2018 Ke-2 Internasional Konferensi di atas Elektris Teknik dan Informatika (Ikon EEI 2018), Batam - Indonesia, Tanggal

16-17 Oktober
2018

Sistem Pakar Penyakit Tropis Berbasis Web

Menggunakan Faktor Kepastian
Novi Yanti
Rahmad Kurniawan Siti Norul Huda Sheikh Abdullah
Jurusan Teknik Informatika, Fakultas
Jurusan Teknik Informatika, Fakultas Fakultas Sains dan Teknologi
Sains dan Teknologi, Universitas Islam
Sains dan Teknologi, Universitas Islam Informasi
Negeri Sultan Syarif Kasim Riau
Negeri Sultan Syarif Kasim Riau
Jl. HR. Subrantas Km. 15, Pekanbaru
Jl. HR. Subrantas Km. 15, Pekanbaru Universitas Nasional
28293, Indonesia Malaysia, 43600 Bangi,
28293, Indonesia
novi_yanti@uin-suska.ac.id Selangor, Malaysia
rahmadkurniawan@uin-suska.ac.id
snhsabdullah@ukm.edu.my

Mohd Zakree Ahmad Nazri Wilda Hunafa Mardhiyah Kharismayanda Jurusan

Fakultas Sains dan Teknologi Jurusan Teknik Informatika, Fakultas Pendidikan Matematika Fakultas
Informasi, Universiti Sains dan Teknologi, Universitas Islam Ilmu Pendidikan
Kebangsaan Malaysia, 43600 Negeri Sultan Syarif Kasim Riau Universitas Nasional
Bangi, Selangor, Jl. HR. Subrantas Km. 15, Pekanbaru Malaysia, 43600 Bangi,
28293, Indonesia Selangor, Malaysia
Malaysia
hunafawilda@gmail.com diyah.kharismayanda@gmail.com
zakree@ukm.edu.my

Abstrak —Indonesia berada di wilayah lintang
khatulistiwa yang dikenal sebagai negara tropis climate. Di sisi
lain, banyak masyarakat Indonesia yang rentan menderita
penyakit tropis khas seperti tifus, demam berdarah dan
malaria. Dengan motivasi untuk mengekang penyakit,
mereka harus diberitahu tentang kesadaran , pengobatan dan
pengetahuan mengenai penyakit tropis seperti gejala, penyebab
dan pencegahan dini. Sistem pakar berbasis web adalah salah
satu solusi terkenal, yang dapat diakses secara online melalui
internet. Biasanya, mesin inferensi tradisional dimungkinkan
untuk membuat kesalahan diagnosis dalam domain medis.
Selain itu, inferensi modern misalnya teori Bayes rumit dan
tidak cukup untuk menggantikan aktivitas penalaran otak
manusia yang lengkap. Oleh karena itu, penelitian ini
bertujuan untuk menghibridisasi metode Forward Chaining
dan Certainty Factor untuk mendiagnosis penyakit tropis yang
umum diderita oleh masyarakat Indonesia. Kami telah
menggunakan sepuluh jenis penyakit tropis yaitu tifus ,
demam berdarah, demam chingkungunya, malaria, cacarch,
tuberkulosis, difteri, pertusis, SARS dan kaki gajah bersama
dengan 38 gejala untuk mewakili setiap penyakit ke dalam
basis pengetahuan. Kami membandingkan hasil antara
diagnosis ahli dan sistem pakar berbasis web yang kami
usulkan setelah berjalan sepuluh kali berturut-turut. Kita
dapat menyimpulkan bahwa hibridisasi metode Forward
Chaining dan Certainty Factor selama mengembangkan sistem
ahli berbasis web, dapat secara signifikan mendiagnosis
penyakit tropis dengan benar.
Kata kunci—faktor kepastian, sistem pakar, penyakit tropis
I. SayaNTRODUCTION
Selain sebagai negara strategis di garis lintang
khatulistiwa, iklim Indonesia dipengaruhi oleh penyakit
tropis. Berbagai jenis penyakit tropis menular akibat virus
dan bakteri yaitu tifus, demam berdarah, demam
chingkungunya, malaria, cacar air, TBC, difteri, pertusis,
SARS (Severe Acute Respiratory Syndrome) dan kaki gajah
(filariasis). Berdasarkan catatan data kesehatan dari
Kementerian Kesehatan Indonesia pada tahun 2013, tercatat
bahwa kasus malaria sekitar 1,38 per 1000 penduduk dengan
angka kematian mencapai hingga 45 orang. Pada tahun
2017, sekitar 261.617 kasus malaria terinfeksi oleh
masyarakat Indonesia. Saat ini, kasus malaria juga dapat
ditemukan di Bengkulu dan di Indonesia timur seperti
Papua, Papua Barat, Nusa Tenggara Timur, Maluku dan
Maluku Utara. Sementara itu pada April 2014, tercatat
jumlah pasien DBD sekitar 5,17 per 100.000 penduduk
(13.031 kasus) dengan angka kematian mencapai 0,84%.
Biasanya, jenis penyakit tropis sulit diidentifikasi
karena kesamaan gejalanya . Dengan motivasi itu, orang
perlu mendapatkan pengetahuan tentang penyakit tropis
seperti gejala, penyebab dan pencegahan dini. Sistem pakar
adalah alat yang sangat diperlukan dan tepat yang dapat
diakses melalui online untuk orang-orang. Saat ini, internet
telah benar-benar memasuki area yang tidak dapat diakses.
Masyarakat dapat mempertimbangkan sistem pakar online
sebagai solusi yang tepat untuk memberikan kesadaran
kepada masyarakat tentang kegiatan pencegahan dan faktor
risiko penyakit tropis. Perlu dicatat bahwa sistem pakar
telah banyak digunakan dalam banyak mata pelajaran seperti
medis, pertanian, militer, dan sebagainya. Sistem pakar
adalah cabang kecerdasan buatan yang membuat komputer
menyimpulkan pengetahuan para ahli domain. Sistem pakar
dikembangkan dengan meniru pemikiran expert. Tidak
seperti kemampuan ahli, orang normal hanya dapat
memecahkan masalah yang kurang kompleks. Para ahli
biasanya sangat berpengalaman dalam domain tertentu yang
terkait dengan aktivitas kerja sehari-hari mereka.
Sistem pakar terbaru secara eksponensial lebih pintar
daripada sistem pakar tradisional . Sistem pakar tradisional
 2018 Ke-2 Internasional Konferensi di atas Elektris Teknik dan Informatika (Ikon EEI 2018), Batam - Indonesia, Tanggal 16-17 Oktober
2018

978-1-5386-6000-3/18/$31.00 ©2018 IEEE 62

 2018 Ke-2 Internasional Konferensi di atas Elektris Teknik dan Informatika (Ikon EEI 2018), Batam - Indonesia, Tanggal 16-17 Oktober
2018

Dapat mendiagnosis penyakit serupa meskipun memiliki menggunakan overlay indeks

gejala yang berbeda. Dalam sistem pakar tradisional, setiap
gejala memiliki nilai yang setara. Namun demikian, sistem
pakar modern telah menerapkan teori probabilitas atau nilai
kepastian seperti faktor kepastian. Notasi P(A| B) adalah
notasi yang menunjukkan probabilitas kondisional. Notasi
menafsirkan keyakinan A benar jika diberi nilai B. Nilai
probabilitas berasal dari jumlah frekuensi, obyektif dan
subyektif. Nilai probabilitas yang diperoleh dari frequent
adalah number yang mewakili besarnya nilai probabilitas
yang berasal dari percobaan saat ini. Misalnya, ada
sekitar 10 pasien yang menderita penyakit tropis, A dari 100
pasien terdaftar. Oleh karena itu, probabilitas pasien yang
menderita penyakit A adalah 0,1.
Mesin inferensi modern misalnya teori Bayes masih
belum cukup untuk meniru aktivitas penalaran otak manusia.
Metode Faktor Kepastian (CF) adalah metode inferensi
alternatif ketika tidak ada statistik yang dapat diandalkan [1].
Metode faktor kepastian mampu menunjukkan tingkat
kepercayaan hipotesis berdasarkan fakta. Dalam kasus
medis, tingkat kepercayaan gejala dihitung dengan
metode CF, sehingga jenis penyakit yang didiagnosis akan
didukung oleh tingkat kepercayaan. Kami percayabahwa
metode ini cocok untuk mendiagnosis penyakit tropis
dengan menggunakan tingkat kepercayaan. Tujuan dari
penelitian ini adalah untuk memudahkan masyarakat dalam
menentukan jenis penyakit tropis yang dialami
berdasarkan gejala yang dirasakan. Selanjutnya, sistem ini
memberikan penjelasan mengenai cara mencegah penyakit
dan pengobatan dini.
Kami telah mensistematisasikan sisa makalah ini sebagai
berikut. Pada Bagian II menjelaskan beberapa pekerjaan
terkait. Bagian III membahas tentang ringkasan metode
penelitian ini dan selanjutnya bagian IV mengatur
eksperimental dan hasil. Kami telah menyajikan kesimpulan
di bagian akhir.

II. RGEMBIRA WORKS

Sistem pakar untuk mendiagnosis penyakit tropis
dilakukan pada tahun 2008 namely Medical Expert Solution
(MES) [2]. MES menggunakan basis pengetahuan, yang
terdiri dari gejala dan penyakit. Berdasarkan laporan
mereka, mekanisme inferensi yang digunakan adalah aturan
produksi atau aturan IF-THEN. Pada tahun 2012, sistem
pakar berbasis desktop untuk mendiagnosis penyakit tropis
telah dibangun menggunakan rantai maju dan mundur [3].

Di sisi lain, metode faktor kepastian digunakan dalam

berbagai kasus dalam pengembangan sistem pakar [4-5].
Pada tahun 2016, metode faktor cer tainty digunakan untuk
mendiagnosis penyakit meningitis [4]. Sayangnya, tidak ada
penjelasan yang jelas tentang temuan mereka seperti tes
penerimaan pengguna dan kemampuan faktor kepastian
dalam mendiagnosis penyakit meningitis dilaporkan. Metode
faktor kepastian lain telah diterapkan untuk mendiagnosis
penyakit saluran pencernaan anak pada tahun 2017 [5].
Mereka telah menggunakan faktor kepastian untuk
memberikan hasil kepercayaan.

Selain itu, Li dan Zhang telah menggunakan metode

faktor kepastian di bidang Sistem Informasi Geografis (SIG)
[6]. Mereka membuktikan bahwa metode faktor kepastian
dapat memberikan hasil yang lebih akurat. Mereka
63
 2018 Ke-2 Internasional Konferensi di atas Elektris Teknik dan Informatika (Ikon EEI 2018), Batam - Indonesia, Tanggal 16-17 Oktober
2018

Metode faktor kepastian adalah cara yang sederhana dan

lugas, dan bobot faktor kepastian memiliki manfaat
aplikasi obyektif. Selanjutnya Agustina dkk menerapkan
faktor kepastian untuk menentukan hama atau penyakit
tanaman padi[7]. Mereka mengklaim bahwa akurasi rata-
rata sistem pakar mereka adalah 73,81%.

Berdasarkan tinjauan literatur, meskipun beberapa

penelitian sebelumnya [2, 3] telah dilakukan pada
penyakit tropis sebagai studi kasus mereka , tetapi masih
menggunakan mesin inferensi tradisional. Dalam sistem
pakar medis, kesimpulan tradisional mungkin
menyimpulkan penyakit yang sama, meskipun mereka
memiliki gejala yang berbeda [8]. Oleh karena itu,
penelitian ini akan berkontribusi pada hibridisasi metode
Forward Chaining danC ertainty Factor untuk
mendiagnosis penyakit tropis yang umum diderita
masyarakat Indonesia.

III. METODE PENELITIAN

Metode penelitian yang digunakan adalah sesuai
model ESDLC (Expert System Development Life Cycle).
Gambar 1 menunjukkan metodologi sistem pakar untuk
mendiagnosis penyakit tropis.

Ara. 1. Metodologi Sistem Pakar Penyakit Tropis (TodEs)

A. Studi Kelayakan
Pemerintah Indonesia telah melakukan berbagai upaya
untuk menanggulangi penyakit tropis, sepertiedukasi
penyakit tro pical, pengobatan massal dan pencegahan
penyebab penyakit. Oleh karena itu, kami
mempertimbangkan untuk membangun aplikasi sistem
pakar berbasis web untuk diagnosis penyakit tropis dini
sehubungan dengan memulai atau menyarankan pasien
untuk sesi konseling lebih lanjut yang tepat dengan ahli
medis. Kami juga melakukan wawancara dengan para ahli
dan pasien tentang masalah tropis. Selain itu, kami
mengumpulkan banyak studi literatur dari jurnal, buku,
dan internet.
B. Akuisisi Pengetahuan
Setelah mengejar studi kelayakan, kami memperoleh
pengetahuan ahli medis. Kami mengembangkan
persyaratan basis pengetahuan untuk membangun sistem
pakar penyakit tropis. Data tersebut berisi tentang jenis-
jenis penyakit tropis, penyebab/gejala dan pengobatan
penyakit yang didiagnosis. Selanjutnya, data gejala
biasanya menggambarkangejala yang dialami oleh pasien
yang menderita gangguan penyakit tropis. Langkah
terakhir dari fase akuisisi pengetahuan adalah untuk
mendapatkan nilai kepastian dari setiap gejala dari ahli
domain.
C. Desain dan Implementasi
Untuk memfasilitasi interaksi antara sistem dengan
pengguna, perlu dirancang antarmuka (GUI).

64
 2018 Ke-2 Internasional Konferensi di atas Elektris Teknik dan Informatika (Ikon EEI 2018), Batam - Indonesia, Tanggal 16-17 Oktober
2018
Ara. 2. Halaman utama Sistem Pakar Penyakit Tropis (TodEs)
Dalam desain antarmuka Tropical Diseases Expert
System (TodEs), kami menekankan pada cara membuat GUI
yang indah dan mudah dipahami oleh pengguna. Kami
merancang arsitektur aplikasi menggunakan Unified
Modeling Language (UML) seperti diagram kasus
penggunaan untuk mengidentifikasi komponen dan proses.
Diagram kelas dan diagram urutan digunakan untuk
merancang arsitektur basis data.
D. Pengujian
Tes kotak hitam digunakan untuk menilai keandalan dan
fungsionalitas sistem yang diusulkan. Jika ada kesalahan,
maka kami akan melakukan perbaikan lebih lanjut. Pada
teskedua t, kami membandingkan hasil yang dihasilkan oleh
sistem dengan diagnosis ahli atau kebenaran dasar.
IV. EXPERIMENTAL TESTING &; RESULTS
Implementasi sistem pakar menggunakan dua mesin
inferensi, yaitu backward chaining dan certainty factor.
Forward Chaining adalah mesin inferensi tradisional.
Mesin inferensi adalah otak dari sistem pakar. Mesin
inferensi mengandung dua mekanisme yaitu fungsi berpikir
dan berpikir para ahli. Mekanisme infere nce menganalisis
masalah dan menemukan keputusan terbaik selanjutnya.
Selain itu, mesin inferensi berfungsi untuk memandu proses
berpikir berdasarkan basis pengetahuan yang ada. Sebelum
mengembangkan kesimpulan, komputer harus memahami
fakta yang ada tentang penyakit tropis yang disebut
representasi pengetahuan.
Ara. 3. Flowchart proses hibridisasi Forward Chaining dan Certainty
Factor pada sistem diagnosis sistem pakar penyakit tropis
65
Kami menggunakan Forward Chaining sebagai proses
awal untuk inferensi kemudian dilanjutkan dengan Faktor
Kepastian untuk mendapatkan keputusan seperti yang
ditunjukkan pada Gbr.3. Alasan Forward Chaining dimulai
dengan merepresentasikan data yang diperoleh dari para ahli
ke dalam aturan produksi. Kami telah mengkodekan
pengetahuan dalam prosedur komputer. Kami telah
menyatakan aturan produksi dalam bentuk (IF-THEN).
Aturan inidianggap sebagai implikasi dari hubungan antara
dua bagian, yaitu premis (IF) yang diperoleh dari gejala
penyakit tropis dan kesimpulan (THEN) sebagai jenis
penyakit tropis. Berikut adalah contoh aturan sederhana
untuk kasus dengue:
1 JIKA demam tinggi dan setidaknya dua hari
KEMUDIAN bintik-bintik merah atau bercak pada kulit
2 JIKA bintik-bintik merah atau bercak pada kulit
KEMUDIAN pendarahan dari hidung atau gusi
3 JIKA pendarahan dari hidung atau gusi
KEMUDIAN sakit perut parah atau muntah terus-menerus
4 JIKA sakit perut parah atau persisten
Muntah
KEMUDIAN dehidrasi
5 JIKA dehidrasi
KEMUDIAN keringat dingin
6 JIKA keringat dingin
KEMUDIAN Demam Berdarah
Berdasarkan pendapat para ahli medis, nilai kepastian
ditentukan menurut Tabel I.
TABEL I.TDIA EXAMPLE DARI DENGUE SYMPTOMS
Gejala Dengue Nilai CF
demam tinggi dan setidaknya dua hari 0.45
bintik-bintik merah atau bercak pada kulit 0.4
pendarahan dari hidung atau gusi 0.15
sakit perut parah atau muntah terus-menerus 0.1
dehidrasi 0.05
keringat dingin 0.02
Kami menentukan nilai kepastian setiap gejala penyakit
dengue dengan menghitung nilai kepastian sendi:
CF(H,E) = MB(H,E) – MD(H,E) (1)
MB(H| E) = ukuran kepercayaan pada H, penyakit tropis
yang diberikan bukti E, yaitu demam tinggi, bintik-bintik
merah
MD(H| E) = ukuran ketidakpercayaan pada H yang
diberikan bukti E
Faktor kepastian dari masing-masing gejala adalah
sebagai berikut: CF (demam tinggi dan setidaknya
dua hari) = 0,45
CF (bintik-bintik merah atau bercak pada
kulit) = 0,4 CF (pendarahan dari hidung
atau gusi) = 0,15
CF (sakit perut parah atau muntah terus-menerus) =
0,1 CF (dehidrasi) = 0,05
CF (keringat dingin) = 0,02
Kami memperoleh nilai bobot kumulatif yang diberikan
oleh pengguna. Dalam sistem pakar ini, kami menggunakan
sistem interaktif (Q&A). Sistem pakar akan menanyakan
pengguna mengenai tanda atau gejala yang dihadapi.
Misalkan pengguna menjawab dengan sangat setuju (1),
setuju (0,8 ) dan tidak setuju atau tidak setuju (0,6). Setiap
 2018 Ke-2 Internasional Konferensi di atas Elektris Teknik dan Informatika (Ikon EEI 2018), Batam - Indonesia, Tanggal 16-17 Oktober
2018

jawaban mendefinisikan nilai CF yang diberikan oleh

pengguna.

T: Demam tinggi dan setidaknya dua hari

66
 2018 Ke-2 Internasional Konferensi di atas Elektris Teknik dan Informatika (Ikon EEI 2018), Batam - Indonesia, Tanggal 16-17 Oktober
2018

A: Neiada setuju atau tidak setuju (CFuser = di mana, temp1,2,3,4 adalah hasil dari masing-masing CF
0,6) Q: Bintik-bintik merah atau bercak pada (Kombinasi). Oleh karena itu, dapat disimpulkan bahwa
kulit Faktor Kepastian orang yang terdiagnosis demam berdarah
J: Tidak setuju atau tidak setuju (CFuser= 0.6) berdasarkan gejala pada Tabel I adalah sekitar 0,55 atau
55%.
Q: Pendarahan dari hidung atau gusi
J: Tidak setuju atau tidak setuju (CFuser= 0.6) Kami telah melakukan pengujian dengan membandingkan
diagnosis sistem pakar dengan diagnosis ahli untuk
T: Sakit perut parah atau muntah terus-menerus mengetahui apakah sistem pakar memberikan hasil yang
A: Setuju (0,8) (CFuser= 0,8) sama dengan seorang ahli.
T: Dehidrasi
J: Tidak setuju atau tidak setuju (CFuser= 0.6) TABEL II. EXPERIMENTAL TESTING RESULTS
Percobaan Diagnosis sistem pakar Diagnosis
Q: Keringat dingin (CF) ahli
A: Setuju (0,8) (CFuser= 0,8) manusia
Exp 1 Demam berdarah (55,5%) Berdarah
CF[H,E]1 = CF[H]1 * CF[E]1 Exp 2 Malaria (67,85%) Malaria
Exp 3 Kaki gajah (92,07%) Kaki gajah
= 0, 45 * 0, 6 Keluaran 4 Cacar air (90,95%) Cacar air
= 0,27 Keluaran 5 Tuberkulosis (87,73%) Tuberkulosis
Exp 6 Pertusis (70,34%) Pertusis
CF[H,E]2 = CF[H]2 * CF[E]2 Keluaran 7 Chikungunya (80,77%) Chikungunya
Exp 8 Tipes (84,49%) Tifoid
= 0, 4 * 0, 6 Exp 9 Difteri (76,4%) Difteri
= 0,24 Keluaran 10 SARS (65,06%) SARS

CF[H,E]3 = CF[H]3 * CF[E]3 Berdasarkan 10 pengujian eksperimental, kami telah

= 0, 15 * 0, 6 menemukan bahwa kolaborasi yang baik dari hibridisasi
= 0,09 Forward Chaining dan Certainty Factor. Mesin inferensi
tradisional yaitu Forward Chaining menghasilkan keputusan
CF[H,E]4 = CF[H]4 * CF[E]4 yang akurat ketika telah melacak semua gejala.
= 0, 1 * 0, 8
= 0,8 Ara. 4 menunjukkan pada kasus ketiga, Tropical Diseases
Expert System (TodEs) telah memperoleh nilai CF tinggi
CF[H,E]5 = CF[H]5 * CF[E]5 92,07% dengan lima gejala. Sedangkan pada percobaan
= 0, 05 * 0, 6 kesepuluh, nilai TodEs CF mengalami penurunan menjadi
= 0,03 65,06%, meskipun memiliki tujuh gejala. Percobaan ini
menunjukkan bahwa, tidak ada hubungan antara jumlah
FC[H,E]6 = CF[H]6 * CF[E]6 gejala dengan nilai CF. Dengan kata lain, TodES telah
= 0, 02 * 0, 8 melacak banyak gejala, tetapi tidak terus-menerus
= 0,016 menghasilkan keyakinan yang tinggi. TodEs berbeda di
antara kesimpulan tradisional, yang harus melacak semua
Menggabungkan faktor kepastian CF(Kombinasi)= gejala untuk mendapatkan keputusan.

CF[H,E]1,2 = CF[H,E]1 + CF[H,E]2 * (1 - 100

CF[H,E]1)
= 0,27 + 0,24 * (1 – 0,27) 80

= 0,445 temp1
CF[H,E]temp1,3 = CF[H,E] temp1,3 + CF[H,E]3 * (1 –
60
CF[H,E] temp1)
= 0,445 + 0,09 * (1 – 0,445)
= 0,494 temp2 40
CF[H,E] temp2.4 = CF[H,E ] temp2.4 + CF[H,E]4 * (1 –
CF[H,E]temp2)
20
= 0,494 + 0,08 * (1 – 0,494)
= 0,534 temp3
CF[H,E] temp3.5 = CF[H,E] temp3.5 + CF[H,E]5 * (1 – 0
CF[H,E] temp3) 0 1 2 3 4 5 6 7 8 9 10 11

= 0,534 + 0,03 * (1 – 0,534) Faktor Kepastian Percobaan

= 0,547 temp4 Jumlah gejala

CF (Kombinasi) = 0,547 + 0,016 - (0,547 * 0,016)

= 0,555 Ara. 4. Jumlah gejala dan nilai CF dalam diagnosis penyakit tropis

67
 2018 Ke-2 Internasional Konferensi di atas Elektris Teknik dan Informatika (Ikon EEI 2018), Batam - Indonesia, Tanggal 16-17 Oktober
2018

Oleh karena itu, nilai kepastian ahli dan nilai pengguna Kami ingin mengucapkan terima kasih kepada Dr.
CF telah mempengaruhi hasil. Forward Chaining membantu Anwar Bet. SpPD di Rumah Sakit Ahmad Yani Pekanbaru,
sistem pakar untuk menghasilkan hubungan gejala dan Riau, Indonesia yang memberikan data berharga tentang
penyakit dan menjaga proses pencarian tetap teratur. penyakit tropis.
Faktor Kepastian membantu sistem pakar untuk menghitung
nilai CF berdasarkan hubungan gejala, jenis penyakit dan REFERENCES
jawaban pengguna. [1] E. Roventa dan T. Spircu, "Teori Faktor Kepastian," dalam
Manajemen Ketidaksempurnaan Pengetahuan dalam Membangun
V. CONKLUSI DAN FUTURE WORK Sistem Cerdas, ed: Springer, 2009, hlm. 153-160.
Kami telah berhasil dalam menggunakan metode Faktor [2] A. Adekoya, A. Akinwale, dan O. Oke, "Sistem pakar medis untuk
Kepastian dalam mesin inferensi sistem pakar yang kami mengelola penyakit tropis," dalam Prosiding Konferensi Ketiga
usulkan untuk penyakit tropis diagnose (TodEs). Kami juga tentang Sains dan Pembangunan Nasional, 2008, hlm. 74-86.
telah menggunakan metode Forward Chaining untuk [3] D. H. Satyareni, "Sistem pakar diagnosis penyakit infeksi tropis
menghasilkan hubungan gejala dan penyakit. Berdasarkan dengan menggunakan forward dan backward chaining," Teknologi,
10 pengujian yang dilakukan dengan membandingkan vol. 1, 2012.
diagnosis sistem pakar dengan diagnosis ahli, kami [4] F. Rumaisa dan d. Junaedi, "Sistem pakar untuk diagnosis dini
menyimpulkan bahwa sistem pakar yang diusulkan mampu penyakit meningitis menggunakan metode faktor kepastian,"
mendiagnosis penyakit tropis.
dalam Sistem Teknologi Informasi dan Inovasi (ICITSI),
Penelitian ini telah menggunakan 10 jenis penyakit tropis Konferensi Internasional 2016 pada, 2016, hlm. 1-3.
beserta gejala dari setiap penyakitnya. Kombinasi hibridisasi [5] I. Astuti dan H. Sutarno, "The expert system of children's digestive
Fo rward Chaining dan Certainty Factor mengembalikan tract diseases diagnostic using combination of forward chaining and
skor yang menjanjikan. Untuk mencapai sistem pakar penuh certainty factor methods," dalam Science in Information Technology
diperlukan kelengkapan basis pengetahuan. Nilai kepastian (ICSITech), 2017 3rd International Conference on, 2017, hlm.
harus diperoleh secara otomatis dari data. Penelitian di masa 608-612.
depan mungkin dapat menggunakan data besar dan [6] J. Li dan Y. Zhang, "Model faktor kepastian (CF) yang didukung GIS
penambangan data dalam mengotomatisasi pembuatan untuk penilaian potensi panas bumi: Studi kasus Kabupaten
aturan dan penentuan kepastian. Tengchong, Cina barat daya," Energi, vol. 140, hlm. 552-565,
2017.
[7] E. Agustina, I. Pratomo, A. D. Wibawa, dan S. Rahayu, "Expert
system for diagnosis hama and diseases of the rice plant using forward
chaining and certainty factor method," dalam Intelligent
Technology and Its Applications (ISITIA), 2017 International Seminar
PENGAKUAN on, 2017, hlm. 266-270.
[8] R. Kurniawan, N. Yanti, dan M. Z. Nazri, "Sistem pakar untuk
mendiagnosis sendiri penyakit mata menggunakan Naïve Bayes,"
dalam Advanced Informatics: Concept, Theory and Application
(ICAICTA), Konferensi Internasional 2014, 2014, hlm. 113-116.

68