Skripsi Last of The Last of The Last
Skripsi Last of The Last of The Last
Oleh:
Julian Raus
NIM : 09021381823158
Julian Raus
iv
MOTTO DAN PERSEMBAHAN
Motto :
“1>0”
“Live as if you were to die tomorrow. Learn as if you were to live forever.”
• Keluarga
• Dosen Pembimbing
• Sahabat dan Teman Seperjuangan
• Jurusan Teknik Informatika
• Fakultas Ilmu Komputer
• Universitas Sriwijaya
v
EXPERT SYSTEM FOR DIAGNOSING THE RISK LEVEL OF HEART
DISEASE USING FUZZY LOGIC METHOD
Julian Raus
09021381823158
ABSTRACT
Heart disease is a condition that affects the heart so that it does not function normally. As
one of the heart diseases, heart attack is a heart disorder when the heart muscle does not
get blood flow and disrupts the heart's function in circulating blood throughout the body.
Heart attacks are scary because they can come suddenly, but a person can actually know
the level of risk to experience a heart attack from health conditions and lifestyle so that
they can take the necessary anticipation to minimize the risk. This research aims to build a
system to diagnose the level of risk of heart attack in order to increase public awareness
and is expected to reduce the death rate due to heart attack. The use of the Fuzzy Logic
method in this study is to overcome the problem of uncertainty and produce a single output
in the form of a heart attack risk level, namely low, medium, and high. This study uses 7
risk factors for heart disease as input values, namely age, gender, systolic blood pressure,
hypertension treatment, blood sugar, smoking, and BMI. This study uses 100 heart disease
patient data and produces an accuracy rate of 94.7%.
vi
SISTEM PAKAR DIAGNOSIS TINGKAT RISIKO PENYAKIT JANTUNG
DENGAN MENGGUNAKAN METODE FUZZY LOGIC
Julian Raus
09021381823158
ABSTRAK
Penyakit jantung adalah suatu kondisi yang mempengaruhi jantung sehingga tidak
berfungsi dengan normal. Sebagai salah satu penyakit jantung, serangan jantung adalah
gangguan jantung ketika otot jantung tidak mendapat aliran darah dan mengganggu fungsi
jantung dalam mengalirkan darah ke seluruh tubuh. Serangan jantung menjadi menakutkan
karena dapat datang secara tiba-tiba, akan tetapi seseorang sebenarnya dapat mengetahui
tingkat risiko untuk mengalami serangan jantung dari kondisi kesehatan dan gaya hidup
sehingga dapat melakukan antisipasi yang diperlukan untuk meminimalisir risiko tersebut.
Penelitian ini bertujuan untuk membangun sebuah sistem untuk melakukan diagnosis
tingkat risiko serangan jantung agar dapat meningkatkan kesadaran masyarakat dan
diharapkan dapat menurunkan tingkat kematian akibat serangan jantung. Penggunaan
metode Fuzzy Logic pada penelitian ini untuk mengatasi masalah ketidakpastian dan
menghasilkan keluaran tunggal berupa tingkat risiko serangan jantung yaitu rendah,
sedang, dan tinggi. Penelitian ini menggunakan 7 faktor risiko penyakit jantung sebagai
nilai masukan yaitu umur, jenis kelamin, tekanan darah sistolik, treatment hipertensi, gula
darah, merokok, dan BMI. Penelitian ini menggunakan 100 data pasien penyakit jantung
dan menghasilkan tingkat akurasi sebesar 94,7%.
vii
KATA PENGANTAR
Puji dan syukur dipanjatkan atas kehadirat Allah SWT., karena telah
menyelesaikan tugas akhir dengan judul “Sistem Pakar Diagnosis Tingkat Risiko
Penulis menyadari atas dukungan dan bimbingan dari berbagai pihak yang
telah memberikan bantuan dan dukungan baik secara langsung maupun secara tidak
maupun materil.
2. Bapak Prof. Dr. Ir. M. Said, M.Sc., selaku Dekan Fakultas Ilmu Komputer
Universitas Sriwijaya dan Ibu Alvi Syahrini Utami, M.Kom., selaku Ketua
3. Ibu Yunita, M.Cs., selaku pembimbing I, dan Ibu Desty Rodiah, M.T., selaku
4. Ibu Rizki Kurniati, M.T., selaku penguji yang telah memberikan masukan dan
viii
5. Seluruh dosen di jurusan Teknik Informatika Fakultas Ilmu Komputer
6. Mbak Wiwin beserta seluruh staf tata usaha yang telah membantu dalam
dukungan dan semangat kepada penulis dan selalu ada saat penulis
membutuhkan.
8. Almh. Hj. Siti Elly Halimah, nenek dari penulis, yang selalu memberikan doa,
dorongan dan semangat kepada penulis dan selalu mendengarkan curahan hari
sangat amat banyak membantu penulis dalam pengerjaan tugas akhir ini.
10. Sahabat-sahabat saya yaitu Purnomo, Iyan, Ijar, Fawwaz, dan Yogi menemani,
penulis.
11. Sahabat dan teman seperjuangan yaitu Rafliandi, Juki, Sultan, dan Neta, serta
memberikan bekal dan ilmu yang bermanfaat, sebagai tempat mengasah diri
dan menjadikan penulis agar berusaha menjadi pribadi yang lebih baik.
ix
Penulis menyadari dalam penyusunan tugas akhir ini masih terdapat banyak
kekurangan dan jauh dari kata sempurna. Maka dari itu, penulis mengharapkan
kritik dan saran yang membangun untuk kesempurnaan tugas akhir ini. Semoga
Julian Raus
x
DAFTAR ISI
Halaman
xi
2.2.5 Sistem Inferensi Fuzzy .................... Error! Bookmark not defined.
2.2.6 Defuzzifikasi................................... Error! Bookmark not defined.
2.2.7 Confusion Matrix............................ Error! Bookmark not defined.
2.2.8 Rational Unified Process (RUP) .... Error! Bookmark not defined.
2.3 Penelitian yang Relevan ...................... Error! Bookmark not defined.
2.4 Kesimpulan.......................................... Error! Bookmark not defined.
xii
4.2.3 Analisis dan Desain ........................ Error! Bookmark not defined.
4.3 Fase Elaborasi ..................................... Error! Bookmark not defined.
4.3.1 Pemodelan Bisnis ........................... Error! Bookmark not defined.
4.3.2 Kebutuhan Sistem ........................... Error! Bookmark not defined.
4.3.3 Diagram .......................................... Error! Bookmark not defined.
4.4 Fase Konstruksi ................................... Error! Bookmark not defined.
4.4.1 Kebutuhan Sistem ........................... Error! Bookmark not defined.
4.4.2 Diagram Kelas ................................ Error! Bookmark not defined.
4.4.3 Implementasi .................................. Error! Bookmark not defined.
4.5 Fase Transisi ........................................ Error! Bookmark not defined.
4.5.1 Pemodelan Bisnis ........................... Error! Bookmark not defined.
4.5.2 Kebutuhan Sistem ........................... Error! Bookmark not defined.
4.5.3 Rencana Pengujian ......................... Error! Bookmark not defined.
4.5.4 Implementasi .................................. Error! Bookmark not defined.
4.6 Kesimpulan.......................................... Error! Bookmark not defined.
DAFTAR PUSTAKA
LAMPIRAN
I.
xiii
xiv
DAFTAR TABEL
Halaman
xv
DAFTAR GAMBAR
Halaman
xvi
DAFTAR LAMPIRAN
xvii
II.BAB I
PENDAHULUAN
1.1 Pendahuluan
mendasari penelitian ini titik pokok-pokok pikiran tersebut antara lain adalah latar
metodologi penelitian.
memompa darah ke seluruh tubuh, membuat seluruh sistem dan organ di dalam
tubuh tetap berfungsi dengan baik (Redy Susanto & Wantoro, 2022). Jantung yang
normal dan sehat didukung oleh jaringan otot yang kuat dan bekerja dengan baik
dalam memompa darah. Namun, seperti halnya organ tubuh pada umumnya,
sehingga tidak berfungsi dengan normal. Istilah penyakit jantung juga kerap
menyebabkan serangan jantung, nyeri dada (angina), atau stroke. Sebagai salah satu
penyakit jantung, serangan jantung adalah gangguan jantung ketika otot jantung
tidak mendapat aliran darah dan akan mengganggu fungsi jantung dalam
II-1
II-2
serangan jantung menjadi menakutkan karena dapat datang secara tiba-tiba, akan
serangan jantung dari kondisi kesehatan dan gaya hidup sehingga dapat melakukan
perangkat lunak yang dapat membantu dalam deteksi dini tingkat risiko penyakit
sebagaimana yang dilakukan oleh pakar disebut dengan sistem pakar. Umumnya,
seorang pakar. Oleh karena itu, sistem pakar akan cocok untuk menjadi aplikasi
untuk mendiagnosis risiko serangan jantung dengan penerapan metode fuzzy logic.
(Puspitaningrum & Purnomo, 2018), kesimpulan yang diperoleh adalah sistem yang
menunjukkan bahwa sistem memiliki unjuk kerja mencapai 89,02% dari 82 data
pemeriksaan.
memiliki nilai akurasi yang cukup signifikan. Teori fuzzy logic mengatakan suatu
nilai bisa bernilai benar atau salah secara bersama namun berapa besar keberadaan
(Krisnawan et al., 2014). Penalaran pada fuzzy logic memiliki 3 metode yaitu
ini dikarenakan menghasilkan keluaran berupa keputusan tunggal atau crips saat
sistem untuk melakukan diagnosis tingkat risiko serangan jantung agar dapat
penyakit jantung?
BAB I. PENDAHULUAN
Pada bab ini berisi mengenai latar belakang penelitian, rumusan masalah,
penulisan.
Pada bab ini akan menjelaskan mengenai dasar-dasar teori yang digunakan
lunak yang akan dilaksanakan di penelitian ini secara jelas dan detail, di bab
ini akan dimulai dari unit penelitian sampai menajemen proyek penelitian.
II-5
Bab ini berisi hasil pengujian pada perangkat lunak yang telah
Bab ini berisi kesimpulan dari hasil penelitian yang telah dilakukan serta
1.8 Kesimpulan
ini akan menguji bagaimana pengaruh Sistem Pakar Deteksi Tingkat Risiko
KAJIAN LITERATUR
2.1 Pendahuluan
masalah pada penelitian ini. Bab ini akan menjelaskan tentang landasan teori yang
Landasan teori pada penelitian ini menjelaskan mengenai teori atau konsep
yang berkaitan dengan permasalahan penelitian. Terdapat beberapa sub bab yang
Secara umum sistem pakar adalah suatu sistem yang berusaha menerapkan
menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar
pakar. Sistem pakar berusaha mencari solusi yang memuaskan layaknya seorang
alasan atau rekomendasi atau kesimpulan yang ditarik. Pendapat lain mengatakan
sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan
biasa dilakukan oleh para ahli, dan sistem pakar yang baik dirancang agar dapat
III-1
III-2
menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli (Sri
Kusumadewi, 2003).
Menurut (Sri Kusumadewi, 2003) sistem pakar terdiri dari 2 bagian utama,
yaitu:
(Kurniawan, 2018):
III-3
1. Interpretasi.
2. Prediksi
3. Diagnosis.
4. Perancangan
signifikan dalam berbagai aspek termasuk kesehatan. Hal ini tidak terlepas dari
fleksibilitas dari sistem pakar yang dapat diterapkan dengan berbagai metode
seperti depth first search, AHP (Analytical Hierarchy Process), forward chaining,
fuzzy logic, dan masih banyak lagi. Salah satu penggunaan sistem pakar seperti yang
Jantung merupakan salah satu organ penting manusia. Peran jantung adalah
untuk memompa darah ke seluruh tubuh dan bertanggung jawab atas suplai darah
ke dalam tubuh, sehingga jika suatu penyakit menyerang organ jantung dapat
lebih banyak orang daripada penyebab kematian lainnya. Lebih dari tiga perempat
sistem pakar harus didasarkan pada pengetahuan dari pakar sehingga didapatkan
gejala dan faktor risiko penyakit jantung yaitu variabel usia, jenis kelamin, tekanan
Dari variabel yang didapat dari pakar tersebut kemudian diolah agar
2.2.2.1 Usia
usia maka semakin tinggi risikonya. Individu yang telah memasuki usia dewasa
atau lanjut usia sering dihadapkan dengan kondisi seperti perubahan fisik yang
2013).
Jenis kelamin adalah salah satu faktor yang mempengaruhi kualitas hidup.
ini sesuai dengan survey dimana perempuan lebih banyak memiliki masalah
kesehatan setelah infark miokard seperti seringnya nyeri dada dibandingkan dengan
cepat dibandingkan pria, yaitu sekitar 10 persen lebih sedikit darah dengan setiap
tekanan.
perubahan. Ada dua jenis tekanan darah, sistolik dan diastolik. Sistol adalah
tekanan darah saat otot jantung berkontraksi, sedangkan diastol adalah tekanan
darah saat jantung berelaksasi atau istirahat. Menurut penelitian yang dilakukan di
rumah sakit Jakarta, terdapat hubungan signifikan antara hipertensi (darah tinggi)
pemompaan darah dari vertikel kiri, sehingga beban kerja jantung bertambah dan
dapat menyebabkan kerusakan pada arteri yang membawa darah ke seluruh tubuh
(Marliani 2013). Orang dengan obesitas, kolesterol tinggi dan diabetes rentan
terhadap kondisi ini. Karena itu, jika Anda menghadapi situasi ini, Anda perlu
2.2.2.5 Merokok
meningkatkan penumpukan lemak dan plak yang bisa menyumbat aliran darah
arteri. Semakin banyak rokok yang dihisap semakin besar pula risiko terkena
penyakit atau serangan jantung. Kematian akibat penyakit jantung berkurang 50%
Gula darah adalah zat gula atau glukosa yang terdapat di dalam tubuh. Gula
darah juga termasuk dalam faktor risiko paling penting dalam penentuan hasil
diagnosis penyakit jantung (Adeli & Neshat, 2010). Ketika mengalaminya, tubuh
tidak mampu memproduksi cukup insulin atau tidak bisa merespon insulin dengan
III-7
baik. Kondisi tersebut memicu penumpukan gula darah yang berujung pada
serangan jantung.
2.2.2.7 BMI
angina pectoris dan juga diprediksi timbulnya insidensi penyakit koroner dan gagal
jantung kongestif (congestive heart failure) (Ashton, 2001). Obesitas juga dapat
menyebabkan tekanan darah tinggi meningkat, yang merupakan salah satu faktor
(Leupker, 2004).
Fuzzy logic pertama kali dikemukakan oleh Prof. Lotfi A. Zadeh pada tahun
1965, merupakan suatu logika yang memiliki nilai kekaburan atau kesamaran
(fuzziness) antara benar atau salah. Dalam logika klasik dinyatakan bahwa segala
hal dapat diekspresikan dalam istilah binary, fuzzy logic menggantikan kebenaran
boolean dengan tingkat kebenaran. Oleh karena itu fuzzy logic dapat
1. Fuzzifikasi
bentuk tegas (crisp) menjadi fuzzy yang biasanya disajikan dalam bentuk
2. Inferensi
variable-variabel masukan dan keluaran yang mana variabel yang diproses dan
3. Defuzzifikasi
2.2.4 Fuzzifikasi
Proses untuk mengubah suatu masukan dari bentuk tegas (crisp) menjadi
masing-masing
III-9
Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk
Fungsi keanggotaan:
(2.1)
III-10
(2.2)
Fungsi keanggotaan:
III-11
(2.3)
(2.4)
interaksi dan hubungan yang ada antara variabel tersebut. Bentuk if-then dapat
tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear
tahun 1985. Model Sugeno menggunakan fungsi keanggotaan Singleton yaitu fungi
keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal
Pada fuzzy sugeno terdapat 2 model yaitu model fuzzy sugeno orde nol yang
secara umum bentuk model dapat dilihat pada persamaan 2-6 dan model fuzzy
z=P1*x1+P2*x2+…+…+Pn*xn+q
menurut teori operasi himpunan pada persamaan, nilai keanggotaan dari AND
dihitung menggunakan fungsi implikasi MIN (Putu & Dewi, 2014). Nilai MIN
2.2.6 Defuzzifikasi
sebelumnya atau mesin inferensi kembali menjadi besaran tegas (Hayadi et al.,
2016). Hasil dari keluaran defuzzifikasi adalah domain himpunan fuzzy, dalam hal
ini merupakan hasil diagnosa penyakit. Metode untuk menentukan nilai tegas
berikut:
∑𝑛
𝑖=1 𝛼𝑖𝑧𝑖
𝑍= ∑𝑛
(2-9)
𝑖=1 𝛼𝑖
mining yang berguna untuk menghitung kinerja atau tingkat kebenaran proses
klasifikasi mengenali tuple dari kelas yang berbeda (Han et al., 2012). Berikut tabel
III-14
confusion matrix secara keseluruhan yang digunakan untuk menentukan data uji
mana yang diklasifikasikan dengan benar dan mana yang salah diklasifikasikan.
Positive (aktual) TP FP
(true positive) (false positive)
Negative (tidak FN TN
aktual) (false negative) (true negative)
Nilai True Negative (TN) adalah jumlah data negatif yang terdiagnosis
dengan benar, sedangkan False Positive (FP) adalah data negatif tetapi terdiagnosis
sebagai data positif. True Positive (TP) adalah data positif yang terdiagnosis
benar. False Negative (FN) adalah kebalikan dari True Positive, sehingga datanya
Positive (TP), dan False Negative (FN) dapat digunakan untuk menghitung nilai
rate. Metrik evaluasi tersebut berguna untuk mengetahui tingkat kebenaran dan
Precision=(TP)/(TP+FP) (2.11)
Recall=(TP)/(TP+FN) (2.12)
Specifity=(TN)/(TN+FP) (2.13)
dibobotkan.
perangkat lunak menggunakan pendekatan secara berulang atau iteratif, fokus pada
arsitektur, dan lebih menargetkan penggunaan kasus (Fitria & Widowati, 2017).
risiko penyakit jantung yang baik karena dapat dilakukan evaluasi di dalam tahapan
perangkat lunak yang akurat dan proses pengerjaan dapat dilakukan secara terukur
pada tahap ini antara lain mencakup pembuatan desain arsitektur subsistem
pembuatan dokumentasi.
Apabila desain yang dibuat telah sesuai dengan analisis sistem, maka
Aktivitas yang dilakukan pada tahap ini antara lain mencakup pengujian
kombinasi 2 metode, yaitu metode certainty factor (CF) dan fuzzy logic. Pengerjaan
dari sistem pakar ini direncanakan melalui 7 tahapan yaitu : 1) Tahap pengumpulan
data 2) Tahap perumusan penyakit jantung dan paru beserta gejalanya, 3) Tahap
dalam sistem pakar, dan 7) Tahap uji coba. Uji coba pada penelitian ini dilakukan
terhadap pasien penyakit jantung dan paru-paru. Hasil akhir dari penyakit yang
menghasilkan tingkat kemiripan sistem pakar yang telah dibuat dengan pakar
metode fuzzy logic Tsukamoto yang dapat digunakan untuk menentukan tingkat
risiko penyakit jantung dengan output 3 kategori, yaitu kecil, sedang, dan besar
dari sistem adalah gula darah, kolestrerol. Tekanan darah, serta body mass index
(BMI) dari seorang pasien. Sistem pakar ini dapat membantu melakukan diagnosis
tingkat risiko penyakit jantung dengan tingkat akurasi hasil pengujiam diperoleh
Metode Certainty Factor dilakukan oleh (Redy Susanto & Wantoro, 2022),
menghasilkan sistem yang mampu memberikan hasil diagnosa secara mudah dan
III-19
cepat berdasarkan pengetahuan pakar dan data gejala yang dipilih oleh pengguna
serta dapat melihat informasi penyakit dan solusi atau tindakan yang harus
diberikan kepada bagian admin atau pakar serta bagian pengguna diperoleh hasil
sebesar 97% sehingga dapat disimpulkan bahwa aplikasi telah sesuai fungsinya.
diperoleh dalam tiga bagian yaitu precision sebesar 70%, Recall atau sensitivity
2.4 Kesimpulan
Pada bab ini telah membahas landasan teori dari penelitian ini yaitu sistem
pakar, sistem inferensi fuzzy metode Sugeno, dan penyakit jantung beserta faktor
faktor resikonya. Bab ini juga menjelaskan penelitian lain yang terkait dengan
penelitian ini. Selanjutnya pada bab 3 akan membahas mengenai metode penelitian
METODOLOGI PENELITIAN
3.1 Pendahuluan
Pada bab ini menjelaskan tentang unit penelitian, tahapan penelitian yang
sebagai acuan pada setiap fase pengembangan dan memberikan sebuah solusi untuk
Berikut ini adalah penjelasan jenis dan sumber data serta metode
pengumpulan data.
Jenis data yang digunakan dalam penelitian ini adalah data sekunder, yang
dan batasan nilai himpunan di setiap faktor risiko penyakit jantung dan tentang
penyakit jantung.
IV-21
G1 Usia
G2 Jenis Kelamin
G4 Treatment Hipertensi
G5 Merokok
G6 Gula Darah
G7 BMI
dalam deteksi tingkat risiko penyakit jantung terdiri dari variabel usia, jenis
kelamin, tekanan darah (sistolik), treatment hipertensi, merokok, gula darah, dan
BMI.
adalah kurva keanggotaan dan fungsi keanggotaan faktor risiko penyakit jantung.
a. Umur
dan tua. Biasanya penyakit jantung menyerang pada usia 30 tahun ke atas.
IV-22
UMUR
1
Derajat Keanggotaan
0,8
0,6
0,4
0,2
0
0 5 10 15 20 25 30 35 40 45 50 55 60 65 70 75 80 85 90
Umur (Tahun)
nilai lingusitik muda, parobaya, tua yang dapat dilihat pada persamaan 3.1, 3.2 dan
3.3.
1 ; 𝑥 ≤ 25
45−𝑥
µ(𝑚𝑢𝑑𝑎) = { (45−25) ; 25 ≤ 𝑥 ≤ 45 (3.1)
0 ; 𝑥 ≥ 45
0 ; 𝑥 ≤ 35 𝑎𝑡𝑎𝑢 𝑥 ≥ 55
𝑥−35
(45−35) ; 35 ≤ 𝑥 ≤ 45
µ(𝑝𝑎𝑟𝑜𝑏𝑎𝑦𝑎) = (3.2)
55−𝑥
(55−45) ; 45 ≤ 𝑥 ≤ 55
{
0 ; 𝑥 ≤ 45
𝑥−45
µ(𝑡𝑢𝑎) = { (65−45) ; 45 ≤ 𝑥 ≤ 65 (3.3)
1 ; 𝑥 ≥ 65
IV-23
b. Jenis Kelamin
Fungsi keanggotaan nilai lingusitik laki-laki dan perempuan yang dapat dilihat pada
persamaan berikut.
1 ;𝑥 = 1
µ(𝑙𝑎𝑘𝑖 − 𝑙𝑎𝑘𝑖) = { (3.4)
0 ;𝑥 = 0
1 ;𝑥 = 0
µ(𝑝𝑒𝑟𝑒𝑚𝑝𝑢𝑎𝑛) = { (3.5)
0 ;𝑥 = 1
c. Tekanan Darah
dan tinggi. Nilai tekanan darah sistolik adalah angka atas dalam satuan mmHg.
0,8
0,6
0,4
0,2
0
60 80 100 120 140 160 180
Tekanan Darah (mmHg)
nilai lingusitik rendah, normal, tinggi yang dapat dilihat pada persamaan berikut.
IV-24
1 ; 𝑥 ≤ 90
120−𝑥
µ(𝑟𝑒𝑛𝑑𝑎ℎ) = {(120−90) ; 90 ≤ 𝑥 ≤ 120 (3.6)
0 ; 𝑥 ≥ 120
d. Treatment Hipertensi
keanggotaan nilai lingusitik ya dan tidak dapat dilihat pada persamaan berikut:
1 ;𝑥 = 1
µ(𝑦𝑎) = { (3.9)
0 ;𝑥 = 0
1 ;𝑥 = 0
µ(𝑡𝑖𝑑𝑎𝑘) = { (3.10)
0 ;𝑥 = 1
e. Merokok
keanggotaan nilai lingusitik ya dan tidak dapat dilihat pada persamaan berikut :
1 ;𝑥 = 1
µ(𝑦𝑎) = { (3.11)
0 ;𝑥 = 0
1 ;𝑥 = 0
µ(𝑡𝑖𝑑𝑎𝑘) = { (3.12)
0 ;𝑥 = 1
IV-25
f. Gula Darah
Merokok dibagi menjadi 2 himpunan, yaitu ya dan tidak. Ya dan tidak yang
dimaksud adalah apakah nilai yang diinputkan melewati batas gula darah normal
yaitu 200mg/dL. Fungsi keanggotaan nilai lingusitik ya dan tidak dapat dilihat pada
persamaan berikut :
1 ; 𝑥 ≥ 200
µ(𝑦𝑎) = { (3.13)
0 ; 𝑥 < 200
1 ; 𝑥 < 200
µ(𝑡𝑖𝑑𝑎𝑘) = { (3.14)
0 ; 𝑥 ≥ 200
g. BMI
dan obesitas. Kurva tekanan darah sistolik dapat dilihat pada gambar III-2.
0,8
0,6
0,4
0,2
0
13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29
BMI (kg/m2)
KURUS NORMAL OBESITAS
nilai lingusitik kurus, normal, dan obesitas yang dapat dilihat pada persamaan
berikut :
1 ; 𝑥 ≤ 15
19−𝑥
µ(𝑘𝑢𝑟𝑢𝑠) = {( ) ; 15 ≤ 𝑥 ≤ 19 (3.15)
19−15
0 ; 𝑥 ≥ 20
0 ; 𝑥 ≤ 18 𝑎𝑡𝑎𝑢 𝑥 ≥ 24
𝑥−18
(21−18) ; 18 ≤ 𝑥 ≤ 21
µ(𝑛𝑜𝑟𝑚𝑎𝑙) = (3.16)
24−𝑥
(24−21) ; 21 ≤ 𝑥 ≤ 24
{
0 ; 𝑥 <= 23
𝑥−23
µ(𝑜𝑏𝑒𝑠𝑖𝑡𝑎𝑠) = {(27−23) ; 23 ≤ 𝑥 ≤ 27 (3.17)
1 ; 𝑥 ≥ 27
logic sugeno memiliki tahapan penelitian seperti pada gambar III-16 yang
Kerangka kerja pada metode penelitian ini dapat dilihat pada gambar III-5.
yang dilakukan yaitu menentukan batasan nilai jarak setiap himpunan variabel
untuk membuat persamaan fungsi keanggotaan variabel input dan output, sehingga
IV-29
menghasilkan kurva keanggotaan tiap variabel input dan output. Langkah kedua
yaitu fuzzifikasi, dimana nilai masukan faktor risiko berupa data yang berbentuk
angka dari dataset diubah menjadi input fuzzy dengan menggunakan persamaan
fungsi keanggotaan yang sudah dibuat lalu dihitung dengan proses inferensi sugeno.
Langkah ketiga yaitu melakukan proses defuzzifikasi, proses mengubah nilai fuzzy
menjadi nilai numerik yang akan dikategorikan ke dalam tingkat risiko penyakit
Variabel yang digunakan berupa no. id pasien dan faktor gejala seperti usia,
jenis kelamin, tekanan darah (sistolik), treatment hipertensi, merokok, gula darah,
dan BMI serta variabel keluaran berupa hasil deteksi tingkat risiko penyakit jantung
apakah rendah, sedang, dan tinggi. Data masukan faktor gejala akan digunakan
fuzzy sugeno.
Format data yang digunakan adalah data pasien penyakit jantung dari data
rekam medis pasien Klinik Moulya yang berupa data kondisi kesehatan pasien
berjumlah 100 data. Hasil pengujian yang didapatkan berupa data kategorik yaitu
2. Installed RAM 8 GB
3. Google Chrome
lunak ini user dapat menginput faktor risikonya lalu perangkat lunak akan
memberikan output berupa risiko penyakit jantung yang kemudian akan digunakan
confusion matrix, dimulai dari input nilai numerik faktor risiko penyakit jantung
berupa angka dan output dari pengujian ini akan menghasilkan hasil output berupa
deteksi tingkat risiko penyakit jantung, apakah rendah, sedang, dan tinggi.
Penelitian
Untuk mengetahui hasil dan akurasi deteksi tingkat risiko penyakit jantung
menggunakan metode fuzzy sugeno, maka hasil deteksi dari sistem yang telah
dibuat akan dibandingkan dengan hasil dataset dari Klinik Moulya, apakah
memiliki hasil diagnosis yang sama, yaitu rendah, sedang, dan tinggi. Hasil analisa
No Gender Usia Tekanan Treatment Merokok Gula Tinggi Berat Hasil Hasil
Darah Hipertensi Darah Badan Badan Sistem Pakar
1
2
3
4
…
100
Akurasi
IV-32
konsep object oriented, RUP menggunakan Unified Model Language (UML) pada
pengembangan modelnya. Terdapat 4 fase dalam RUP yaitu fase insepsi, fase
elaborasi, fase konstruksi, dan fase transisi yang akan dijelaskan lebih lanjut pada
fungsionalitas atau fitur-fitur yang dibutuhkan pada perangkat lunak. Pada tahapan
yang diambil dari data rekam medis pasien Klinik Moulya dan data dari wawancara
dan desain, yaitu penulis membuat diagram use case. Pada tahap implementasi,
lunak dan diagram use case. Dan tahap terakhir adalah pengujian, pada tahap ini
valid.
IV-33
lunak, desain basis data, dan desain antar muka sesuai dengan user requirements
dan fungsionalitas perangkat lunak yang telah di dapat. Apabila user requirements
belum lengkap, penulis dapat melengkapinya pada tahap pengumpulan data. Pada
tahap selanjutnya yaitu tahap analisis dan desain dimana penulis membuat activity
berisikan arsitektur perangkat lunak, desain basis data, desain antar muka, activity
diagram, dan sequence diagram pada tahap implementasi serta memastikan apakah
digunakan untuk mengembangkan perangkat lunak, yaitu PHP. Pada tahap analisis
dan desain akan dibuat class diagram. Penulis akan mengembangkan perangkat
pengujian terhadap perangkat lunak. Setelah membuat rencana atau skenario, tahap
IV-34
tools pengujian yang diperlukan. Pada tahap analisis dan desain akan dibuat class
diagram. Pada tahap analisis dan desain, penulis mendesain tabel skenario.
3.5 Kesimpulan
Bab ini memberikan rincian dari metodologi penelitian yang terdiri dari
dan perangkat lunak sebagai persyaratan dalam membangun sistem pakar deteksi
berikutnya akan mengusulkan tentang analisis awal dan pekerjaan dari penelitian
4.1 Pendahuluan
karena itu, bab ini akan menjelaskan secara rinci penggunaan metode Rational
yang akan dikembangkan. Fase ini meliputi analisis awal sistem, identifikasi dan
Perangkat lunak yang dikembangkan pada tugas akhir ini berbasis Website
lunak ini berupa seperti gender, usia, tekanan darah, BMI, treatment hipertensi,
merokok, dan gula darah. data masukan seperti gender, usia, tekanan darah, BMI,
treatment hipertensi, merokok, dan gula darah digunakan untuk proses perhitungan
V-1
V-2
keluaran dari perangkat lunak ini berupa tingkat risiko serangan jantung, apakah
sistem yang membuat perangkat lunak bekerja lebih baik. Kebutuhan fungsional
dapat diliat pada tabel IV-1 dan kebutuhan non-fungsional dapat dilihat pada tabel
IV-2.
No. Kebutuhan
No. Kebutuhan
lunak, analisis data, serta menjelaskan fuzzifikasi, inferensi, dan defuzzifikasi pada
yang diperlukan yang diambil dari hasil wawancara bersama pakar. Selanjutnya
data akan di proses pada tahap fuzzifikasi dimana nilai masukan diubah menjadi
masukan fuzzy. Lalu dilanjutkan dengan proses inferensi Sugeno dengan melihat
mengubah nilai fuzzy yang telah diproses sebelumnya menjadi nilai crisp. Hasil dari
proses ini adalah data kategorik berupa hasil diagnosis risiko serangan jantung,
Data yang dibutuhkan dalam diagnosis tingkat risiko serangan jantung yaitu
faktor risiko penyakit jantung dan data pasien penderita penyakit jantung dari rekam
medis pasien Klinik Moulya. Data yang digunakan dalam perangkat lunak ini terdiri
V-4
dari gender, usia, tekanan darah, BMI, treatment hipertensi, merokok, dan gula
darah dan hasil diagnosis tingkat risiko serangan jantung yang akan digunakan
stage pada penyakit jantung sesuai dengan nilainya. Sebagai contoh analisis,
masukan faktor risiko yang akan dianalisis pada bab ini adalah sebagai berikut.
1. Rendah 10
2. Sedang 20
3. Tinggi 100
nilai linguistik rendah, sedang, dan tinggi dapat dilihat pada persamaan berikut.
Rendah ; 𝑥 ≤ 10
µ(𝑟𝑒𝑠𝑖𝑘𝑜 𝑠𝑒𝑟𝑎𝑛𝑔𝑎𝑛 𝑗𝑎𝑛𝑡𝑢𝑛𝑔) = { 𝑆𝑒𝑑𝑎𝑛𝑔 ; 10 < 𝑥 ≤ 20 (4.1)
𝑇𝑖𝑛𝑔𝑔𝑖 ; 20 < 𝑥 ≤ 100
Sebagai contoh data masukan terdapat dalam tabel IV-4 sebagai berikut.
V-5
1 Usia 64
2 Gender Laki-laki
4 Treatment Hipertensi Ya
5 Merokok Tidak
7 BMI 24,24
Pada proses fuzzifikasi nilai masukan 7 faktor risiko serangan jantung akan
diubah menjadi nilai fuzzy menggunakan persamaan 2.1, 2.2, dan 2.3 pada bab 2.
usia yaitu :
64−45 19
𝜇𝑈𝑠𝑖𝑎_𝑇𝑈𝐴[64] = = = 0,95 (4.2)
65−45 20
gender yaitu :
𝜇𝐺𝑒𝑛𝑑𝑒𝑟_𝐿𝐴𝐾𝐼−𝐿𝐴𝐾𝐼[1] = 1 (4.3)
merokok yaitu :
𝜇𝑀𝑒𝑟𝑜𝑘𝑜𝑘_𝑌𝐴[1] = 1 (4.6)
BMI yaitu :
24,24−23 1,24
𝜇𝐵𝑀𝐼_𝑂𝐵𝐸𝑆𝐼𝑇𝐴𝑆[8] = = = 0,31 (4.8)
27−23 4
berdasarkan basis aturan yang telah disepakati dengan pakar. Dari hasil diskusi
tersebut mendapatkan kesepakatan rule proses sugeno yamg terdapat pada tabel IV-
5. Rule ini berdasarkan aturan IF-THEN, sebagai contoh rule no 1 yaitu “IF gender
p AND usia muda AND tekanan darah rendah AND bmi kurus AND treatment
hipertensi tidak AND merokok tidak AND gula darah tidak THEN risiko rendah”.
Inferensi pada proses sugeno menggunakan rule base pada tabel IV-5
linguistik yang dihubungkan oleh ( ∩ ) sesuai persamaan 2.8 yang terdapat pada bab
II dan dilakukan clipping pada fungsi keanggotaan untuk penentuan tingkat risiko
serangan jantung.
V-8
[R426] IF gender L(1) AND usia tua(0,95) AND tekanan darah tinggi(0,9333)
AND bmi obesitas(0,31) AND treatment hipertensi ya(1) AND merokok tidak(1)
oleh ( ∪ ) yaitu :
tingkat risiko serangan jantung, metode ini bertujuan untuk mengubah kembali nilai
pada persamaan 4.1, apakah nilai hasil perhitungan total Z-Score yang telah
dilakukan berada di daerah rendah, sedang, atau tinggi. Nilai hasil proses
defuzzifikasi adalah 100 yang artinya berdasarkan persamaan pada 4.1, nilai ini
Desain perangkat lunak yang akan dijelasakan pada subbab ini digambarkan
No Aktor Definisi
1 User User (aktor) dalam status ini merupakan
penguna dengan hak akses umum yang dapat
menggunakan fitur diagnosis tingkat risiko
serangan jantung pada perangkat lunak.
Definisi Use Case adalah deskripsi kerja perangkat lunak, yang secara
Skenario Use Case adalah urutan tindakan dan interaksi spesifik antara
Identifikasi
Nomor 001
Nama Registration
Aktor User
Tujuan Melakukan proses registrasi
Deskripsi User melakukan registrasi dengan
mengisi data pribadi pada halaman
registrasi, sistem memproses registrasi
lalu direkam secara otomatis ke
database.
Kondisi Awal Aktor masuk ke halaman registrasi
Skenario Utama
V-12
Identifikasi
Nomor 002
Nama Login
Aktor User
Tujuan Melakukan proses login
Deskripsi User melakukan login dengan mengisi
identitas penanda hak akses, seperti
username dan password
Kondisi Awal Aktor sudah melakukan registrasi
Skenario Utama
Aksi Aktor Reaksi Sistem
V-13
Tabel V-11. Skenario Use Case Lihat Hasil Diagnosis Tingkat Risiko Serangan
Jantung
Identifikasi
Nomor 003
Nama Diagnosis tingkat risiko serangan
jantung
Aktor User
Tujuan Melakukan diagnosis tingkat risiko
serangan jantung
Deskripsi Data masukan diproses menggunakan
metode fuzzy sugeno dan akan
mendapatkan hasil berupa diagnosis
tingkat risiko serangan jantung.
Kondisi Awal Aktor sudah melakukan login
V-14
Skenario Utama
Aksi Aktor Reaksi Sistem
1. Memasukkan data faktor risiko
seperti gender, usia, tekanan darah,
BMI, treatment hipertensi, merokok,
dan gula darah.
2. Menekan tombol “Lihat Hasil”
3. Data diproses dengan metode Fuzzy
Sugeno
4. Menampilkan hasil diagnosis tingkat
risiko serangan jantung beserta
perhitungan fuzzy sugeno.
Kondisi akhir Aktor melihat hasil diagnosis
Skenario Alternatif
Aksi Aktor Reaksi Sistem
1. Memasukkan data faktor risiko
2. Menekan tombol “Lihat Hasil”
3. Menampilkan pesan “Field is
required”
Kondisi akhir Aktor memasukkan data faktor risiko
kebutuhan sistem perangkat lunak secara lebih rinci. Kegiatan yang dilakukan pada
dokumentasi.
V-15
Pada subbab ini akan diuraikan perancangan perangkat lunak yang akan
didasarkan pada hasil analisis fase insepsi. Perancangan yang dibahas pada bagian
tingkat risiko serangan jantung. Data yang akan melalui proses diagnosis adalah
nilai masukan berupa faktor risiko penyakit jantung yang terdiri dari gender, usia,
Home Logout
perangkat keras, perangkat lunak, dan bahasa pemrograman. Perangkat keras yang
digunakan dalam tahap pengembangan dan penelitian adalah sebuah laptop dengan
3. RAM 8 GB ;
adalah PHP.
4.3.3 Diagram
Salah satu kegiatan yang dilakukan pada fase elaborasi ini adalah
lunak yang dibangun. Berikut adalah desain diagram aktivitas dan pemodelan
sequence diagram.
aktivitas yang terjadi pada perangkat lunak. Berikut adalah diagram aktivitas untuk
setiap use case, dapat dilihat pada gambar IV-6, IV-7, dan IV-8.
V-19
Gambar V-8. Diagram Aktivitas Use Case Diagnosis Risiko Serangan Jantung
hubungan antar objek terjadi. Sequence diagram pada perangkat lunak ini dapat
utama dan fungsi pendukung telah dijelaskan pada fase sebelumnya. Kegiatan yang
berlangsung pada fase ini adalah membangun antarmuka yang sudah dirancang dan
menggunakan bahasa PHP. Hasil akhir dari fase ini adalah sebuah perangkat lunak
yang siap digunakan oleh pengguna sebagai aktor dalam perangkat lunak ini.
hubungan antar kelas dalam sebuah sistem. Hubungan antar kelas yang ada pada
4.4.3 Implementasi
sesuai dengan diagram kelas dan rancangan antarmuka yang telah dilakukan pada
tahap sebelumnya.
berfungsi untuk
tabel user.
melakukan perhitungan
pada database.
lunak yang dibuat pada fase elaborasi dapat dilihat pada gambar IV-17 merupakan
halaman awal sistem, gambar IV-18 merupakan halaman registrasi user, gambar
IV-19 merupakan halaman login user, gambar IV-20 merupakan halaman diagnosis
tingkat risiko serangan jantung, dan gambar IV-22 merupakan halaman output.
Kegiatan pada fase ini adalah menguji perangkat lunak yang dibangun pada fase
konstruksi sebelumnya.
V-31
rencana pengujian berdasarkan use case yang dikembangkan pada fase insepsi.
3. RAM 8 GB ;
jantung ini akan digambarkan dalam tabel yang meliputi identifikasi, pengujian,
tabel IV-14.
V-32
Jenis Tingkat
No Identifikasi Pengujian
Pengujian Pengujian
up”
tabel IV-15.
Jenis Tingkat
No Identifikasi Pengujian
Pengujian Pengujian
tombol “Login”
menekan tombol
“Login”
Jantung
Tabel V-15. Rencana Pengujian Use Case Diagnosis Tingkat Risiko Serangan
Jantung
Jenis Tingkat
No Identifikasi Pengujian
Pengujian Pengujian
“Lihat Hasil”
“Lihat Hasil”
4.5.4 Implementasi
Berikut ini adalah kasus uji yang dilakukan terhadap perangkat lunak. Kasus
U-1-101 Memasukkan data - Mengisi data Nama lengkap, Halaman Login Halaman Login dan Diterima
tombol “Sign up” - Menekan tombol jenis kelamin Your account has Your account has
“Login”
V-37
password dengan password dengan bentuk string pesan “Username “Username is not
Pengujian use case diagnosis tingkat risiko serangan jantung dapat dilihat pada tabel IV-18.
Tabel V-18. Pengujian Use Case Diagnosis Tingkat Risiko Serangan Jantung
U-3-101 Memasukkan data - Mengisi data Gender = L, Menampilkan Menampilkan hasil Diterima
faktor risiko penyakit faktor risiko Usia = Tua, hasil diagnosis diagnosis tingkat
V-38
jantung secara penyakit jantung Tekanan Darah = tingkat risiko risiko serangan
Hipertensi = Ya,
Merokok = Tidak,
Gula Darah = Ya
“Lihat Hasil”
V-39
4.6 Kesimpulan
5.1 Pendahuluan
diagnosis tingkat risiko serangan jantung menggunakan fuzzy sugeno. Hasil dan
analisis yang telah dilakukan sebelumnya akan dibahas dan dirangkum pada akhir
bab V ini.
menggunakan data faktor risiko serangan jantung. Sumber data penelitian terdiri
atas data pasien penderita penyakit jantung dari rekam medis pasien Klinik Moulya
dan data primer yang diperoleh dari wawancara dengan pakar. Data masukan
tersebut terdiri dari 7 faktor risiko penyakit seperti gender, usia, tekanan darah,
crips menjadi nilai fuzzy, lalu pada proses inferensi mengambil keputusan dari
aturan yang telah disepakati bersama pakar dan pada proses akhir yang dilakukan
yaitu defuzzifikasi, mengubah nilai fuzzy menjadi nilai crips kembali sehingga hasil
keluaran dari proses ini berupa diagnosis tingkat risiko serangan jantung.
VI-1
VI-2
Berdasarkan tingkat risiko serangan jantung yang telah didapatkan berguna dalam
menentukan tingkat.
risiko serangan jantung. Hasil perhitungan fuzzy ditunjukkan pada tabel V-1.
VI-3
No Gender Usia Tekanan Treatment Merokok Gula Tinggi Berat Hasil Hasil
Darah Hipertensi Darah Badan Badan Sistem Pakar
1 L 64 148 Ya Tidak 222 165 66 T T
2 L 30 151 Ya Ya 117 150 60 R R
3 L 69 144 Ya Tidak 114 156 57 T T
4 P 23 149 Ya Ya 113 166 58 S S
5 L 53 119 Tidak Tidak 99 164 59 T T
6 L 26 146 Ya Tidak 101 169 70 S S
7 L 27 148 Ya Tidak 97 151 60 S S
8 P 63 128 Tidak Tidak 123 155 59 T T
9 P 32 115 Tidak Tidak 90 162 56 R R
…
100 L 60 122 Tidak Ya 116 158 65 T T
VI-4
jantung dari rekam medis pasien Klinik Moulya. Data hasil pengujian pada tabel V-
menghasilkan nilai diagnosis yang cukup akurat serta mendekati hasil dari
100 92 8
Berdasarkan tabel V-2, dapat dilihat bahwa dari 100 data yang diuji terdapat
kesalahan diagnosis sebanyak 8 data, yaitu pada tabel V-1. Kesalahan diagnosis
berikut.
1. Bahasa yang digunakan oleh penulis sulit dimengerti sehingga pakar kurang
pada proses fuzzifikasi dan defuzzifikasi perangkat lunak tidak sama persis
dengan hasil diagnosis pada dataset. Sebagai contoh, pada data nomor 15,
hasil diagnosis pakar adalah rendah, namun diagnosis sistem adalah sedang,
begitu juga pada data lainnya yang salah, hanya berbeda satu tingkat.
VI-5
Sistem
Jumlah
Ringan Sedang Berat
Ringan 26 3 0 29
Dataset Sedang 0 12 5 17
Berat 0 0 54 54
Jumlah 26 15 59 100
True Positive Ringan 26
Keseluruhan True
True Positive Sedang 12
Positive = 92
True Positive Berat 54
False Positive Ringan 0
Keseluruhan False
False Positive Sedang 3
Positive = 8
False Positive Berat 5
False Negative Ringan 3
Keseluruhan False
False Negative Sedang 5
Negative = 8
False Negative Berat 0
True Negative Ringan 71 Keseluruhan True
True Negative Sedang 80 Negative = 192
True Negative Berat 41
Ringan Precision 1
Recall 0,896551724
Sedang Precision 0,8
Recall 0,705882353
Berat Precision 0,915254237
Recall 1
Keseluruhan Tingkat Resiko Precision 0,92
Serangan Jantung Recall 0,92
Nilai Akurasi 94,7%
Nilai 5,3%
Misclassification(Error)
Rate
VI-6
Pada tabel V-3 dapat dilihat, akurasi tertinggi terdapat pada tingkat risiko
ringan karena precision dan recall pada tingkat risiko ringan memiliki persentase
tertinggi yaitu presicion sebesar 100% dan recall sebesar 90%. Precision
mengartikan bahwa sistem secara tepat memberikan informasi yang diminta dengan
tingkat presisi akurat 100% dan tingkat keberhasilan sistem menemukan informasi
kembali dinilai cukup tinggi yang ditunjukkan pada tingkat recall sebesar 90%.
Sedangkan akurasi terendah terdapat pada tingkat risiko sedang, yaitu presicion
sebesar 80% dan recall sebesar 71%. Sehingga nilai akurasi keseluruhan sebesar
5.5 Kesimpulan
Dari hasil pengujian pada 100 kasus uji yang telah dilakukan, hasil
pengujian perangkat lunak ini menunjukkan bahwa metode Fuzzy Sugeno cukup
akurat untuk digunakan dalam proses diagnosis tingkat risiko serangan jantung.
VII.BAB VI
6.1 Kesimpulan
penelitian sistem pakar diagnosis tingkat risiko serangan jantung, maka dapat
1. Metode Fuzzy Sugeno dapat diterapkan sebagai metode pada sistem pakar
pakar.
serangan jantung berdasarkan 100 kasus yang telah diuji. Sehingga sistem
tentang hasil diagnosis tingkat risiko serangan jantung agar penderita dapat
6.2 Saran
VII-1
VI-2
pola makan, pola tidur dan lainnya sehingga dapat meningkatkan hasil
akurasi.
lebih baik.
Adeli, A., & Neshat, M. (2010). A Fuzzy Expert System for Heart Disease
Diagnosis. Proceedings of the International MultiConference of Engineers and
Computer Scientists (IMECS), 1(June 2016).
Afriyanti, R., Pangemanan, J., & Palar, S. (2015). Hubungan Antara Perilaku
Merokok dengan Kejadian Penyakit Jantung Koroner. Jurnal E-Clinic (ECI),
3 No. 1(April), 98–102.
Ashton WD, Nanchahal K, Wood DA. Body mass index and metabolic risk factor
for coronary heart disease in woman. European Heart J 2001; 22:46- 55.
Athiyah, U., Citra, F., Rosyadi, D. P., Saputra, R. A., Daffa Hekmatyar, H., Satrio,
T. A., & Perdana, A. I. (2021). Diagnosa Risiko Penyakit Jantung
Menggunakan Logika Fuzzy Metode Tsukamoto. In INFOKES (Vol. 11, Issue
1).
Bowman, G., Watson, R., Beasty, A.T. (2006). Primary Emotions In Patients After
Myocardial Infarction. Journal of Advanced Nursing. 53(6): 636-645.
Dirgantara, W., Suyono, H., & Setyawati, O. (2017). Sistem Peringatan Dini untuk
Deteksi Kebakaran pada Kebocoran Gas Menggunakan Fuzzy Logic Control.
Jurnal EECCIS, 11(1).
Fitria, A., & Widowati, H. (2017). Implementasi Metode Rational Unified Process
Dalam Pengembangan Sistem Administrasi Kependudukan. Jurnal Teknologi
Rekayasa, 22, 27–36.
Hayadi, B. H., Setiawan, A., & Eripuddin. (2016). SISTEM BERBASIS
PENGETAHUAN DENGAN MENGGUNAKAN FUZZY TSUKAMOTO
(UNTUK KESEHATAN DAN PERAWATAN BAYI). Seminar Nasional
Teknologi Informasi Dan Komunikasi.
Krisnawan, I. P. B., Gede, I. K., Putra, D., & Bayupati, I. P. A. (2014). Sistem Pakar
Diagnosa Penyakit Kulit dan Kelamin Dengan Metode Certainty Factor dan
Fuzzy Logic. 2(3), 351–360.
Kristofferzon, M. L. (2005). Coping, Social Support and Quality of Life Over Time
After Myocardinal Infarction. Journal of Advanced Nursing 52(2): 113-114.
Kurniawan, A. (2018). SISTEM PAKAR MENDIAGNOSA PENYAKIT FLU
BURUNG SECARA. 33–39.
Kusumadewi, S. (2002). Analisis Desain Sistem Fuzzy menggunakan Tool Box
Matlab. Graha Ilmu.
Kusumadewi, S., & Purnomo, H. (2010). Aplikasi Logika Fuzzy.
Leupker RV, Evans A, McKeigue P, Reddy KS. Cardiovascular Survey Methods.
Ed.3. Geneva: WHO, 2004.
Marliani. 2013. Hipertensi. Jakarta: PT. Gramedia.
Novianti, N., Pribadi, D., Saputra, R. A., Nusa, S., & Sukabumi, M. (2018). Sistem
Pakar Diagnosa Pulmonary TB Menggunakan Metode Fuzzy Logic. JURNAL
INFORMATIKA, 5(2).
Puspitaningrum, A. D., & Purnomo, A. S. (2018). Sistem Pakar Untuk Mendeteksi
Tingkat Risiko Penyakit Jantung Menggunakan Fuzzy Inferensi (Sugeno)
Expert System to Detect Heart Disease Risk Level Using Fuzzy Inference
(Sugeno). In Jembatan Merah No. 84C. Gejayan.
Putu, D., & Dewi, S. (2014). Sistem Pakar Diagnosa Penyakit Jantung dan Paru
dengan Fuzzy Logic dan Certainty Factor (Desak Putu Siska Dewi) 361 Sistem
Pakar Diagnosa Penyakit Jantung dan Paru dengan Fuzzy Logic dan
Certainty Factor. 2(3).
Redy Susanto, E., & Wantoro, A. (2022). DIAGNOSA PENYAKIT JANTUNG
MENGGUNAKAN METODE CERTAINTY FACTOR. Jurnal Informatika
Dan Rekayasa Perangkat Lunak (JATIKA), 3(1), 93–106.
http://jim.teknokrat.ac.id/index.php/informatika
Sandjaja. (2016). Sistem pakar deteksi penyakit ayam dengan media interaktif 1,2,3.
2016(Sentika), 18–19.
Saputri, V. F., & Herawati, T. M. (2016). Faktor - Faktor Risiko Yang Berhubungan
Dengan Kejadian Penyakit Jantung Koroner ( Pjk ) Pada Usia Dewasa Di Rs
Haji Jakarta. Jurnal Ilmiah Kesehatan, 8(September), 74–79.
Sri Kusumadewi. (2003). Artificial Intelligence (Teknik dan Aplikasinya).
LAMPIRAN
No Gender Usia Tekanan Treatment Merokok Gula Tinggi Berat Hasil Hasil
Darah Hipertensi Darah Badan Badan Sistem Pakar
1 L 64 148 Ya Tidak 222 165 66 T T
2 L 30 151 Ya Ya 117 150 60 R R
3 L 69 144 Ya Tidak 114 156 57 T T
4 P 23 149 Ya Ya 113 166 58 S S
5 L 53 119 Tidak Tidak 99 164 59 T T
6 L 26 146 Ya Tidak 101 169 70 S S
7 L 27 148 Ya Tidak 97 151 60 S S
8 P 63 128 Tidak Tidak 123 155 59 T T
9 P 32 115 Tidak Tidak 90 162 56 R R
10 P 28 151 Ya Tidak 123 166 57 R R
11 P 24 103 Tidak Tidak 103 169 68 R R
12 P 47 159 Ya Tidak 90 160 70 T T
13 L 42 113 Tidak Tidak 104 162 64 S S
14 L 62 104 Tidak Tidak 95 169 64 T T
15 L 23 106 Tidak Tidak 111 153 59 S R
16 P 60 111 Tidak Tidak 123 164 58 T T
17 L 46 146 Ya Ya 134 151 59 T T
18 P 54 143 Ya Tidak 122 154 68 T T
19 L 59 112 Tidak Tidak 100 151 50 T T
20 L 58 110 Tidak Tidak 120 156 60 T T
21 P 52 107 Tidak Tidak 95 164 54 T T
22 P 28 115 Tidak Tidak 117 152 60 R R
23 P 63 135 Tidak Tidak 100 165 54 T T
24 P 39 110 Tidak Tidak 104 155 60 T T
25 L 49 121 Tidak Ya 92 152 50 T T
26 L 20 157 Ya Ya 133 166 52 S S
27 L 52 129 Tidak Ya 130 150 53 T T
28 L 20 130 Tidak Ya 131 169 54 S R
29 L 35 129 Tidak Tidak 107 159 55 S S
30 L 53 112 Tidak Tidak 127 160 62 T T
31 L 28 104 Tidak Tidak 112 169 60 S S
32 L 21 138 Tidak Tidak 125 166 55 S R
33 L 21 128 Tidak Ya 123 168 66 R R
34 P 43 127 Tidak Tidak 126 157 55 T T
35 L 45 111 Tidak Ya 99 163 63 S S
36 P 58 145 Ya Tidak 91 161 55 T T
37 P 67 120 Tidak Tidak 99 158 55 T S
38 P 41 147 Ya Tidak 113 150 54 T T
39 L 55 109 Tidak Ya 126 167 68 T T
40 P 43 138 Tidak Tidak 123 152 57 T T
41 L 61 129 Tidak Ya 94 167 65 T T
42 L 45 157 Ya Ya 123 167 56 T T
43 P 52 146 Ya Tidak 118 154 57 T T
44 L 68 155 Ya Ya 94 161 68 T T
45 P 34 110 Tidak Tidak 93 154 66 R R
46 L 30 115 Tidak Tidak 94 168 66 S S
47 L 52 106 Tidak Ya 109 169 54 T T
48 P 51 131 Tidak Tidak 123 170 60 T T
49 L 39 121 Tidak Tidak 90 169 54 T T
50 L 50 152 Ya Ya 127 166 65 T T
51 L 43 149 Tidak Ya 135 147 47 T S
52 L 24 110 Tidak Ya 100 145 50 R R
53 L 23 136 Tidak Ya 142 158 58 R R
54 L 49 118 Ya Tidak 102 150 60 T T
55 L 49 138 Ya Ya 139 163 66 T T
56 P 38 126 Tidak Tidak 135 155 58 T S
57 P 36 150 Tidak Tidak 128 165 60 T T
58 P 45 113 Tidak Tidak 102 158 60 T T
59 L 53 124 Ya Ya 136 146 61 T T
60 L 47 119 Tidak Tidak 129 160 64 T T
61 L 20 107 Tidak Tidak 133 149 59 S S
62 L 32 127 Tidak Ya 119 158 60 R R
63 L 27 144 Tidak Tidak 137 153 56 S S
64 L 46 143 Ya Ya 146 153 48 T T
65 L 36 134 Tidak Tidak 138 158 53 T T
66 L 24 106 Tidak Ya 145 153 49 R R
67 P 28 134 Tidak Tidak 149 165 52 R R
68 P 48 146 Tidak Tidak 118 155 57 T T
69 P 54 124 Tidak Tidak 116 156 67 T T
70 L 21 129 Tidak Ya 123 162 55 R R
71 L 56 138 Ya Tidak 135 157 67 T T
72 L 53 141 Ya Ya 102 151 49 T T
73 P 27 123 Tidak Tidak 134 148 50 R R
74 L 30 95 Tidak Ya 118 165 62 R R
75 P 45 109 Tidak Tidak 142 148 61 T T
76 L 43 150 Ya Ya 141 154 61 T T
77 L 57 95 Tidak Tidak 104 154 64 T T
78 L 37 126 Tidak Tidak 108 164 49 T T
79 L 47 137 Tidak Tidak 98 156 61 T T
80 L 20 106 Tidak Ya 113 158 67 R R
81 P 31 115 Tidak Tidak 96 148 54 R R
82 P 34 124 Tidak Tidak 131 158 61 R R
83 P 24 127 Tidak Tidak 150 155 68 R R
84 L 46 118 Tidak Ya 108 162 50 T S
85 P 24 110 Tidak Tidak 122 150 48 R R
86 P 42 128 Tidak Tidak 95 156 63 T T
87 P 27 140 Ya Tidak 112 162 60 R R
88 P 27 115 Tidak Tidak 149 154 54 R R
89 P 23 140 Tidak Tidak 136 157 54 R R
90 P 58 144 Ya Tidak 111 147 63 T T
91 P 31 144 Ya Tidak 101 145 49 R R
92 P 39 149 Ya Tidak 122 155 53 T T
93 P 53 128 Tidak Tidak 110 150 63 T T
94 P 52 109 Tidak Tidak 122 159 48 T T
95 L 44 115 Tidak Ya 139 155 65 S S
96 L 47 99 Tidak Tidak 146 163 53 T T
97 L 40 136 Tidak Tidak 139 156 48 T S
98 L 30 114 Tidak Ya 147 148 60 R R
99 L 23 100 Tidak Tidak 128 157 59 R R
100 L 60 122 Tidak Ya 116 158 65 T T