Skripsi

Rancangan Aplikasi Sistem Pakar Diagnosis

Penyakit Gigi Menggunakan Metode K-Nearest

Neighbor dan Certainty Factor

Oleh: Dosen Pembimbing:
Fani Masturina - Syarifah Diana Permai, S.Si, M.Si
2001573676 - Dr. Maria Susan A., S.Kom., M.Kom.
Teknik Informatika dan Matematika

18 Maret 2022 FANI MASTURINA | SKRIPSI

Latar Belakang

Kelemahan Pengobatan Gigi Daring

Dilema Pengobatan Gigi pada masa Alternatif Pengobatan
Pandemi Menurut Barbat, (2020):
Menurut Watfa et al., (2021) pasien

- Dokter harus membayangkan kondisi

Tingginya kasus COVID-19 menyebabkan

menganggap telehealth atau

pasien.
penurunan kunjungan pasien dan peningkatan
teledentistry (telehealth untuk

- Videocall kurang jelas sehingga tidak

dilema para dokter dan perawat gigi pada

penyakit gigi dan mulut)

dapat melihat kondisi pasien.

pelayanan kesehatan gigi dan mulut
merupakan pilihan yang baik

- Pasien menyampaikan keluhan yang

(Ashshiddiiq, Iswarani, & Brilyani, 2021). selama pandemi COVID-19.

ambigu atau tidak pasti.
Penelitian Sebelumnya

Akurasi metode 95% Akurasi metode tidak ternormalisasi 94.58%,

normalisasi 98.54%

Akurasi metode 84.79%

 I

Rumusan Masalah
Bagaimana penerapan metode Certainty Factor dapat

memberikan diagnosis penyakit gigi pada sistem pakar?

Bagaimana penerapan gabungan metode Certainty Factor

dan K-Nearest Neighbor dapat memberikan diagnosis

penyakit gigi pada rancangan aplikasi sistem pakar?

FANI MASTURINA | SKRIPSI

Bagaimana aplikasi web dapat menampilkan hasil dari

penerapan metode dan mampu membantu dokter gigi

teledentistry mendiagnosis penyakit gigi?

Ruang Lingkup
Pengolahan data untuk
Wawancara dengan pakar drg. representasi pengetahuan dan
Sri Rahaju (untuk membangun dataset dibatasi pada 6 penyakit
Representasi Pengetahuan) gigi dan 28 gejala.

Akurasi metode untuk model

Data Rekam Medis pasien tahun gabungan metode Certainty
2017 - 2021 dari klinik pribadi factor - K Nearest Neighbor
pakar untuk pembuatan dataset. menggunakan Jupyter Notebook

Sistem pakar dikembangkan pada

Model Metode Diagnosis Penyakit Gigi
website dengan framework Flask
1. Certainty Factor
dan Jinja. Sistem database dengan
2. Certainty Factor - K Nearest Neighbor
MySQL.
 Kajian Pustaka

1. Sistem Pakar
2. Certainty Factor
Measures of Belief (MB)
Measures of Disbelief (MD

3. K - Nearest Neighbor

FANI MASTURINA | SKRIPSI

3 Komponen Sistem Pakar: Logic
Tree Min Max Normalization
Basis Pengetahuan
Production Rules
Mesin Inferensi Euclidean
Forward Chaining
User interface Backward Chaining
Data
DATASET

Abses gigi Karies gigi Pengumpulan rekam medis & Wawancara Dokter Gigi:
17 17 Juni 2021 - Agustus 2021

Pakar dokter Gigi = drg. Sri Rahaju

Pulpitis Gingivitis 1. Data Cleaning

16 17 Data Preprocessing = 2. Data Selection
3. Data Transformation

6 Penyakit
28 gejala
Stomatitis 6 * 28 = 168 Basis pengetahuan
Periodontitis Production Rules
16 17 Forward Chaining

total = 100 rekam medis pasien 2017 - 2021

Data
Basis Pengetahuan

Pengumpulan rekam medis & Wawancara Dokter Gigi:

Kode
Kode
Juni 2021 - Agustus 2021
No. CFDokter
Penyakit Gejala

Pakar dokter Gigi = drg. Sri Rahaju

1 PP02 GP10 0.75

1. Data Cleaning
2 PP03 GP25 0.25
Data Preprocessing = 2. Data Selection
3. Data Transformation

... ... ... ... 6 Penyakit

28 gejala
6 * 28 = 168 Basis Pengetahuan
168 PP06 GP28 0.00 Production Rules
Forward Chaining
 Identifikasi
Studi

Masalah Literatur

Wawancara

Langkah -
Dokter Gigi Membangun

Representasi

Dokumentasi

Pengetahuan

Langkah Rekam Medis

Data

Penelitian
Pemodelan
Preprocessing
Metode

Metode Certainty
Diagnosis
Factor

Gabungan Metode

Rancang sistem

CF - K Nearest

pakar pada website

FANI MASTURINA | SKRIPSI Neighbor
 Pemodelan Metode
Nama Model Definisi Sumber data Akurasi

80%
Model sistem pakar yang

1. Nilai Certainty Factor User (Validasi

menerapkan metode Certainty

Certainty Factor Factor untuk perhitungan

2. Nilai Certainty Factor Pakar

perbandingan hasil

(dokter). perhitungan

diagnosisnya.
dengan dataset)
FANI MASTURINA | SKRIPSI

Model sistem pakar yang

90%
Certainty Factor - menerapkan gabungan metode

1. Nilai Certainty Factor User (Cross Validation

Certainty Factor dan K-Nearest

K Nearest Neighbor 2. Dataset Rekam Medis 80:20 python;

Neighbor untuk perhitungan

Jupyter Notebook)
diagnosisnya.
 I
Kerangka Konseptual
Model Protyping, Purnomo (2017)

Pengumpulan

Kebutuhan

Proses Desain
FANI MASTURINA | SKRIPSI

Membangun
Evaluasi &

Prototype Perbaikan
 I
Evaluasi Aplikasi
Eight Golden Rules Evaluasi pengguna (user - dokter gigi)

Apakah anda sebagai pengguna cukup puas dalam

penggunaan aplikasi ini? Dan dari skala 1-10 berapa nilai
yang anda berikan?
Jawaban: Sebagai dokter co-ass, saya memberi nilai 8
karena akan sangat membantu bagi dokter gigi yang
melayani teledentistry. Tampilan, fitur dan menu
fungsionalitasnya sangat digunakan bagi dokter yang
melayani konsultasi jarak jauh. Selain itu juga akan
FANI MASTURINA | SKRIPSI

mempermudah pasien yang memberikan jawaban

ketidakpastian pada keluhannya yang membantu dokter
gigi untuk mendiagnosis penyakit. Hasil diagnosis dari
aplikasi mampu menjadi second opinion dan juga acuan
dokter untuk menganalisis penyakit. Untuk kepuasan
akan diberi nilai 8.
XVI

Demo Aplikasi
FANI MASTURINA | SKRIPSI
 XII

Skripsi
Terima kasih
Fani Masturina - 2001573676
masturinaf@gmail.com
 1.interpretasi yang dirasakan pasien diubah menjadi

nilai Certainty Factor

Simulasi Metode

Certainty Factor 2. Menggunakan teknik inferensi, keluhan-keluhan

dipasangkan dengan penyakit.

Berikut contoh data gejala dan interpretasi yang

dirasakkan pasien:
Demam – Kemungkinan Besar
Gusi Bengkak – Kemungkinan Besar
Bau Mulut – Mungkin
Mulut terasa seperti logam – Ragu-ragu
 3. Mencari CFKeluhan etiap CFrules akan dikalikan

dengan CFPasien

Simulasi Metode
Sehingga,

Certainty Factor
Berikut contoh data gejala dan interpretasi yang

dirasakkan pasien:
Demam – Kemungkinan Besar
Gusi Bengkak – Kemungkinan Besar
Bau Mulut – Mungkin
Mulut terasa seperti logam – Ragu-ragu 4. CFKeluhan dikelompokkan berdasarkan penyakit-

penyakitnya masing-masing.
Simulasi Metode

5. Penyakit yang memiliki nilai CFKeluhan lebih dari

satu, rumus mencari CFPenyakitnya:

Certainty Factor
Berikut contoh data gejala dan interpretasi yang

dirasakkan pasien:
Demam – Kemungkinan Besar
Gusi Bengkak – Kemungkinan Besar
Bau Mulut – Mungkin
Mulut terasa seperti logam – Ragu-ragu
 6. Mencari CFPenyakit dari penyakit Abses gigi (a)

Simulasi Metode

Certainty Factor
Berikut contoh data gejala dan interpretasi yang

dirasakkan pasien:
Demam – Kemungkinan Besar
Gusi Bengkak – Kemungkinan Besar
Bau Mulut – Mungkin
Mulut terasa seperti logam – Ragu-ragu
 6. Mencari CFPenyakit dari penyakit Gingivitis (b)

Simulasi Metode

Certainty Factor
Berikut contoh data gejala dan interpretasi yang

dirasakkan pasien:
Demam – Kemungkinan Besar
Gusi Bengkak – Kemungkinan Besar
Bau Mulut – Mungkin
Mulut terasa seperti logam – Ragu-ragu
 6. Mencari CFPenyakit dari penyakit Periodontitis (c)

Simulasi Metode

Certainty Factor
Berikut contoh data gejala dan interpretasi yang

dirasakkan pasien:
Demam – Kemungkinan Besar
Gusi Bengkak – Kemungkinan Besar
Bau Mulut – Mungkin
Mulut terasa seperti logam – Ragu-ragu
 6. Mencari CFPenyakit dari penyakit Stomatitis (d)

Simulasi Metode

Certainty Factor
Berikut contoh data gejala dan interpretasi yang

dirasakkan pasien:
Demam – Kemungkinan Besar
Gusi Bengkak – Kemungkinan Besar
Bau Mulut – Mungkin
Mulut terasa seperti logam – Ragu-ragu
Simulasi Metode
7. Setelah menemukan semua nilai Certainty Factor

setiap penyakit. Nilai CFPenyakit dibandingkan dan

Certainty Factor dicari yang terbesar.

Abses gigi 88.03 %
Gingivitis 88.28 %
Periodontitis 60.93 %
Berikut contoh data gejala dan interpretasi yang
Stomatitis 39.06 %
dirasakkan pasien:
Demam – Kemungkinan Besar 8. Nilai terbesar diantara semua penyakit adalah

Gusi Bengkak – Kemungkinan Besar Abses gigi sebesar 88.03%.

Bau Mulut – Mungkin
Mulut terasa seperti logam – Ragu-ragu
Akurasi Metode
Certainty Factor
Metode yang digunakan adalah validasi hasil
perhitungan manual dengan rekam medis. 20 data
testing (dari dataset) yang sama digunakan untuk
metode yang lain agar mendapat kesamaan yang
serupa.
 1.interpretasi yang dirasakan pasien diubah menjadi

Simulasi Metode
nilai Certainty Factor

Certainty Factor -
KNN 2. Gejala dan interpretasi Certainty Factor yang

dimasukkan pengguna akan dijadikan data testing.

Berikut contoh data gejala dan interpretasi yang

Sedangkan Dataset akan dijadikan sebagai data

dirasakkan pasien: training.

Demam – Kemungkinan Besar
Gusi Bengkak – Kemungkinan Besar
Bau Mulut – Mungkin
Mulut terasa seperti logam – Ragu-ragu
 3. Menentukan nilai K. K =6
4. Normalisasi nilai data training dan data testing

Simulasi Metode
Certainty Factor -
KNN
Berikut contoh data gejala dan interpretasi yang

dirasakkan pasien:
Demam – Kemungkinan Besar (GP05)
Gusi Bengkak – Kemungkinan Besar (GP01)
Bau Mulut – Mungkin (GP04)
Mulut terasa seperti logam – Ragu-ragu (GP08)
Simulasi Metode 5. Menghitung jarak antara data testing dan data

training dengan menggunakan rumus jarak

Certainty Factor -
Euclidean.

KNN
Berikut contoh data gejala dan interpretasi yang

dirasakkan pasien:
Demam – Kemungkinan Besar (GP05)
Gusi Bengkak – Kemungkinan Besar (GP01)
Bau Mulut – Mungkin (GP04)
Mulut terasa seperti logam – Ragu-ragu (GP08)
 6. Mengurutkan nilai euclidean darii nilai jarak

Euclidean terpendek.

Simulasi Metode
Certainty Factor -
KNN
Berikut contoh data gejala dan interpretasi yang

7. Ambil data terkecil sejumlah nilai K, dimana pada

dirasakkan pasien:
penulisan ini nilai K nya adalah 6.
Demam – Kemungkinan Besar (GP05)
Gusi Bengkak – Kemungkinan Besar (GP01)
Bau Mulut – Mungkin (GP04)
Mulut terasa seperti logam – Ragu-ragu (GP08)
Simulasi Metode 8. Voting terhadap jumlah kemunculan penyakit

Certainty Factor - terbanyak

KNN
Berikut contoh data gejala dan interpretasi yang

dirasakkan pasien: 9. Hasil voting menunjukkan bahwa data testing

Demam – Kemungkinan Besar (GP05) didiagnosa sebagai penyakit Gingivitis.

Gusi Bengkak – Kemungkinan Besar (GP01)
Bau Mulut – Mungkin (GP04)
Mulut terasa seperti logam – Ragu-ragu (GP08)
Akurasi Metode

Certainty Factor -

K Nearest Neighbor
Metode yang digunakan adalah Cross Validation. 20
data testing (dari dataset) yang sama digunakan
untuk metode yang lain agar mendapat kesamaan
yang serupa. Sehingga pada pengujian akurasi
menggunakan skala 20:80
 XII

Skripsi
Terima kasih
Fani Masturina - 2001573676
masturinaf@gmail.com