BAB I

PENDAHULUAN

1.1 Latar Belakang

Anemia aplastik merupakan anemia yang disertai oleh pansitopenia pada

darah tepi yang disebabkan oleh kelainan primer pada sumsum tulang dalam bentuk

aplasia atau hipoplasia tanpa adanya infiltrasi, supresi atau pendesakan sumsum

tulang [1].

Penyebab pasti seseorang menderita anemia aplastik juga belum dapat

ditegakkan dengan pasti, namun terdapat beberapa sumber yang berpotensi sebagai

faktor risiko. Prognosis atau perjalanan penyakit anemia aplastik sangat bervariasi,

tetapi tanpa pengobatan pada umumnya memberikan prognosis yang buruk. Anemia

aplastik merupakan suatu kelainan dari sindrom klinik yang diantaranya ditandai

oleh defisiensi sel darah merah, neutrophils, monosit dan platelet tanpa adanya

bentuk penyakit sumsum lainnya. Dalam pemeriksaan sumsum dinyatakan hampir

tidak ada hematopoetik sel perkusi dan digantikan oleh jaringan lemak. Penyakit

ini bisa disebabkan oleh zat kimia beracun, virus tertentu, atau bisa juga karena

faktor keturunan. Anemia aplastik tergolong penyakit yang jarang dengan insiden

di negara maju 3-6 kasus/ 1 juta penduduk/ tahun.1,2. Manifestasi anemia aplastik

juga sangat beragam dimulai dari kasus yang bersifat ringan hingga berat, dan juga

sampai menimbulkan kematian [2].

Kasus tentang penyakit Anemia aplastik sudah sangat sering ditemui di

Rumah Sakit Mitra Sejati, dimana dalam periode tahun ini sudah diperoleh

1
 2

sebanyak 30 pasien yang mengidap penyakit Anemia aplastik, sebagian besar

pasien di Rumah Sakit Mitra Sejati cenderung sepele terhadap gejala awal yang

ditimbulkan sehingga dapat menyebabkan kematian. Maka dari itu dibutuhkan

sebuah sistem yang dapat membantu mengedukasi, memberikan solusi serta sarana

dalam mengetahui gejala penyakit Anemia aplastik diperlukan sebuah sistem yang

dapat digunakan bagi masyarakat luas.

Dari permasalahan diatas tentu sangat diperlukan sebuah sistem yang

mampu dalam mengetahui penyakit Anemia aplastik yang diderita, maka peneliti

membuat aplikasi sistem pakar untuk mendiagnosis penyakit Anemia aplastik

karena berbasis web, sehingga memudahkan user untuk mengakses dari manapun

dan kapan pun. Solusi yang digunakan untuk permasalahan tersebut adalah dengan

sistem pakar yang menerapkan metode Teorema Bayes.

Sistem Pakar merupakan sistem yang mampu mengidentifikasi sebuah

permasalahan menggunakan keahlian seorang pakar yang telah ditanamkan

kedalam sistem dengan menggunakan algoritma tertentu. Sistem pakar adalah

sebuah sistem yang dibangun dengan berbasis komputer yang menggunakan

beberapa pengetahuan, fakta dan teknik penalaran dalam memecahkan suatu

permasalahan yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam

bidang tersebut. Implementasi sistem pakar ini sangat banyak digunakan untuk

kepentingan komersial karena sistem pakar dapat dipandang sebagai cara

penyimpanan pengetahuan pakar dalam bidang tertentu kedalam program komputer

[3].

Metode yang digunakan dalam membangun sistem pakar ini adalah metode

Teorema Bayes. Karekteristik metode Teorema Bayes ini adalah merepresentasikan

 3

nilai kemungkinan dari setiap evidence yang ada. Teorema Bayes adalah suatu

metode yang mampu memecahkan ketidakpastian [4]. “Teorema Bayes adalah

suatu sistem yang mampu memecahkan ketidakpastian dengan menggunakan

formula bayes” [5].

Dari pembahasan penelitian ini diharapkan perangkat lunak yang dirancang

dapat membantu untuk mengetahui permasalahan terkait penyakit Anemia aplastik.

Berdasarkan deskripsi masalah di atas maka diangkatlah judul penelitian “SISTEM

PAKAR MENDIAGNOSA ANEMIA APLASTIK MENGGUNAKAN

METODE TEOREMA BAYES”.

1.2 Rumusan Masalah

Adapun rumusan masalah yang akan dibahas pada penelitian ini yaitu

sebagai berikut:

1. Bagaimana menganalisis permasalahan mengenai diagnosis penyakit Anemia

aplastik?

2. Bagaimana menerapkan metode Teorema Bayes dalam mendiagnosis penyakit

Anemia aplastik?

3. Bagaimana merancang aplikasi sistem pakar yang dapat mendiagnosis penyakit

Anemia aplastik dengan Metode Teorema Bayes ?

4. Bagaimana mengimplementasikan sistem pakar yang dapat mendiagnosis

penyakit Anemia aplastik dengan Metode Teorema Bayes ?

1.3 Batasan Masalah

Permasalahan yang di bahas maka peneliti memberikan batasan masalahnya

yaitu sebagai berikut:

 4

1. Data tentang penyakit Anemia aplastik diambil dari Rumah Sakit Mitra Sejati

Medan.

2. Metode yang dijadikan solusi dalam memecahkan permasalahan dalam

mendiagnosis penyakit Anemia aplastik menggunakan metode Teorema Bayes.

3. Sistem yang dibangun berbasis web yang akan dibangun dengan menggunakan

bahasa pemrograman PHP dan database MySQL.

1.4 Tujuan Penelitian

Tujuan penelitian merupakan suatu hal yang akan dicapai pada penelitian

ini. Adapun tujuan dari penelitian ini adalah :

1. Untuk menganalisis permasalahan mengenai diagnosis penyakit Anemia

aplastik karena penggunaan gadget.

2. Untuk menerapkan metode Teorema Bayes dalam mendiagnosis penyakit

Anemia aplastik.

3. Untuk merancang aplikasi sistem pakar yang dapat mendiagnosis penyakit

Anemia aplastik dengan Metode Teorema Bayes.

4. Untuk mengimplementasikan sistem pakar yang dapat mendiagnosis penyakit

Anemia aplastik dengan Metode Teorema Bayes.

1.5 Manfaat Penelitian

Manfaat penelitian merupakan dampak dari tercapainya tujuan dan

terjawabnya rumusan masalah secara akurat. Adapun manfaat penelitian adalah

sebagai berikut:
 5

1. Dapat membantu penderita dalam mengantisipasi dan mengurangi dampak

permasalahan yang ditimbulkan dari penyakit Anemia aplastik dengan

menggunakan Teorema Bayes.

2. Dapat meningkatkan masyarakat terhadap dampak dari penyakit Anemia

aplastik.

3. Dapat membantu pembaca sebagai referensi peneliti untuk mengembangkan

ilmu pengetahuan khususnya dibidang kesehatan ataupun Sistem Pakar.

 BAB II

TINJAUAN PUSTAKA

2.1 Anemia Aplastik

Anemia aplastik merupakan anemia yang disertai oleh pansitopenia pada

darah tepi yang disebabkan oleh kelainan primer pada sumsum tulang dalam bentuk

aplasia atau hipoplasia tanpa adanya infiltrasi, supresi atau pendesakan sumsum

tulang. Pada anemia aplastik terjadi penurunan produksi sel darah dari sumsum

tulang sehingga menyebabkan retikulositopenia, anemia, granulositopenia,

monositopenia dan trombositopenia [6].

Anemia aplastik jarang ditemukan. Insidensi bervariasi di seluruh dunia,

berkisar antara 2 sampai 6 kasus persejuta penduduk pertahun. Analisis retrospektif

di Amerika Serikat memperkirakan insiden anemia aplastik berkisar antara 2

sampai 5 kasus persejuta penduduk pertahun. The Internasional Aplastic Anemia

and Agranulocytosis Study dan French Study memperkirakan ada 2 kasus persejuta

orang pertahun. Frekuensi tertinggi anemia aplastik terjadi pada orang berusia 15

sampai 25 tahun, peringkat kedua terjadi pada usia 65 sampai 69 tahun. Anemia

aplastik lebih sering terjadi di Timur Jauh, dimana insiden kira-kira 7 kasus

persejuta penduduk di Cina, 4 kasus persejuta penduduk di Thailand dan 5 kasus

persejuta penduduk di Malaysia. Penjelasan kenapa insiden di Asia Timur lebih

besar daripada di negara Barat belum jelas. Peningkatan insiden ini diperkirakan

berhubungan dengan faktor lingkungan seperti peningkatan paparan dengan bahan

6
 7

kimia toksik, dibandingkan dengan faktor genetik. Hal ini terbukti dengan tidak

ditemukan peningkatan insiden pada orang Asia yang tinggal di Amerika.

Penyebab penyakit anemia aplastik sebagian besar adalah idiopatik (50-

70%). Beberapa penyebab lain yang sering dikaitkan dengan anemia aplastik

adalah toksisitas langsung dan penyebab yang diperantarai oleh imunitas seluler.

Beberapa etiologi tersebut tercantum pada tabel berikut [7]:

1. Primer

a. Kelainan Kongenital

b. Fanconi

c. Nonfanconi

d. Dyskeratosis kongenital

e. Idiopatik

2. Sekunder

a. Akibat radiasi, bahan kimia atau obat

b. Akibat obat – obat idiosinkratik

c. Karena penyebab lain : Infeksivirus, hepatitis virus /virus lain, akibat

kehamilan

2.2 Sistem Pakar

Sistem Pakar (Expert System) adalah aplikasi berbasis komputer yang

digunakan untuk menyelesaikan masalah sebagaimana yang dipikirkan oleh pakar.

Pakar yang dimaksud di sini adalah orang yang mempunyai keahlian khusus yang

dapat menyelesaikan masalah yang tidak dapat diselesaikan oleh orang awam.

Sebagai contoh, dokter adalah seorang pakar yang mampu mendiagnosa penyakit

yang diderita pasien serta dapat memberikan penetalaksanaan terhadap penyakit

 8

tersebut. Sistem Pakar, yang mencoba memecahkan masalah yang biasanya hanya

bisa dipecahkan oleh seorang pakar, dipandang berhasil ketika mampu mengambil

keputusan seperti yang dilakukan oleh pakar aslinya baik dari sisi proses

pengambilan keputusan maupun hasil keputusan yang diperoleh [8].

Mesin Inferensi adalah sebuah otak dari aplikasi sistem pakar. Dimana

dalam mesin inferensi inilah kemampuan pakar ini disisipkan. Apa yang dikerjakan

oleh mesin inferensi, didasarkan pada pengetahuan-pengetahuan yang ada dalam

basis pengetahuan yang telah diambil dari seorang pakar.

Sistem pakar adalah sistem yang didesain dan diimplementasikan dengan

bantuan bahasa pemrograman tertentu untuk dapat menyelesaikan masalah seperti

yang dilakukan oleh para ahli. Konsep dasar sistem pakar mengandung beberapa

unsur, yaitu: keahlian / kepakaran, ahli / pakar, pengalihan keahlian / kepakaran,

inferensi, aturan dan kemampuan menjelaskan tujuan dari sebuah sistem pakar

adalah untuk mentransfer kepakaran yang dimiliki seorang pakar ke dalam

komputer, dan kemudian kepada orang lain (non expert) [9].

Sistem adalah serangkaian subsistem yang saling terkait dan tergantung satu

sama lain, bekerjas bersama-sama untuk mencapai tujuan dan sasaran yang sudah

ditetapkan sebelumnya. Semua sistem memiliki input, proses, output, dan umpan

balik. Pakar adalah seorang yang mempunyai pengetahuan, pengalaman, dan

metode khusus, serta mampu menerapkannya untuk memecahkan masalah atau

memberi nasehat. Seorang pakar harus mampu menjelaskan dan mempelajari hal-

hal baru yang berkaitan dengan topik permasalahan, jika perlu harus mampu

menyusun kembali pengetahuan-pengetahuan yang didapatkan, dan dapat

memecahkan aturan-aturan serta menentukan relevansi kepakarannya.

 9

Sistem pakar (expert system) adalah suatu sistem yang dirancang untuk

dapat menirukan keahlian seorang pakar dalam menjawab pertanyaan dan

memecahkan suatu masalah. Sistem pakar akan memberikan pemecahan suatu

masalah yang didapat dari dialog dengan pengguna. Dengan bantuan Sistem Pakar

seorang yang bukan pakar/ahli dapat menjawab pertanyaan, menyelesaikan

masalah serta mengambil keputusan yang biasanya dilakukan oleh seorang pakar.

Pengetahuan yang disimpan di komputer disebut dengan nama basis pengetahuan.

Ada 2 tipe pengetahuan, yaitu fakta dan prosedur. Salah satu fitur yang harus

dimiliki oleh sistem pakar adalah kemampuan untuk menalar.

Jika keahlian-keahlian sudah tersimpan sebagai basis pengetahuan dan

sudah tersedia program yang mampu mengakses basis data, maka komputer harus

dapat diprogram untuk membuat inferensi. Proses inferensi ini dikemas dalam

bentuk motor inferensi (inference engine). Sebagian besar sistem pakar komersial

dibuat dalam bentuk rulebased systems, yang mana pengetahuannya disimpan

dalam bentuk aturan-aturan. Aturan tersebut biasanya berbentuk IF-THEN. Fitur

lainnya dari sistem pakar adalah kemampuan untuk merekomendasi. Kemampuan

inilah yang membedakan sistem pakar dengan sistem konvensional [10].

Pengetahuan adalah informasi atau maklumat yang diketahui atau disadari

oleh seseorang. Pengetahuan termasuk, tetapi tidak dibatasi pada deskripsi,

hipotesis, konsep, teori, prinsip.

Pengetahuan merupakan suatu saringan atau intisari dari informasi. Tujuan

dari sistem pakar adalah memindahkan keahlian dari seorang pakar ke komputer

dan kemudian ke manusia yang bukan pakar. Proses ini meliputi empat kegiatan,

yaitu [11]:
 10

1. Memperoleh pengetahuan dari pakar.

2. Mempresentasikan pengetahuan ke dalam komputer.

3. Mengolah pengetahuan sehingga dapat menghasilkan kesimpulan.

4. Memindahkan pengetahuan ke user.

2.1.1 Struktur Sistem Pakar

Pada sistem pakar ada dua bagian penting, yaitu development environment

(lingkungan pengembangan) dan consultation environtment (lingkungan

konsultasi). Lingkungan pengembangan dipergunakan oleh pembuat dan perancang

sistem pakar dalam membangun komponen-komponennya dan memperkenalkan

pengetahuan kedalam sebuah knowledge base (basis pengetahuan).

Representasi pengetahuan adalah sebuah cara yang dipergunakan dalam

melakukan pengkodean pengetahuan kedalam sebuah sistem pakar. Representasi

pengetahuan dimaksudkan untuk menangkap seluruh sifat-sifat penting dalam

permasalahan yang akan diselesaikan dan membuat informasi.

Dalam keseharian banyak masalah yang tidak dapat dimodelkan secara

lengkap dan konsisten. Suatu penalaran dimana adanya penambahan fakta baru

mengakibatkan adanya ketidak konsistenan, dengan ciri ciri sebagai berikut [12]:

1. Adanya ketidakpastian

2. Adanya perubahan pada pengetahuan

3. Adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk.

Untuk mengatasi masalah ketidakpastian maka dapat digunakan penalaran

statistik. Teori Bayes digunakan sebagai alat pengambil keputusan untuk

memperbaharui tingkat kepercayaan diri dari suatu informasi. Metode ini banyak

diterapkan pada hal–hal yang berkenaan dengan diasgnosa secara statistik yang
 11

berhubungan dengan probabilistik serta kemungkinan dari penyakit dan gejala

gejala yang berkaitan. Model representasi pengetahuan merupakan suatu struktur

data komputer yang bisa dimanipulasi oleh sebuah mesin inferensi dan melakukan

pencarian dalam aktivitas pencocokan pola-pola kasus yang ditangani sistem [12].

Inferensi adalah sebuah prosedur (program) yang mempunyai kemampuan

dan melakukan penalaran. Inferensi ditampilkan kedalam komponen yang

dinamakan mesin inferensi yang mencakup prosedur-prosedur mengenai

pemecahan masalah. Seluruh pengetahuan yang dimiliki seorang pakar disimpan

pada basis pengetahuan oleh sistem pakar. Tugas dari mesin inferensi adalah

membuat kesimpulan berdasarkan basis pengetahuan yang dimilikinya. Ada dua

metode yang penting dalam sistem pakar yaitu:

1. Runut maju (forward chaining) adalah metode pencarian yang bermula dari

fakta yang diketahui, kemudian mencocokkan fakta-fakta tersebut pada bagian

IF dari rules IF-THEN.

2. Runut balik (backward chaining) adalah metode inferensi yang bekerja mundur

kearah kondisi awal

Penemuan masalah berikutnya akan dilakukan Pada penemuan masalah ini

perancangaan dari rule-rule yang akan diharapkan dapat ditemukan kendala

digunakan didalam mendiagnosis kendala dan permasalahan-permasala penyakit

tuberculosis berdasarkan batasan-batasan yang sudah ditentukan dengan

menggunakan teknik Forward Chaining [5]. Forward Chaining juga disebut

penalaran maju yaitu aturan – aturan diuji satu demi satu dalam urutan tertentu.

Mesin inferensi akan mencocokan fakta atau statement dalam knowledge base

dengan situasi yang dinyatakan dalam rule bagian IF. Jika fakta yang ada dalam
 12

Knowledge Base sudah sesuai dengan kaidah IF, maka rule itu distimulasi dan rule

berikutnya diuji. Proses pengujian rule satu demi satu berlanjut sampai satu putaran

lengkap melalui seluruh rule [13].

2.3 Teorema Bayes

Metode Teorema Bayes adalah sebuah teorema dengan dua penafsiran

berbeda. Pada penafsiran Bayes, metode ini menyatakan tingkat kepercayaan

subjektif yang harus berubah secara rasional ketika diperoleh petunjuk atau kasus

baru yang dibandingkan dengan kasus-kasus yang telah lama terjadi. Probabilitas

bayes merupakan salah satu cara dalam mengatasi suatu ketidakpastian data dengan

menggunakan formula Bayes [14]. Teorema bayes juga memandang sebuah tolak

ukur sebagai variable yang menggambarkan sebuah pengetahuan awal tentang tolak

ukur sebelum pengamatan dilakukan dan dinyatakan dalam suatu nilai yang disebut

dengan distribusi prior. Kemudian setelah pengamatan dilakukan, informasi dalam

distribusi prior kembali digabungkan dengan data sampel melalui teorema bayes.

Adapun algoritma dari penyelesaian dari metode Teorema Bayes yaitu sebagai

berikut [15]:

1. Mendefinisikan terlebih dahulu nilai probabilitas dari tiap evidence untuk setiap

hipotesis berdasarkan data sample yang ada menggunakan rumus probabilitas

Bayes.

𝑝(𝐻|𝐸).𝑃(𝐻)
P(H|E) = ....................................................................................... [1]
𝑃(𝐸)

2. Menjumlahkan nilai probabilitas dari tiap evidence untuk masing-masing

hipotesis berdasarkan data sampel.

∑_Gn^n〖k=1=G1+⋯+Gn〗 ......................................................................... [2]

 13

3. Mencari nilai probabilitas hipotesis H tanpa memandang evidence apapun bagi

masing-masing hipotesis.

𝑃(𝐸|𝐻𝑖)
P(Hi) = ............................................................................................. [3]
∑𝑛
𝑘−𝑛

4. Mencari nilai probabilitas hipotesis memandang evidence dengan cara

mengalikan nilai probabilitas evidence awal dengan nilai-nilai probabilitas

hipotesis tanpa mengandung evidence dan menjumlahkan perkalian bagi

masing-masing hipotesis.

∑𝑛𝑘=1 = 𝑝(𝐻1) ∗ 𝑝(𝐸 |𝐻1) + ⋯ + 𝑝(𝐻𝑖 ) ∗ 𝑝(𝐸 |𝐻𝑖) ...................................... [4]

5. Mencari nilai p(Hi|E) atau probabilitas Hi benar jika diberikan evidence E.

𝑃(𝐻𝑖∗𝑝(𝐸|𝐻𝑖)
P(Hi|Ei) = .............................................................................. [5]
∑𝑛𝑘−𝑛

6. Mencari nilai kesimpulan dari Teorema Bayes dengan cara mengalikan nilai

probabilitas evidence awal atau p(E|Hi) dengan nilai hipotesis Hi benar jika

diberikan evidence E atau p(Hi|E) dan menjumlahkan hasil perkalian.

∑𝑛𝑘=1 𝑏𝑎𝑦𝑒𝑠 = 𝑏𝑎𝑦𝑒𝑠 1 + ⋯ + 𝐵𝑎𝑦𝑒𝑠 𝑛 ....................................................... [6]

Secara umum teorema Bayes dengan E kejadian dan hipotesis H dapat

dituliskan dalam bentuk :

𝑃(𝐸∩𝐻𝐼 𝑃(𝐸𝐻𝐼 𝑃(𝐻𝑖 )

P(𝐻𝐼 |𝐸) = ∑ = ................................................................................ [7]
𝐼 𝑃(𝐸∩𝐻𝐼 ) 𝑃(𝐸)

2.4 UML (Unified Modeling Language)

Unified Modeling Language (UML) adalah standarisasi bahasa pemodelan

untuk membangun perangkat lunak yang dibangun dengan menggunakan teknik

pemrograman berorientasi objek [16]. Seperti yang kita ketahui bahwa menyatukan

banyak kepala untuk menceritakan sebuah ide dengan tujuan untuk memahami hal
 14

yang sama tidaklah mudah. Oleh karena itu, diperlukan sebuah bahasa pemodelan

perangkat lunak yang dapat dimengerti oleh banyak orang.

Unified Modelling Language (UML) adalah bahasa pemodelan untuk sistem

atau perangkat lunak yang berparadigma berorientasi objek. Abstraksi konsep dasar

UML terdiri dari structural classification, dynamic behavior, dan model

management dapat kita pahami main concepts sebagai term yang akan muncul pada

saat membuat diagram dan view adalah kategori dari diagram tersebut. UML

mendefinisikan diagram-diagram sebagai Use case diagram, Class Diagram,

Statechart diagram, Activity diagram,Sequence diagram, Collaboration diagram,

Component diagram, dan Deployment diagram [17]

Unified Modeling Language (UML) adalah bahasa spesifikasi standar yang

dipergunakan untuk mendokumentasikan, menspesifikasikan dan membangun

perangkat lunak. UML merupakan metodologi dalam mengembangkan sistem

berorientasi objek dan juga merupakan alat untuk mendukung pengembangan

sistem.

2.4.1 Use Case Diagram

Use Case atau diagram use case merupakan pemodelan yang digunakan

untuk menggambarkan sebuah kasus interaksi antara aktor dan sistem meliputi apa

yang dapat dilakukan seorang pengguna terhadap sistem yang dijalankan.

Suatu Use case diagramakan ditujukan untuk menyatakan visualisasi

interaksi yang terjadi diantara pengguna (aktor) dengan sistem. Ada 2 elemen

penting yang harus digambarkan, yaitu aktor dan use case. Berikut ini adalah

simbol simbol Use case diagram [18]:

 15

Tabel 2.1 Simbol Use Case Diagram

No. Simbol Nama Keterangan

Menspesifikasikan himpunan
peran yang pengguna mainkan
1. Actor
ketika berinteraksi dengan use
case.

Hubungan dimana perubahan

yang terjadi pada suatu elemen
mandiri (independent) akan
2. Dependency
mempengaruhi elemen yang
bergantung pada elemen yang
tidak mandiri (independent).

Hubungan dimana objek anak

(descendent) berbagi pelaku dan
3. Generalization
struktur data dari objek yang ada
diatas objek induk (ancestor)

Menspesifikasikan bahwa use

Include case adalah sumber secara
4. <<Include>>
eksplisit.

Menspesifikasikan bahwa use

Case target memperluas perilaku
Extend
5. <<Extend>> dari use case sumber pada suatu
titik yang diberikan.

6. Apa yang menghubungkan

Associaton antara objek lainnya.

7.
Menspesifikasikan paket yang
System menampilkan sistem terbatas
 16

Tabel 2.1 Simbol Use Case Diagram (Lanjutan)

No. Simbol Nama Keterangan

Deskripsi dari urutan aksi-aksi

yang ditampilkan sistem yang
8. Use Case menghasilkan suatu hasil yang
terukur bagi suatu aktor.

Interaksi aturan-aturan dan

elemen lain yang bekerja sama
9. Collaboration untuk menyediakan perilaku
yang lebih besar dari jumlah
dan elemennya.

Elemen fisik yang eksis saat

aplikasi dijalankan dan
10. Note mencerminkan suatu sumber
daya komputasi.

2.4.2 Activity Diagram

Diagram ini menggambarkan berbagai aktifitas dalam sistem yang sedang

dirancang, mulai dari titik awal, melalui kondisi (decision) yang mungkin terjadi,

kemudian sampai pada titik akhir. Diagram ini tidak menggambarkan

perilaku/proses internal sebuah sistem maupun interaksi antar subsistem, tetapi

lebih menggambarkan proses-proses dan jalur-jalur aktivitas secara umum atau

global [18].

Tabel 2.2 Simbol Activity Diagram

No. Simbol Nama Keterangan

Titik awal atau permulaan dalam

1. Initial State
melalui aktivitas diagram.
 17

Tabel 2.2 Simbol Activity Diagram (Lanjutan)

No. Simbol Nama Keterangan

2. State Suatu aktivitas yang dilakukan aktor.

Digunakan untuk menghubungkan

3. Control Flow antara aktivitas dengan aktivitas
lainnya.

Pemilihan yang diambil untuk

menunjukkan suatu keputusan yang
4. Decision
lebih dari satu True/False.

Titik akhir atau mengakhiri suatu

Final State
5. aktivitas diagram.

2.4.3 Class Diagram

Diagram kelas atau Class Diagram adalah diagram yang menggambarkan

struktur yang berjalan pada sistem dari segi pendefinisisan kelas-kelas yang akan

dibuat untuk membangun sistem. Kelas memiliki apa yang disebut atribut dan

metode atau operasi.

Tabel 2.3 Simbol Class Diagram

No. Simbol Nama Simbol Keterangan

1. Kelas pada struktur sistem

Kelas

Sama dengan konsep

Antarmuka / interface interface dalam
2.
nama_Interface pemrograman berorientasi
objek
 18

Tabel 2.4 Simbol Class Diagram (Lanjutan)

No. Simbol Nama Simbol Keterangan

Felasi antar kelas meliputi

makna umum, asosiasi
3. Asosiasi / association
biasanya juga disertai
dengan multiplicity

Relasi antar kelas yang satu

Asosiasi berarah /
digunakan oleh kelas yang
4. directed association
lain, asosiasi biasanya juga
disertai dengan multiplicity

Relasi antar kelas meliputi

5. Generalisasi makna generalisasi-
spesialisasi (umum-khusus)

Relasi antar kelas meliputi

kebergantungan./.
6. makna kebergantungan
dependency
antarkelas
Relasi antar kelas meliputi
7. Agregasi / aggregation
makna semua-bagian

Class Diagram secara khas meliputi : Kelas (Class), Relasi Assosiations,

Generalitation dan Aggregation, atribut (Attributes), operasi (operation/method)

dan visibility, tingkat akses objek eksternal kepada suatu operasi atau attribut.

Hubungan antar kelas mempunyai keterangan yang disebut dengan Multiplicity atau

Cardinality [18].

2.5 Aplikasi

Adapun aplikasi yang digunakan dalam membangun aplikasi sistem pakar

ini adalah sebagai berikut:

2.5.1 Xampp

XAMPP adalah perangkat lunak bebas, yang mendukung banyak sistem

operasi, merupakan kompilasi dari beberapa program. Fungsinya adalah sebagai

 19

server yang berdiri sendiri (localhost), yang terdiri atas program Apache HTTP

Server, MySQL database, dan penerjemah bahasa yang ditulis dengan bahasa

pemrograman PHP dan Perl. Nama XAMPP merupakan singkatan dari X (empat

sistem operasi apapun), Apache, MySQL, PHP dan Perl. Program ini tersedia dalam

GNU General Public License dan bebas, merupakan web server yang mudah

digunakan yang dapat melayani tampilan halaman web yang dinamis [19]. XAMPP

adalah salah satu paket software web server yang didalamnya telah terdapat Apache,

MySQL, PHP, dan phpMyAdmin. Proses instalasi XAMPP sangat mudah, karena

tidak perlu melakukan konfigurasi Apache, PHP dan MySQL secara manual,

XAMPP melakukan instalasi dan konfigurasi secara otomatis. XAMPP adalah

salah satu paket instalasi apache, PHP, dan MySQL secara instant yang dapat

digunakan untuk membantu proses instalasi ketiga produk tersebut” [20]. Adapun

tampilan dari panel aplikasi XAMPP ditunjukkan pada gambar 2.2 :

Gambar 2.4 Tampilan Untuk Mengaktifkan XAMPP

2.5.2 Sublime Text

Sublime text adalah text editor berbasis python, sebuah text editor yang

elegan, kaya fitur, cross platform, mudah dan simpel yang cukup terkenal

dikalangan developer (pengembang) dan desainer [21].

 20

Sublime text adalah aplikasi editor untuk kode dan teks yang dapat berjalan

diberbagai platform operating system dengan menggunakan teknologi Phyton API.

Terciptanya aplikasi ini terinspirasi dari aplikasi Vim, Aplikasi ini sangatlah

fleksibel dan powerfull. Fungsionalitas dari aplikasi ini dapat dikembangkan

dengan menggunakan sublime-packages. Berikut ini adalah tampilan dari Sublime

text ditunjukkan pada gambar 2.3:

Gambar 2.5 Tampilan Sublime text

2.6 Bahasa Pemrograman

PHP atau kependekan dari Hypertext Preprocessor adalah salah satu bahasa

pemrograman open source yang sangat cocok atau dikhususkan untuk

pengembangan web dan dapat ditanamkan pada sebuah skripsi HTML. Bahasa PHP

dapat dikatakan menggambarkan beberapa bahasa pemrograman seperti C, Java,

dan Perl serta mudah untuk dipelajari [22]. PHP adalah pemrograman interpreter

yaitu proses penerjemahan baris kode sumber menjadi kode mesin yang dimengerti

komputer secara langsung pada saat baris kode dijalankan. PHP disebut sebagai

pemrograman Server Side Programming, hal ini dikarenakan seluruh prosesnya

 21

dijalankan pada server. PHP adalah suatu Bahasa dengan hak cipta terbuka atau

yang juga dikenal dengan istilah Open Source, yaitu pengguna dapat

mengembangkan kode-kode fungsi lain :

1. Bahasa pemrograman PHP adalah sebuah Bahasa script yang tidak melakukan

sebuah kompilasi dalam penggunaannya.

2. Web Server yang mendukung PHP dapat ditemukan di mana-mana dari mulai

IIS sampai dengan apache, dengan konfigurasi yang relatif mudah.

3. Dalam sisi pengembangan lebih mudah, karena banyaknya milis-milis dan

developer yang siap membantu dalam pengembangan.

4. Dalam sisi pemahaman, PHP adalah Bahasa scripting yang paling mudah karena

referensi yang banyak.

PHP adalah Bahasa open source yang dapat digunakan diberbagai mesin

(linux, unix, windows) dan dapat dijalankan secara runtime melalui console serta

juga dapat menjalankan perintah-perintah sistem.

PHP mendukung berbagai jenis variabel yaitu :

1. Integer (bilangan bulat).

2. Bilangan floating point (presisi tunggal, ganda).

3. Boolean.

4. Null (untuk variabel yang belum diset).

5. String dan Array.

6. Object.

7. Resource.

Jika menggunakan Bahasa pemrograman C atau Pascal, maka kita harus

mendefinisikan variabel tiap elemen, namun pada PHP kita tidak perlu
 22

mendefinisikan terlebih dahulu jenis variabel sebelum menggunakannya. PHP

memiliki kepandaian untuk membedakan jenis variabel secara otomatis

berdasarkan konteks yang sedang berlaku bagi variabel tersebut.

2.6.1 Database

SQL (Structured Query Language) adalah bahasa non procedural untuk

mengakses data pada database relasional. SQL adalah bahasa database yang

dipergunakan dalam menyelesaikan permasalahan dalam database serta

mempunyai kelebihan dalam mengolah data. Standar SQL didefenisikan oleh ISO

(International Standards Organization) dan ANSI (the American National

Standards Institute) yang dikenal dengan sebutan SQL86 [23].

MySQL (My Structured Query Language) adalah Suatu sistem basis data

relation atau Relational Database managemnt System (RDBMS) yang mampu

bekerja secara cepat dan mudah digunakan MySQL juga merupakan program

pengakses database yang bersifat jaringan, sehingga sapat digunakan untuk aplikasi

multi user (banyak pengguna). MySQL didistribusikan gratis dibawah lisensi GPL

(General Public License). Dimana setiap program bebas menggunakan MySQL

namun tidak bisa dijadikan produk turunan yang dijadikan closed source atau

komersial [24].

MySQL atau dibaca “My Sekuel” dengan adalah suatu RDBMS (relational

Database Management System) yaitu aplikasi sistem yang menjalankan fungsi

pengolahan data. MySQL pertama dikembangkan oleh MySQL AB yang kemudian

diakuisisi Sun Microsystem dan terakhir dikelola oleh Oracle Coorporation.

Data Definition Language (DDL) adalah suatu tata bahasa definisi data pada

MySQL. DDL digunakan untuk mendefinisikan suatu database, table, tablespace,

 23

logfile group, server, index. DDL pada umumnya digunakan untuk mendefinisikan

suatu wadah data atau record. DDL terdiri dari create, alter, drop, rename.

Data Manipulation Language (DML) merupakan sebuah tata bahasa

manipulasi data pada MySQL, DML digunakan untuk memanipulasi data pada

TABLE Database. MySQL Utility Statement adalah suatu tata bahasa tambahan data

pada MySQL. MySQL Utility Statement digunakan untuk menampilkan informasi

database dan table.

Stored Procedure merupakan sebuah fungsi yang tersimpan pada database

yang berisi kumpulan- kumpulan perintah dalam melakukan pengolahan data yang

dapat dijalankan dengan menggunakan program maupun sesama fungsi dalam

database. Stored Procedure selain memiliki kemampuan pengolahan yang lebih

cepat, juga berfungsi untuk memudahkan interaksi antara program dan database

[25].

2.6.2 Web Browser

World Wide Web (WWW) adalah layanan internet yang paling popular.

WWW berjalan dengan hypertext Transfer Protocol (HTTP). Halaman web

merupakan file teks murni (plain text) yang berisi sintaks-sintaks HTML yang

dapat dibuka, dilihat, diterjemahkan dengan internet browser.

Browser web adalah software yang digunakan untuk menampilkan informasi

dari server web. Software ini kini telah dikembangkan dengan menggunakan user

interface grafis sehingga pemakai dapat melakukan ‘point and click’ untuk pindah

antar dokumen [26]. Contohnya :

1. Mozila Firefox

2. Google Chrome
 24

3. Opera

4. Internet Explorer

5. Safari

Berdasarkan sifatnya, jenis-jenis website terbagi sebagai berikut :

1. Website Dinamis

Website yang menyediakan isi (content) yang selalu berubah-ubah setiap saat.

2. Website Statis

Website yang isinya sangat jarang diubah dan tidak menggunakan database.

Contoh website statis adalah web profil organisasi.

Berdasarkan tujuannya, jenis-jenis website terbagi sebagai berikut :

1. Personal Website : website yang berisi informasi pribadi seseorang.

2. Corporate Website : website yang dimiliki oleh sebuah perusahaan.

3. Portal Website : website yang mempunyai banyak layanan, mulai dari layanan

berita, email, dan jasa-jasa lainnya.

4. Forum Website : sebuah web yang bertujuan sebagai media diskusi dan

berinteraksi bersama pengguna, contohnya kaskus.

 BAB III

METODOLOGI PENELITIAN

3.1 Metode Penelitian

Metode penelitian merupakan cara ilmiah untuk mendapatkan data dengan

tujuan dan kegunaan tertentu. Metode Penelitian dilakukan dengan mendapatkan

data yang akan digunakan untuk menyelesaikan masalah dengan dengan

mengadakan studi langsung kelapangan untuk mengumpulkan data. Dalam

penelitian sangat perlu mengikuti aturan atau kaidah yang berlaku, agar hasil

penelitian yang diperoleh dapat dikatakan valid. Ada beberapa hal yang harus

diketahui untuk mendapatkan tujuan yang diinginkan, yaitu :

3.1.1 Data Collecting (Teknik Pengumpulan Data)

Ada beberapa teknik dalam penyampaian data yang dapat digunakan dalam

penelitian adalah sebagai berikut :

1. Pengamatan (Observasi)

Observasi adalah aktivitas yang dilakukan pada suatu proses atau objek dengan

memiliki tujuan untuk merasakan dan kemudian memahami pengetahuan yang

ada dari sebuah fenomena berdasarkan pengetahuan dan gagasan-gagasan yang

sudah diketahui sebelumnya. Dalam teknik ini dilakukan upaya untuk

mengetahui penyakit anemia aplastik.

25
 26

yang secara langsung ke tempat studi kasus di Rumah Sakit Umum Mitra Sejati

Medan.

2. Wawancara (Interview)

Wawancara merupakan percakapan antara dua orang atau lebih yang terjadi

secara langsung antara narasumber dan pewawancara. Wawancara ini

dilakukan untuk mendapatkan informasi (data) yang dibutuhkan untuk

mencapai tujuan penelitian. Dalam teknik ini dilakukan dengan cara tanya

jawab secara langsung dengan ibu dr. Melda Yulia.

Tabel 3.1 Data Penyakit Anemia aplastik

No. Kode Penyakit

1. P01 Inherited Aplastic Anemia
2. P02 Acquired Aplastic Anemia

Tabel 3.2 Data Penanganan Penyakit Anemia aplastik

No. Penyakit Penanganan

- Terapi antibiotik dan antivirusm dilakukan

apabila pasien anemia aplastik beresiko
tinggi atau telah terserang infeksi
- Imunosupresan, yaitu pemberian obat
seperti ciclosporin dan kortikosteroid, untuk
Inherited
mencegah terjadinya penyakit sumsum
1. Aplastic
tulang
Anemia
- Transfusi darah, untuk mencukupi sel darah
pada pasien anemia aplastik
- Transplantasi sumsum tulang, untuk
menggantikan sel sumsum tulang yang rusak
dengan yang sehat.
- Wawancara medis, dilakukan dengan
menanyakan keluhan pasien beserta riwayat
Acquired penyakit yang diderita
2. Aplastic - Pemeriksaan fisik, dilakukan dengan
Anemia memeriksa fisik pasien untuk melihat gejala
anemia aplastik yang muncul
 27

Tabel 3.2 Data Penanganan Penyakit Anemia aplastik (Lanjutan)

No. Penyakit Penanganan

- pemeriksaan laboratorium, dilakukan

pengambilan sampel darah pasien lalu
memeriksakannya untuk mendiagnosa kadar
leukosit, trombosit, eritrosit dan sel darah
lainnya.
Acquired
- Prosedur biopsi, yaitu skrining sumsum
2. Aplastic
tulang dengan mengambil sampel jaringan
Anemia
sumsum tulang untuk diperiksa dibawah
mikroskop
- Prosedur aspirasi, yaotu skrining sumsum
tulang dengan mengambil sampel cairan
sumsum tulang

3. Studi Kepustakaan (Library Research)

Studi Keputusan adalah salah satu elemen yang mendukung sebagai landasan

teoritis peneliti untuk mengkaji masalah yang dibahas. Dalam hal ini peneliti

menggunakan beberapa sumber kepustakaan diantaranya : Buku, Jurnal

Nasional, Jurnal Internasional dan sumber-sumber lainnya yang berkaitan

dengan bidang ilmu sistem pakar.

3.2 Penerapan Metode Teorema Bayes

Algoritma sistem merupakan keterangan dari langkah-langkah penyelesaian

masalah dalam perancangan sistem pakar dalam mendiagnosa penyakit anemia

aplastik dengan menggunakan metode bayes. Tahapan dari metode Teorema bayes

akan dijelaskan dalam kerangka kerja berikut ini.

 28

Pemilihan Gejala

Mendefinisikan nilai probabilitas

dari tiap evidence P(E|H1)

Menjumlahkan nilai
probabilitas dari tiap evidence

Menentukan nilai probabilitas

hipotesis H tanpa memandang
evidence

Menentukan nilai probabilitas

hipotesis memandang evidence

Menentukan nilai p(Hi|E) atau

probabilitas Hi

Menentukan nilai kesimpulan

dari Teorema Bayes

Gambar 3.1 Kerangka Kerja Metode Teorema Bayes

Pada algoritma kebutuhan input dari sistem pakar untuk mendiagnosa

penyakit anemia aplastik dengan menggunakan metode Teorema Bayes ini berupa

data gejala penyakit yang terlihat pada penderita, beserta nilai bobot dari setiap

gejala yang nilainya berasal dari data sampel atau pengalaman. Adapun data

tersebut nantinya diproses untuk menghasilkan kesimpulan keterangan penyakit

berdasarkan gejala yang dipilih oleh user. Adapun algoritma dari penyelesaian dari

metode Teorema Bayes yaitu sebagai berikut:

 29

1. Mendefinisikan terlebih dahulu nilai probabilitas dari tiap evidence untuk setiap

hipotesis berdasarkan data sample yang ada menggunakan rumus probabilitas

Bayes.

𝑝(𝐸 |𝐻 ).𝑃(𝐻)
P(H|E) = .................................................................................. (1)
𝑃(𝐸)

2. Menjumlahkan nilai probabilitas dari tiap evidence untuk masing-masing

hipotesis berdarkan data sample.

∑𝑛𝐺𝑛 𝑘 = 1 = 𝐺1 + ⋯ + 𝐺𝑛 ...................................................................... (2)

3. Mencari nilai probabilitas hipotesis H tanpa memandang evidence apapun bagi

masing-masing hipotesis.

𝑃(𝐸|𝐻𝑖)
P(Hi) = ........................................................................................ (3)
∑𝑛
𝑘−𝑛

4. Mencari nilai probabilitas hipotesis memandang evidence dengan cara

mengalikan nilai probabilitas evidence awal dengan nilai-nilai probabilitas

hipotesis tanpa mengandung evidence dan menjumlahkan perkalian bagi

masing-masing hipotesis.

∑𝑖𝑘=1 𝑝(𝐻1) ∗ 𝑝(𝐸|𝐻1) + ⋯ + 𝑝(𝐻𝑖 ) ∗ 𝑝(𝐸|𝐻𝑖 ) .................................... (4)

5. Mencari nilai p(Hi|E) atau probabilitas Hi benar jika diberikan evidence E.

𝑃(𝐻𝑖∗𝑝(𝐸|𝐻𝑖)
P(Hi|Ei) = ................................... (5)
∑𝑖𝑘=1 𝑃(𝐻1)∗𝑝(𝐸|𝐻1)+⋯+𝑝(𝐻𝑖)∗𝑝(𝐸|𝐻𝑖)

6. Mencari nilai kesimpulan dari Teorema Bayes dengan cara mengalikan nilai

probabilitas evidence awal atau p(E|Hi) dengan nilai hipotesis Hi benar jika

diberikan evidence E atau p(Hi|E) dan menjumlahkan hasil perkalian.

∑𝑛𝑘=1 𝑏𝑎𝑦𝑒𝑠 1 + ⋯ + 𝐵𝑎𝑦𝑒𝑠 𝑛 ............................................................................. (6)

 30

3.1.2 Mendefenisikan Nilai Probabilitas

Jenis penyakit alergi yang sering terjadi pada pasien dapat dilihat dari tabel

yang telah dibuat berdasarkan data.

Tabel 3.3 Jenis Penyakit Anemia aplastik

No. Kode Penyakit Keterangan

1. P01 Inherited Aplastic Anemia Penyakit yang diwariskan
2. Acquired Aplastic Anemia Penyakit yang tidak
P02
diwariskan

Berikut ini adalah ciri-ciri penyakit anemia aplastik, antara lain adalah sebagai

berikut:

Tabel 3.4 Gejala Penyakit Anemia

No. Kode Nama Penyakit Nama Gejala

Sakit kepala
Pening
Mual
Nafas pendek
Memar-memar
Kurang berenergi atau mudah lelah
Inherited
1 P01 Warna kulit terlihat pucat
Aplastic Anemia
Darah dalam tinja
Pendarahan seperti mimisan
Gusi berdarah
Demam
Pembesaran hati atau limfa
Sariawan mulut
Demam
Lemas
Pucat
Sakit kepala
Acquired
2 P02 Jantung berdebar-debar
Aplastic Anemia
Sesak nafas
Memar-memar
Pendarahan seperti mimisan
Mudah terkena infeksi penyakit
 31

Dalam menentukan rule inferensi untuk penyakit anemia aplastik, maka

dibuatlah rulenya terlebih dahulu berdasarkan kaidah sistem pakar dengan metode

bayes adalah sebagai berikut:

Tabel 3.5 Rule Inferensi

Kode Gejala Nama Gejala P01 P02

G01 Sakit kepala √ √
G02 Pening √
G03 Mual √
G04 Nafas pendek √
G05 Memar-memar √ √
G06 Kurang berenergi atau mudah lelah √
G07 Warna kulit terlihat pucat √
G08 Darah dalam tinja √
G09 Pendarahan seperti mimisan √ √
G10 Gusi berdarah √
G11 Demam √ √
G12 Pembesaran hati atau limfa √
G13 Sariawan mulut √
G14 Lemas √
G15 Pucat √
G16 Jantung berdebar-debar √
G17 Sesak nafas √
G18 Mudah terkena infeksi penyakit √

Didalam pengembangan aplikasi sistem pakar ini untuk membantunya, maka

ditampilkan data-data hubungan antara gejala dan jenis penyakit anemia aplastik.

Nilai probabilitas dalam Teorema Bayes diperoleh dari jumlah gejala dibagi dengan

jumlah kasus yang terjadi.

Jumlah sampel Kasus Anemia aplastik = 30

Probabilitas kasus Inherited Aplastic Anemia P01 = 15/30

E01 = Sakit kepala= 6, maka P(E|H1) = 6/15 = 0.4

E02 = Pening= 9, maka P(E|H1) = 9/15 = 0.6

E03 = Mual= 12 maka P(E|H1) = 12/15 = 0.8

 32

E04 = Nafas pendek= 11, maka P(E|H1) = 11/15 = 0.733333333333

E05 = Memar-memar= 7, maka P(E|H1) = 7/15 = 0.466667

E06 = Kurang berenergi atau mudah lelah= 10, maka P(E|H1) = 10/15 = 0.667

E07 = Warna kulit terlihat pucat= 11, maka P(E|H1) = 11/15 = 0.7333333333

E08 = Darah dalam tinja= 10, maka P(E|H1) = 10/15 = 0.6666667

E09 = Pendarahan seperti mimisan= 5, maka P(E|H1) = 5/15 = 0.33333

E10 = Pendarahan seperti mimisan= 11, maka P(E|H1) = 11/15 = 0.73333333

E11 = Demam = 6, maka P(E|H1) = 6/15 = 0.4

E12 = Pembesaran hati atau limfa = 9, maka P(E|H1) = 9/15 = 0.6

E13 = Sariawan mulut = 8, maka P(E|H1) = 8/15 = 0.533333

Jumlah kasus Acquired Aplastic Anemia P02 = 15/30

E01 = Sakit kepala = 4, maka P(E|H2) = 4/15 = 0.266666667

E05 = Memar-memar= 5, maka P(E|H2) = 5/15 = 0.333333333

E09 = Pendarahan seperti mimisan= 6, maka P(E|H2) = 6/15 = 0.4

E11 = Demam= 5, maka P(E|H2) = 5/15 = 0.333333333

E14 = Lemas= 8, maka P(E|H2) = 8/15 = 0.533333333

E15 = Pucat= 7, maka P(E|H2) = 7/15 = 0.466666667

E16 = Jantung berdebar-debar= 10, maka P(E|H2) = 10/15 = 0.666666667

E17 = Sesak nafas= 11, maka P(E|H2) = 11/15 = 0.733333333

E18 = Mudah terkena infeksi penyakit= 12, maka P(E|H2) = 12/15 = 0.8

Berikut adalah penyajian nilai probabilitas dari data jumlah kasus yang telah

dideksripsikan sebelumnya.
 33

Tabel 3.6 Nilai Probabilitas

Kode
Nama Penyakit Jumlah Kasus Probabilitas
Gejala
G01 6 0.4
G02 9 0.6
G03 12 0.8
G04 11 0.733333
G05 7 0.466667
G06 10 0.666667
G07 Inherited Aplastic Anemia 11 0.733333
G08 10 0.666667
G09 5 0.333333
G10 11 0.733333
G11 6 0.4
G12 9 0.6
G13 8 0.533333
G01 4 0.266666667
G05 5 0.333333333
G09 6 0.4
G11 5 0.333333333
G14 Acquired Aplastic Anemia 8 0.533333333
G15 7 0.466666667
G16 10 0.666666667
G17 11 0.733333333
G18 12 0.8

Setelah menentukan rule inferensi melalui tabel diatas maka tahap selanjutnya

menggunakan Mesin infensi dari tabel tersebut dan melakukan proses perhitungan

dengan metode bayes. Perhitungan akan dilakukan dari setiap kemungkinan yang

akan dipilih maka dilakukan perhitungan metode bayes adalah sebagai berikut :

Tabel 3.7 Gejala yang dialami

No Kode gejala Ciri-ciri

1 G01 Sakit kepala
2 G02 Pening
3 G03 Mual
4 G04 Nafas pendek
5 G05 Memar-memar
 34

Langkah pertama mengidefinisikan terlebih dahulu nilai probabilitas dari tiap

evidence untuk hipotesis berdasarkan data sampel yang ada menggunakan rumus

probabilitas bayes :

1. P01 = Penyakit Inherited Aplastic Anemia

G01 = P(E|H1) = 0.4

G02 = P(E|H1) = 0.6

G03 = P(E|H1) = 0.8

G04 = P(E|H1) = 0.733333333

G05 = P(E|H1) = 0.466666667

2. P02 = Penyakit Acquired Aplastic Anemia

G01 = P(E|H2) = 0.266666667

G05 = P(E|H2) = 0.333333333

3.2.1 Menjumlahkan Nilai Probabilitas

Langkah kedua menjumlahkan nilai probabilitas dari tiap evidance untuk

masing-masing hipotesis berdasarkan data sampel.

𝑛

∑ 𝑘 = 1 = 𝐺1 + ⋯ + 𝐺𝑛
𝐺𝑛

1. P01 = Penyakit Inherited Aplastic Anemia

G01 = P(E|H1) = 0.4

G02 = P(E|H1) = 0.6

G03 = P(E|H1) = 0.8

G04 = P(E|H1) = 0.733333333

G05 = P(E|H1) = 0.466666667

𝑛

∑ 𝑘1 = 0.4 + 0.6 + 0.8 + 0.733333333 + 0.733333333 = 3

𝐺𝑛
 35

2. P02 = Penyakit Acquired Aplastic Anemia

G01 = P(E|H2) = 0.266666667

G05 = P(E|H2) = 0.333333333

∑𝑛𝐺𝑛 𝑘2 = 0.266666667 + 0.333333 = 0.6

3.2.2 Mencari Nilai Probabilitas Tanpa Memandang Evidence

Langkah ketiga mencari nilai probabilitas hipotesis H tanpa mengandung

evidance apapun bagi masing-masing hipotesis.

𝑃(𝐻𝑖)
P(Hi) = ∑𝑛
𝑘−𝑛

1. P01 = Penyakit Inherited Aplastic Anemia

0.4
G01 = P(E|H1) = = 0.133333333
3

0.6
G02 = P(E|H1) = = 0.2
3

0.7
G03 = P(E|H1) = = 0.266666667
3

0.7333333
G04 = P(E|H1) = = 0.244444444
3

0.466666667
G05 = P(E|H1) = = 0.155555556
3

2. P02 = Penyakit Acquired Aplastic Anemia

0.266666667
G01 = P(E|H2) = = 0.444444445
0.6

0.333333
G05 = P(E|H2) = 0.6
= 0.555555555

3.2.3 Mencari Nilai Hipotesis dengan Evidence

Langkah keempat setelah nilai (P(Hi) diketahui, probabilitas hipotesis H

tanpa memandang evidance apapun, maka langkah selanjutnya adalah :

𝑛

∑ = P(H1) ∗ P(E|H1) + ⋯ + P(Hi) ∗ P(E|Hi)

𝑘−𝑛
 36

1. P01 = Penyakit Inherited Aplastic Anemia

𝑛

∑ = (0.4 ∗ 0.133333333) + (0.6 ∗ 0.2) + (0.8 ∗ 0.266666667)

𝑘−𝑛

+ (0.733333333 ∗ 0.244444444)

+ (0.466666667 ∗ 0.155555556) = 0.638518518

2. P02 = Penyakit Acquired Aplastic Anemia

𝑛

∑ = (0.266666667 ∗ 0.444444445) + (0.333333 ∗ 0.555555555)

𝑘−𝑛

= 0.303703704

3.2.4 Mencari Nilai P(H|E)

Langkah kelima mencari nilai (P(Hi|E) atau probabilitas hipotesis Hi benar

jika diberikan evidance E.

P(Hi)∗P(E|Hi)
P(Hi|E) = ∑n
k−n

1. P01 = Penyakit Inherited Aplastic Anemia

0.4∗0.133333333
P(Hi|E) = = 0.083526682
0.638518518

0.6∗0.2
P(Hi|E) = = 0.187935035
0.638518518

0.8∗0.266666667
P(Hi|E) = = 0.334106729
0.638518518

0.733333333∗0.244444444
P(Hi|E) = = 0.280742459
0.638518518

0.466666667∗0.155555556
P(Hi|E) = = 0.113689095
0.638518518

2. P02 = Penyakit Acquired Aplastic Anemia

0.266666667∗0.444444445
P(Hi|E) = = 0.390243904
0.303703704

0.333333∗0.555555555
P(Hi|E) = = 0.609756096
0.303703704

Langkah keenam setelah seluruh nilai P(Hi|E) diketahui, maka jumlahkan

seluruh nilai bayesnya dengan rumus sebagai berikut :

 37

∑ 𝐵𝑎𝑦𝑒𝑠 = 𝑃(𝐸|𝐻1) ∗ 𝑃(𝐻1 + 𝐸1)+. . +𝑃(𝐸 |𝐻𝑖) ∗ 𝑃(𝐻𝑖|𝐸𝑖)

𝑘−𝑛

1. P01 = Penyakit Inherited Aplastic Anemia

𝑛

∑ 𝐵𝑎𝑦𝑒𝑠 = (0.4 ∗ 0.083526682) + (0.6 ∗ 0.187935035)

𝑘−𝑛

+ (0.8 ∗ 0.334106729) + (0.733333333 ∗ 0.280742459)

+ (0.466666667 ∗ 0.113689095) = 0.672389791

2. P02 = Penyakit Acquired Aplastic Anemia

𝑛

∑ 𝐵𝑎𝑦𝑒𝑠 = (0.266666667 ∗ 0.390243904) + (0.33333 ∗ 0.609756096)

𝑘−𝑛
= 0.307317073

3.2.5 Mencari Kesimpulan

Dari proses perhitungan menggunakan metode teorema bayes diatas, maka

dapat diketahui bahwa penyakit yang dialami adalah Penyakit Inherited Aplastic

Anemia dengan pasti dan memiliki nilai keyakinan 0.672389791 atau 67.23%.
 BAB IV

PEMODELAN DAN PERANCANGAN SISTEM

4.1 Pemodelan Sistem

Pada tahapan pemodelan sistem dilakukan dengan tujuan dimana sistem

yang akan dibuat digambarkan terlebih dahulu dalam bentuk rancangan konsep,

dimana proses ini digunakan untuk merencanakan bentuk bentuk dari perangkat

lunak yang akan dibangun sehingga memudahkan dalam proses pengkodean sistem.

Dalam merancang sebuah aplikasi sistem pakar untuk mendiagnosa penyakit

Anemia aplastik berbasis Web dibutuhkan rancangan Use Case Diagram yang akan

menjelaskan alur interaksi user dengan sistem, Activity Diagram untuk

menggambarkan aktifitas secara berurutan dan Class Diagram yang digunakan

untuk mendeskripsikan objek-objek dalam sistem. Berikut ini pemodelan sistem

yang akan dirancang:

4.1.1 Skenario Use Case

Skenario Use Case dibagi menjadi 2 jenis antara lain lingkungan

pengembangan (development environment) Sistem Pakar digunakan untuk

memasukkan pengetahuan pakar dan mengelola isi data kedalam lingkungan Sistem

Pakar dan lingkungan Konsultasi (user environment) Sistem Pakar digunakan untuk

halaman atau form yang akan digunakan oleh pihak pengguna ataupun dalam kasus

ini adalah pasien.

38
 39

1. Skenario Login Admin

Nama Use Case : Login Admin

Aktor : Admin

Deskripsi : Menggambarkan kegiatan pada saat web dibuka

Tabel 4.1 Skenario Login Admin

Admin <System>
1. Input Username dan Password
2. Menekan Tombol Login 3. Melakukan cek login / verifikasi
4. Menampilkan pesan login
berhasil atau login gagal
5. Apabila login gagal maka akan
dikembalikan ke halaman login
6. Input Username dan Password
kembali
7. Jika benar maka menu
dashboard admin akan tampil

2. Skenario Halaman Admin

Nama Use Case : Kelola Halaman Admin

Aktor : Admin

Deskripsi : Skenario Halaman Admin merupakan halaman yang

menghubungkan admin dengan menu-menu lainnya yang

digunakan untuk mengelola web.

Skenario Kelola Data Admin :

Tabel 4.2 Skenario Halaman Admin

Admin <System>
1. Pilih menu
2. Memilih menu Penyakit
3. Menampilkan halaman Data
Penyakit
4. Memilih menu Gejala
5. Menampilkan halaman Gejala
6. Memilih menu Basis
Pengetahuan
 40

Tabel 4.2 Skenario Halaman Admin (Lanjutan)

Admin <System>
7. Menampilkan halaman Basis
Pengetahuan
8. Memilih menu Logout
9. Keluar dari halaman Admin

3. Skenario Kelola Data Penyakit

Nama Use Case : Kelola Data Penyakit

Aktor : Admin

Deskripsi : Skenario Kelola Data Penyakit merupakan proses aktor

dan sistem melakukan manajemen terhadap data penyakit.

Skenario Kelola Data Penyakit :

Tabel 4.3 Skenario Kelola Data Penyakit

Admin <System>
1. Membuka Form Penyakit
2. Memeriksa Status Login
3. Tampil Form Penyakit

4. Skenario Simpan Data Penyakit

Nama Use Case : Simpan Data Penyakit

Aktor : Admin

Deskripsi : Skenario Kelola Data Penyakit merupakan proses aktor

dalam menyimpan data penyakit.

Skenario Simpan Data Penyakit :

Tabel 4.4 Skenario Data Penyakit

Admin <System>
1. Input data Penyakit
2. Menekan tombol simpan
3. Menyimpan data Penyakit
 41

Tabel 4.4 Skenario Data Penyakit (Lanjutan)

Admin <System>
4. Menampilkan hasil penyimpanan
kedalam halaman web

5. Skenario Ubah Data Penyakit

Nama Use Case : Ubah Data Penyakit

Aktor : Admin

Deskripsi : Skenario Ubah Data Penyakit merupakan proses aktor

mengubah isi data penyakit.

Skenario Ubah Data Penyakit :

Tabel 4.5 Skenario Ubah Data Penyakit

Admin <System>
1. Menginput data Penyakit yang
sudah ada
2. Mengganti data yang sudah ada
3. Mengupdate data Penyakit
4. Menampilkan hasil perubahan di
halaman web

6. Skenario Hapus Data Penyakit

Nama Use Case : Hapus Data Penyakit

Aktor : Admin

Deskripsi : Skenario Hapus Data Penyakit merupakan proses aktor

dalam menghapus data penyakit.

Skenario Hapus Data Penyakit :

Tabel 4.6 Skenario Hapus Data Penyakit

Admin <System>
1. Menghapus data Penyakit
 42

Tabel 4.6 Skenario Hapus Data Penyakit (Lanjutan)

Admin <System>
2. Menghapus data di database
3. Menampilkan sisa data yang belum
terhapus

7. Skenario Kelola Data Gejala

Nama Use Case : Kelola Data Gejala

Aktor : Admin

Deskripsi : Skenario Kelola Data Gejala merupakan proses aktor dan

sistem melakukan manajemen terhadap data penyakit.

Skenario Kelola Data Gejala :

Tabel 4.7 Skenario Kelola Data Gejala

Admin <System>
1. Membuka Form Gejala
2. Memeriksa Status Login
3. Tampil Form Gejala

8. Skenario Simpan Data Gejala

Nama Use Case : Simpan Data Gejala

Aktor : Admin

Deskripsi : Skenario Simpan Data Gejala merupakan proses aktor

menyimpan data gejala.

Skenario Simpan Data Gejala:

Tabel 4.8 Skenario Simpan Data Gejala

Admin <System>
1. Input data Gejala
2. Menekan tombol simpan
3. Menyimpan data Gejala
4. Menampilkan hasil penyimpanan
kedalam halaman web
 43

9. Skenario Ubah Data Gejala

Nama Use Case : Ubah Data Gejala

Aktor : Admin

Deskripsi : Skenario Ubah Data Gejala merupakan proses aktor dalam

mengubah data gejala pada sistem.

Skenario Ubah Data Gejala:

Tabel 4.9 Skenario Ubah Data Gejala

Admin <System>
1. Menginput data Gejala yang sudah
ada
2. Mengganti data yang sudah ada
3. Mengupdate data Gejala
4. Menampilkan hasil
perubahan di halaman web

10. Skenario Hapus Data Gejala

Nama Use Case : Hapus Data Gejala

Aktor : Admin

Deskripsi : Skenario Hapus Data Gejala merupakan proses aktor dalam

menghapus data gejala yang sebelumnya ada pada sistem.

Skenario Hapus Data Gejala:

Tabel 4.10 Skenario Hapus Data Gejala

Admin <System>
1. Menghapus data Gejala
2. Menghapus data di database
3. Menampilkan sisa data yang
belum terhapus

11. Skenario Kelola Data Basis Pengetahuan

Nama Use Case : Kelola Data Basis Pengetahuan

Aktor : Admin
 44

Deskripsi : Kelola Data Basis Pengetahuan merupakan proses aktor dan

sistem melakukan manajemen terhadap relasi antara data

penyakit dan data gejala serta nilai probabilitasnya.

Skenario Kelola Data Basis Pengetahuan:

Tabel 4.11 Skenario Kelola Data Basis Pengetahuan

Admin <System>
1. Membuka Form Basis Pengetahuan
2. Memeriksa Status Login
3. Tampil Form Basis
Pengetahuan

12. Skenario Simpan Data Basis Pengetahuan

Nama Use Case : Simpan Data Basis Pengetahuan

Aktor : Admin

Deskripsi : Skenario Simpan Data Basis Pengetahuan merupakan

proses aktor dalam menyimpan data basis pengetahuan baru

ke dalam sistem.

Skenario Simpan Data Basis Pengetahuan:

Tabel 4.12 Skenario Simpan Data Basis Pengetahuan

Admin <System>
1. Input Data
2. Menekan tombol simpan
3. Menyimpan Data Basis Pengetahuan
4. Menampilkan hasil penyimpanan
kedalam halaman web

13. Skenario Hapus Data Basis Pengetahuan

Nama Use Case : Hapus Data Basis Pengetahuan

Aktor : Admin
 45

Deskripsi : Skenario Hapus Data Basis Pengetahuan merupakan proses

aktor menghapus data basis pengetahuan yang sebelumnya

ada pada sistem.

Skenario Hapus Data Basis Pengetahuan:

Tabel 4.13 Skenario Hapus Data Basis Pengetahuan

Admin <System>
1. Menginput Data Basis
Pengetahuan yang sudah ada
2. Mengganti data yang sudah ada
3. Mengupdate Data Basis
Pengetahuan
4. Menampilkan hasil perubahan
di halaman web

14. Skenario Isi Biodata User

Nama Use Case : Isi Biodata

Aktor : Pasien

Deskripsi : Skenario isi biodata berfungsi untuk melakukan pendaftaran

bagi pengguna di sistem, sebelum pengguna menggunakan

sistem.

Skenario Isi Biodata:

Tabel 4.14 Skenario Isi Biodata

Pasien <System>
1. Membuka milih dan mengklik
tombol diagnosa
2. Tampil halaman isi biodata
3. Mengetikkan biodata Pasien,
kemudian menekan tombol simpan
4. Sistem mengarahkan ke
halaman pemilihan gejala

15. Skenario Diagnosa Penyakit

Nama Use Case : Diagnosa Penyakit

 46

Aktor : User dan Admin

Deskripsi : Skenario Diagnosa berfungsi untuk melakukan diagnosa

dengan algoritma Teorema Bayes.

Skenario Diagnosa Penyakit:

Tabel 4.15 Skenario Diagnosa Penyakit

Pasien dan Admin <System>

1. Membuka halaman diagnosa
2. Tampil form diagnosa
3. Pilih gejala yang terjadi dan
selanjutnya menekan tombol selesai

16. Skenario Proses Teorema Bayes

Nama Use Case : Proses Teorema Bayes

Aktor : Pasien dan Admin

Deskripsi : Skenario Proses Teorema Bayes berfungsi untuk

menjalankan algoritma Teorema Bayes agar diperoleh

hasil.

Skenario Proses Teorema Bayes:

Tabel 4.16 Skenario Proses Teorema Bayes

Pasien dan Admin <System>

1. Sistem akan mencari hasil
dengan menggunakan
algoritma Teorema Bayes
2. Menampilkan hasil diagnosa
3. Menerima hasil diagnosa
4. Menekan tombol cetak
5. Mencetak hasil diagnosa

17. Skenario Cetak Laporan

Nama Use Case : Cetak Laporan

Aktor : User dan Admin

 47

Deskripsi : Skenario laporan digunakan untuk menampilkan hasil dari

proses diagnosa menggunakan metode Teorema Bayes.

Tabel 4.8 Skenario Cetak Laporan

Admin <System>
1. Membuka form Laporan
2. Menampilkan hasil diagnosa
3. Menekan tombol print
4. Mencetak hasil diagnosa

Berikut ini adalah gambaran dari Use Case Diagram dari sistem yang akan

dibangun, pada diagram ini menjelaskan interaksi yang dapat dilakukan oleh user

dan admin terhadap sistem yang berjalan.

Gambar 4.1 Use Case Diagram Sistem Pakar

 48

4.1.2 Activity Diagram

Activity diagram digunakan untuk menggambarkan aliran aktivitas yang

dilakukan sistem dan yang terjadi pada use case tertentu di dalam use case

diagram. Dalam hal ini, yang akan dideskripsikan melalui activity diagram

Gambar 4.2 Rancangan Activity diagram

 49

4.1.3 Class Diagram

Class Diagram biasa digunakan untuk menggambarkan struktur statis class

di dalam sistem. Class merepresentasikan sesuatu yang ditangani sistem. Berikut

adalah gambar class diagram yang digunakan di dalam sistem.

Gambar 4.3 Class Diagram

4.2 Rancangan Basis Data

Database yang dirancang terdiri dari tabel yang saling berelasi. Struktur

tabel tabel database tersebut antara lain:

1. Tabel Login

Tabel Login merupakan tabel pada basis data yang menampung data dari User

beserta Password-nya. Berikut adalah rancangan tabel Login:

 50

Tabel 4.9 Tabel Login

No Nama Field Jenis Ukuran Field Deskripsi

1. Username Text 30 Nama pengguna
2. Password Text 20 Password/Sandi

2. Tabel Penyakit

Tabel Penyakit merupakan tabel pada basis data yang menampung data dari

jenis-jenis Penyakit yang ada pada sistem. Berikut adalah rancangan tabel

Penyakit:

Tabel 4.10 Tabel Penyakit

No Nama Field Tipe Data Ukuran Field Deskripsi

1. KodePenyakit Text 5 Primary Key
Penyakit Anemia
2. NamaPenyakit Text 20
aplastik
3. Penanganan Memo 150 Penanganan penyakit

3. Tabel Basis pengetahuan

Tabel basis pengetahuan merupakan tabel pada basis data yang menampung

relasi data antara gejala dan penyakit. Berikut adalah rancangan tabel basis

pengetahuan :

Tabel 4.11 Tabel Basis Pengetahuan

Ukuran
No Nama Field Tipe Data Deskripsi
Field
1. Kodepengetahuan Text 5 (Primary Key)
2. KodePenyakit Text 5 Kode Penyakit
3. Kodegejala Text 5 Kode Gejala
4. NilaiProbababilitas Number 5 Nilai Probabilitas
 51

4. Tabel Gejala

Tabel gejala merupakan tabel pada basis data yang menampung gejala yang akan

disediakan sistem. Berikut adalah rancangan tabel gejala:

Tabel 4.12 Tabel Gejala

No Nama Field Tipe Data Ukuran Field Deskripsi

1. Kodegejala Text 5 Primary Key
2. Namagejala Text 20 Nama Gejala

5. Tabel Diagnosa

Tabel diagnosa merupakan tabel pada basis data yang menampung hasil

diagnosa yang akan disediakan sistem. Berikut adalah rancangan tabel gejala:

Tabel 4.13 Tabel Diagnosa

Ukuran
No Nama Field Tipe Data Deskripsi
Field
1 KodeProses Text 5 KodeProses
2 Nama Text 50 Nama User
3 Gejala Text 30 Gejala yang terjadi pada
Anemia aplastik
4 Hasil Text 20 Diagnosa
5 Solusi Memo 150 Penanganan

4.3 Perancangan Interface

Dalam tahap perancangan sistem ini akan membahas mengenai rancangan

interface dari sistem yang akan dibangun. Hasil rancangan ini nantinya akan

diterapkan kedalam pemograman berbasis web.

1. Rancangan Halaman Login Admin

Pada bagian perancangan ini dilengkapi dengan rancangan halaman Login.

Halaman Login digunakan khusus untuk admin web yang dapat mengakses

halaman Penyakit, halaman gelaja, halaman basis pengetahuan.

 52

Login Admin

Username

Password

Login Cancel

Gambar 4.4 Form Login Admin

2. Rancangan Halaman Admin

Perancangan Menu Admin dibuat untuk merancang bentuk desain halaman web

yang akan digunakan oleh admin untuk menuju ke halaman Penyakit, halaman

basis pengetahuan dan halaman gejala.

Aplikasi Sistem Pakar

Dashboard

Pengunjung Selamat Datang Di Halaman Admin

Penyakit

Gejala Icon Icon Icon

Basis Pengetahuan

Logout

Footer

Gambar 4.5 Halaman Admin

 53

3. Rancangan Form Kelola Jenis Penyakit

Halaman Penyakit digunakan untuk melihat Penyakit yang ada di database,

menghapus Penyakit, menambah Penyakit dan mengubah Penyakit. Berikut

adalah perancangan untuk halaman Penyakit.

Aplikasi Sistem Pakar

Dashboard

Pengunjung
+Tambah
Penyakit
No Kode Penyakit Nama Penyakit Aksi
Selamat Datang Di Halaman Admin
Gejala

Basis Pengetahuan

Logout

Footer

Gambar 4.6 Form Kelola Penyakit

4. Rancangan Halaman Kelola Jenis Gejala

Halaman gejala digunakan untuk melihat data gejala yang ada di database,

menghapus data gejala, menambah data gejala dan mengubah data gejala.

Berikut adalah perancangan untuk halaman gejala.

 54

Aplikasi Sistem Pakar

Dashboard

Pengunjung
+Tambah
Penyakit
No Kode Gejala Nama Gejala Aksi
Gejala

Basis Pengetahuan

Logout

Footer

Gambar 4.7 Halaman Kelola Jenis Gejala

5. Rancangan Halaman Kelola Data Basis Pengetahuan

Halaman Data Basis Pengetahuan digunakan untuk melihat data Basis

Pengetahuan yang ada di database, menghapus Data Basis Pengetahuan,

menambah Data Basis Pengetahua. Halaman Data Basis Pengetahuan

digunakan juga untuk merelasikan antara gejala dan penyakit. Berikut adalah

perancangan untuk halaman Halaman Basis Pengetahuan.

Aplikasi Sistem Pakar

Dashboard

Pengunjung +Tambah
Penyakit
No Kode Gejala Penyakit Probabilitas Aksi
Solusi
Gejala

Basis Pengetahuan

Logout

Footer

Gambar 4.8 Halaman Kelola Basis Pengetahuan

 55

6. Rancangan Halaman Menu Utama

Menu utama adalah tampilan awal ketika user memasuki sistem. Halaman ini

berisi tampilan luar tentang sistem pakar untuk mendiagnosa penyakit Fragaria

Ananassa (Anemia aplastik). Berikut ini adalah rancangan aplikasi pada halaman

menu utama yang digunakan oleh admin maupun User.

Aplikasi Sistem Pakar

Home About Login

Login Admin
Admin

SISTEM PAKAR
MENDIAGNOSA ANEMIA APLASTIK MENGGUNAKAN
METODE TEOREMA BAYES

Diagnosa

Gambar 4.9 Form Menu Utama

7. Rancangan Halaman Pengunjung

Halaman Pengunjung adalah form yang digunakan oleh pasien, sebelum

pengunjung melakukan diagnosa, mereka wajib mengisi form ini.

 56

Aplikasi Sistem Pakar

Home About Login Admin

Untuk menggunakan sistem ini, isikan terlebih dahulu identitas anda !

Nama

Jenis Kelamin

Alamat

Simpan

Gambar 4.10 Halaman Pengunjung

8. Rancangan Halaman Diagnosa

Halaman diagnosa digunakan oleh Pasien. Pada halaman diagnosa Pasien atau

pengunjung web diharuskan untuk memilih gejala-gejala sesuai dengan yang

dialami mereka. Berikut adalah rancangan halaman diagnosa.

Aplikasi Sistem Pakar

Home About Login Admin

Nama Pengunjung

Pilih Gejala

Gejala 1

Gejala 2

Gejala 3

Gejala 4

Selesai

Gambar 4.11 Halaman Diagnosa

 57

9. Rancangan Halaman Hasil Diagnosa

Halaman Hasil Diagnosa ini merupakan form untuk menampilkan hasil

Diagnosa berdasarkan gejala yang dipilih sebelumnya

Aplikasi Sistem Pakar

Home About Login Admin

Hasil
Hasil Diagnosa
Diagnosa

Nama
Nama

Nama
Nama Penyakit
Penyakit

Nilai
Nilai Diagnosa
Diagnosa

Solusi
Solusi

Cetak
Kembali Ke Homepage

Gambar 4.12 Halaman Hasil

10. Rancangan Halaman Hasil Laporan

Halaman Hasil Laporan ini merupakan form untuk menampilkan hasil

Diagnosa dalam bentuk PDF yang telah dilakukan sebelumnya.

 58

Rumah Sakit Mitra Sejati Medan

Logo
Jl.
Jl. Jenderal
Jenderal Besar
Besar A.H.
A.H. Nasution
Nasution No.7
No.7

Laporan
Laporan

Dari
Dari hasil
hasil proses
proses menggunakan
menggunakan teorema
teorema bayes,
bayes, maka
maka diperoleh
diperoleh hasil
hasil sebagai
sebagai berikut,
berikut,
Nomor
Nomor Diagnosa
Diagnosa ::
xxxx
xxxx
Nama
Nama User
User :: xxxx
xxxx
Penyakit
Penyakit :: xxxx
xxxx
Nilai
Nilai Probabilitas
Probabilitas :: xxxx
xxxx

Penanganan
Penanganan :: xxxx
xxxx

Mengetahui,
Mengetahui,

XXXX
XXXX

Gambar 4.13 Halaman Hasil

 58

DAFTAR PUSTAKA

[1] T. Handayani, "PENDEKATAN DIAGNOSIS DAN TERAPI PADA

ANEMIA APLASTIK," Publikasi Ilmiah UMS, vol. 2, no. 3, 2021.
[2] "Aplastic Anemia," E-JURNAL MEDIKA, 20 8 2022. [Online]. Available:
https://jurnal.harianregional.com. [Accessed 10 2 2023].
[3] Febby Kesumaningtyas, "SISTEM PAKAR DIAGNOSA PENYAKIT
DEMENSIA MENGGUNAKAN METODE FORWARD CHAINING
STUDI KASUS (DI RUMAH SAKIT UMUM DAERAH PADANG
PANJANG)," Jurnal Edik Informatika, vol. 3, no. 2, pp. 95-102, 2018.
[4] Z. Azmi, "IMPLEMENTASI TEOREMA BAYES UNTUK
MENDIAGNOSA TINGKAT STRES," JISICOM (Journal of Information
System, Informatics and Computing ), vol. 2, no. 1, 2018.
[5] Y. R. NASUTION, "SISTEM PAKAR DIAGNOSA AWAL PENYAKIT
TUBERKULOSIS DENGAN METODE BAYES," KLOROFIL, vol. 1, no. 1,
pp. 17-23, 2017.
[6] M. M. A. Putra, "Anemia aplastik Berat dengan Komplikasi Febril
Neutropenia dan Perdarahan pada Perempuan Usia 20 Tahun," J
Agromedicine, vol. 6, no. 1, 2019.
[7] Kadek Diah Permata Sutanegara, Devi Rahmadhona, "ANEMIA APLASTIK :
DARI AWITAN HINGGA TATALAKSANA," Jurnal Kedokteran Unram ,
vol. 11, no. 3, 2022.
[8] H. T. Sihotang, "SISTEM PAKAR MENDIAGNOSA PENYAKIT
KOLESTEROL PADA REMAJA DENGAN METODE CERTAINTY
FACTOR (CF) BERBASIS WEB," Jurnal Mantik Penusa, vol. 15, no. 1, pp.
16-23, 2014.
[9] R. E. Putri, "PENERAPAN METODE FORWARD CHAINING PADA
SISTEM PAKAR UNTUK MENGETAHUI KEPRIBADIAN
SESEORANG," Journal of Information Technology and Computer Science
(INTECOMS), vol. 3, no. 1, 2020.
[10] E. Ongko, "Perancangan Sistem Pakar Diagnosa Penyakit pada Mata," Jurnal
TIME , vol. 2, no. 2, pp. 10-17, 2016.
[11] M. A. Raharja, "PERANCANGAN DAN IMPLEMENTASI APLIKASI
SISTEM PAKAR UNTUK PENYAKIT SPEAKER AKTIF DENGAN
METODE BACKWARD CHAINING," Jurnal Teknologi Informasi dan
Komputer ·, vol. 2, no. 1, 2017.
[12] H. T. Sihotang, "SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT
PADA TANAMAN JAGUNG DENGAN METODE BAYES," Journal Of
Informatic Pelita Nusantara, vol. 3, no. 1, pp. 17-22, 2018.
[13] Level Perdana, "SISTEM PAKAR UNTUK DIAGNOSIS PENYAKIT
GINJAL DENGAN METODE FORWARD CHAINING," Jurnal TIKomSiN,
no. ISSN : 2338-4018, 2018.
 59

[14] A. W. Ganda Anggara11), Gede Pramayu2), "MEMBANGUN SISTEM

PAKAR MENGGUNAKAN TEOREMA BAYES UNTUK
MENDIAGNOSA PENYAKIT PARU-PARU," Seminar Nasional Teknologi
Informasi dan Multimedia 201 6, no. ISSN : 2302-3805, pp. 6-7, 2016.
[15] N. A. Hutagalung, K. Kunci-:, M. Bayes and S. Pakar, "IMPLEMENTASI
METODE BAYES PADA SISTEM PAKAR MENDIAGNOSA PENYAKIT
POLIO".
[16] W. Aprianti, "SISTEM INFORMASI KEPADATAN PENDUDUK
KELURAHAN ATAU DESA STUDI KASUS PADA KECAMATAN
BATI-BATI KABUPATEN TANAH LAUT," Jurnal Sains dan Informatika,
vol. 2, no. 1, pp. 21-29, 2016.
[17] Sutejo, "Pemodelan UML Sistem Informasi Geografis Pasar Tradisional Kota
Pekanbaru," Jurnal Teknologi Informasi & Komunikasi Digital Zone, vol. 7,
no. 2, pp. 89-99, 2016.
[18] N. A. Maiyedra, "PERANCANGAN SISTEM INFORMASI PROMOSI
TOUR WISATA DAN PEMESANAN PAKET TOUR WISATA DAERAH
KERINCI JAMBI PADA CV. RINAI BERBASIS OPEN SOURCE," Jurnal
Sistem Informasi dan Manajemen STMIK GICI , vol. 7, no. 1, 2019.
[19] R. V. Palit, "Rancangan Sistem Informasi Keuangan Gereja Berbasis Web Di
Jemaat GMIM Bukit Moria Malalayang," E-Journal Teknik Elektro dan
Komputer, vol. 7, p. 4, 2015.
[20] Nirsal, "DESAIN DAN IMPLEMENTASI SISTEM PEMBELAJARAN
BERBASIS E-LEARNING PADA SEKOLAH MENENGAH PERTAMA
NEGERI 1 PAKUE TENGAH," Jurnal Ilmiah d’Computare, vol. 1, no. 1,
pp. 30-37, 2020.
[21] D. Pradiatiningtyas, "E-Learning Sebagai Media Pembelajaran Berbasis Web
Pada Smk N 4 Purworejo," Indonesian Journal on Networking and Security,
vol. 2, p. 7, 2017.
[22] A. Firman, "Sistem Informasi Perpustakaan Online Berbasis Web," E-journal
Teknik Elektro dan Komputer, vol. 5, no. 2, p. 5, 2016.
[23] Eka Iswandy, "SISTEM PENUNJANG KEPUTUSAN UNTUK
MENENTUKAN PENERIMAAN DANA SANTUNAN SOSIAL ANAK
NAGARI DAN PENYALURANNYA BAGI MAHASISWA DAN
PELAJAR KURANG MAMPU DI KENAGARIAN BARUNG– BARUNG
BALANTAI TIMUR," Jurnal TEKNOIF, vol. 3, no. ISSN: 2338-2724 70 ,
2015.
[24] M. Destiningrum and Q. J. Adrian, "SISTEM INFORMASI
PENJADWALAN DOKTER BERBASSIS WEB DENGAN
MENGGUNAKAN FRAMEWORK CODEIGNITER (STUDI KASUS:
RUMAH SAKIT YUKUM MEDICAL CENTRE)," Jurnal TEKNOINFO,
vol. 11, no. 2, p. 10, 2017.
[25] D. D. J. T. Sitinjak, "ANALISA DAN PERANCANGAN SISTEM
INFORMASI ADMINISTRASI KURSUS BAHASA INGGRIS PADA
INTENSIVE ENGLISH COURSE DI CILEDUG TANGERANG," JURNAL
IPSIKOM, vol. 8, no. 1, 2020.
 60

[26] Y. Firmansyah, "Penerapan Metode SDLC Waterfall Dalam Pembuatan

Aplikasi Pelayanan Anggota Pada CU Duta Usaha Bersama Pontianak,"
Jurnal Bianglala Informatika – bianglala.bsi.ac.id, vol. 5, no. 2, pp. 53-61,
2017.