan
akibat dan bahaya dari penyakit tersebut.
Gangguan pada karies gigi sering terjadi karena 3 (tiga) faktor yang saling
bekerja sama. Faktor pertama adalah gigi dan ludah sebagai tuan rumah bagi
mikroorganisme yang ada dalam mulut. Bakteri dan makanan sebagai faktor kedua
dan ketiga. Keadaan ini masih bisa berlanjut lagi dengan adanya faktor waktu, jika
faktor tersebut saling tumpang tindih, maka terjadilah karies gigi (Arysespajayadi dkk,
2019).
Dari berbagai faktor tersebut, terdapat sistem yang dapat menyelesaikan masalah
dan menemukan solusinya dengan alat bantu seperti aplikasi kecerdasan buatan
(Artificial Intelligence). Oleh karena itu dibuatlah sebuah Sistem Pakar untuk
mengidentifikasi penyakit karies pada gigi manusia. Artificial Intelligence merupakan
suatu ilmu tentang bagaimana membangun suatu sistem komputer yang menunjukkan
kecerdasan dalam berbagai cara (Kurnia, 2018).
2
Sistem Pakar adalah salah satu program komputer yang mengadopsi

pengetahuan seorang pakar. Sistem Pakar sangat membantu dalam pengambilan
keputusan, Sistem Pakar ini dapat mengumpulkan dan menyimpan pengetahuan dari
satu atau beberapa pakar dalam basis pengetahuan tersebut (Wahyuni & Sitio, 2020).
Sistem Pakar bertujuan bukan untuk menggantikan peran manusia, tetapi untuk
menampilkan pengetahuan manusia dalam bentuk suatu sistem, sehingga dapat
digunakan oleh banyak orang (Setyaputri dkk, 2018).
Metode Naive Bayes membentuk suatu probabilistik sederhana yang

berdasarkan pada Teorema Bayes pada umumnya, inferensi bayes terutama dengan
asumsi kemandirian yang kuat (Ilham Insani dkk, 2018). Teorema Bayes juga dapat
digunakan sebagai alat pengambilan keputusan dalam memperbarui tingkat
kepercayaan informasi (Sihotang dkk, 2019).
Aplikasi Sistem Pakar diagnosa penyakit menular hewan peliharaan ayam

menggunakan metode Naive Bayes dan Certainty Factor dengan 50 data uji,
berdasarkan tabel dari hasil pengujian akurasi terlihat bahwa terdapat 45 data uji sesuai
dengan diagnosis pakar. 5 data uji yang 2 diantaranya tidak menghasilkan diagnosa
sistem yaitu Avian Influenza dan Infectious Bronchitis. 3 diantaranya tidak sesuai
dengan diagnosis pakar. Sehingga didapatkan tingkat akurasi sebesar 90%, dapat
dikatakan bahwa ketepatan hasil diagnosa dalam kategori baik (Windarto & Marfuah,
2020).
Aplikasi Sistem Pakar metode Naive Bayes ini dibuat menggunakan Framewok
Codeigniter. Framework merupakan sebuah library yang teroganisir dalam arsitektur
yang memberikan kecepatan, akurasi, kenyamanan dan konsistensi dalam
pengembangan aplikasi (Nur dkk, 2019). Framework Codeigniter adalah sebuah
aplikasi open source yang berfondasi dari Framework PHP dengan model MVC atau
biasa disebut Models View Controller yang digunakan untuk membangun suatu
website dinamik dengan menggunakan kode PHP (Rahman & Ratna, 2018).
Dari pengujian dan perhitungan, maka didapatkan tingkat akurasi yang baik dari
hasil perhitungan sistem dengan keputusan pakar sebesar 100% dari 10 data pengujian.
Berdasarkan tingkat akurasi dari hasil identifikasi terhadap sistem, maka penelitian ini
3
sangat tepat dalam mengidentifikasi penyakit pada tanaman kelapa sawit secara tepat
(Cahaya Khairani & Nurcahyo, 2020).
Metode Naive Bayes digunakan dalam proses klasifikasi data diagnosa penyakit
kanker Rahim dimana data yang diolah merupakan pasien yang sudah diagnosa secara
langsung, pada penelitian terlihat hasil yang didapat dari perhitungan metode Naive
Bayes sebesar 88% nilai yang hampir sama dengan tingkat akurasi diagnosa
menggunakan metode Certainty Factory (CF) yaitu 87,5%, dari data tersebut pasien
Rara Intan dinyatakan terkena penyakit kanker Rahim sehingga perlu dilakukan
antisipasi dan waspada tingkat tinggi terhadap keadaan kesehatan Rahim pasien itu
sendiri, tingkat akurasi sangat mendekati nilai pasti (Yendrizal, 2021).
Dari uraian yang dibahas diatas, maka peneliti melakukan penelitian dalam
bentuk tesis dengan judul “Sistem Pakar Dengan Menggunakan Metode Naive Bayes
Dalam Mengidentifikasi Penyakit Karies Pada Gigi Manusia”.
1.2 Perumusan Masalah
Berdasarkan latar belakang permasalahan yang telah diuraikan sebelumnya,

maka didapatkan perumusan masalah sebagai berikut:
1. Bagaimana menerapkan metode Naive Bayes dapat mengidentifikasi
penyakit karies pada gigi manusia?
2. Bagaimana penerapan aplikasi Sistem Pakar dapat membantu masyarakat
dalam menentukan tindakan yang tepat dalam menangani penyakit karies
pada gigi?
1.3 Batasan Masalah
Agar pembahasan yang dilakukan dapat lebih terarah, maka diperlukan batasan
terhadap masalah yang diteliti. Batasan masalah dalam penelitian ini meliputi:
4
1. Sistem Pakar dalam mengidentifikasi penyakit karies pada gigi berdasarkan

gejala-gejala yang dialami oleh penderita.
2. Sistem Pakar yang diterapkan menggunakan metode Naive Bayes dan
berbasis web dengan menggunakan bahasa pemograman PHP Framework
Codeigniter dan database MySQL.
1.4 Tujuan Penelitian
Tujuan yang diharapkan dalam penelitian ini adalah sebagai berikut:

1. Merancang Sistem Pakar dengan metode Naive Bayes untuk membantu user
atau masyarakat untuk memberikan prediksi awal tentang penyakit karies
gigi yang dialami.
2. Menerapkan Sistem Pakar dengan metode Naive Bayes untuk mengetahui
secara umum klasifikasi, gejala, serta solusi terbaik mengenai penyakit
karies pada gigi.
1.5 Manfaat Penelitian
Manfaat yang dapat diperoleh dari penelitian ini adalah:

1. Membantu dokter gigi untuk mengidentifikasi lebih awal penyakit karies
pada gigi manusia berdasarkan gejala-gejala, serta bagaimana solusi
terhadap penyakit tersebut.
2. Diharapkan dapat memberikan wawasan dan ilmu pengetahuan yang lebih
luas serta sebagai referensi dalam penelitian-penelitian selanjutnya sehingga
bermanfaat terhadap perkembangan Sistem Pakar dalam bidang kesehatan.
5
1.6 Sistematika Penulisan
Sistematika disesuaikan dengan template yang diatur dalam tata penulisan

program studi masing-masing. Seperti:
Bab I : Pendahuluan
Berisi Latar Belakang, Perumusan Masalah, Batasan Masalah, Tujuan
Penelitian, Manfaat Penelitian, dan Sistematika Penelitian.
Bab II : Landasan Teori
Pada bab ini dijelaskan teori dan penerapan metode yang berhubungan
dengan masalah yang dibahas terutama tentang Sistem Pakar yang menerapkan
metode Naive Bayes.
Bab III : Metodologi Penelitian
Bab ini membahas tentang analisa dan penggunaan secara matematis Sistem
Pakar yang menerapkan metode Naive Bayes.
Bab IV : Analisa dan Perancangan
Bab ini menjelaskan tentang kondisi objek penelitian, kondisi yang dijelaskan
meliputi penggambaran dan penguraian proses yang terjadi pada objek
penelitian hingga analisa dan desain.
Bab V : Implementasi dan Hasil
Bab ini membahas hasil implementasi Sistem Pakar yang menerapkan metode
Naive Bayes dalam mengidentifikasi penyakit karies pada gigi manusia.
Bab VI : Kesimpulan dan Saran
Bab ini membuat kesimpulan dan hasil penelitian Sistem Pakar yang
menerapkan metode Naive Bayes dalam mengidentifikasi penyakit karies pada
gigi manusia dan memberikan saran bagi peneliti berikutnya.
BAB II
LANDASAN TEORI
2.1. Artificial Intelligence
Kecerdasan buatan atau Artificial Intelligence (AI) merupakan ilmu pengetahuan

dan teknologi yang mempelajari tentang cara membuat komputer agar seperti yang
dilakukan oleh manusia. Artificial Intelligence sebagai sebuah studi tentang
bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan
oleh manusia (Aldo & Ardi, 2019). Artificial Intelligence juga merupakan suatu ilmu
tentang bagaimana membangun suatu sistem komputer yang menunjukkan kecerdasan
dalam berbagai cara (Kurnia, 2018).
Definisi lain dari Artificial Intelligence adalah ilmu komputer tentang bagaimana
membangun suatu sistem komputer yang menunjukkan kecerdasan dalam berbagai
cara (Habibie & Aldo, 2019). Pada awalnya komputer berfungsi sebagai alat hitung,
komputer juga dibutuhkan dan diberdayakan untuk mengerjakan segala sesuatu yang
bisa dikerjakan oleh manusia. Kecerdasan buatan dapat digunakan dalam bidang
Robotics, Computer Vision, Artificial Neural System, Natural Language Processing,
Speech Recognition dan Expert System (Nas, 2019).
2.2. Sistem Pakar
Salah satu bentuk dari Artificial Intelligence adalah Sistem Pakar.

Perkembangan Sistem Pakar sudah banyak memberikan manfaat dalam kehidupan
manusia. Dalam penggunaan sistem pakar dapat melakukan proses diagnosa terhadap
7
sebuah penyakit dengan menanamkan pengetahuan pakar kedalam sistem komputer

(Yanto dkk, 2020). Untuk merancang Sistem Pakar yang baik maka diperlukan
aplikasi yang harus di rancang agar bisa menyelesaikan berbagai permasalahan dengan
mencontoh kerja dan pemikiran para pakar (Kurniawan dkk, 2019).
Expert system atau Sistem Pakar adalah salah satu bagian dari kecerdasan buatan
(Artificial Intelligent) yang dirancang untuk pengambilan keputusan yang diambil oleh
seorang pakar dengan menggunakan pengetahuan (Knowledge), fakta dan teknik
berfikir (Minarni & Irawan, 2019). Sistem Pakar adalah sistem terkomputerisasi yang
digunakan untuk pengambilan keputusan sebagaimana yang dipikirkan oleh para ahli
atau para pakar (Nababan dkk, 2018). Secara umum, Sistem Pakar merupakan suatu
sistem yang berusaha mengadopsi pengetahuan manusia kedalam komputer sehingga
komputer dapat menyelesaikan masalah seperti yang dilakukan oleh para pakar atau
para ahli (Aminudin dkk, 2019).
Sistem Pakar terdapat komponen antarmuka pengguna, komponen basis data

Sistem Pakar (Expert System Database), komponen fasilitas akuisisi pengetahuan
(Knowledge Acquisition Facility), dan komponen mekanisme inferensi (Inference
Mechanism) (Puspa, 2018). Terdapat juga konsep dasar Sistem Pakar yaitu pengguna
aplikasi menyampaikan fakta untuk Sistem Pakar dan dari pakar akan memberikan
jawaban atau berupa saran (Sidauruk & Abdullah, 2020). Sistem Pakar terdapat dua
bagian penting dalam struktur Sistem Pakar yaitu lingkungan pengembangan
(Development Environment) yang digunakan oleh pembuat Sistem Pakar untuk
membangun komponen-komponennya dan memperkenalkan pengetahuan kedalam
Knowledge Base (basis pengetahuan), dan lingkungan konsultasi (Consultation
Environment) yang digunakan oleh pengguna untuk berkonsultasi sehingga pengguna
mendapatkan pengetahuan dan solusi dari sistem pakar layaknya berkonsultasi dengan
seorang pakar. Struktur dari Sistem pakar yang terdapat pada Gambar 2.1 berikut
(Nasir & Jahro, 2018):
8
Gambar 2.1 Struktur Sistem Pakar

Sistem Pakar biasanya digunakan untuk melakukan interpretasi dan analisis,
diagnosis, dan membantu pengambilan keputusan (Susanti & Manahan, 2020). Sistem
Pakar dapat memungkinkan seseorang yang kurang memahami suatu permasalahan
akan terbantu melalui aplikasi Sistem Pakar yang dibuat. Sehingga permasalahan yang
telah diidentifikasi dapat diproses dan di olah sedemikian rupa sehingga dihasilkan
suatu kesimpulan mengenai suatu permasalahan. Terdapat perbedaan antara Sistem
Pakar dengan pakar manusia, terdapat pada Tabel 2.1 berikut (Ervinaeni dkk, 2019):
Tabel 2.1 Perbedaan Antara Sistem Pakar dengan Pakar Manusia
No. Sistem Pakar Pakar Manusia
Tidak terbatas karena dapat Terbatas waktu karena manusia
1
digunakan kapanpun. membutuhkan istirahat.
Tidak terbatas karena dapat Tempat akses bersifat lokal pada suatu
2
digunakan kapanpun. tempat saja dimana pakar berada.
Pengetahuan bersifat konsisten. Pengetahuan bersifat variable dan
3
dapat berubah-ubah tergantung situasi.
Kecepatan untuk memberikan Kecepatan untuk menemukan solusi
4 solusi sangat konsisten dan lebih sifatnya bervariasi.
cepat dari pada manusia.
Biaya yang dikeluarkan lebih Biaya yang harus dibayar untuk
5
murah. konsultasi biasanya sangat mahal.
2.3. Metode Naive Bayes
Metode Naive Bayes merupakan suatu metode klasifikasi yang berdasarkan pada
Teorema Bayes. Teorema Bayes adalah metode yang ditemukan oleh Thomas Bayes.
9
Proses penghitungan teorema bayes menggunakan data opsional akan menghasilkan

nilai probabilitas (Perbawawati dkk, 2019). Teorema Bayes akan digabungkan dengan
Naive yang artinya setiap atribut atau variabel bersifat independen. Naive Bayes
Classifier dapat dilatih secara efisien dalam pembelajaran dengan cara diawasi
(Silahudin dkk, 2020).
Metode Naive Bayes adalah metode yang digunakan dalam statistik untuk
mengeksplorasi peluang suatu hipotesis. Bayes Optimal Classifier mencari peluang
suatu kelas dari setiap kelompok atribut yang ada dan menentukan kelas mana yang
paling optimal (Irfansyah dkk, 2020). Naive Bayes merupakan salah satu mesin
pembelajaran (machine learning) yang menggunakan pengklasifikasian dengan
memanfaatkan probabilitas dan statistik (Burhani dkk, 2021).
Metode Naive Bayes merupakan salah satu metode sistem pakar yang
mengklasifikasikan probabilistik sederhana yang menghitung sekumpulan probabilitas
dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan
(Widodo dkk, 2021). Perhitungan proses Naive Bayes dimulai dari penentuan Naive
Bayes Classifier (nc) untuk setiap class. Dengan ketentuan jika hipotesis bernilai benar
maka bernilai 1, dan jika hipotesis bernilai salah maka bernilai 0 (Putra dkk, 2019).
Secara umum, teorema Bayes dinyatakan pada Persamaan (2.1) (Widiyawati dkk,
2018):
𝐵(𝑃𝐾𝐺 |𝐺𝑃𝐾) ∗ 𝐵(𝐺𝑃𝐾)

𝐵(𝐺𝑃𝐾 |𝑃𝐾𝐺 ) = (2.1)
𝐵(𝑃𝐾𝐺)
Dimana B(GPK| PKG) merupakan probabilitas hipotesis GPK berdasarkan kondisi
PKG, B(PKG |GPK) merupakan probabilitas PKG berdasarkan kondisi pada hipotesis
GPK, B(GPK)merupakan probabilitas hipotesis GPK, B(PKG) merupakan probabilitas
PKG, PKG merupakan bukti yang telah diamati, dan GKS merupakan hipotesis
Khusus, benar atau salah.
Dari rumus Persamaan 2.1 maka didapatkan rumus persamaan Naive Bayes,
terdapat pada Persamaan (2.2) (Widiyawati dkk, 2018).
𝑛𝑐 + 𝑔 ∗ 𝑝
𝑏(𝐺𝑃𝐾𝑖 |𝑃𝐾𝐺𝐽 ) = (2.2)
𝑛+𝑔
10
Dimana nc merupakan jumlah record pada data learning, P merupakan 1/ banyaknya

data class (total penyakit), g merupakan jumlah data parameter (total gejala), n
merupakan jumlah record pada data learning yang 𝑣 = 𝑛𝑐 tiap data class (penyakit).
Langkah selanjutnya adalah menghitung nilai v untuk setiap penyakit dengan

rumus, terdapat pada Persamaan (2.3) (Widiyawati dkk, 2018).
𝑣 = 𝐵(𝑃𝐾𝐺 ) ∗ [𝑏(𝐺𝑃𝐾1 |𝑃𝐾𝐺 ) ∗ … 𝑏(𝐺𝑃𝐾𝑖 |𝑃𝐾𝐺𝐽 )] (2.3)
Dimana B(PKG) merupakan probabilitas marginal PKG dalam semua hipotesis yang
mungkin, dan B(GPK|PKG) merupakan probabilitas hipotesis berdasarkan kondisi.
Menentukan hasil klasifikasi atau total probabilitas yaitu nilai yang memiliki
hasil perkalian terbesar. Tingkat akurasi probabilitas Sistem Pakar, dilakukan dengan
menggunakan rumus probabilitas, terdapat pada Persamaan (2.4).
𝑘
𝑃 (𝐸 ) = 𝑥100% (2.4)
𝑁
Dimana P merupakan probabilitas, E merupakan peristiwa, k merupakan jumlah
kejadian berhasil, dan N merupakan jumlah seluruh berhasil.
2.4. Penyakit Karies Pada Gigi Manusia
Menurut organisasi kesehatan dunia (WHO), karies gigi merupakan suatu proses
patologis pasca erupsi yang terlokalisasi dan disebabkan oleh faktor luar. Proses ini
dimulai dengan kerusakan jaringan email yang menjadi lunak pada akhirnya
menyebabkan terjadinya Kavita (Nugroho, 2020). Karies gigi atau gigi berlubang
adalah salah satu penyakit gigi yang disebabkan karena bakteri yang dapat merusak
bagian jaringan gigi seperti email, dentin dan sementum (Istiqhfarani dkk, 2020).
Karies gigi atau gigi berlubang merupakan suatu penyakit pada jaringan gigi
yang ditandai dengan kerusakan jaringan, dimulai dari permukaan gigi yaitu email,
dentin dan meluas ke arah pulpa (Sukarsih dkk, 2019). Karies gigi juga didefiniskan
sebagai suatu penyakit kronik yang prosesnya berlangsung lama sehingga dapat
hilangnya ion-ion mineral secara kronik dan terus menerus dari permukaan enamel
pada mahkota atau permukaan akar yang sebagian besar diserang atau distimulasi oleh
11
bakteri. Serangan karies gigi lebih banyak dialami pada gigi belakang dikarenakan gigi
belakang manusia pada umumnya menyisakan makanan pada saat makan (Tugiono
dkk, 2021).
Terdapat tiga (3) teori dari mekanisme terjadinya penyakit karies gigi, yaitu teori
protheolysis, proteolitic-chelation dan chemoparasitic atau disebut juga dengan teori
asidogenik. Teori asidogenik adalah pembentukan karies gigi disebabkan oleh asam
yang dihasilkan oleh aksi mikroorganisme terhadap karbohidrat. Reaksi tersebut
ditandai dengan dekalsifikasi komponen inorganik dilanjutkan oleh disintegrasi
substansi organik yang berasal dari gigi (Arysespajayadi dkk, 2019).
2.5. Framework CodeIgniter
Web Application Framework merupakan suatu kumpulan kode berupa pustaka

(library) dan alat (tool) yang dipadukan sedemikian rupa menjadi satu kerangka kerja
(framework) agar dapat memudahkan dan mempercepat proses pengembangan
aplikasi web (Rosadi & Wulandari, 2020). Framework adalah suatu kumpulan dari
prosedur-prosedur dan kelas-kelas untuk tujuan tertentu sehingga bisa lebih
mempermudah dan mempercepat pekerjaan seorang programmer, tanpa harus
membuat fungsi atau kelas dari awal (Budiman & Nugraha, 2019). CodeIgniter adalah
salah satu framework yang dibuat dengan menggunakan bahasa PHP, yang dapat
digunakan untuk pengembangan web secara cepat (Hidayat, 2019).
Definisi lain, CodeIgniter adalah salah satu framework pemrograman PHP yang
bersifat open source dengan model MVC (Model, View, Controller) yang terdiri dari:
1. Model merupakan kode program (berupa OOP class) yang digunakan untuk
memanipulasi relasi basis data.
2. View merupakan kode program yang digunakan sebagai template html/xml
untuk menampilkan data pada browser.
3. Controller merupakan kode program yang digunakan untuk mengontrol
aliran logika aplikasi (Fadllullah dkk, 2021).
12
Model, View, Controller (MVC) merupakan sebuah metode yang berguna untuk
membuat aplikasi dengan memisahkan data atau query (Model) dari tampilan atau user
interface (View) dan cara pemrosesannya (Controller) (Budiman & Nugraha, 2019).
CodeIgniter merupakan sebuah Web framework yang dirancang agar aplikasi menjadi
ringan, cepat, handal dan mudah digunakan. Framework CodeIgniter mempunyai
beberapa keunggulan sebagai berikut:
1. Gratis, CodeIgniter merupakan framework yang berada dibawah lisensi
open source yang dapat melakukan apapun.
2. Cepat, berdasarkan dokumentasi performa yang dimiliki terbukti lebih cepat
dibandingkan dengan framework lainya.
3. Menggunakan konsep Model, View, Controller (MVC), agar kita dapat
memisahkan bagian logic dan presentation dari aplikasi yang dibuat
sehingga mempermudah programmer hanya fokus ke dalam pembangunan
logic sedangkan desainer berfokus pada template file (Setyawan, 2020).
Framework Codeigniter adalah sebuah framework PHP yang populer dan paling
banyak digunakan. Framework Codeigniter disebut juga Application Development
Framework yaitu sebuah toolkit yang digunakan oleh para pengembang aplikasi
berbasis web yang menggunakan bahasa pemrograman PHP. Tujuan Framework
Codeigniter untuk mempercepat dalam penulisan program karena CodeIgniter
menyediakan banyak libraries yang umum dan sering digunakan dengan cara
penggunaan yang sangat mudah dan simpel, sehingga programmer dapat fokus pada
pembuatan program dengan meminimalkan penulisan koding yang dibutuhkan
(Abdussalaam & Mardiansyah Ramadhan, 2019).
2.6. Penelitian Terdahulu
Beberapa penelitian terdahulu tentang Sistem Pakar yang menerapkan metode

Naive Bayes, terdapat pada Tabel 2.2 berikut:
13
Tabel 2.2 Penelitian Terdahulu Tentang Metode Naive Bayes

Nama Peneliti
No. Judul Metode Hasil
(Tahun)
1. Tugiono, dkk (2021) Sistem Pakar Untuk Menggunakan metode Penerapan metode Teorema Bayes dalam mendiagnosa
Pendiagnosaan Karies Gigi Teorema Bayes penyakit Karies Gigi berhasil melakukan pendeteksian
Menggunakan Teorema Bayes dengan baik, serta sistem pakar dalam bentuk aplikasi
layanan diagnosa menggunakan perhitungan Teorema
Bayes dapat diterapkan oleh masyarakat sebagai solusi
dalam mengidentifikasi dan pemecahan masalah
pendiagnosaan penyakit Karies Gigi.
2. Yendrizal (2021) Sistem Pakar Dalam Diagnosa Menggunakan metode Metode Naive bayes digunakan dalam proses
Penyakit Kanker Rahim Naive Bayes dan klasifikasi data diagnosa penyakit kanker Rahim
Menggunakan Metode Naïve Certainty Factor dimana data yang diolah merupakan pasien yang sudah
Bayes dan Certainty Factor didiagnosa secara langsung, pada penelitian terlihat
hasil yang didapat dari perhitungan Naive Bayes
sebesar 88% nilai yang hampir sama dengan tingkat
akurasi diagnosa menggunakan metode Certainty
Factory (CF) yaitu 87,5%.
3. Sihotang, dkk (2019) Expert System for Diagnosis Menggunakan metode Penerapan Teorema Bayes menggunakan forward
Chicken Disease using Bayes Teorema Bayes chaining dimana penerapan sistem dilakukan melalui
Theorem pengumpulan data atau fakta yang diperoleh dari
seorang ahli. Metode Bayes diimplementasikan ke
dalam sistem penentuan penyakit ayam, dengan
aplikasi Visual Basic 2010 dan MySQL. Implementasi
ini bersifat multi-user sehingga dapat digunakan oleh
siapa saja yang membutuhkan.
14
Tabel 2.2 Penelitian Terdahulu Tentang Metode Naive Bayes (Lanjutan)

Nama Peneliti
(Tahun)
4. Silahudin, dkk (2020) Model Expert System for Menggunakan metode Penerapan Sistem Pakar metode Naive Bayes Classifier
Diagnosis of Covid-19 Using Naive Bayes Classifier dalam penelitian ini memberikan informasi mengenai
Naïve Bayes Classifier gejala awal penyakit Covid-19 pada pasien yang
sebelumnya tidak diketahui oleh masyarakat umum.
Dan dapat menelusuri dan menjelaskan hasil diagnosis
yang lebih baik. Pengujian sistem pakar yang dilakukan
oleh pasien untuk diagnosa Covid-19 diperoleh hasil
dari suatu penyakit berdasarkan fakta.
5. Nababan, dkk (2018) The Diagnose Of Oil Palm Menggunakan metode Berdasarkan hasil penelitian dengan metode bayes. Di
Disease Using Naive Bayes Naive Bayes dapat data gejala yang ditemukan adalah daun kuning
Method Based On Expert 0,4, daun mati 0,4, warna coklat kehitaman di antara
System Technology tulang-tulang 0,5, buah muda dan tua dengan ruang
utuh 0,4, dan pembusukan pada tandan 0,3. Akar
empuk sebesar 0,5, dan kerusakan pada selubung 0,3.
Melalui gejala terpilih seperti tersebut di atas, nilai
bayes 80% dengan jenis penyakit busuk tandan.
6. Irfansyah, dkk (2020) Early Diagnosis Expert System Menggunakan metode Berdasarkan hasil penelitian dan pembahasan dengan
Hepatitis Using Naive Bayes Naive Bayes metode bayes. Di dapat hasil akurasi dengan 10 sampel
Method data sehingga nilai akurasi 90% dan ketidakakuratan
10% disebabkan pada saat metode perhitungan Naive
Bayes yang menggunakan nilai tertinggi untuk hasil
dan jika nilai yang diperoleh pada sistem akan
mengambil nilai daftar kronologis yang pertama. untuk
hasil yang diberikan kepada pengguna.
15

Nama Peneliti
(Tahun)
7. Setyaputri, dkk (2018) Comparative Analysis of Menggunakan metode Berdasarkan data akurasi dari 10 data pasien pada
Certainty Factor Method and Naive Bayes dan sistem Certainty Factor adalah 100% sesuai dengan
Bayes Probability Method on Certainty Factor diagnosis ahli, sedangkan pada sistem Naive Bayes
ENT Disease Expert System akurasi 80% dengan diagnosis ahli. Sehingga dapat
disimpulkan dari analisis di atas bahwa metode
Certainty Factor lebih akurat dalam mendiagnosis 10
data pasien THT dibandingkan dengan metode Naive
Bayes.
8. Perbawawati, dkk Bayes Theorem and Forward Menggunakan metode Berdasarkan hasil penelitian ini menggunakan 30 data
(2019) Chaining Method On Expert Naive Bayes dan latih dan 76 data uji rekam medis pengguna obat
System for Determine Forward Chaining hiperkolesterolemia RSUD Tugurejo Semarang.
Hypercholesterolemia Drugs Variabelnya adalah gejala umum dan beberapa obat
hiperkolesterolemia. Dari penelitian ini didapatkan
pemilihan sistem obat hiperkolesterolemia dengan
akurasi 96,05%.
9. Widiyawati, dkk Sistem Pakar Diagnosa Menggunakan metode Berdasarkan hasil penelitian dan perhitungan nilai uji
(2018) Penyakit Pada Kucing Naive Bayes Classifier diatas dapat dijelaskan bahwa Akurasi system
Menggunakan Metode Naive menggunakan naïve bayes classifier adalah sebesar
Bayes Classifier 85%, maka dapat disimpulkan bahwa kinerja metode
ini sudah cukup baik karena nilai akurasi berdasarkan
pengujian lebih dari 50%, oleh karena itu sistem ini
dapat dengan akurat mendiagnosis penyakit pada
kucing.
16

Nama Peneliti
(Tahun)
10. Minarni & Irawan Implementasi Metode Naive Menggunakan metode Hasil dari penelitian ini adalah sistem pakar untuk
(2019) Bayes Untuk Diagnosa Naive Bayes mendiagnosa penyakit lambung sebanyak 5 jenis
Penyakit Lambung penyakit dan menggunakan metode Naive Bayes untuk
mendapatkan nilai berupa nilai tertinggi pada hasil
diagnosa penyakitnya. Berdasarkan Hasil pengujian
aplikasi maka dapat disimpulkan bahwa aplikasi ini
layak digunakan dan dapat membantu user yaitu pasien.
11. Ervinaeni, dkk (2019) Sistem Pakar Diagnosa Menggunakan metode Dari keseluruhan hasil penulisan jurnal tentang
Gangguan Hiperaktif Pada Naive Bayes pembuatan aplikasi diagnosa gangguan hiperaktif pada
Anak Dengan Metode Naive anak menggunakan sistem pakar berbasis web,
Bayes Berbasis Web didapatkan hasil berupa presentase angka dan
masyarakat menjadi lebih mengerti mengenai variabel
gejala-gejala gangguan hiperaktif pada anak.
12. Windarto & Marfuah Implementasi Naives Bayes- Menggunakan metode Analisis hasil pengujian dilakukan dengan
(2020) Certainty Factor untuk Naive Bayes dan membandingkan hasil diagnosa sistem dengan hasil
Diagnosa Penyakit Menular Certainty Factor diagnosa yang dilakukan oleh pakar berdasarkan
Ayam masukan gejala yang sama dari 50 data uji, di ketahui
bahwa 45 data uji sistem dinyatakan cocok dengan data
uji pakar, tingkat akurasi ketepatan hasil diagnosis
sebesar 90% berada dalam kategori baik.
17

Nama Peneliti
(Tahun)
13. Sidauruk & Abdullah Sistem Pakar Penentuan Menggunakan metode Hasil dari penelitian adalah hasil uji pada 20 responden
(2020) Makanan Pendamping Air Susu Min Max dan Naive dengan algoritma naive bayes dan naïve bayes dengan
Ibu Menggunakan Metode Min Bayes Min-Max berhasil memberikan rekomendasi 18 dari 20
Max Dan Naïve Bayes data yang sesuai dengan hasil rekomendasi dari pakar.
Algoritma bayes memiliki nilai akurasi sebesar
95,83%, nilai presisi sebesar 95% dan nilai recall
sebesar 95% dalam memberikan rekomendasi jenis
makanan pendamping ASI.
14. Widodo, dkk (2021) Perancangan Sistem Pakar Menggunakan Hasil pengujian sistem pakar diagnosis penyakit
Diagnosis Penyakit Diabetes algoritma Naive Bayes diabetes dengan menguji rule diagnosis menggunakan
Berbasis Web Menggunakan algoritma naive bayes yang dilakukan melalui dataset
Algoritma Naive Bayes uji sebanyak 30 kali, maka hasilnya sudah sesuai
dengan kepakaran yang didapat melalui data hasil
pengujian sistem whitebox dan blackbox testing.
15. Puspa (2018) Sistem Pakar Diagnosa Menggunakan metode Dari hasil penelitian di atas maka ditemukan beberapa
Penyakit Hipertensi Naive Bayes hal yang dapat disimpulkan bahwa sistem pakar
Menggunakan Metode Naive penyakit hipertensi menggunakan metode naive bayes
Bayes Pada Rsud Aloe Saboe ini dapat membantu masyarakat dalam mendiagnosa
Kota Gorontalo penyakit hipertensi. Perhitungan sistem pakar ini
dihitung berdasarkan dari proses basis aturan. Setelah
melakukan pengujian dari beberapa proses utama yang
menggunakan naive bayes, maka secara umum sistem
telah bekerja dengan baik.
18

Nama Peneliti
(Tahun)
16. Burhani, dkk (2021) Perbandingan Naïve Bayes Dan Menggunakan metode Pada metode Naïve bayes di aplikasi dapat
Certainty Factor Pada Sistem Naive Bayes dan mengelompokkan data gejala serta jenis penyakit dan
Pakar Untuk Mendiagnosa Dini Certainty Factor dapat mendiagnosa dengan berdasarkan data latih
Penyakit Glaukoma sebelumnya, sedangkan untuk metode Certainty factor
berdasarkan perhitungan nilai CF yang telah di input
oleh user maka dapat menghasilkan presentase hasil
diagnosa pada penyakit glaukoma sebesar 96%.
17. Yanto, dkk (2020) Komparasi Metode Naive Menggunakan metode Dalam hasil perbandingan yang telah dilakukan metode
Bayes Dan Certainty Factor Naive Bayes dan Certainty Factor memiliki hasil dengan tingkat
Untuk Mendiagnosa Penyakit Certainty Factor keberhasilan proses diagnosa yang tinggi berdasarkan
Anemia nilai bobot berdasarkan setiap gejala yang diberikan
sehingga tujuan dari penelitian ini akan memberikan
informasi secara awal dalam mengenali penyakit
anemia berdasarkan proses diagnosa sistem pakar dari
gejala yang dirasakan bagi penderita.
18. Ilham Insani, dkk Implementation of Expert Menggunakan metode Hasil dari implementasi sistem pakar menggunakan
(2018) System for Diabetes Diseases Naive Bayes dan Naive Bayes dan Certainty Factor dalam mendiagnosis
using Naïve Bayes and Certainty Factor diabetes serta mengetahui tingkat akurasi sistem. Data
Certainty Factor Methods yang digunakan peneliti sebanyak 100 data rekam
medis, diperoleh dari rekam medis RSUD Bendan Kota
Pekalongan. Tingkat akurasi sistem ini diperoleh dari
distribusi skenario data 70 data latih dan 30 data
pengujian yaitu sebesar 100% sesuai diagnosa dokter.
19

Nama Peneliti
(Tahun)
19. Arysespajayadi, dkk Implementasi Metode Certainty Menggunakan metode Berdasarkan penelitian tersebut kaidah pertama user
(2019) Factor pada Sistem Pakar Certainty Factor yang mengalami penyakit Pulpitis Akut menghasilkan
Diagnosa Penyakit Karies Gigi nilai 0.98, sedangkan pada kaidah ketiga user dengan
penyakit Karies Media menghasilkan nilai 0.97, dari
hasil kedua penyakit tersebut dapat disimpulkan bahwa
penyakit Pulpitis Akut memiliki nilai yang lebih tinggi
dibandingkan dengan penyakit Karies Media.
20. Istiqhfarani, dkk (2020) Klasifikasi Penyakit Dental Menggunakan metode Berdasarkan penelitian yang dilakukan, didapatkan
caries menggunakan Algoritme Algoritme Modified kesimpulan bahwa algoritme Modified K-Nearest
Modified K-Nearest Neighbor K-Nearest Neighbor Neighbor (MKNN) dapat diterapkan dalam masalah
mengklasifikasi penyakit dental caries dengan jumlah
dataset sebanyak 100 yang dimana terdapat 8 gejala dan
6 kelas.
21. Gambaran Karies Dengan Deskriptif Berdasarkan penelitian menunjukan rata-rata indeks
Nugroho (2020) Kebiasaan Minum Susu Botol def-t dari 38 anak Paud Raudhatus Salam adalah 3,68,
Pada Anak Balita yang berdasarkan kriteria menurut WHO adalah berada
pada kategori status karies sedang yaitu 2,7-4,4. Hasil
ini menunjukan ada kesenjangan dan gambaran
pengalaman karies terhadap minum susu botol di Paud
Raudhatus Salam Desa Kaliwulu Kecamatan Plered
Kabupaten Cirebon adalah masih kategori sedang.
20

Nama Peneliti
(Tahun)
22. Istiqhfarani, dkk (2020) Diagnosa Penyakit Tanaman Menggunakan metode Berdasarkan penelititan tersebut, dapat diambil
Cabai menggunakan Metode Forward Chaining dan kesimpulan bahwa keakuratan untuk perbandingan 2
Forward Chaining dan Naïve Naïve Bayes metode tersebut dengan hasil pengujian yang telah
Bayes dilakukan. Dengan membandingkan hasil yang sama
antara pengujian adalah sebanyak 7. Maka jumlah data
yang sama antara pretest adalah 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 10 7 𝑥
100% = 70%
23. Nurdin, dkk (2021) Klasifikasi Karya Ilmiah Menggunakan metode Berdasarkan penelitian tersebut dari hasil pengujian 20
(Tugas Akhir) Mahasiswa Naïve Bayes Classifier data karya ilmiah berdasarkan parameter latar belakang
Menggunakan Metode Naïve (Nbc) menghasilkan 18 data diklasifikasikan dengan benar
Bayes Classifier (Nbc) dan 2 data lainnya terdeteksi salah, dan 20 data
pengujian tersebut didapat rata-rata waktu proses
pengujian dengan menerapkan algoritma Naïve Bayes
Classifier yaitu 5,7406 detik/pengujian. Dan tingkat
akurasi dari pengujian tersebut yang diklasifikasikan
kedalam 5 kelas didapatkan nilai rata-rata akurasi yang
cukup baik yaitu 86,68%.
24. Windusara, dkk (2018) Sistem Pakar Diagnosa Awal Menggunakan metode Dari penelitian tersebut menunjukan bahwa tingkat
Penyakit Mata dengan Metode Bayesian Network akurasi sebesar 84,99% berdasarkan 30 contoh kasus
Bayesian Network yang digunakan sebagai data pengujian. Sedangkan,
jika hasil diagnosa sistem dianggap sebagai himpunan
bagian dari hasil diagnosa pakar ketika pakar memiliki
lebih dari 1 diagnosa terhadap gejala yang diberikan
sehingga dianggap valid maka menghasilkan tingkat
akurasi sebesar 89,99%.
21

Nama Peneliti
(Tahun)
25. Rudy, dkk (2020) Penerapan Entropy Based Menggunakan metode Berdasarkan penelitian yang telah dilakukan maka
Discretization Pada Metode Naive Bayes diambil kesimpulan bahwa sistem ini berhasil
Naive Bayes Dalam Klasifikasi menerapkan metode Naïve Bayes sebagai klasifikasi
Penyakit Diabetes Mellitus dan metode Entropy Based Discretization sebagai
metode transformasi dengan akurasi 96%. Dapat
membantu Puskesmas Kendalsari untuk mengetahui
tingkat potensi user dan hasil tes pemeriksaan
laboraturium terhadap penyakit Diabetes Mellitus
dengan tingkat akurasi yang tinggi.
26. Purnamawati, dkk Deteksi Penyakit Daun pada Menggunakan algoritma Dari hasil penelitian menghasilkan 3 jenis hasil Overfit
(2020) Tanaman Padi Menggunakan Decision Tree, Random Models yaitu algoritma Random Forest, Decission Tree
Algoritma Decision Tree, Forest, Naïve Bayes, dan Naive Bayes, Underfit Models yaitu algoritma
Random Forest, Naïve Bayes, SVM dan KNN SVM dan Good Models yaitu algoritma KNN. Jadi
SVM dan KNN metode terbaik diantara kelima tersebut yaitu metode
KNN dengan nilai akurasi 87%, karna model ini
konsisten baik pada kedua evaluasi.
27. Muhajir & Chotijah, Aplikasi Berbasis Web Browser Menggunakan Metode Dari Penelitian tersebut dapat memudahkan pekerjaan
(2020) Untuk Mendiagnosa Kerusakan Naive Bayes seorang teknisi terlebih dalam hal efesiensi waktu pada
Laptop Dengan Metode Naive saat menganalisa kerusakan dan dapat membantu
Bayes pengguna untuk menganalisa kersakan awal dengan
menggunakan gejala yang ada dengan sistem yang telah
dibangun dengan metide Bayesian ini memiliki tingkat
akurasi 100%.
BAB III
METODOLOGI PENELITIAN
3.1 Pendahuluan
Metodologi penelitian adalah salah satu cabang ilmu pengetahuan yang

membicarakan mengenai cara-cara melaksanakan penelitian berdasarkan fakta-fakta
atau gejala-gejala secara ilmiah. Secara luas, metodologi penelitian dapat diartikan
sebagai ilmu yang mempelajari cara-cara melakukan pengamatan dengan pemikiran
yang tepat secara terpadu melalui tahapan-tahapan yang disusun secara ilmiah untuk
mencari, menyusun serta menganalisis dan menyimpulkan data-data. Metode
penelitian diperlukan untuk membantu dalam penulisan agar terarah sesuai dengan
masalah yang diteliti. Di dalam suatu metodologi penelitian, harus memiliki bagian
yang jelas dan berisi tentang proses dan alat yang digunakan dalam penelitian tersebut.
Oleh sebab itu, dibutuhkan sebuah kerangka kerja penelitian sebelum memulai
penelitian.
3.2 Kerangka Penelitian
Kerangka penelitian atau kerangka kerja memiliki tujuan agar mendapat hasil
seperti yang diharapkan dan mudah untuk menyelesaikan permasalahan serta mudah
dipahami. Langkah-langkah yang akan dibuat pada penelitian ini disusun secara
sistematis. Langkah-langkah tersebut dapat dilihat pada Gambar 3.1 berikut:
23
Data penyakit karies pada gigi manusia
Penentuan gejala penyakit
Penentuan rule gejala dan penyakit
Penentuan nilai nc untuk setiap class
Penentuan nilai probabilitas
Penentuan hasil nilai probabilitas terbesar
Penentuan penyakit karies
Hasil dan Pembahasan
Gambar 3.1 Kerangka Penelitian

Pada Gambar 3.1 menjelaskan proses dari kerangka penelitian. Maka dapat
dijelaskan tahapan tersebut sebagai berikut:
1. Penelitian Pendahuluan
Penelitian pendahuluan merupakan tahap awal dalam menentukan pembahasan
penelitian yang dimulai dari menentukan masalah penelitian. Masalah penelitian
digunakan untuk mengetahui secara tepat dalam permasalahan yang sedang terjadi,
sehingga penelitian ini dapat memberikan solusi yang paling optimal terhadap
pemecahan permasalahan tersebut. Tujuan penelitian ini harus memiliki arah yang
jelas agar hasil dari penelitian dapat digunakan oleh pihak yang membutuhkan. Untuk
itu diperlukan penetapan tujuan, sehingga penelitian yang dilakukan tidak sia-sia.
2. Pengumpulan Data
Dalam pengumpulan data penulis mendapatkan data dari berbagai sumber, seperti
data berupa pengetahuan yang berasal dari seorang pakar atau ahli yang sesuai dengan
penelitian. Pengetahuan tersebut dapat dikumpulkan melalui wawancara dengan pakar
pada objek penelitian yaitu pakar gigi untuk penyakit karies. Selain itu, data-data
dalam penelitian ini juga dapat diperoleh dari jurnal, buku, dan referensi lain.
24
3. Analisa Sistem
Tahap analisa merupakan salah satu tahapan yang penting dalam penelitian ini.
Oleh karena itu, pada tahap inilah nantinya dilakukan analisa terhadap sistem yang
akan dikembangkan. Seperti menganalisa data yang dibutuhkan sistem, biaya untuk
pembangunan sistem serta langkah-langkah yang dibutuhkan untuk perancangan yang
diinginkan sampai pada analisis yang diharapkan.
4. Perancangan Sistem
Tahapan perancangan ini, peneliti melakukan perancangan sistem agar dapat
digunakan oleh pakar dan pasien sebagai media konsultasi. Sistem yang dibuat
menggunakan bahasa pemograman PHP Framework CodeIgniter dan MySQL sebagai
databasenya. Sistem ini dirancang berbasis web agar dapat diakses oleh masyarakat
luas.
5. Implementasi Sistem
Implementasi merupakan tahapan dalam pengaplikasian atau penerapan dari
Sistem Pakar yang telah dirancang dan dibuat. Implementasi bertujuan untuk
mengkonfirmasi modul-modul perancangan, sehingga pengguna dapat memberi
masukan kepada pengembangan aplikasi system pakar. Dalam membangun sebuah
sistem yang berbasis komputerisasi ada 2 komponen yang harus dipenuhi, yaitu
spesifikasi hardware dan software yang digunakan adalah sebagai berikut:
a. Perangkat Keras (Hardware)
1) Laptop MSI.
2) Processor Intel Core i7 9th Gen.
3) Memory 8GB.
4) SSD 512GB.
b. Perangkat Lunak (Software)
1) Sistem Operasi Windows 10.
2) XAMPP.
3) Visual Studio Code.
4) Google Chrome.
6. Pengujian Sistem
Pengujian hasil ini bertujuan untuk menguji apakah data yang digunakan sesuai
dengan sistem yang diharapkan. Pengujian data yang telah dilakukan dengan
melakukan perhitungan dan analisa secara manual menggunakan metode Naive Bayes.
25
Dalam tahap uji coba ini dilakukan dengan menggunakan sistem yang telah dibangun
serta melakukan perbandingan terhadap hasil yang telah didapatkan secara manual dan
dengan sistem. Hasil pengujian yang diperoleh dalam bentuk persentase (%) sebagai
tingkat akurasi.
BAB IV
ANALISA DAN PERANCANGAN
4.1 Tahapan Analisa dan Perancangan
Pada tahap analisa dan perancangan yang dilakukan untuk menganalisa sistem
dengan tujuan untuk memperoleh pengetahuan yang berkaitan dengan penyakit karies
pada gigi dengan metode Naive Bayes. Sistem yang akan dibangun berupa sistem
pakar yang dalam hal ini akan digunakan untuk mengidentifikasi penyakit karies pada
gigi manusia dengan menggunakan teknik inferensi Naive Bayes. Proses kerja yang
akan dilakukan dalam pembangunan sistem ini disesuaikan dengan sistem pakar yang
memakai metode Naive Bayes. Proses awal yang dilakukan adalah menetapkan data
penyakit dan gejala dari karies gigi, kemudian melakukan pembentukan rule dengan
menggunakan metode naive bayes, proses selanjutnya adalah user atau pasien
melakukan analisa dengan memilih gejala yang dialami saja dari semua gejala yang
ditampilkan, dalam proses terakhir ini barulah sistem melakukan proses perhitungan
berdasarkan gejala yang dipilih menggunakan metode Naive Bayes. Untuk
memudahkan dalam analisa dan perancangan, maka dibuat tahapan analisa dan
perancangan seperti Gambar 4.1.
ANALISA SISTEM
ANALISA DATA PERANCANGAN
NAIVE BAYES
Gambar 4.1 Tahapan Analisa dan Perancangan

27
4.2 Analisa Data
Analisa data merupakan segala sesuatu yang didapat melalui pengamatan

maupun dari suatu pandangan. Pada penelitian ini, peneliti melakukan wawancara
langsung dengan seorang pakar atau ahli untuk mendapatkan data yang berupa
informasi tentang penyakit karies pada gigi. Selain melakukan wawancara, peneliti
juga mendapatkan sumber data dari berbagai artikel yang berhubungan dengan
penyakit karies pada gigi. Berikut adalah bentuk data penyakit karies gigi, dapat dilihat
pada Tabel 4.1 berikut:
Tabel 4.1 Data Jenis-jenis Penyakit Karies pada Gigi
No. Penyakit Keterangan
Karies yang sudah mencapai bagian dalam dari
email dan kadang-kadang terasa sakit. Lubang pada
1 Karies Superfisialis
sisi yang baru mencapai daerah email dan jarang
memberi keluhan.
Karies yang sudah mencapai bagian dentin atau
bagian pertengahan antara permukaan gigi dan
2 Karies Media kamar pulpa. Lubang gigi yang sudah mengenai
email dan sebagian deutin yang menyebabkan
ngilu.
karies yang telah medekati atau bahkan telah
mencapai pulpa sehingga terjadi peradangan pada
3 Karies Profunda pulpa. Lubang pada gigi yang menjalar dari email
dentin dan bahkan menembus pulpa menimbulkan
rasa sakit yang spontan.
Proses karies terlambat, badan masih sempat
membuat pertahanan. Masih dijumpai lapisan tipis
4 Karies Pulpitis Kronik
yang membatasi karies dengan pulpa. Biasanya di
sini telah terjadi radang pulpa.
Proses karies berjalan cepat sehingga badan tidak
sempat membuat perlawanan. Karies terus berjalan
5 Karies Pulpitis Akut
sampai ke ruang pulpa. Pulpa telah terbuka dan
dijumpai bermacam-macam radang pulpa.
(Sumber: drg. Agus Nikmala Putra)
Dari hasil uji yang sudah didapatkan dari drg. Agus Nikmala Putra yang berupa
data rekam medik pasien untuk konsultasi penyakit karies gigi. Berikut merupakan
sampel data rekam medik yang di peroleh langsung dari pakar yang akan
diimplementasikan dengan metode Naive Bayes. Dapat dilihat pada Tabel 4.2 sebagai
berikut:
28
Tabel 4.2 Data Konsultasi Pasien

No. Nama Usia Gejala Diagnosa Solusi
1. Gigi terasa
berlubang.
2. Ada lubang
hitam di
Melakukan penambalan
permukaan gigi.
dengan menggunakan
22 3. Kedalaman Karies
1 Pasien 1 semen ionomer kaca
Tahun lubang kecil. Superfisialis
(GIC) atau resin
4. Gigi terasa
komposit.
ngilu.
5. Jika makan gigi
akan lebih terasa
sakit.
Melakukan pengobatan
1. Gigi berlubang.
jangka pendek setelah
2. Lubang
dua kali kunjungan
berwarna coklat.
untuk mengatasi rasa
3. Gigi sakit
38 Karies sakit. Melakukan
2 Pasien 2 apabila diketuk.
Tahun Media penambalan secara
4. Gigi agak nyeri.
permanen setelah 5
5. Jika makan gigi
sampai 7 hari (pasien
akan lebih terasa
tidak memiliki
sakit.
keluhan).
Dokter harus
melakukan analisis
yang tepat untuk
menentukan jenis
penyakitnya. Perawatan
1. Gigi ngilu
berulang biasanya
berdenyut-
empat sampai enam kali
denyut.
kunjungan. Dokter
2. Gigi terasa
menggunakan berbagai
ngilu.
instrumen untuk
3. Gigi sakit
21 Karies perawatan saluran akar
3 Pasien 3 apabila diketuk.
Tahun Profunda dan menggunakan
4. Terjadi
berbagai antiseptik
pembengkakan
untuk mendisinfeksi
pada gusi.
saluran akar yang
5. Gigi sangat
terinfeksi. Pada akhir
nyeri.
perawatan, dokter gigi
6. Gigi tanggal.
mengganti saluran akar
dan melakukan
penambalan permanen
lima sampai tujuh hari
kemudian.
29
Tabel 4.2 Data Konsultasi Pasien (Lanjutan)

1. Gigi berlubang. jangka pendek setelah
2. Lubang dua kali kunjungan
berwarna coklat. untuk mengatasi rasa
25 3. Gigi sakit Karies sakit. Melakukan
4 Pasien 4
Tahun apabila diketuk. Media penambalan secara
4. Gigi terasa permanen setelah 5
ngilu. sampai 7 hari (pasien
1. Gigi tanggal. tidak memiliki
keluhan).
Dirujuk ke dokter gigi
untuk dilakukan kaping
pulpa, jika gigi blm
1. Tidak terkena
pernah ada riwayat sakit
rangsangan gigi
dan gigi masih
tetap terasa
memungkinkan untuk
sakit.
direstorasi. Dirujuk ke
2. Gigi kadang
dokter gigi untuk
sulit untuk
perawatan saluran akar
mengunyah.
jika gigi memiliki
3. Kadang sakit
Karies riwayat nyeri dan masih
40 kepala pada gigi
5 Pasien 5 Pulpitis dapat diperbaiki.
Tahun bagian sisi yang
Kronik Dirujuk ke dokter gigi
sakit.
untuk dilakukan
4. Gusi berdenyut
pencabutan gigi, jika
< 1 menit.
gigi tidak
5. Terjadi
memungkinkan lagi
pembengkakan
direstorasi. Apabila
pada gusi.
terjadi peradangan
2. Gigi sangat
jaringan periodontal,
nyeri.
maka harus dilakukan
premedikasi terlebih
dulu.
1. Antar gigi Dirujuk ke dokter gigi
bagian atas dan untuk dilakukan kaping
bawah yang pulpa, jika gigi belum
belum pernah ada riwayat sakit
bersentuhan, dan gigi masih
namun gigi Karies memungkinkan untuk
39
6 Pasien 6 tersebut terasa Pulpitis direstorasi. Dirujuk ke
Tahun
sudah Akut dokter gigi untuk
bersentuhan. perawatan saluran akar
2. Gusi berdenyut jika gigi memiliki
> 1 menit. riwayat nyeri dan masih
3. Tidak dapat dapat diperbaiki.
digunakan untuk Dirujuk ke dokter gigi
30

mengunyah untuk dilakukan

karena gigi akan pencabutan gigi, jika
terasa sakit. gigi tidak
4. Gigi sakit memungkinkan lagi
apabila diketuk. direstorasi. Apabila
terjadi peradangan
dulu.
1. Gigi terasa
berlubang.
2. Gigi tidak ada
rasa ngilu.
3. Gigi tidak sakit
dengan menggunakan
37 apabila diketuk. Karies
Tahun 4. Ada Lubang Superfisialis
(GIC) atau resin
Hitam di
komposit.
permukaan Gigi.
5. Terjadi
pembengkakan
pada gusi.
Dokter harus
melakukan analisis
yang tepat untuk
menentukan jenis
1. Gigi ngilu penyakitnya. Perawatan
berdenyut- berulang biasanya
denyut. empat sampai enam kali
2. Gigi berlubang. kunjungan. Dokter
3. Lubang menggunakan berbagai
berwarna coklat. instrumen untuk
40 4. Gigi sakit Karies perawatan saluran akar
8 Pasien 8
Tahun apabila diketuk. Profunda dan menggunakan
5. Terjadi berbagai antiseptik
pembengkakan untuk mendisinfeksi
pada gusi. saluran akar yang
6. Gigi sangat terinfeksi. Pada akhir
nyeri. perawatan, dokter gigi
7. Gigi tanggal. mengganti saluran akar
dan melakukan
penambalan permanen
kemudian.
31

1. Gigi berlubang. jangka pendek setelah
2. Gusi berdenyut dua kali kunjungan
> 1 menit. untuk mengatasi rasa
21 3. Gigi sakit Karies sakit. Melakukan
9 Pasien 9
Tahun apabila diketuk. Media penambalan secara
4. Gigi terasa permanen setelah 5
ngilu. sampai 7 hari (pasien
5. Gigi agak nyeri. tidak memiliki
keluhan).
1. Tidak terkena
dan gigi masih
rangsangan gigi
memungkinkan untuk
tetap terasa
sakit.
dokter gigi untuk
2. Gigi kadang
sulit untuk
jika gigi memiliki
mengunyah.
25 3. Kadang sakit
Tahun kepala pada gigi
Kronik Dirujuk ke dokter gigi
bagian sisi yang
untuk dilakukan
sakit.
4. Gusi berdenyut
gigi tidak
< 1 menit.
memungkinkan lagi
Jika makan gigi
akan lebih terasa
terjadi peradangan
sakit.
dulu.
1. Tidak terkena
rangsangan gigi
tetap terasa
sakit.
2. Gigi kadang
dengan menggunakan
25 sulit untuk Karies
Tahun mengunyah. Superfisialis
(GIC) atau resin
3. Gigi tidak sakit
komposit.
apabila diketuk.
4. Ada Lubang
Hitam di
permukaan Gigi.
32

5. Kedalaman
lubang kecil.
Dokter harus
melakukan analisis
yang tepat untuk
menentukan jenis
berulang biasanya
1. Kedalaman
lubang kecil.
kunjungan. Dokter
2. Gigi berlubang.
3. Gigi terasa
instrumen untuk
ngilu.
12 Pasien 12 4. Gigi sangat
nyeri.
berbagai antiseptik
5. Dapat terjadi
untuk mendisinfeksi
bengkak namun
saluran akar yang
tidak
berkepanjangan.
dan melakukan
penambalan permanen
kemudian.
1. Tidak terkena dan gigi masih
rangsangan gigi memungkinkan untuk
tetap terasa direstorasi. Dirujuk ke
sakit. dokter gigi untuk
2. Gigi kadang perawatan saluran akar
sulit untuk Karies jika gigi memiliki
21
13 Pasien 13 mengunyah. Pulpitis riwayat nyeri dan masih
Tahun
3. Kadang sakit Kronik dapat diperbaiki.
kepala pada gigi Dirujuk ke dokter gigi
bagian sisi yang untuk dilakukan
sakit. pencabutan gigi, jika
4. Kedalaman gigi tidak
lubang kecil. memungkinkan lagi
terjadi peradangan
33

dulu.
1. Ada Lubang Melakukan pengobatan
Hitam di jangka pendek setelah
permukaan Gigi. dua kali kunjungan
2. Kedalaman untuk mengatasi rasa
37 lubang kecil. Karies sakit. Melakukan
14 Pasien 14 penambalan secara
Tahun 3. Gigi sakit Media
apabila diketuk. permanen setelah 5
4. Gigi terasa sampai 7 hari (pasien
ngilu. tidak memiliki
5. Gigi agak nyeri. keluhan).
1. Gigi tidak sakit
apabila diketuk.
2. Ada Lubang
Hitam di
dengan menggunakan
21 permukaan Gigi. Karies
Tahun 3. Kedalaman Superfisialis
(GIC) atau resin
lubang kecil.
komposit.
4. Gigi berlubang.
5. Lubang
berwarna coklat.
Dokter harus
melakukan analisis
yang tepat untuk
1. Gigi ngilu menentukan jenis
berdenyut- penyakitnya. Perawatan
denyut. berulang biasanya
2. Gigi terasa empat sampai enam kali
ngilu. kunjungan. Dokter
3. Gusi berdenyut menggunakan berbagai
< 1 menit. instrumen untuk
45 4. Gigi terasa Karies perawatan saluran akar
16 Pasien 16
Tahun berlubang. Profunda dan menggunakan
5. Terjadi berbagai antiseptik
pembengkakan untuk mendisinfeksi
pada gusi. saluran akar yang
6. Jika makan gigi terinfeksi. Pada akhir
akan lebih terasa perawatan, dokter gigi
sakit. mengganti saluran akar
7. Gigi tanggal. dan melakukan
penambalan permanen
kemudian.
34

1. Gigi terasa
berlubang.
2. Gigi tidak ada
rasa ngilu.
dengan menggunakan
40 3. Gigi tidak sakit Karies
Tahun apabila diketuk. Superfisialis
(GIC) atau resin
4. Jika makan gigi
komposit.
akan lebih terasa
sakit.
5. Gigi tanggal.
1. Tidak terkena Dirujuk ke dokter gigi
rangsangan gigi untuk dilakukan kaping
tetap terasa pulpa, jika gigi blm
sakit. pernah ada riwayat sakit
2. Gigi kadang dan gigi masih
sulit untuk memungkinkan untuk
mengunyah. direstorasi. Dirujuk ke
3. Kadang sakit dokter gigi untuk
kepala pada gigi perawatan saluran akar
bagian sisi yang jika gigi memiliki
sakit. Karies riwayat nyeri dan masih
24
18 Pasien 18 4. Gusi berdenyut Pulpitis dapat diperbaiki.
Tahun
< 1 menit. Kronik Dirujuk ke dokter gigi
5. Jika makan gigi untuk dilakukan
akan lebih terasa pencabutan gigi, jika
sakit. gigi tidak
6. Dapat terjadi memungkinkan lagi
bengkak namun direstorasi. Apabila
tidak terjadi peradangan
berkepanjangan. jaringan periodontal,
dulu.
1. Gigi berlubang.
2. Lubang Melakukan pengobatan
berwarna coklat. jangka pendek setelah
3. Gigi sakit dua kali kunjungan
apabila diketuk. untuk mengatasi rasa
29 4. Gigi kadang Karies sakit. Melakukan
19 Pasein 19
Tahun sulit untuk Media penambalan secara
mengunyah. permanen setelah 5
5. Kadang sakit sampai 7 hari (pasien
kepala pada gigi tidak memiliki
bagian sisi yang keluhan).
sakit.
35


1. Antar gigi
bagian atas dan
pulpa, jika gigi belum
bawah yang
belum
dan gigi masih
bersentuhan,
memungkinkan untuk
namun gigi
tersebut terasa
dokter gigi untuk
sudah
bersentuhan.
jika gigi memiliki
2. Gusi berdenyut
33 > 1 menit.
Tahun 3. Jika makan
Akut Dirujuk ke dokter gigi
menyebabkan
untuk dilakukan
sakit yang
mengganggu.
gigi tidak
4. Kadang sakit
memungkinkan lagi
kepala pada gigi
bagian sisi yang
terjadi peradangan
sakit.
5. Ada Lubang
Hitam di
permukaan Gigi.
dulu.
1. Gigi sakit Melakukan pengobatan
apabila diketuk. jangka pendek setelah
2. Gigi terasa dua kali kunjungan
ngilu. untuk mengatasi rasa
20 3. Gigi agak nyeri. Karies sakit. Melakukan
21 Pasien 21
Tahun 4. Gigi ngilu Media penambalan secara
berdenyut- permanen setelah 5
denyut. sampai 7 hari (pasien
5. Gusi berdenyut tidak memiliki
< 1 menit. keluhan).
1. Antar gigi Dirujuk ke dokter gigi
bagian atas dan untuk dilakukan kaping
bawah yang pulpa, jika gigi belum
belum pernah ada riwayat sakit
bersentuhan, dan gigi masih
namun gigi Karies memungkinkan untuk
25
22 Pasien 22 tersebut terasa Pulpitis direstorasi. Dirujuk ke
Tahun
sudah Akut dokter gigi untuk
bersentuhan. perawatan saluran akar
2. Jika makan jika gigi memiliki
menyebabkan riwayat nyeri dan masih
sakit yang dapat diperbaiki.
mengganggu. Dirujuk ke dokter gigi
36

3. Tidak dapat untuk dilakukan

digunakan untuk pencabutan gigi, jika
mengunyah gigi tidak
karena gigi akan memungkinkan lagi
terasa sakit. direstorasi. Apabila
4. Gigi berlubang. terjadi peradangan
5. Lubang jaringan periodontal,
berwarna coklat. maka harus dilakukan
dulu.
Dokter harus
melakukan analisis
yang tepat untuk
menentukan jenis
1. Gigi sakit
berulang biasanya
apabila diketuk.
2. Terjadi
kunjungan. Dokter
pembengkakan
pada gusi.
instrumen untuk
3. Gigi ngilu
23 Pasien 23 berdenyut-
denyut.
berbagai antiseptik
4. Ada Lubang
untuk mendisinfeksi
Hitam di
saluran akar yang
permukaan Gigi.
5. Kedalaman
lubang kecil.
dan melakukan
penambalan permanen
kemudian.
4.3 Analisa Sistem
Perhitungan dalam tahapan analisa sistem menggunakan metode Naive Bayes.

Tahapan prosesnya dimulai dari sekumpulan fakta-fakta tentang gejala yang
disampaikan oleh user atau pasien sebagai input ke dalam sistem. Berikut algoritma
proses dalam mendiagnosa penyakit karies gigi berdasarkan aturan metode Naive
Bayes sebagai berikut:
37
Proses Naive Bayes.

1. Mengumpulkan data penyakit karies
2. Mengumpulkan data gejala penyakit karies
3. Menentukan rule atau aturan
4. Perhitungan dengan metode Naive Bayes
5. Hasil perhitungan
Berdasarkan algoritma proses Naive Bayes diatas maka digambarkan melalui

flowchart. Berikut flowchart dalam proses sistem pakar dengan metode Naive Bayes.
Dapat digambarkan melalui flowchart pada Gambar 4.2 ini:
Mengumpulkan data penyakit
Mengumpulkan data gejala
Membuat rule atau aturan
Perhitungan metode Naive Bayes
Gambar 4.2 Flowchart Naive Bayes
4.3.1 Mengumpulkan Data Penyakit Karies Gigi
Pengumpulan data dari pakar gigi memperoleh data 5 jenis penyakit karies
pada gigi. Setiap jenis penyakit karies gigi diberikan kode berupa huruf dan angka.
Dapat dilihat pada Tabel 4.3 sebagai berikut:
Tabel 4.3 Data Jenis-jenis Penyakit Karies pada Gigi dan Solusi
Kode Penyakit Jenis Penyakit Solusi
Melakukan penambalan dengan
PKG01 Karies Superfisialis menggunakan semen ionomer kaca (GIC)
atau resin komposit.
38
Tabel 4.3 Data Jenis-jenis Penyakit Karies pada Gigi dan Solusi (Lanjutan)
Kode Penyakit Jenis Penyakit Solusi
1. Melakukan pengobatan jangka pendek
setelah dua kali kunjungan untuk
mengatasi rasa sakit.
PKG02 Karies Media
2. Melakukan penambalan secara
permanen setelah 5 sampai 7 hari
(pasien tidak memiliki keluhan).
1. Dokter harus melakukan analisis yang
tepat untuk menentukan jenis
penyakitnya.
2. Perawatan berulang biasanya empat
sampai enam kali kunjungan.
3. Dokter menggunakan berbagai
instrumen untuk perawatan saluran
PKG03 Karies Profunda
akar dan menggunakan berbagai
antiseptik untuk mendisinfeksi saluran
akar yang terinfeksi.
4. Pada akhir perawatan, dokter gigi
mengganti saluran akar dan melakukan
penambalan permanen lima sampai
tujuh hari kemudian.
1. Dirujuk ke dokter gigi untuk dilakukan
kaping pulpa, jika gigi blm pernah ada
riwayat sakit dan gigi masih
memungkinkan untuk direstorasi.
2. Dirujuk ke dokter gigi untuk perawatan
saluran akar jika gigi memiliki riwayat
Karies Pulpitis
PKG04 nyeri dan masih dapat diperbaiki.
Kronik
pencabutan gigi, jika gigi tidak
memungkinkan lagi direstorasi.
4. Apabila terjadi peradangan jaringan
periodontal, maka harus dilakukan
premedikasi terlebih dulu.
kaping pulpa, jika gigi belum pernah
ada riwayat sakit dan gigi masih
memungkinkan untuk direstorasi.
2. Dirujuk ke dokter gigi untuk perawatan
saluran akar jika gigi memiliki riwayat
PKG05 Karies Pulpitis Akut nyeri dan masih dapat diperbaiki.
pencabutan gigi, jika gigi tidak
memungkinkan lagi direstorasi.
4. Apabila terjadi peradangan jaringan
periodontal, maka harus dilakukan
premedikasi terlebih dulu.
39
4.3.2 Mengumpukan Data Gejala Penyakit Karies Gigi
Terdapat beberapa gejala yang timbul dari setiap jenis penyakit karies pada
gigi. Terdapat 24 (Dua Puluh Empat) gejala pada penyakit karies gigi dan diberikan
kode berupa huruf dan angka. Dapat dilihat pada Tabel 4.4 sebagai berikut:
Tabel 4.4 Data Gejala Penyakit Karies pada Gigi
Kode Gejala Gejala
GPK01 Gigi Terasa Berlubang.
GPK02 Gigi Tidak Ada Rasa Ngilu.
GPK03 Gigi Tidak Sakit Apabila Diketuk.
GPK04 Ada Lubang Hitam Di Permukaan Gigi.
GPK05 Kedalaman Lubang Kecil.
GPK06 Gigi Berlubang.
GPK07 Lubang Berwarna Coklat.
GPK08 Gigi Sakit Apabila Diketuk.
GPK09 Gigi Terasa Ngilu.
GPK10 Gigi Agak Nyeri.
GPK11 Gigi Ngilu Berdenyut-Denyut.
GPK12 Terjadi Pembengkakan Pada Gusi.
GPK13 Gigi Sangat Nyeri.
GPK14 Gigi Tanggal.
GPK15 Tidak Terkena Rangsangan Gigi Tetap Terasa Sakit.
GPK16 Gigi Kadang Sulit Untuk Mengunyah.
GPK17 Kadang Sakit Kepala Pada Gigi Bagian Sisi Yang Sakit.
GPK18 Gusi Berdenyut < 1 Menit.
GPK19 Jika Makan Gigi Akan Lebih Terasa Sakit.
GPK20 Dapat Terjadi Bengkak Namun Tidak Berkepanjangan.
GPK21 Antar Gigi Bagian Atas Dan Bawah Yang Belum Bersentuhan,
Namun Gigi Tersebut Terasa Sudah Bersentuhan.
GPK22 Gusi Berdenyut > 1 Menit.
GPK23 Tidak Dapat Digunakan Untuk Mengunyah Karena Gigi Akan
Terasa Sakit.
GPK24 Jika Makan Menyebabkan Sakit Yang Mengganggu.
4.3.3 Menentukan Rule atau Aturan
Pengetahuan dapat digunakan harus direpresentasikan dalam format tertentu

yang kemudian dihimpun dalam suatu basis pengetahuan atau rule. Penyakit karies
gigi memiliki gejala yang berbeda masing-masingnya. Tabel 4.5 berikut berisi rule
40
antara gejala dengan penyakitnya serta terdapat solusi yang berdasarkan pengumpulan
data dari pakar gigi atau dokter gigi.
Tabel 4.5 Rule Gejala dan Penyakit
Kode Penyakit Jenis Penyakit Gejala/Rule
GPK01, GPK02, GPK03, GPK04,
PKG01 Karies Superfisialis
GPK05
PKG02 Karies Media
GPK10
PKG03 Karies Profunda
GPK12, GPK13, GPK14
PKG04 Karies Pulpitis Kronik
GPK19, GPK20
PKG05 Karies Pulpitis Akut GPK21, GPK22, GPK23, GPK24
4.3.4 Perhitungan Metode Naive Bayes
Uji coba perhitungan dengan menggunakan metode Naive Bayes yang berasal
dari data konsultasi sebanyak 23 pasien. Perhitungan Naive Bayes diterapkan pada
pasien ke-1 yang mengalami gejala gigi terasa berlubang (GPK01), ada lubang hitam
di permukaan gigi (GPK04), kedalaman lubang kecil (GPK05), gigi terasa ngilu
(GPK09), dan jika makan gigi akan lebih terasa sakit (GPK19). Pada tahapan ini ada
beberapa langkah dan uji coba yang akan dicari menggunakan metode Naive Bayes:
1. Menentukan nilai nc untuk setiap class dan menghitung nilai probabilitas
yang terdapat pada BAB II dengan nomor rumus 2.2.
a. Penyakit ke-1: Penyakit Karies Superfisialis
𝑛=1
1
𝑝= = 0,2
5
𝑔 = 24
𝐺𝑃𝐾01. 𝑛𝑐 = 1
𝐺𝑃𝐾04. 𝑛𝑐 = 1
𝐺𝑃𝐾05. 𝑛𝑐 = 1
𝐺𝑃𝐾09. 𝑛𝑐 = 0
𝐺𝑃𝐾19. 𝑛𝑐 = 0
41
𝑛𝑐 + 𝑔 ∗ 𝑝 1 + 24 ∗ 0,2
𝑏1 (𝐺𝑃𝐾01|PKG01) = = = 0,232
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 1 + 24 ∗ 0,2
𝑏1 (𝐺𝑃𝐾04|PKG01) = = = 0,232
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 1 + 24 ∗ 0,2
𝑏1 (𝐺𝑃𝐾05|PKG01) = = = 0,232
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏1 (𝐺𝑃𝐾09|PKG01) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏1 (𝐺𝑃𝐾19|PKG01) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 1 + 24 ∗ 0,2
𝑏(PKG01) = = = 0,232
𝑛+𝑔 1 + 24
b. Penyakit ke-2: Penyakit Karies Media
𝑛=1
1
𝑝= = 0,2
5
𝑔 = 24
𝐺𝑃𝐾01. 𝑛𝑐 = 0
𝐺𝑃𝐾04. 𝑛𝑐 = 0
𝐺𝑃𝐾05. 𝑛𝑐 = 0
𝐺𝑃𝐾09. 𝑛𝑐 = 1
𝐺𝑃𝐾19. 𝑛𝑐 = 0
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏2 (𝐺𝑃𝐾01|PKG02) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏2 (𝐺𝑃𝐾04|PKG02) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏2 (𝐺𝑃𝐾05|PKG02) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 1 + 24 ∗ 0,2
𝑏2 (𝐺𝑃𝐾09|PKG02) = = = 0,232
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏2 (𝐺𝑃𝐾19|PKG02) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 1 + 24 ∗ 0,2
𝑏(PKG01) = = = 0,232
𝑛+𝑔 1 + 24
c. Penyakit ke-3: Penyakit Karies Profunda
𝑛=1
42
1
𝑝= = 0,2
5
𝑔 = 24
𝐺𝑃𝐾01. 𝑛𝑐 = 0
𝐺𝑃𝐾04. 𝑛𝑐 = 0
𝐺𝑃𝐾05. 𝑛𝑐 = 0
𝐺𝑃𝐾09. 𝑛𝑐 = 1
𝐺𝑃𝐾19. 𝑛𝑐 = 0
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏3 (𝐺𝑃𝐾01|PKG03) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏3 (𝐺𝑃𝐾04|PKG03) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏3 (𝐺𝑃𝐾05|PKG03) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 1 + 24 ∗ 0,2
𝑏3 (𝐺𝑃𝐾09|PKG03) = = = 0,232
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏3 (𝐺𝑃𝐾19|PKG03) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 1 + 24 ∗ 0,2
𝑏(PKG03) = = = 0,232
𝑛+𝑔 1 + 24
d. Penyakit ke-4: Penyakit Karies Pulpitis Kronik
𝑛=1
1
𝑝= = 0,2
5
𝑔 = 24
𝐺𝑃𝐾01. 𝑛𝑐 = 0
𝐺𝑃𝐾04. 𝑛𝑐 = 0
𝐺𝑃𝐾05. 𝑛𝑐 = 0
𝐺𝑃𝐾09. 𝑛𝑐 = 0
𝐺𝑃𝐾19. 𝑛𝑐 = 1
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏4 (𝐺𝑃𝐾01|PKG04) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏4 (𝐺𝑃𝐾04|PKG04) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏4 (𝐺𝑃𝐾05|PKG04) = = = 0,192
𝑛+𝑔 1 + 24
43
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏4 (𝐺𝑃𝐾09|PKG04) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 1 + 24 ∗ 0,2
𝑏4 (𝐺𝑃𝐾19|PKG04) = = = 0,232
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 1 + 24 ∗ 0,2
𝑏(PKG04) = = = 0,232
𝑛+𝑔 1 + 24
e. Penyakit ke-5: Penyakit Karies Pulpitis Akut
𝑛=1
1
𝑝= = 0,2
5
𝑔 = 24
𝐺𝑃𝐾01. 𝑛𝑐 = 0
𝐺𝑃𝐾04. 𝑛𝑐 = 0
𝐺𝑃𝐾05. 𝑛𝑐 = 0
𝐺𝑃𝐾09. 𝑛𝑐 = 0
𝐺𝑃𝐾19. 𝑛𝑐 = 0
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏5 (𝐺𝑃𝐾01|PKG05) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏5 (𝐺𝑃𝐾04|PKG05) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏5 (𝐺𝑃𝐾05|PKG05) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏5 (𝐺𝑃𝐾09|PKG05) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 0 + 24 ∗ 0,2
𝑏5 (𝐺𝑃𝐾19|PKG05) = = = 0,192
𝑛+𝑔 1 + 24
𝑛𝑐 + 𝑔 ∗ 𝑝 1 + 24 ∗ 0,2
𝑏(PKG05) = = = 0,232
𝑛+𝑔 1 + 24
2. Menghitung nilai probabilitas total untuk setiap penyakit karies yang
terdapat pada BAB II dengan nomor rumus 2.3.
a. Penyakit ke-1: Penyakit Karies Superfisialis
= 𝑏(𝑃𝐾𝐺 ) × [𝑏1 (𝐺𝑃𝐾01|PKG01) × 𝑏1 (𝐺𝑃𝐾04|PKG01)
× 𝑏1 (𝐺𝑃𝐾05|PKG01) × 𝑏1 (𝐺𝑃𝐾09|PKG01)
× 𝑏1 (𝐺𝑃𝐾19|PKG01)]
= 0,232 × [0,232 × 0,232 × 0,232 × 0,192 × 0,192]
= 0,0106795854987264
44
b. Penyakit ke-2: Penyakit Karies Media

= 𝑏(𝑃𝐾𝐺 ) × [𝑏2 (𝐺𝑃𝐾01|PKG02) × 𝑏2 (𝐺𝑃𝐾04|PKG02)
× 𝑏2 (𝐺𝑃𝐾05|PKG02) × 𝑏2 (𝐺𝑃𝐾09|PKG02)
× 𝑏2 (𝐺𝑃𝐾19|PKG02)]
= 0,232 × [0,192 × 0,192 × 0,192 × 0,232 × 0,192]
= 7,3144366792704E-5
c. Penyakit ke-3: Penyakit Karies Profunda
= 𝑏(𝑃𝐾𝐺 ) × [𝑏3 (𝐺𝑃𝐾01|PKG03 × 𝑏3 (𝐺𝑃𝐾04|PKG03)
× 𝑏3 (𝐺𝑃𝐾05|PKG03) × 𝑏3 (𝐺𝑃𝐾09|PKG03)
× 𝑏3 (𝐺𝑃𝐾19|PKG03)]
= 0,232 × [0,192 × 0,192 × 0,192 × 0,232 × 0,192]
= 7,3144366792704E-5
d. Penyakit ke-4: Penyakit Karies Pulpitis Kronik
× 𝑏4 (𝐺𝑃𝐾05|PKG04) × 𝑏4 (𝐺𝑃𝐾09|PKG04)
× 𝑏4 (𝐺𝑃𝐾19|PKG04)]
= 0,232 × [0,192 × 0,192 × 0,192 × 0,232 × 0,192]
= 7,3144366792704E-5
e. Penyakit ke-5: Penyakit Karies Pulpitis Akut
× 𝑏5 (𝐺𝑃𝐾05|PKG05) × 𝑏5 (𝐺𝑃𝐾09|PKG05)
× 𝑏5 (𝐺𝑃𝐾19|PKG05)]
= 0,232 × [0,192 × 0,192 × 0,192 × 0,232 × 0,192]
= 7,3144366792704E-5
4.3.5 Hasil Perhitungan Metode Naive Bayes
Berdasarkan hasil perhitungan diatas dengan menggunakan metode Naive

Bayes. Maka diperoleh hasil klasifikasi probabilitas dari setiap penyakit yang memiliki
hasil perkalian tertinggi. Dapat dilihat pada Tabel 4.6 sebagai berikut:
45
Tabel 4.6 Hasil Perhitungan

Kode Penyakit Jenis Penyakit Nilai Probabilitas
PKG01 Karies Superfisialis 0,010679585498726
PKG02 Karies Media 7,3144366792704E-5
PKG03 Karies Profunda 7,3144366792704E-5
PKG04 Karies Pulpitis Kronik 7.3144366792704E-5
PKG05 Karies Pulpitis Akut 6.0533269069824E-5
Tabel 4.4 adalah hasil percobaan perhitungan menggunakan metode Naïve

Bayes yang dikerjakan secara manual. Dari hasil tersebut diperoleh nilai probabilitas
terbesar adalah 0,010679585498726. Maka dapat disimpulkan bahwa gigi pasien ke-1
mengalami penyakit karies superfisialis.
4.4 Perancangan Sistem
Perancangan sistem memiliki tujuan yang berguna untuk memberikan gambaran

yang jelas dan rancang bangun yang lengkap sehingga memenuhi kebutuhan pengguna
sistem. Perancangan sistem memiliki beberapa desain yaitu desain output¸desain input,
dan desain file (database). Rancangan dari desain ini dijadikan sebagai acuan dalam
merancang suatu sistem yang baru sehingga memperoleh hasil maksimal.
4.4.1 Desain Output
Keluaran (output) pada umumnya merupakan hasil dari proses yang dapat
disajikan dalam bentuk laporan. Desain output berguna untuk menetapkan output-
output apa yang diperlukan dan bagaimana bentuk output yang diinginkan. Desain
Output dalam perancangan sistem ini sebagai berikut:
1. Desain Laporan Hasil Konsultasi User
Desain laporan hasil konsultasi ini pasien dapat melihat hasil konsultasi
yang telah dilakukannya dengan sistem. Hasil konsultasi ini ditampilkan
setelah proses konsultasi yang telah dilakukan oleh pasien. Analisa desain
46
tampilan output konsultasi pasien dengan sistem dapat dilihat pada

Gambar 4.3 berikut ini.
Gambar 4.3 Desain Laporan Hasil Konsultasi Pasien

2. Desain Laporan Konsultasi
Pada desain laporan konsultasi admin dapat melihat data pasien yang
melakukan konsultasi. Desain Hasil Konsultasi ini merupakan bentuk
tampilan hasil setelah pasien melakukan konsultasi dan dilihat secara
keseluruhan pasien. Analisa desain tampilan output konsultasi dengan
sistem dapat dilihat pada Gambar 4.4 berikut ini.
Gambar 4.4 Desain Laporan Konsultasi
4.4.2 Desain Input
Desain input merupakan suatu alat pemasukan data yang dibutuhkan dalam
proses memasukkan data yang disajikan dalam bentuk form. Desain input juga menjadi
47
antar muka terhadap pengguna seperti admin dan pasien. Adapun rancangan desain
input pada sistem pakar dengan menggunakan metode Naive Bayes dalam
mengidentifikasi penyakit karies pada gigi manusia dapat digambarkan seperti berikut.
1. Desain Halaman Login Admin
Halaman Login Admin merupakan halaman dimana admin bisa
masuk ke dalam sistem agar dapat mengakses sistem. Saat login admin
harus mengisi username dan password yang hanya diketahui oleh admin
sendiri. Dengan bentuk rancangan seperti Gambar 4.5
Gambar 4.5 Desain Halaman Login Admin

2. Desain Halaman Daftar
Halaman daftar merupakan halaman yang terlihat oleh user untuk
melakukan pendaftaran akun sebelum melakukan konsultasi. Saat daftar
akun user harus mengisi data diri yang tersedia di sistem. Dengan bentuk
rancangan seperti Gambar 4.6.
Gambar 4.6 Desain Halaman Daftar

48
3. Desain Halaman Login Pasien

Halaman Login Pasien merupakan halaman dimana pasien bisa
masuk ke dalam sistem. Saat login pasien harus mengisi username dan
password yang hanya diketahui oleh pasien sendiri dan terdapat sudah
melakukan daftar akun. Dengan bentuk rancangan seperti Gambar 4.7.
Gambar 4.7 Desain Halaman Login Pasien

4. Desain Halaman Input Penyakit Karies
Desain input penyakit karies merupakan pengentrian data penyakit
karies yang dilakukan oleh admin. Data penyakit karies yang dimasukkan
berupa data kode penyakit karies, nama penyakit karies, keterangan serta
solusi dari penyakit karies. Dengan bentuk rancangan seperti Gambar 4.8.
Gambar 4.8 Desain Halaman Input Penyakit Karies

49
5. Desain Halaman Input Gejala Penyakit Karies

Desain input gejala penyakit karies merupakan pengentrian data
gejala yang dilakukan oleh admin. Data gejala penyakit karies yang
dimasukkan berupa data kode gejala penyakit karies dan gejala penyakit
karies. Dengan bentuk rancangan seperti Gambar 4.9.
Gambar 4.9 Desain Halaman Input Gejala Penyakit Karies

6. Desain Halaman Input Rule Penyakit Karies
Desain input rule penyakit karies merupakan pengentrian data rule yang
dimasukkan oleh admin. Data rule penyakit karies yang dimasukkan
berupa data kode penyakit karies, kode gejala penyakit karies dan nilai
probabilitas. Dengan bentuk rancangan seperti Gambar 4.10
Gambar 4.10 Desain Halaman Input Rule Penyakit Karies
4.4.3 Desain File (Database)
Desain file (database) sangat diperlukan untuk menentukan isi data yang
dibutuhkan sistem. File-file tersebut terdiri dari beberapa record, record terdiri dari
beberapa field, setiap record nantinya akan menampung data-data untuk mendapatkan
suatu informasi. Bentuk dari desain file (database) dapat dilihat sebagai berikut.
50
1. File Admin
Merupakan struktur file tempat merekam data-data admin. File admin
digunakan pada saat proses login sebagai admin. Dengan bentuk struktur
seperti pada tabel 4.7.
Tabel 4.7 Desain File Admin
Nama database : nb_karies
Nama tabel : pk_admin
Field key : id_admin
Name Fields Type Length Description
id_admin int 11 Id Admin
username varchar 15 Username
password varchar 255 Password
nm_admin varchar 1 Nama Admin
level tinyint 4 Level
email varchar 70 Email
Total 455 Bytes
2. File Pasien
Merupakan struktur file tempat merekam data-data pasien. File pasien
digunakan pada saat proses login sebagai pasien. Dengan bentuk struktur
seperti pada tabel 4.8.
Tabel 4.8 Desain File Pasien
Nama tabel : pk_pasien
Field key : id_pasien
id_pasien int 11 Id Pasien
username varchar 10 Username
password varchar 255 Password
nm_pasien varchar 1 Nama Pasien
alamat text - Alamat
jekel enum - Jenis Kelamin
nohp varchar 15 No Handphone
umur varchar 10 Umur Pasien
status tinyint 4 Status
Total 405 Bytes
51
3. File Karies
Merupakan struktur file tempat merekam data-data penyakit karies. Data
tersebut yang nantinya akan membantu pasien melihat penyakit yang di
derita. Dengan bentuk struktur seperti pada tabel 4.9.
Tabel 4.9 Desain File Karies
Nama tabel : pk_karies
Field key : kd_karies
kd_karies varchar 10 Kode Penyakit Karies
nm_karies varchar 1 Nama Penyakit Karies
keterangan text - Keterangan Penyakit Karies
solusi text - Solusi Penyakit Karies
Total 110 Bytes
4. File Gejala
Merupakan struktur file tempat merekam data-data gejala penyakit karies.
Data tersebut yang nantinya akan menampilkan data-data gejala yang
dirasakan pasien yang nantinya pasien akan memilih gejala yang dirasakan.
Dengan bentuk struktur seperti pada tabel 4.10.
Tabel 4.10 Desain File Gejala
Nama tabel : pk_gejala
Field key : kd_gejala
kd_gejala varchar 10 Kode Gejala
gejala varchar 255 Gejala Penyakit Karies
Total 265 Bytes
5. File Rule
Merupakan struktur file tempat merekam data-data rule penyakit karies.
Data tersebut yang nantinya akan digunakan dalam memproses data
penyakti dan gejala sehingga mendapatkan hasil konsultasi. Dengan bentuk
struktur seperti pada tabel 4.11.
52
Tabel 4.11 Desain File Rule

Nama tabel : pk_rule
Field key : id_rule
id_rule int 11 Id Admin
kd_gejala varchar 10 Kode Gejala Penyakit Karies
prob float - Nilai Probabilitas
Total 31 Bytes
6. File Konsul
Merupakan struktur file tempat merekam data-data konsul. Data tersebut
yang nantinya akan menyimpan data gejala yang dirasakan oleh pasien.
Dengan bentuk struktur seperti pada tabel 4.12.
Tabel 4.12 Desain File Konsul
Nama tabel : pk_konsul
Field key : id_konsul
id_konsul int 11 Id Konsul
kd_gejala varchar 10 Kode Gejala
Total 21 Bytes
7. File Konsultasi
Merupakan struktur file tempat merekam data-data konsultasi. Data
tersebut yang nantinya akan membantu pasien melihat penyakit yang di
derita. Dengan bentuk struktur seperti pada tabel 4.13.
Tabel 4.13 Desain File Konsultasi
Nama tabel : pk_konsultasi
Field key : id_konsul
id_konsul int 11 Id Konsultasi
id_pasien int 11 Id Pasien
hasil double - Hasil Kemungkinan
tgl_konsul date - Tanggal Konsultasi
Total 32 Bytes
BAB V
IMPLEMENTASI DAN HASIL
5.1 Implementasi Sistem
Implementasi sistem merupakan tahap meletakkan sistem yang baru

dikembangkan supaya nantinya sistem tersebut siap untuk dioperasikan sesuai dengan
diharapkan. Implementasi sistem merupakan bagian dari siklus pengembangan sistem.
Implementasi juga merupakan penerapan dari elemen-elemen yang telah didesain
dalam bentuk pemrograman untuk menghasilkan suatu tujuan yang dibuat berdasarkan
kebutuhan terhadap hardware, software dan brainware.
Jadi ketiga komponen di atas memiliki komponen abstrak dari susunan sistem
komputer, dan hardware akan hidup dan memiliki fungsi jika digunakan bersama-sama
dengan software sedangkan brainware adalah orang yang akan mengoperasikan
program, tanpa brainware komputer tidak akan bisa beroperasi. Dan supaya
implementasi berjalan dengan baik dan sesuai dengan yang diharapkan, maka suatu
rencana implementasi perlu dibuat terlebih dahulu. Rencana implementasi ini
dimaksudkan untuk mengatur biaya serta waktu yang dibutuhkan selama tahap
implementasi.
5.2 Hasil Pengujian Sistem
Pengujian terhadap sistem dilakukan untuk untuk mengetahui sejauh mana

sistem yang sudah dirancang dapat mengatasi masalah, serta untuk mengetahui
hubungan antar komponen sistem. Tampilan program yang menjelaskan tentang
54
proses dimulainya sampai program ini selesai dieksekusi. Berikut ini tahap-tahap
pengujian program Sistem Pakar menggunakan metode Naive Bayes dalam
mengidentifikasi penyakit karies pada gigi manusia.
1. Halaman Menu Utama
Menu utama merupakan tampilan menu utama pada saat membuka
aplikasi. Pada halaman menu utama ini akan ditampilkan menu-menu yang
bisa diakses oleh semua user. Tampilan menu utama dapat dilihat pada
Gambar 5.1 berikut.
Gambar 5.1 Halaman Menu Utama

2. Halaman Penyakit Karies
Pada halaman penyakit karies ini menampilkan sedikit penjelasan
informasi penyakit karies pada gigi. Pada halaman penyakit karies ini akan
ditampilkan informasi penyakit karies yang bisa diakses oleh semua user.
Tampilan halaman penyakit karies dapat dilihat pada Gambar 5.2 berikut.
Gambar 5.2 Halaman Penyakit Karies

55
3. Halaman Daftar
Halaman daftar pasien akan menampilkan form daftar user, dimana
pasien terlebih dahulu mendaftarkan diri sebagai user untuk konsultasi. Di
dalam form daftar user, pasien harus mengisi data-data lengkap sehingga
pasien bisa terdaftar dan memiliki username dan password untuk
melakukan login. Tampilan halaman daftar dapat dilihat pada Gambar 5.3
berikut.
Gambar 5.3 Halaman Daftar

4. Halaman Login
Halaman login digunakan untuk pasien agar bisa masuk ke sistem
sehingga pasien dapat melakukan konsultasi terhadap sistem. Setelah pasien
melakukan konsultasi pasien dapat mengetahui apa yang terjadi pada gigi.
Tampilan halaman login dapat dilihat pada Gambar 5.4 berikut.
Gambar 5.4 Halaman Login

56
5. Halaman Konsultasi
Halaman menu konsultasi menampilkan proses konsultasi pasien
dengan Sistem Pakar. Pada halaman ini pasien dapat memilih gejala dengan
cara menceklist gejala-gejala yang dirasakan. Tampilan halaman konsultasi
dapat dilihat pada Gambar 5.5 berikut.
Gambar 5.5 Halaman Konsultasi

6. Halaman Hasil Konsultasi
Halaman hasil konsultasi menampilkan hasil konsultasi pasien dengan
Sistem Pakar sesuai dengan gejala yang dipilih oleh pasien. Halaman ini
akan menampilkan identitas pasien, hasil perhitungan dengan metode Naive
Bayes, jenis penyakit karies yang dialami, keterangan beserta solusi dalam
mencegah jenis penyakit karies. Dari hasil diagnosa pasien juga dapat
mencetak hasil diagnosa. Tampilan halaman hasil konsultasi dapat dilihat
pada Gambar 5.6 dan Gambar 5.7 berikut.
Gambar 5.6 Halaman Hasil Konsultasi

57
Gambar 5.7 Halaman Cetak Hasil Konsultasi

7. Halaman Riwayat Konsultasi
Halaman riwayat konsultasi menampilkan hasil konsultasi yang
pernah dilakukan oleh pasien sebelumnya. Halaman ini akan menampilkan
jenis penyakit, tanggal konsultasi, dan hasil perhitungan metode Naive
Bayes. Tampilan halaman riwayat konsultasi dapat dilihat pada Gambar 5.8
berikut.
Gambar 5.8 Halaman Riwayat Konsultasi

8. Halaman Login Admin
Halaman login admin menampilkan proses memasukkan username
dan password yang dilakukan oleh admin. Halaman login admin ini juga
58
digunakan untuk dapat masuk ke dalam sistem. Tampilan halaman login

admin dapat dilihat pada Gambar 5.9 berikut.
Gambar 5.9 Halaman Login Admin

9. Halaman Dashboard Admin
Halaman dashboard admin merupakan tampilan utama setelah admin
melakukan login serta menampilkan data konsultasi. Halaman ini juga berisi
menu-menu yang dapat diakses oleh admin. Tampilan halaman dashboard
admin dapat dilihat pada Gambar 5.10 berikut.
Gambar 5.10 Halaman Dashboard Admin

10. Halaman Data Penyakit Karies
Halaman data penyakit karies ini menampilkan daftar penyakit karies.
Halaman ini hanya dapat dilakukan proses input, ubah dan hapus data
penyakit karies yang hanya dapat diakses oleh admin. Tampilan halaman
data penyakit karies dapat dilihat pada Gambar 5.11 berikut.
59
Gambar 5.11 Halaman Data Penyakit Karies

11. Halaman Data Gejala Karies
Halaman data gejala penyakit karies ini menampilkan daftar gejala
penyakit karies. Halaman ini hanya dapat dilakukan proses input, ubah dan
hapus data gejala penyakit karies yang hanya dapat diakses oleh admin.
Tampilan halaman data penyakit karies dapat dilihat pada Gambar 5.12
berikut.
Gambar 5.11 Halaman Data Gejala Karies

12. Halaman Data Rule
Halaman data rule ini menampilkan daftar rule penyakit karies.
Halaman ini hanya dapat dilakukan proses input, ubah dan hapus data rule
penyakit karies yang hanya dapat diakses oleh admin. Tampilan halaman
data rule dapat dilihat pada Gambar 5.13 berikut.
60
Gambar 5.13 Halaman Data Rule

13. Halaman Data Konsultasi
Halaman data konsultasi ini menampilkan daftar konsultasi pasien.
Halaman ini hanya dapat dilakukan proses cetak data konsultasi yang hanya
dapat diakses oleh admin. Tampilan halaman data konsultasi dapat dilihat
pada Gambar 5.14 berikut.
Gambar 5.14 Halaman Data Konsultasi

14. Halaman Data Admin
Halaman data admin ini menampilkan daftar admin. Halaman ini
hanya dapat dilakukan proses input, ubah, hapus dan profil admin yang
hanya dapat diakses oleh admin. Tampilan halaman data admin dapat dilihat
pada Gambar 5.15 berikut.
61
Gambar 5.15 Halaman Data Admin

15. Halaman Data Pasien
Halaman data pasien ini menampilkan daftar pasien. Halaman ini
hanya dapat dilakukan proses ubah, hapus data pasein yang hanya dapat
diakses oleh admin. Tampilan halaman data pasien dapat dilihat pada
Gambar 5.16 berikut.
Gambar 5.16 Halaman Data Pasien

16. Halaman Laporan Konsultasi
Halaman laporan konsultasi ini admin dapat melihat siapa saja yang
telah melakukan konsultasi terhadap sistem. Admin dapat mencetak laporan
hasil konsultasi. Tampilan laporan konsultasi dapat dilihat pada Gambar
5.17 berikut.
62
Gambar 5.17 Halaman Laporan Konsultasi
Pengujian terhadap beberapa data pasien yang terdapat pada Gambar 5.17 yang
dilakukan untuk melihat seberapa besar tingkat akurasi hasil Sistem Pakar dengan hasil
yang diberikan oleh pakar. Dalam pengujian ini dilakukan kepada 23 pasien dengan
menggunakan aplikasi Sistem Pakar. Hasil pengujian didapatkan tingkat persentase
dari penyakit karies pada gigi manusia yang bersumber dari informasi drg. Agus
Nikmala Putra berupa data konsultasi pasien.
Metode pengujian yang dilakukan dengan menggunakan cara pengujian validasi.

Pengujian validasi bertujuan untuk membandingkan hasil perhitungan manual dengan
hasil perhitungan di sistem sehingga didapatkan hasil yang valid antar sistem dan
perhitungan manual. Hasil validasi yang bernilai 1 merupakan hasil diagnosa sistem
sesuai dengan diagnosa yang diberikan pakar. Sebaliknya, hasil validasi yang bernilai
0 merupakan hasil diagnosa sistem yang tidak sesuai dengan diagnosa yang diberikan
pakar. Berikut hasil pengujian sistem dengan menggunakan 23 data konsultasi pasien
beserta perbandingan hasil perhitungan manual dan dengan hasil diagnosa pakar dapat
dilihat pada Tabel 5.1.
63
Tabel 5.1 Perbandingan Hasil Diagnosa Sistem Dengan Pakar

Diagnosa Dari Diagnosa Dari
Nama Gejala Validasi
Pakar Sistem Pakar
1. Gigi terasa berlubang.
2. Ada lubang hitam di
permukaan gigi.
3. Kedalaman lubang Karies Karies
Pasien 1 1
kecil. Superfisialis Superfisialis
4. Gigi terasa ngilu.
5. Jika makan gigi akan
lebih terasa sakit.
1. Gigi berlubang.
2. Lubang berwarna
coklat.
3. Gigi sakit apabila
Pasien 2 Karies Media Karies Media 1
diketuk.
4. Gigi agak nyeri.
lebih terasa sakit.
1. Gigi ngilu berdenyut-
denyut.
Karies
Pasien 3 diketuk. Karies Profunda 1
Profunda
4. Terjadi pembengkakan
pada gusi.
5. Gigi sangat nyeri.
6. Gigi tanggal.
1. Gigi berlubang.
2. Lubang berwarna
coklat.
Pasien 4 3. Gigi sakit apabila Karies Media Karies Media 1
diketuk.
5. Gigi tanggal.
1. Tidak terkena
rangsangan gigi tetap
terasa sakit.
2. Gigi kadang sulit
untuk mengunyah.
3. Kadang sakit kepala
Karies Pulpitis Karies Pulpitis
Pasien 5 pada gigi bagian sisi 1
Kronik Kronik
yang sakit.
4. Gusi berdenyut < 1
menit.
pada gusi.
64
Tabel 5.1 Perbandingan Hasil Diagnosa Sistem Dengan Pakar (Lanjutan)

Diagnosa Dari Diagnosa Dari
Nama Gejala Validasi
Pakar Sistem Pakar
1. Antar gigi bagian atas
dan bawah yang belum
bersentuhan, namun
gigi tersebut terasa
sudah bersentuhan.
2. Gusi berdenyut > 1
Karies Pulpitis Karies Pulpitis
Pasien 6 menit. 1
Akut Akut
3. Tidak dapat digunakan
untuk mengunyah
karena gigi akan terasa
sakit.
diketuk.
2. Gigi tidak ada rasa
ngilu.
3. Gigi tidak sakit apabila
Karies Karies
Pasien 7 diketuk. 1
Superfisialis Superfisialis
4. Ada Lubang Hitam di
permukaan Gigi.
pada gusi.
denyut.
2. Gigi berlubang.
3. Lubang berwarna
coklat.
Karies
Pasien 8 4. Gigi sakit apabila Karies Profunda 1
Profunda
diketuk.
pada gusi.
7. Gigi tanggal.
1. Gigi berlubang.
menit.
Pasien 9 3. Gigi sakit apabila Karies Media Karies Media 1
diketuk.
5. Gigi agak nyeri.
65

Diagnosa
Diagnosa Dari
Nama Gejala Dari Sistem Validasi
Pakar
Pakar
1. Tidak terkena
terasa sakit.
2. Gigi kadang sulit untuk
mengunyah.
Karies
3. Kadang sakit kepala Karies Pulpitis
Pasien 10 Pulpitis 1
pada gigi bagian sisi Kronik
Kronik
yang sakit.
menit.
lebih terasa sakit.
1. Tidak terkena
terasa sakit.
mengunyah.
Karies Karies
Pasien 11 3. Gigi tidak sakit apabila 1
diketuk.
permukaan Gigi.
5. Kedalaman lubang
kecil.
1. Kedalaman lubang
kecil.
2. Gigi berlubang.
3. Gigi terasa ngilu. Karies
Pasien 12 Karies Profunda 0
4. Gigi sangat nyeri. Media
5. Dapat terjadi bengkak
namun tidak
berkepanjangan.
1. Tidak terkena
terasa sakit.
Karies
mengunyah. Karies Pulpitis
Pasien 13 Pulpitis 1
3. Kadang sakit kepala Kronik
Kronik
pada gigi bagian sisi
yang sakit.
4. Kedalaman lubang
kecil.
66

Diagnosa
Diagnosa Dari
Pakar
Pakar
permukaan Gigi.
2. Kedalaman lubang
kecil. Karies
Pasien 14 Karies Media 1
3. Gigi sakit apabila Media
diketuk.
5. Gigi agak nyeri.
1. Gigi tidak sakit apabila
diketuk.
permukaan Gigi.
Karies Karies
Pasien 15 3. Kedalaman lubang 1
kecil.
4. Gigi berlubang.
5. Lubang berwarna
coklat.
denyut.
menit.
Karies
Pasien 16 4. Gigi terasa berlubang. Karies Profunda 1
Profunda
pada gusi.
lebih terasa sakit.
7. Gigi tanggal.
2. Gigi tidak ada rasa
ngilu.
3. Gigi tidak sakit apabila Karies Karies
Pasien 17 1
diketuk. Superfisialis Superfisialis
lebih terasa sakit.
5. Gigi tanggal.
1. Tidak terkena
terasa sakit.
mengunyah.
yang sakit.
67

Diagnosa
Diagnosa Dari
Pakar
Pakar
Pasien 18 4. Gusi berdenyut < 1 Karies Pulpitis Karies 1
menit. Kronik Pulpitis
5. Jika makan gigi akan Kronik
lebih terasa sakit.
6. Dapat terjadi bengkak
namun tidak
berkepanjangan.
1. Gigi berlubang.
2. Lubang berwarna
coklat.
diketuk. Karies
4. Gigi kadang sulit untuk Superfisialis
mengunyah.
yang sakit.
bersentuhan, namun
sudah bersentuhan.
menit. Karies
Karies Pulpitis
Pasien 20 3. Jika makan Pulpitis 1
Akut
menyebabkan sakit Akut
yang mengganggu.
yang sakit.
permukaan Gigi.
diketuk.
3. Gigi agak nyeri. Karies
4. Gigi ngilu berdenyut- Profunda
denyut.
menit.
68

Diagnosa
Diagnosa Dari
Pakar
Pakar
bersentuhan, namun
sudah bersentuhan.
2. Jika makan
menyebabkan sakit Karies
Karies Pulpitis
Pasien 22 yang mengganggu. Pulpitis 1
Akut
3. Tidak dapat digunakan Akut
untuk mengunyah
karena gigi akan terasa
sakit.
4. Gigi berlubang.
5. Lubang berwarna
coklat.
diketuk.
pada gusi.
3. Gigi ngilu berdenyut- Karies
Pasien 23 Karies Profunda 0
denyut. Superfisialis
permukaan Gigi.
5. Kedalaman lubang
kecil.
Pada Tabel 5.1 merupakan tabel hasil pengujian data hasil diagnosa pasien dari
pakar yang telah diimplementasikan kedalam program Sistem Pakar. Dalam
menghitung tingkat akurasi Sistem Pakar, maka digunakan rumus tingkat akurasi yang
terdapat pada BAB II dengan nomor rumus 2.4 yang merupakan rumus tingkat akurasi
probabilitas. Dari hasil pengujian akurasi di Tabel 5.1 yang menggunakan 23 data
konsultasi pasien, dari 23 data konsultasi terdapat 4 validasi yang tidak cocok antara
diagnosa sistem dengan diagnosa pakar, maka menghasilkan nilai akurasi sebesar.
𝑘
𝑁𝑖𝑙𝑎𝑖 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100%
𝑁
19
𝑁𝑖𝑙𝑎𝑖 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥100% = 83.61%
23
69
Dari hasil probabilitas diatas maka nilai akurasi sistem didapatkan hasil akurasi
antara perhitungan pakar dengan sistem. Berdasarkan hasil tersebut, maka disimpulkan
bahwa akurasi Sistem Pakar yang berdasarkan pada 23 data konsultasi pasien yang
diuji adalah 83.61%. Berdasarkan tingkat akurasi dari hasil implementasi terhadap
sistem, maka penelitian sangat tepat dalam mengidentifikasi penyakit karies pada gigi
manusia secara awal.
BAB VI
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Adapun kesimpulan yang didapatkan dari penelitian dalam membangun Sistem

Pakar dengan menggunakan metode Naive Bayes dalam mengidentifikasi penyakit
karies pada gigi manusia. Setelah dari berbagai penjelasan dan pembahasan yang telah
diuraikan dalam penelitian ini. Dari hal tersebut maka dapat ditarik beberapa
kesimpulan yaitu:
1. Berdasarkan hasil pengujian dari 23 data konsultasi pasien, didapatkan
bahwa metode Naive Bayes yang diaplikasikan pada Sistem Pakar ini
berguna untuk mengidentifikasi penyakit karies pada gigi manusia serta
membantu masyarakat dalam menentukan tindakan yang tepat dalam
menangani penyakit karies pada gigi. Sistem Pakar mengidentifikasi
penyakit karies gigi yang telah diuji dengan membandingkan hasil diagnosa
sistem dengan diagnosa dari pakar sehingga mendapatkan nilai akurasi
sebesar 83,61% dari 23 data konsultasi terdapat 4 validasi yang tidak cocok
antara diagnosa sistem dengan diagnosa pakar.
2. Sistem pakar ini telah membantu masyarakat dalam mengenali dan
mendapatkan informasi tentang penyakit karies pada gigi. Sistem Pakar ini
juga dapat digunakan untuk melakukan tindakan dini dalam mencegah
penyakit karies pada gigi. Aplikasi Sistem Pakar yang dirancang sangat tepat
dalam mengidentifikasi penyakit karies pada gigi manusia secara awal.
71
6.2 Saran
Pada penelitian dalam membangun Sistem Pakar dengan menggunakan metode

Naive Bayes dalam mengidentifikasi penyakit karies pada gigi manusia ini tentu masih
banyak kekurangan yang dapat disempurnakan lagi pada penelitian berikutnya. Agar
Sistem Pakar ini dapat menjadi lebih sempurna. Terdapat beberapa saran yang dapat
diberikan diantaranya:
1. Sistem Pakar dengan menggunakan metode Naive Bayes dalam penyakit
karies pada gigi manusia, selanjutnya memberikan informasi tentang dokter
yang tepat dalam menangani dan mengobati penyakit karies gigi.
2. Sistem Pakar dengan menggunakan metode Naive Bayes dalam penyakit
karies pada gigi manusia, selanjutnya diharapkan dapat menggunakan
metode yang berbeda serta membandingkan metode Naive Bayes dengan
metode Certainty Factor atau metode yang lain untuk mendapatkan hasil
yang lebih baik.
DAFTAR PUSTAKA
Abdussalaam, F., & Mardiansyah Ramadhan, M. (2019). Perancangan Sistem

Informasi Work Order Dengan Metode Iteratif Menggunakan Framework
Codeigniter (Studi Kasus :Cv Sirna Miskin Bandung). Jurnal E-Komtek
(Elektro-Komputer-Teknik), 3(1), 35–48. DOI: https://doi.org/10.37339/e-
komtek.v3i1.129
Aldo, D., & Ardi. (2019). Sistem Pakar Diagnosa Penyakit Limfoma dengan Metode
Certainty Factor. SATIN - Sains Dan Teknologi Informasi, 5(1), 60–69. DOI:
https://doi.org/10.33372/stn.v5i1.459
Aminudin, N., Taufiq, T., & Amaliah, I. B. (2019). Aplikasi Web Mobile Sistem
Pakar Diagnosa Penyakit Ayam Ras Petelur. Jurnal TAM (Technology
Acceptance Model), 10(1), 33–40.
Arysespajayadi, A., Sutoyo, M. N., & Qammaddin, Q. (2019). Implementasi

Metode Certainty Factor pada Sistem Pakar Diagnosa Penyakit Karies Gigi.
Jurnal Sains Dan Informatika, 5(2), 167–176. DOI:
https://doi.org/10.34128/jsi.v5i2.188
Budiman, D. A., & Nugraha, D. M. (2019). Aplikasi Raport Online Berbasis Web
menggunakan framework CodeIgniter (Studi Kasus di SMK Angkasa 1
Margahayu). Jurnal Computech & Bisnis, 13(2), 112–121.
Burhani, H. R., Fitri, I., & Andrianingsih, A. (2021). Perbandingan Naïve bayes
dan Certainty factor pada Sistem Pakar Untuk Mendiagnosa Dini Penyakit
Glaukoma. Jurnal JTIK (Jurnal Teknologi Informasi Dan Komunikasi), 5(3),
291–299. DOI: https://doi.org/https://doi.org/10.35870/jti k.v5i3.183
Cahaya Khairani, Y., & Nurcahyo, G. W. (2020). Sistem Pakar dalam

Mengidentifikasi Tingkat Keparahan Penyakit pada Tanaman Kelapa Sawit
Menggunakan Framework Codeigniter. Jurnal Informasi Dan Teknologi, 3, 53–
57. DOI: https://doi.org/10.37034/jidt.v3i1.113
Efendi, R., Fauziah, F., & Gunaryati, A. (2021). Diagnosa Penyakit Tanaman Cabai
menggunakan Metode Forward Chaining dan Naïve Bayes. Jurnal JTIK (Jurnal
Teknologi Informasi Dan Komunikasi), 5(2), 164. DOI:
https://doi.org/10.35870/jtik.v5i2.208
Ervinaeni, Y., Hidayat, A. S., & Riana, E. (2019). Sistem Pakar Diagnosa Gangguan
Hiperaktif Pada Anak Dengan Metode Naive Bayes Berbasis Web. Jurnal Media
73
Informatika Budidarma, 3(2), 90-104. DOI:

https://doi.org/10.30865/mib.v3i2.1158
Fadllullah, A., Rudy, R., & Sultan, M. (2021). Rancang Bangun Simdalev Berbasis
Framework CodeIgniter-Harviacode untuk Manajemen Pengendalian dan
Evaluasi Pembangunan Daerah Kabupaten Tana Tidung. Jurnal Teknik
Komputer AMIK BSI, 7(1), 1–10. DOI:
https://doi.org/https://doi.org/10.31294/jtk.v7i1.8953
Habibie, D. R., & Aldo, D. (2019). Sistem Pakar Untuk Identifikasi Jenis Jerawat
Dengan Metode Certainity Factor. JOINTECS (Journal of Information
Technology and Computer Science), 4(3), 79–86. DOI:
https://doi.org/10.31328/jointecs.v4i3.1055
Hidayat, A. T. (2019). Perancangan Sistem Informasi Tingkat Kemiskinan Di Kota

Lubuklinggau Berbasis Web Menggunakan Framework Codeigniter. JUSIM
(Jurnal Sistem Informasi Musirawas), 4(02), 97–108. DOI:
https://doi.org/10.32767/jusim.v4i02.636
Ilham Insani, M., Alamsyah, A., & Putra, A. T. (2018). Implementation of Expert
System for Diabetes Diseases using Naïve Bayes and Certainty Factor Methods.
Scientific Journal of Informatics, 5(2), 185–193. DOI:
https://doi.org/10.15294/sji.v5i2.16143
Irfansyah, G., Darusallam, U., & Benrahman, B. (2020). Early Diagnosis Expert
System Hepatitis Using Naive Bayes Method. Jurnal Mantik, 3(4), 182–187.
Istiqhfarani, W. A., Cholissodin, I., & Bachtiar, F. A. (2020). Klasifikasi Penyakit

Dental caries menggunakan Algoritme Modified K-Nearest Neighbor. Jurnal
Pengembangan Teknologi Informasi Dan Ilmu Komputer, 4(5), 1499–1506.
Kurnia, D. (2018). Identifikasi Obesitas Pada Balita Di Posyandu Berbasis Artificial

Intelligence. Jurnal Sains Dan Informatika, 4(1), 76–86. h DOI:
https://doi.org/10.22216/jsi.v4i1.3370
Kurniawan, A., Sumijan, & Jufriadif Na’am. (2019). Sistem Pakar Identifikasi
Modalitas Belajar Siswa Menggunakan Metode Forward Chaining. Jurnal
RESTI (Rekayasa Sistem Dan Teknologi Informasi), 3(3), 518–523. DOI:
https://doi.org/10.29207/resti.v3i3.1166
Laylatul Husna, N., & Bimantoro, F. (2020). Sistem Pakar Diagnosa Awal Penyakit
Mata dengan Metode Bayesian Network. Journal of Computer Science and
Informatics Engineering (J-Cosine), 4(2), 139–148. DOI:
https://doi.org/10.29303/jcosine.v4i2.287
Minarni, M., & Irawan, P. (2019). Implementasi Metode Naive Bayes Untuk
Diagnosa Penyakit Lambung. Jurnal TeknoIf, 7(2), 115. DOI:
https://doi.org/10.21063/jtif.2019.v7.2.115-123
74
Muhajir, A., & Chotijah, U. (2020). Aplikasi Berbasis Web Browser Untuk
Mendiagnosa Kerusakan Laptop Dengan Metode Naive Baye. JIPI (Jurnal
Ilmiah Penelitian Dan Pembelajaran Informatika), 5(2), 112. DOI:
https://doi.org/10.29100/jipi.v5i2.1790
Nababan, M., Laia, Y., Sitanggang, D., Sihombing, O., Indra, E., Siregar, S.,
Purba, W., & Mancur, R. (2018). The diagnose of oil palm disease using Naive
Bayes Method based on Expert System Technology. Journal of Physics:
Conference Series, 1007(1). DOI: https://doi.org/10.1088/1742-
6596/1007/1/012015
Nas, C. (2019). Sistem Pakar Diagnosa Penyakt Tiroid Menggunakan Metode

Dempster Shafer. Jurnal Teknologi Dan Open Source, 2(1), 1–14. DOI:
https://doi.org/https://doi.org/10.36378/jtos.v2i1.114
Nasir, J., & Jahro, J. (2018). Sistem Pakar Konseling Dan Psikoterapi Masalah
Kepribadian Dramatik Menggunakan Metode Forward Chaining Berbasis Web.
Rabit : Jurnal Teknologi Dan Sistem Informasi Univrab, 3(1), 37–48. DOI:
https://doi.org/10.36341/rabit.v3i1.225
Nugroho, C. (2020). Gambaran Karies Dengan Kebiasaan Minum Susu Botol Pada
Anak Balita. Jurnal Ilmiah Keperawatan Gigi (JIKG), 1(1), 34–41. DOI:
https://doi.org/https://doi.org/10.37160/jikg.v1i1.504
Nur, R. M., Na’am, J., Nurcahyo, G. W., & Arlis, S. (2019). Peningkatan Keamanan
Website Menggunakan Metode XML dengan Framework Codeigniter.
Indonesian Journal of Computer Science, 8(2), 156–163. DOI:
https://doi.org/10.33022/ijcs.v8i2.188
Nurdin, Suhendri, M., Afrilia, Y., & Rizal. (2021). Klasifikasi Karya Ilmiah ( Tugas
Akhir ) Mahasiswa Menggunakan Metode Naive Bayes Classifier ( Nbc ).
SISTEMASI: Jurnal Sistem Informasi, 10(2), 268–279. DOI:
https://doi.org/https://doi.org/10.32520/stmsi.v10i2.1193
Perbawawati, A. A., Sugiharti, E., & Muslim, M. A. (2019). Bayes Theorem and
Forward Chaining Method On Expert System for Determine
Hypercholesterolemia Drugs. Scientific Journal of Informatics, 6(1), 116–124.
DOI: https://doi.org/10.15294/sji.v6i1.14149
Purnamawati, A., Nugroho, W., Putri, D., & Hidayat, W. (2020). Deteksi Penyakit
Daun Pada Tanaman Padi Menggunakan Algoritma Decision Tree , Random
Forest , Naïve Bayes , Svm Dan Knn. Info Tekjar : Jurnal Nasional Informatika
Dan Teknologi Jaringan, 5(1), 212–215. DOI:
https://doi.org/https://doi.org/10.30743/infotekjar.v5i1.2934
Puspa, M. A. (2018). Sistem Pakar Diagnosa Penyakit Hipertensi Menggunakan

Metode Naive Bayes Pada Rsud Aloe Saboe Kota Gorontalo. ILKOM Jurnal
Ilmiah, 10(2), 166–174. DOI: https://doi.org/10.33096/ilkom.v10i2.304.166-
174
75
Putra, D. W. T., Utami, A. O., Minarni, M., & Swara, G. Y. (2019). Accuracy Level
of Diagnosis of ENT Diseases in Expert System. Jurnal KomtekInfo, 6(2), 127–
134. DOI: https://doi.org/10.35134/komtekinfo.v6i2.829
Rahman, F., & Ratna, S. (2018). Perancangan E-Learning Berbasis Web

Menggunakan Framework Codeigniter. Technologia: Jurnal Ilmiah, 9(2), 95.
DOI: https://doi.org/10.31602/tji.v9i2.1370
Rosadi, D., & Wulandari, W. (2020). Sistem Informasi Gaji Karyawan

Menggunakan Framewok Codeigniter. Jurnal Computech & Bisnis, 14(2), 110–
114. DOI: https://doi.org/10.5281/zenodo.4320258
Rudy Ariyanto, Dwi Puspitasari, & Yusniar Alfani. (2020). Penerapan Entropy
Based Discretization Pada Metode Naive Bayes Dalam Klasifikasi Penyakit
Diabetes Mellitus. Jurnal Informatika Polinema, 6(4), 17–22. DOI:
https://doi.org/10.33795/jip.v6i4.301
Setyaputri, K. E., Fadlil, A., & Sunardi, S. (2018). Comparative Analysis of

Certainty Factor Method and Bayes Probability Method on ENT Disease Expert
System. Scientific Journal of Informatics, 5(2), 205–212. DOI:
https://doi.org/10.15294/sji.v5i2.16151
Setyawan, A. A. (2020). Framework Codeigniter Untuk Meningkatkan. Electro

Luceat, 6(2), 308–315. DOI: https://doi.org/10.32531/jelekn.v6i2.272
Sidauruk, A., & Abdullah, A. (2020). Sistem Pakar Penentuan Makanan Pendamping
Air Susu Ibu Menggunakan Metode Min Max Dan Naïve Bayes. Sistemasi :
Jurnal Sistem Informasi, 9(1), 191–200. DOI:
https://doi.org/10.32520/stmsi.v9i1.587
Sihotang, H. T., Riandari, F., Simanjorang, R. M., Simangunsong, A., &

Hasugian, P. S. (2019). Expert System for Diagnosis Chicken Disease using
Bayes Theorem. Journal of Physics: Conference Series, 1230(1). DOI:
https://doi.org/10.1088/1742-6596/1230/1/012066
Silahudin, D., Henderi, & Holidin, A. (2020). Model expert system for diagnosis of
COVID-19 using naïve bayes classifier. IOP Conference Series: Materials
Science and Engineering, 1007(1). DOI: https://doi.org/10.1088/1757-
899X/1007/1/012067
Sukarsih, S., Silfia, A., & Muliadi, M. (2019). Perilaku dan Keterampilan Menyikat
Gigi terhadap Timbulnya Karies Gigi pada Anak di Kota Jambi. Jurnal
Kesehatan Gigi, 6(2), 80–86. DOI: https://doi.org/10.31983/jkg.v6i2.5479
Susanti, S., & Manahan, O. (2020). Disease Diagnosis Expert System At Chili Plants
Using Bayes Method. Journal Of Computer Networks, Architecture and High
Performance Computing, 2(2), 292–296. DOI:
https://doi.org/10.47709/cnapc.v2i2.432
76
Tugiono, T., Hafizah, H., Azlan, A., & Milala, J. S. (2021). Sistem Pakar Untuk
Pendiagnosaan Karies Gigi Menggunakan Teorema Bayes. Jurnal Teknologi
Sistem Informasi Dan Sistem Komputer TGD, 4(1), 103–111.
Wahyuni, W. C., & Sitio, A. S. (2020). Pest Detection Expert System And Method
Using Bayes Rice Diseases. Journal Of Computer Networks, Architecture and
High Performance Computing, 2(2), 313–319. DOI:
https://doi.org/10.47709/cnapc.v2i2.411
Widiyawati, C., Imron, M., Informatika, T., & Kucing, P. (2018). Sistem Pakar
Diagnosa Penyakit Pada Kucing Menggunakan Metode Naive Bayes Classifier.
Jurnal Teknologi Informasi Techno.Com, 17(2), 134–144. DOI:
https://doi.org/10.33633/tc.v17i2.1625
Widodo, Y. B., Anggraeini, S. A., & Sutabri, T. (2021). Perancangan Sistem Pakar
Diagnosis Penyakit Diabetes Berbasis Web Menggunakan Algoritma Naive
Bayes. Jurnal Teknologi Informatika Dan Komputer MH. Thamrin, 7(1), 112–
123. DOI: https://doi.org/https://doi.org/10.37012/jtik.v7i1.507
Windarto, Y. E., & Marfuah, M. (2020). Implementasi Naives Bayes-Certainty

Factor untuk Diagnosa Penyakit Menular. Jurnal Sisfokom (Sistem Informasi
Dan Komputer), 9(2), 208–214. DOI:
https://doi.org/10.32736/sisfokom.v9i2.823
Yanto, M., Khairiazaz, Y., & Kunci, K. (2020). Komparasi Metode Naive Bayes
dan Certainty Factor untuk Mendiagnosa Penyakit Anemia Pendahuluan Metode
Penelitian. Jurnal Ilmiah KOMPUTASI, 19, 1–8.
Yendrizal. (2021). Sistem Pakar Dalam Diagnosa Penyakit Kanker Rahim

Menggunakan Metode Naïve Bayes dan Certainty Factor. Jurnal Media
Informatika Budidarma, 5, 251–257. DOI:
https://doi.org/10.30865/mib.v5i1.2669
LAMPIRAN
A. Data Dari Dokter Gigi
78
79
80
81
82
83
84
85
86

Tio Ramadan Sapto Hari

Diunggah oleh

Informasi Dokumen

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

Tio Ramadan Sapto Hari

Diunggah oleh

Hak Cipta:

Format Tersedia

SISTEM PAKAR DENGAN MENGGUNAKAN METODE NAIVE

BAYES DALAM MENGIDENTIFIKASI PENYAKIT KARIES

Diajukan untuk Memenuhi Salah Satu Syarat

TIO RAMADAN SAPTO HARI

PROGRAM MAGISTER (S2)

Untuk ayah dan ibu tercinta dan tersayang

Alhamdulillah, berkat rahmat dan nikmat dari Al-Alim Yang Maha

Keywords: Expert System, Dental Caries, Naive Bayes, Codeigniter Framework,

BAB JUDUL HALAMAN

2.4 Penyakit Karies pada Gigi Manusia 10

III METODOLOGI PENELITIAN

IV ANALISA DAN PERANCANGAN

V IMPLEMENTASI DAN HASIL

VI KESIMPULAN DAN SARAN

TABEL JUDUL HALAMAN

TABEL JUDUL HALAMAN

GAMBAR JUDUL HALAMAN

GAMBAR JUDUL HALAMAN

LAMPIRAN JUDUL HALAMAN

1.1 Latar Belakang

Sistem Pakar adalah salah satu program komputer yang mengadopsi

Metode Naive Bayes membentuk suatu probabilistik sederhana yang

Aplikasi Sistem Pakar diagnosa penyakit menular hewan peliharaan ayam

1.2 Perumusan Masalah

Berdasarkan latar belakang permasalahan yang telah diuraikan sebelumnya,

1.3 Batasan Masalah

1. Sistem Pakar dalam mengidentifikasi penyakit karies pada gigi berdasarkan

1.4 Tujuan Penelitian

Tujuan yang diharapkan dalam penelitian ini adalah sebagai berikut:

1.5 Manfaat Penelitian

Manfaat yang dapat diperoleh dari penelitian ini adalah:

1.6 Sistematika Penulisan

Sistematika disesuaikan dengan template yang diatur dalam tata penulisan

2.1. Artificial Intelligence

Kecerdasan buatan atau Artificial Intelligence (AI) merupakan ilmu pengetahuan

2.2. Sistem Pakar

Salah satu bentuk dari Artificial Intelligence adalah Sistem Pakar.

sebuah penyakit dengan menanamkan pengetahuan pakar kedalam sistem komputer

Sistem Pakar terdapat komponen antarmuka pengguna, komponen basis data

Gambar 2.1 Struktur Sistem Pakar

2.3. Metode Naive Bayes

Proses penghitungan teorema bayes menggunakan data opsional akan menghasilkan

𝐵(𝑃𝐾𝐺 |𝐺𝑃𝐾) ∗ 𝐵(𝐺𝑃𝐾)

Dimana nc merupakan jumlah record pada data learning, P merupakan 1/ banyaknya

Langkah selanjutnya adalah menghitung nilai v untuk setiap penyakit dengan

2.4. Penyakit Karies Pada Gigi Manusia

2.5. Framework CodeIgniter

Web Application Framework merupakan suatu kumpulan kode berupa pustaka

2.6. Penelitian Terdahulu

Beberapa penelitian terdahulu tentang Sistem Pakar yang menerapkan metode

Tabel 2.2 Penelitian Terdahulu Tentang Metode Naive Bayes

Tabel 2.2 Penelitian Terdahulu Tentang Metode Naive Bayes (Lanjutan)

Tabel 2.2 Penelitian Terdahulu Tentang Metode Naive Bayes (Lanjutan)

Tabel 2.2 Penelitian Terdahulu Tentang Metode Naive Bayes (Lanjutan)

Tabel 2.2 Penelitian Terdahulu Tentang Metode Naive Bayes (Lanjutan)

Tabel 2.2 Penelitian Terdahulu Tentang Metode Naive Bayes (Lanjutan)

Tabel 2.2 Penelitian Terdahulu Tentang Metode Naive Bayes (Lanjutan)

Tabel 2.2 Penelitian Terdahulu Tentang Metode Naive Bayes (Lanjutan)

Tabel 2.2 Penelitian Terdahulu Tentang Metode Naive Bayes (Lanjutan)

Metodologi penelitian adalah salah satu cabang ilmu pengetahuan yang

3.2 Kerangka Penelitian

Data penyakit karies pada gigi manusia

Penentuan gejala penyakit

Penentuan rule gejala dan penyakit