Skripsi Last of The Last of The Last

SISTEM PAKAR DIAGNOSIS TINGKAT RISIKO PENYAKIT
JANTUNG DENGAN MENGGUNAKAN METODE FUZZY LOGIC
Diajukan Sebagai Syarat Untuk Menyelesaikan

Pendidikan Program Strata-1 Pada
Jurusan Teknik Informatika
Oleh:
Julian Raus
NIM : 09021381823158
JURUSAN TEKNIK INFORMATIKA

FAKULTAS ILMU KOMPUTER UNIVERSITAS SRIWIJAYA
2022
ii
iii
HALAMAN PERNYATAAN
Yang bertanda tangan di bawah ini:

Nama : Julian Raus
NIM : 09021381823158
Judul : Sistem Pakar Diagnosis Tingkat Risiko Penyakit Jantung dengan
Menggunakan Metode Fuzzy Logic
Hasil Pengecekan Software iThenticate/Turnitin : 9%
Menyatakan bahwa semua data dan informasi yang dimuat di dalam skripsi ini
merupakan hasil karya saya sendiri di bawah supervisi pembimbing, kecuali yang
disebutkan dengan jelas sumbernya. Apabila dikemudian hari ditemukan adanya unsur
plagiasi dalam skripsi ini, maka saya bersedia menerima sanksi akademik dari Universitas
Sriwijaya sesuai dengan ketentuan yang berlaku.
Demikian pernyataan ini saya buat dalam keadaan sadar dan tidak mendapat paksaan
dari pihak manapun.
Palembang, Juli 2023
Julian Raus
iv
MOTTO DAN PERSEMBAHAN
Motto :
“What doesn’t kill you makes you stronger”
“1>0”
“Live as if you were to die tomorrow. Learn as if you were to live forever.”
Karya sederhana ini ku persembahkan kepada:
• 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%.
Keywords : Expert System, Heart Disease, Fuzzy Logic
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%.
Kata Kunci : Sistem Pakar, Penyakit Jantung, Fuzzy Logic
vii
KATA PENGANTAR
Puji dan syukur dipanjatkan atas kehadirat Allah SWT., karena telah
memberikan limpahan rahmat, petunjuk, dan karunia-Nya sehingga penulis bisa
menyelesaikan tugas akhir dengan judul “Sistem Pakar Diagnosis Tingkat Risiko
Penyakit Jantung dengan Menggunakan Metode Fuzzy Logic”.
Penulis menyadari atas dukungan dan bimbingan dari berbagai pihak yang
telah memberikan bantuan dan dukungan baik secara langsung maupun secara tidak
langsung. Penulis ingin menyampaikan rasa terima kasih kepada:
1. Keluarga yang selalu mendoakan dan memberikan dukungan baik moril
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
Jurusan Teknik Informatika.
3. Ibu Yunita, M.Cs., selaku pembimbing I, dan Ibu Desty Rodiah, M.T., selaku
pembimbing II yang telah memberikan ilmu,bimbingan, nasihat, dan arahan
sehingga penulis dapat menyelesaikan tugas akhir ini.
4. Ibu Rizki Kurniati, M.T., selaku penguji yang telah memberikan masukan dan
dorongan dalam proses pengerjaan tugas akhir.
viii
5. Seluruh dosen di jurusan Teknik Informatika Fakultas Ilmu Komputer
Universitas Sriwijaya yang telah memberikan ilmu, bimbingan, serta dukungan
selama masa perkuliahan.
6. Mbak Wiwin beserta seluruh staf tata usaha yang telah membantu dalam
kelancaran proses administrasi dan akademik selama masa perkuliahan.
7. Nining Cantik Sedunia yang selalu setia dalam memberikan motivasi,
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
penulis, serta memberikan kasih sayang kepada penulis.
9. Ditya Salsabila, Altundi Wahyu Hidayatullah, dan Pratama Yanuarta yang
sangat amat banyak membantu penulis dalam pengerjaan tugas akhir ini.
10. Sahabat-sahabat saya yaitu Purnomo, Iyan, Ijar, Fawwaz, dan Yogi menemani,
memberikan dukungan, tempat bertumpu dan berkeluh kesah, dan menghibur
penulis.
11. Sahabat dan teman seperjuangan yaitu Rafliandi, Juki, Sultan, dan Neta, serta
seluruh teman kelas Teknik Informatika Bilingual A angkatan 2018.
12. Kakak-kakak, Sahabat, dan Teman seperjuangan BO Intel membantu penulis
berkembang, saling berbagi ilmu, memberikan pengalaman dan kenangan,
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
tugas akhir ini dapat bermanfaat bagi pihak yang membutuhkan.
Palembang, Juli 2023

Penulis,
Julian Raus
x
DAFTAR ISI
Halaman
HALAMAN JUDUL ...................................... Error! Bookmark not defined.

LEMBAR PENGESAHAN SKRIPSI ............ Error! Bookmark not defined.
TANDA LULUS UJIAN KOMPREHENSIF SKRIPSIError! Bookmark not
defined.
HALAMAN PERNYATAAN ...................... Error! Bookmark not defined.v
MOTTO DAN PERSEMBAHAN ................................................................... v
ABSTRACT .................................................... Error! Bookmark not defined.
ABSTRAK ...................................................... Error! Bookmark not defined.
KATA PENGANTAR .................................... Error! Bookmark not defined.
DAFTAR ISI ................................................................................................... xi
DAFTAR TABEL ......................................................................................... xiv
DAFTAR GAMBAR ...................................... Error! Bookmark not defined.
DAFTAR LAMPIRAN ................................... Error! Bookmark not defined.
BAB I PENDAHULUAN ............................... Error! Bookmark not defined.

1.1 Pendahuluan ........................................ Error! Bookmark not defined.
1.2 Latar Belakang .................................... Error! Bookmark not defined.
1.3 Rumusan Masalah ............................... Error! Bookmark not defined.
1.4 Tujuan Penelitian................................. Error! Bookmark not defined.
1.5 Manfaat Penelitian............................... Error! Bookmark not defined.
1.6 Batasan Masalah .................................. Error! Bookmark not defined.
1.7 Sistematika Penulisan.......................... Error! Bookmark not defined.
1.8 Kesimpulan.......................................... Error! Bookmark not defined.
BAB II KAJIAN LITERATUR ..................... Error! Bookmark not defined.

2.2 Landasan Teori .................................... Error! Bookmark not defined.
2.2.1 Sistem Pakar ................................... Error! Bookmark not defined.
2.2.2 Penyakit Jantung ............................. Error! Bookmark not defined.
2.2.3 Fuzzy Logic ..................................... Error! Bookmark not defined.
2.2.4 Fuzzifikasi ...................................... Error! Bookmark not defined.
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.
BAB III METODOLOGI PENELITIAN ...... Error! Bookmark not defined.

3.2 Pengumpulan Data .............................. Error! Bookmark not defined.
3.3 Tahapan Penelitian .............................. Error! Bookmark not defined.
3.3.1 Menentukan Kerangka Kerja .......... Error! Bookmark not defined.
3.3.2 Menetapkan Kriteria Pengujian ...... Error! Bookmark not defined.
3.3.3 Menetapkan Format Data Pengujian ............ Error! Bookmark not
defined.
3.3.4 Menentukan Alat yang Digunakan dalam Pelaksanaan Penelitian ...
........................................................ Error! Bookmark not defined.
3.3.5 Pengembangan Perangkat Lunak ... Error! Bookmark not defined.
3.3.6 Evaluasi Hasil Penelitian ................ Error! Bookmark not defined.
3.3.7 Melakukan Analisa Hasil Pengujian dan Membuat Kesimpulan
Penelitian.................................................. Error! Bookmark not defined.
3.4 Metode Pengembangan Perangkat Lunak ......... Error! Bookmark not
defined.
3.4.1 Fase Insepsi .................................... Error! Bookmark not defined.
3.4.2 Fase Elaborasi ................................. Error! Bookmark not defined.
3.4.3 Fase Konstruksi .............................. Error! Bookmark not defined.
3.4.4 Fase Transisi ................................... Error! Bookmark not defined.
BAB IV PENGEMBANGAN PERANGKAT LUNAK .... Error! Bookmark

not defined.
4.2 Fase Insepsi ......................................... Error! Bookmark not defined.
4.2.1 Pemodelan Bisnis ........................... Error! Bookmark not defined.
4.2.2 Kebutuhan Sistem ........................... Error! Bookmark not defined.
xii
4.2.3 Analisis dan Desain ........................ Error! Bookmark not defined.
4.3 Fase Elaborasi ..................................... Error! Bookmark not defined.
4.3.3 Diagram .......................................... Error! Bookmark not defined.
4.4 Fase Konstruksi ................................... 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.
4.5.3 Rencana Pengujian ......................... Error! Bookmark not defined.
4.5.4 Implementasi .................................. Error! Bookmark not defined.
BAB V HASIL DAN ANALISIS PENELITIAN ....... Error! Bookmark not

defined.
5.2 Data Hasil Percobaan / Penelitian ....... Error! Bookmark not defined.
5.2.1 Konfigurasi Percobaan ................... Error! Bookmark not defined.
5.2.2 Data Hasil Konfigurasi Perhitungan Fuzzy Sugeno ............... Error!
Bookmark not defined.
5.3 Analisa Hasil Penelitian ...................... Error! Bookmark not defined.
5.4 Analisa Hasil Pengujian ...................... Error! Bookmark not defined.
BAB VI KESIMPULAN DAN SARAN ....... Error! Bookmark not defined.

6.2 Saran .................................................... Error! Bookmark not defined.
DAFTAR PUSTAKA
LAMPIRAN
I.
xiii
xiv
DAFTAR TABEL
Halaman
Tabel III-1. Faktor Risiko Penyakit Jantung .................................................... IV-21

Tabel III-2. Tabel Rancangan Hasil Pengujian ................................................ IV-31
Tabel IV-1. Kebutuhan Fungsional ..................................................................... V-2
Tabel IV-2. Tabel Kebutuhan Non-Fungsional .................................................. V-2
Tabel IV-3. Nilai Tingkat Risiko Serangan Jantung ........................................... V-4
Tabel IV-4. Masukan Nilai Faktor Risiko........................................................... V-5
Tabel IV-5. Rule.................................................................................................. V-7
Tabel IV-6. Nilai Z Score.................................................................................... V-8
Tabel IV-7. Definisi Aktor ................................................................................ V-10
Tabel IV-8. Definisi Use Case .......................................................................... V-11
Tabel IV-9. Skenario Use Case Registration .................................................... V-11
Tabel IV-10. Skenario Use Case Login ............................................................ V-12
Tabel IV-11. Skenario Use Case Lihat Hasil Diagnosis Tingkat Risiko Serangan
Jantung ......................................................................................... V-13
Tabel IV-12. Implementasi Kelas ..................................................................... V-26
Tabel IV-13. Rencana Pengujian Use Case Registration .................................. V-32
Tabel IV-14. Rencana Pengujian Use Case Login ............................................ V-32
Tabel IV-15. Rencana Pengujian Use Case Diagnosis Tingkat Risiko Serangan
Jantung ......................................................................................... V-33
Tabel IV-16. Pengujian Use Case Registration................................................. V-35
Tabel IV-17. Pengujian Use Case Login........................................................... V-36
Tabel IV-18. Pengujian Use Case Diagnosis Tingkat Risiko Serangan
Jantung ......................................................................................... V-37
Tabel V-1. Perbandingan Hasil Diagnosis Riil dengan Diagnosis Perangkat
Lunak ............................................................................................... VI-3
Tabel V-2. Jumlah Hasil Diagnosis ................................................................... VI-4
Tabel V-3. Tabel Confusion Matrix Diagnosis Serangan Jantung ...................... V-5
xv
DAFTAR GAMBAR
Halaman
Gambar II-1. Komponen Sistem Pakar (Sandjaja, 2016) .................................. III-2

Gambar II-2. Arsitektur fuzzy logic (Dirgantara et al., 2017) ............................ III-8
Gambar II-3. Representasi Linier Naik .............................................................. III-9
Gambar II-4. Representasi Linier Turun .......................................................... III-10
Gambar II-5. Representasi Kurva Segitiga ...................................................... III-10
Gambar II-6. Representasi Kurva Trapesium .................................................. III-11
Gambar II-7. Rational Unified Process (RUP) ................................................ III-16
Gambar III-1. Kurva Keanggotaan Umur ........................................................ IV-22
Gambar III-2. Kurva Keanggotaan Tekanan Darah (Sistolik) ........................ IV-23
Gambar III-3. Kurva Keanggotaan BMI .......................................................... IV-25
Gambar III-4. Diagram Tahapan Penelitian ..................................................... IV-27
Gambar III-5. Kerangka Kerja Metode Fuzzy Sugeno..................................... IV-28
Gambar IV-1. Diagram Use Case ..................................................................... V-10
Gambar IV-2. Rancangan Antarmuka Use Case Registration .......................... V-16
Gambar IV-3. Rancangan Antarmuka Halaman Login..................................... V-16
Gambar IV-4. Rancangan Antarmuka Halaman Depan .................................... V-17
Gambar IV-5. Rancangan Antarmuka Diagnosis Risiko Penyakit Jantung...... V-17
Gambar IV-6. Diagram Aktivitas Use Case Registration ................................. V-19
Gambar IV-7. Diagram Aktivitas Use Case Login ........................................... V-20
Gambar IV-8. Diagram Aktivitas Use Case Diagnosis Risiko Serangan
Jantung .............................................................................................................. V-21
Gambar IV-9. Sequence Diagram Registration ................................................ V-22
Gambar IV-10. Sequence Diagram Login ........................................................ V-22
Gambar IV-11. Sequence Diagram Diagnosis Tingkat Risiko Serangan
Jantung .............................................................................................................. V-23
Gambar IV-12. Class Diagram .......................................................................... V-25
Gambar IV-13. Antarmuka Halaman Home ..................................................... V-27
Gambar IV-14. Antarmuka Halaman Registrasi ............................................... V-28
Gambar IV-15. Antarmuka Halaman Login ..................................................... V-28
Gambar IV-16. Antarmuka Halaman Diagnosis ............................................... V-29
Gambar IV-17. Antarmuka Halaman Diagnosis (lanjutan) .............................. V-29
Gambar IV-18. Antarmuka Halaman Output .................................................... V-30
Gambar IV-19. Antarmuka Halaman Output (lanjutan) ................................... V-30
xvi
DAFTAR LAMPIRAN
Lampiran 1. Lampiran Rules Penelitian

Lampiran 2. Lampiran Data Penelitian
xvii
II.BAB I
PENDAHULUAN
1.1 Pendahuluan
Pada bab Pendahuluan akan menguraikan pokok-pokok pikiran yang
mendasari penelitian ini titik pokok-pokok pikiran tersebut antara lain adalah latar
belakang, rumusan masalah, tujuan penelitian, manfaat penelitian dan batasan
masalah. Hal-hal tersebut akan dijadikan sebagai dasar dalam menentukan
metodologi penelitian.
1.2 Latar Belakang
Jantung adalah organ seukuran kepalan tangan yang berguna untuk
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,
jantung juga dapat terjangkit penyakit.
Penyakit jantung adalah suatu kondisi yang mempengaruhi jantung
sehingga tidak berfungsi dengan normal. Istilah penyakit jantung juga kerap
dikaitkan dengan penyakit kardiovaskular yang umumnya mengacu pada kondisi
yang melibatkan penyempitan atau penyumbatan pembuluh darah yang dapat
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
mengalirkan darah ke seluruh tubuh (Puspitaningrum & Purnomo, 2018). Ancaman
II-1
II-2
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.
Salah satu upaya untuk meminimalisir hal tersebut dengan membangun
perangkat lunak yang dapat membantu dalam deteksi dini tingkat risiko penyakit
jantung. Aplikasi berbasis komputer yang digunakan untuk menyelesaikan masalah
sebagaimana yang dilakukan oleh pakar disebut dengan sistem pakar. Umumnya,
aplikasi ini mengadopsi metode, kinerja (performance) dan pengetahuan dari
seorang pakar. Oleh karena itu, sistem pakar akan cocok untuk menjadi aplikasi
untuk mendiagnosis risiko serangan jantung dengan penerapan metode fuzzy logic.
Penelitian mengenai sistem pakar yang dilakukan oleh (Novianti et al.,
2018) menerapkan metode fuzzy logic untuk diagnosa Pulmonary TB menghasilkan
tingkat keakuratan diagnosa sebesar 70,33%. Penelitian lain dilakukan oleh
(Puspitaningrum & Purnomo, 2018), kesimpulan yang diperoleh adalah sistem yang
dirancang dengan mengimplementasi metode Fuzzy Sugeno dapat digunakan untuk
membantu dalam menentukan tingkat risiko penyakit jantung, pengujian
menunjukkan bahwa sistem memiliki unjuk kerja mencapai 89,02% dari 82 data
pemeriksaan.
Penggunaan metode fuzzy logic berdasarkan kedua penelitian tersebut
memiliki nilai akurasi yang cukup signifikan. Teori fuzzy logic mengatakan suatu
nilai bisa bernilai benar atau salah secara bersama namun berapa besar keberadaan
dan kesalahan suatu tergantung pada bobot keanggotaan yang dimilikinya

II-3
(Krisnawan et al., 2014). Penalaran pada fuzzy logic memiliki 3 metode yaitu
metode Fuzzy Mamdani, Sugeno, dan Tsukamoto.
Penggunaan metode Fuzzy Sugeno cocok untuk digunakan pada penelitian
ini dikarenakan menghasilkan keluaran berupa keputusan tunggal atau crips saat
defuzzifikasi (Kusumadewi & Purnomo, 2010). Sehingga akan dibuat sebuah
sistem untuk melakukan diagnosis tingkat risiko serangan jantung agar dapat
meningkatkan kesadaran masyarakat dan diharapkan dapat menurunkan tingkat
kematian akibat serangan jantung.
1.3 Rumusan Masalah
Berdasarkan Penjelasan latar belakang sebelumnya, rumusan masalah dari
penelitian ini yaitu:
1. Bagaimana menerapkan metode fuzzy logic pada sistem pakar diagnosis
tingkat risiko penyakit jantung?
2. Bagaimana akurasi pada sistem pakar untuk mendiagnosis tingkat risiko
penyakit jantung?
1.4 Tujuan Penelitian
Tujuan penelitian ini yaitu:
1. Merancang sistem pakar diagnosis tingkat risiko penyakit jantung dengan
menggunakan Metode fuzzy logic.
2. Mengetahui akurasi sistem pakar diagnosis tingkat risiko penyakit jantung.

II-4
1.5 Manfaat Penelitian
Adapun manfaat dari penelitian ini adalah sebagai berikut:
1. Dapat membantu masyarakat umum untuk mengetahui tingkat risiko
penyakit jantung dengan cepat dan tepat.
2. Dapat dijadikan sebagai bahan referensi bagi penelitian yang serupa.
1.6 Batasan Masalah
Adapun batasan masalah pada penelitian ini adalah sebagai berikut:
1. Sistem ini hanya mendeteksi gejala pada penyakit jantung.
2. Metode inferensi yang digunakan dalam sistem pakar ini menggunakan
fuzzy logic metode Sugeno.
1.7 Sistematika Penulisan
BAB I. PENDAHULUAN
Pada bab ini berisi mengenai latar belakang penelitian, rumusan masalah,
tujuan penelitian, manfaat penelitian, batasan masalah dan sistematika
penulisan.
BAB II. KAJIAN LITERATUR
Pada bab ini akan menjelaskan mengenai dasar-dasar teori yang digunakan
dalam penelitian dan menguraikan penelitian sebelumnya dimana penelitian
sebelumnya relevan dengan penelitian ini.
BAB III. METODOLOGI PENELITIAN
Pada bab ini akan dibahas mengenai tahapan pengembangan perangkat
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 IV. PENGEMBANGAN PERANGKAT LUNAK
Bab ini berisi pembahasan mengenai setiap tahapan pengembangan
perangkat lunak yang dilakukan. Pengembangan perangkat lunak sistem
pakar dilakukan dengan menggunakan metode Fuzzy Logic. Proses
pengembangan perangkat lunak dibuat berdasarkan metode RUP
(Relational Unified Process).
BAB V. HASIL DAN ANALISI PENELITIAN
Bab ini berisi hasil pengujian pada perangkat lunak yang telah
dikembangkan dan bab ini juga akan memaparkan pembahasan mengenai
analisis dari hasil pengujian yang telah dilakukan.
BAB VI. KESIMPULAN DAN SARAN
Bab ini berisi kesimpulan dari hasil penelitian yang telah dilakukan serta
saran yang dapat digunakan untuk penelitian selanjutnya.
1.8 Kesimpulan
Berdasarkan latar belakang penelitian yang telah diuraikan maka penelitian
ini akan menguji bagaimana pengaruh Sistem Pakar Deteksi Tingkat Risiko
Penyakit Jantung dengan Menggunakan Metode Fuzzy Logic.

III. BAB II
KAJIAN LITERATUR
2.1 Pendahuluan
Pada bab sebelumnya telah menjelaskan latar belakang serta rumusan
masalah pada penelitian ini. Bab ini akan menjelaskan tentang landasan teori yang
relevan dengan permasalahan penelitian, serta penelitian-penelitian terdahulu yang
terkait dengan sistem pakar dan metode fuzzy logic.
2.2 Landasan Teori
Landasan teori pada penelitian ini menjelaskan mengenai teori atau konsep
yang berkaitan dengan permasalahan penelitian. Terdapat beberapa sub bab yang
ada pada landasan teori.
2.2.1 Sistem Pakar
Secara umum sistem pakar adalah suatu sistem yang berusaha menerapkan
pengetahuan manusia ke dalam komputer agar komputer tersebut dapat
menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar
dirancang untuk memecahkan masalah tertentu dengan meniru pekerjaan para
pakar. Sistem pakar berusaha mencari solusi yang memuaskan layaknya seorang
pakar dan dapat menjelaskan langkah-langkah yang diambil serta memberikan
alasan atau rekomendasi atau kesimpulan yang ditarik. Pendapat lain mengatakan
sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan
manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang
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:
1. Lingkungan pengembangan (development environment) digunakan
sebagai pembangun sistem pakar baik dari segi pembangun komponen
maupun basis pengetahuan (knowledge base).
2. Lingkungan konsultasi (consultation environment) digunakan oleh
seseorang yang bukan ahli untuk berkonsultasi.
Komponen-komponen sistem pakar dalam kedua bagian tersebut dapat
dilihat dalam gambar II-1 sebagai berikut.
Gambar III-1. Komponen Sistem Pakar (Sandjaja, 2016)

Pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas
pemecahan masalah. Beberapa aktivitas pemecahan masalah yang dimaksud seperti
(Kurniawan, 2018):
III-3
1. Interpretasi.
Membuat kesimpulan atau deskripsi dari sekumpulan data mentah.
Pengambilan keputusan dari hasil observasi, termasuk pengenalan ucapan, analisis
citra, interpretasi sinyal, dll.
2. Prediksi
Memproyeksikan akibat-akibat yang dimungkinkan dari situasi-situasi
tertentu. Contoh: prediksi demografi, prediksi ekonomi, dll.
3. Diagnosis.
Menentukan sebab malfungsi dalam situasi kompleks yang didasarkan pada
gejala-gejala yang teramati diagnosis medis, elektronis, mekanis, dll.
4. Perancangan
Menentukan konfigurasi komponen-komponen sistem yang cocok dengan
tujuan-tujuan kinerja tertentu yang memenuhi kendala-kendala tertentu. Contoh:
perancangan layout sirkuit, bangunan.
Seiring kemajuan teknologi, penggunaan sistem pakar pun meningkat
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
dijelaskan diatas adalah diagnosa penyakit, maka sangat dimungkinkan untuk
membangun sistem pakar untuk mendiagnosa risiko serangan jantung dengan
menerapkan metode fuzzy logic.

III-4
2.2.2 Penyakit Jantung
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
berdampak fatal bagi kelangsungan hidup seseorang. Penyakit jantung membunuh
lebih banyak orang daripada penyebab kematian lainnya. Lebih dari tiga perempat
kematian akibat penyakit jantung terjadi di negara berpenghasilan rendah dan
menengah (Redy Susanto & Wantoro, 2022).
Penyakit jantung dapat disebabkan oleh banyak faktor, untuk
mengetahuinya dilakukan wawancara pada pakar di bidang terkait, karena pada
sistem pakar harus didasarkan pada pengetahuan dari pakar sehingga didapatkan
faktor-faktor yang membantu pendeteksian dini penyakit jantung.
Berdasarkan wawancara dari pakar, terdapat beberapa variabel berdasarkan
gejala dan faktor risiko penyakit jantung yaitu variabel usia, jenis kelamin, tekanan
darah, treatment hipertensi, merokok, gula darah, dan BMI.
Dari variabel yang didapat dari pakar tersebut kemudian diolah agar
selanjutnya dapat digunakan dalam perhitungan menggunakan fuzzy logic.
2.2.2.1 Usia
Risiko serangan jantung meningkat seiring waktu, semakin bertambahnya
usia maka semakin tinggi risikonya. Individu yang telah memasuki usia dewasa
atau lanjut usia sering dihadapkan dengan kondisi seperti perubahan fisik yang
semakin lemah dan berbagai penyakit mengancam sehingga menyebabkan
ketidakberdayaan dan dapat mempengaruhi kualitas hidupnya (Bowman dkk,

III-5
2006). Prevalensi penyakit jantung tertinggi pada umur 65 - 74 tahun (Riskesdas,
2013).
2.2.2.2 Jenis Kelamin
Jenis kelamin adalah salah satu faktor yang mempengaruhi kualitas hidup.
Perempuan mempunyai kualitas hidup yang lebih rendah dibandingkan dengan
laki-laki. Banyak perempuan bertanggung jawab untuk tugas-tugas rumah tangga
dibandingkan dengan laki-laki yang berdampak terhadap pemulihan kesehatan, hal
ini sesuai dengan survey dimana perempuan lebih banyak memiliki masalah
kesehatan setelah infark miokard seperti seringnya nyeri dada dibandingkan dengan
laki-laki (Kristofferzon, 2005). Sementara itu, jantung wanita memompa lebih
cepat dibandingkan pria, yaitu sekitar 10 persen lebih sedikit darah dengan setiap
tekanan.
2.2.2.3 Tekanan Darah
Tekanan darah adalah ukuran yang dapat menentukan bagaimana jantung
memompa darah ke seluruh tubuh di bawah ketidakpastian karena perubahan -
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)
dengan penyakit jantung (Saputri & Herawati, 2016).

III-6
2.2.2.4 Treatment Hipertensi
Hipertensi atau tekanan darah tinggi meningkatkan resistensi terhadap
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
mengambil langkah yang tepat. Tujuan treatment hipertensi adalah menurunkan
tekanan darah, mencegah perkembangan penyakit kardiovaskuler, menurunkan
mortalitas, serta menjaga kualitas hidup pasien. Penatalaksanaan mencakup
modifikasi gaya hidup dan pemberian medikamentosa.
2.2.2.5 Merokok
Merokok adalah penyebab serangan jantung yang sering diabaikan. Padahal,
kebiasaan buruk ini bisa merusak lapisan arteri, menebalkannya, serta
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%
pada tahun pertama seseorang berhenti merokok (Afriyanti dkk, 2015).
2.2.2.6 Gula Darah
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
Peningkatan berat badan secara signifikan dapat meningkatkan kejadian
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
risiko dari serangan jantung. Penentukan tingkat obesitas dapat menggunakan
pengukuran antropometri, salah satunya berupa pengukuran Indeks Massa Tubuh
(Leupker, 2004).
2.2.3 Fuzzy Logic
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
memungkinkan nilai keanggotaan antara 0 sampai 1.

III-8
Gambar III-2. Arsitektur fuzzy logic (Dirgantara et al., 2017)

Tahapan fuzzy logic yaitu sebagai berikut (Hayadi et al., 2016):
1. Fuzzifikasi
Fuzzifikasi merupakan suatu proses untuk mengubah suatu masukan dari
bentuk tegas (crisp) menjadi fuzzy yang biasanya disajikan dalam bentuk
himpunan-himpunan fuzzy dengan suatu fungsi keanggotaannya masing-masing.
2. Inferensi
Inferensi merupakan sebagai acuan untuk menjelaskan hubungan antara
variable-variabel masukan dan keluaran yang mana variabel yang diproses dan
yang dihasilkan berbentuk fuzzy. Untuk menjelaskan hubungan antara masukan
dan keluaran biasanya menggunakan “IF-THEN”.
3. Defuzzifikasi
Defuzzifikasi, merupakan proses pengubahan variabel berbentuk fuzzy tersebut
menjadi data-data pasti (crisp) yang dapat dikirimkan ke peralatan pengendalian.
2.2.4 Fuzzifikasi
Proses untuk mengubah suatu masukan dari bentuk tegas (crisp) menjadi
fuzzy dalam bentuk himpunan-himpunan fuzzy dengan suatu fungsi keanggotaannya
masing-masing
III-9
2.2.4.1 Fungsi Keanggotaan
Fungsi keanggotaan (membership function) adalah suatu kurva yang
menunjukkan pemetaan titik-titik input data kedalam nilai keanggotaannya (sering
disebut dengan derajat keanggotaan) yang memiliki interval antara 0 sampai 1.
Fungsi keanggotaan dapat dibuat ke dalam beberapa bentuk kurva diantaranya:
1. Representasi Linier, permukaan digambarkan sebagai suatu garis lurus.
Bentuk ini paling sederhana dan menjadi pilihan yang baik untuk
mendekati suatu konsep yang kurang jelas. Ada 2 kemungkinan keadaan
himpunan fuzzy yang linier. Pertama, kenaikan himpunan dimulai pada
nlai dominan yang memiliki derajat keanggotaan nol [0] bergerak
kekanan menuju ke nilai domain yang memiliki derajat keanggotaan
lebih tinggi dan sebaliknya.
Gambar III-3. Representasi Linier Naik
Fungsi keanggotaan:
(2.1)
III-10
Gambar III-4. Representasi Linier Turun

Fungsi keanggotaan:
(2.2)
2. Representasi Kurva Segitiga, pada dasarnya adalah gabungan antara dua
representasi linier (representasi linier naik dan representasi linier turun).
Gambar III-5. Representasi Kurva Segitiga
Fungsi keanggotaan:
III-11
(2.3)
3. Representasi Kurva Trapesium, pada dasarnya seperti bentuk segitiga,
hanya saja ada beberapa titik yang memiliki nilai keanggotaan 1.
Gambar III-6. Representasi Kurva Trapesium

Fungsi keanggotaan:
(2.4)
2.2.5 Sistem Inferensi Fuzzy
Sistem inferensi fuzzy (Fuzzy Inference System) adalah sistem aturan
berdasarkan fuzzy logic dimana digunakan sebagai alat untuk mewakili
pengetahuan yang berbeda tentang suatu masalah, serta untuk memodelkan
interaksi dan hubungan yang ada antara variabel tersebut. Bentuk if-then dapat
dilihat pada persamaan berikut:
IF x is A and y is B THEN z is C (2-5)

III-12
Dimana x, y, dan z adalah variabel linguistik dan A, B, C adalah nilai dari
variabel linguistik. Proses inferensi dapat digunakan dengan berbagai metode
seperti metode Mamdani, Tsukamoto, dan Sugeno. Dalam penelitian ini,
menggunakan metode Sugeno sebagai mesin inferensi
2.2.5.1 Fuzzy Sugeno
Fuzzy Sugeno merupakan metode inferensi fuzzy untuk aturan yang
direpresentasikan dalam bentuk IF - THEN, dimana output (konsekuen) sistem
tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear
(Kusumadewi, 2002). Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada
tahun 1985. Model Sugeno menggunakan fungsi keanggotaan Singleton yaitu fungi
keanggotaan yang memiliki derajat keanggotaan 1 pada suatu nilai crisp tunggal
dan 0 pada nilai crisp yang lain.
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
sugeno orde satu dapat dilihat pada persamaan 2-7.
IFx1 is A1 o x2 is A2 o…o xn is An THEN z=k (2-6)
Dengan Ai adalah himpunan fuzzy ke-I sebagai anteseden, dan k adalah
konstanta (tegas) sebagai konsekuen
IFx1 is A1 o x2 is A2 o…o xn is An THEN (2-7)
z=P1*x1+P2*x2+…+…+Pn*xn+q
Dengan Ai adalah himpunan fuzzy ke-I sebagai anteseden, dan pi adalah
suatu konstanta ke-I dan q merupakan konstanta dalam konsekuen.

III-13
Metode sugeno ini menggunakan operasi himpunan AND, sehingga
menurut teori operasi himpunan pada persamaan, nilai keanggotaan dari AND
dihitung menggunakan fungsi implikasi MIN (Putu & Dewi, 2014). Nilai MIN
setiap fungsi keanggotaan ini disebut α-predikat. Persamaan α-predikat dapat
dilihat pada persamaan 2-8.
∝-predikat=MIN (Ax, By) (2-8)
2.2.6 Defuzzifikasi
Defuzzifikasi adalah proses pengubahan besaran fuzzy dari perhitungan
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
adalah metode defuzzifikasi rata-rata terpusat, dan rumusnya adalah sebagai
berikut:
∑𝑛
𝑖=1 𝛼𝑖𝑧𝑖
𝑍= ∑𝑛
(2-9)
𝑖=1 𝛼𝑖
Dimana Z adalah keluaran defuzzifikasi berupa hasil deteksi tingkat risiko
penyakit jantung. Sementara 𝛼𝑖 adalah himpunan nilai fuzzy, zi adalah konstanta.
2.2.7 Confusion Matrix
Confusion Matrix merupakan alat pengukuran yang terdapat didalam data
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.
Tabel II-1. Confusion Matrix
Correct Classified as Positive Classified as Negative (tidak

classification (ditemukan) ditemukan)
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
positif tetapi dianggap sebagai data negatif.
Berdasarkan nilai True Negative (TN), False Positive (FP), True
Positive (TP), dan False Negative (FN) dapat digunakan untuk menghitung nilai
accuracy, precision, recall, specifity, F1 measure, dan misclassification (error)
rate. Metrik evaluasi tersebut berguna untuk mengetahui tingkat kebenaran dan
ketepatan sistem dalam melakukan prediksi.
Accuracy merupakan rasio prediksi True Positive (TP) dan True
Negative (TN) dengan keseluruhan data.
Accuracy=(TP+TN)/Banyaknya Data (2.10)

III-15
Precision merupakan rasio prediksi antara True Positive (TP) dibandingkan
dengan banyaknya data yang diprediksi positive.
Precision=(TP)/(TP+FP) (2.11)
Recall merupakan rasio prediksi antara True Positive (TP) dibandingkan
dengan banyaknya data yang sebenarnya positive.
Recall=(TP)/(TP+FN) (2.12)
Specifity merupakan kebenaran memprediksi True Negative (TN)
dibandingkan dengan keseluruhan data negative.
Specifity=(TN)/(TN+FP) (2.13)
F1 measure merupakan perbandingan rata-rata precision dan recall yang
dibobotkan.
F1 Measure=2 x (Recall x Precission)(Recall+Precission) (2.14)
Misclassification (error) rate merupakan rasio prediksi False Positive (FP)
dan False Negative (FN) dengan keseluruhan data.
Misclassification error rate=FP+FNBanyaknya Data (2.15)

III-16
2.2.8 Rational Unified Process (RUP)
Rational Unified Process (RUP) merupakan pendekatan pengembangan
perangkat lunak menggunakan pendekatan secara berulang atau iteratif, fokus pada
arsitektur, dan lebih menargetkan penggunaan kasus (Fitria & Widowati, 2017).
RUP dirancang untuk menyediakan perangkat lunak sistem pakar diagnosis
risiko penyakit jantung yang baik karena dapat dilakukan evaluasi di dalam tahapan
pengembangan untuk meningkatkan akurasi dan , sehingga menghasilkan
perangkat lunak yang akurat dan proses pengerjaan dapat dilakukan secara terukur
dan terstruktur karena terdapat langkah-langkah kerja yang sistematis.
Gambar 0-1. Rational Unified Process (RUP)

Rational Unified Process (RUP) memiliki empat fase, yaitu:
1. Insepsi, merupakan tahap untuk mengidentifikasi sistem yang akan
dikembangkan. Aktivitas yang dilakukan pada tahap ini antara lain
mencakup analisis sistem existing, perumusan sistem target, penentuan
arsitektur global target, identifikasi kebutuhan, perumusan persyaratan
(fungsional, performansi, keamanan, GUI, dll), perumusan kebutuhan

III-17
pengujian (level unit, integrasi, sistem, performansi, fungsionalitas,
keamanan, dll), UML diagram, dan pembuatan dokumentasi.
2. Elaborasi, merupakan tahap untuk melakukan desain secara lengkap
berdasarkan hasil analisis pada tahap inception. Aktivitas yang dilakukan
pada tahap ini antara lain mencakup pembuatan desain arsitektur subsistem
(architecture pattern), desain komponen sistem, desain format data
(protokol komunikasi), desain database, desain user interface, pemodelan
diagram UML(diagram sequence, class, component, deployment, dll.), dan
pembuatan dokumentasi.
3. Konstruksi, merupakan tahap untuk mengimplementasikan hasil desain dan
melakukan pengujian hasil implementasi. Pada tahap awal construction, ada
baiknya dilakukan pemeriksaan ulang hasil analisis dan desain, terutama
desain pada sequence diagram, class diagram, component dan deployment.
Apabila desain yang dibuat telah sesuai dengan analisis sistem, maka
implementasi dengan bahasa pemrogramanan tertentu dapat dilakukan.
Aktivitas yang dilakukan pada tahap ini antara lain mencakup pengujian
hasil analisis dan desain, pendataan kebutuhan implementasi lengkap,
penentuan coding pattern yang digunakan, pembuatan program, pengujian,
optimasi program, pendataan berbagai kemungkinan pengembangan atau
perbaikan lebih lanjut, dan pembuatan dokumentasi.
4. Transisi, merupakan tahap untuk menyerahkan sistem aplikasi kepada user
(roll-out), yang umumnya mencakup pelatihan dan beta testing aplikasi.

III-18
2.3 Penelitian yang Relevan
Penelitian yang dilakukan oleh (Putu & Dewi, 2014) menggunakan
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
pembuatan rule sistem pakar, 4) Tahap perancangan basis data, 5) Tahap
perancangan antar muka sistem pakar, 6) Tahap implementasi perancangan ke
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
diderita kemudian didiskusikan kepada dokter spesialis penyakit dalam yang
menghasilkan tingkat kemiripan sistem pakar yang telah dibuat dengan pakar
sesungguhnya sebesar 94.61%.
Penelitian lain yang dilakukan oleh (Athiyah et al., 2021) menggunakan
metode fuzzy logic Tsukamoto yang dapat digunakan untuk menentukan tingkat
risiko penyakit jantung dengan output 3 kategori, yaitu kecil, sedang, dan besar
berdasarkan informasi dari faktor-faktor risiko penyakit jantung. Variabel masukan
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
persentase sebesar 83%.
Penelitian lain yang berjudul Diagnosa Penyakit Jantung Menggunakan
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
dilakukan. Berdasarkan hasil pengujian menggunakan black box testing yang
diberikan kepada bagian admin atau pakar serta bagian pengguna diperoleh hasil
sebesar 97% sehingga dapat disimpulkan bahwa aplikasi telah sesuai fungsinya.
Berdasarkan hasil pengujian menggunakan metode Confusion Matrix telah
diperoleh dalam tiga bagian yaitu precision sebesar 70%, Recall atau sensitivity
sebesar 88%, dan Accuracy menggambarkan seberapa akurat model dalam
mengklasifikasikan dengan benar sebesar 62%.
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
yang digunakan dalam penelitian.

IV-20
IV. BAB III
METODOLOGI PENELITIAN
3.1 Pendahuluan
Pada bab ini menjelaskan tentang unit penelitian, tahapan penelitian yang
diimplementasikan, dan metodologi penelitian. Tahapan penelitian dijadikan
sebagai acuan pada setiap fase pengembangan dan memberikan sebuah solusi untuk
rumusan masalah dan mencapai tujuan penelitian.
3.2 Pengumpulan Data
Berikut ini adalah penjelasan jenis dan sumber data serta metode
pengumpulan data.
3.2.1 Jenis dan Sumber Data
Jenis data yang digunakan dalam penelitian ini adalah data sekunder, yang
berasal dari data rekam medis pasien Klinik Moulya Palembang.
3.2.2 Metode Pengumpulan Data
Data faktor risiko diperoleh dari wawancara dengan pakar. Keterlibatan
dokter/pakar dalam penelitian ini yaitu untuk membantu memberikan aturan-aturan
dan batasan nilai himpunan di setiap faktor risiko penyakit jantung dan tentang
penyakit jantung.
IV-21
Tabel IV-1. Faktor Risiko Penyakit Jantung
Kode Faktor Risiko
G1 Usia
G2 Jenis Kelamin
G3 Tekanan Darah (Sistolik)
G4 Treatment Hipertensi
G5 Merokok
G6 Gula Darah
G7 BMI
Berdasarkan wawancara dengan dokter spesialis jantung, faktor gejala
dalam deteksi tingkat risiko penyakit jantung terdiri dari variabel usia, jenis
kelamin, tekanan darah (sistolik), treatment hipertensi, merokok, gula darah, dan
BMI.
Variabel tiap gejala memiliki nilai linguistik yang berbeda-beda. Berikut
adalah kurva keanggotaan dan fungsi keanggotaan faktor risiko penyakit jantung.
a. Umur
Dalam variabel umur dibagi menjadi 3 himpunan, yaitu muda, parobaya,
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)
MUDA PAROBAYA TUA
Gambar IV-1. Kurva Keanggotaan Umur

Berdasarkan kurva keanggotaan di atas, didapatkan fungsi keanggotaan
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
Jenis kelamin dibagi menjadi 2 himpunan, yaitu laki-laki dan perempuan.
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
Tekanan darah (sistolik) dibagi menjadi 3 himpunan, yaitu rendah, normal,
dan tinggi. Nilai tekanan darah sistolik adalah angka atas dalam satuan mmHg.
Kurva tekanan darah sistolik dapat dilihat pada gambar III-2.
TEKANAN DARAH SISTOLIK

1
Derajat Keanggotaan
0,8
0,6
0,4
0,2
0
60 80 100 120 140 160 180
Tekanan Darah (mmHg)
RENDAH NORMAL TINGGI
Gambar IV-2. Kurva Keanggotaan Tekanan Darah (Sistolik)

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
0 ; 𝑥 ≤ 100 𝑎𝑡𝑎𝑢 𝑥 ≥ 140

𝑥−100
(120−100) ; 100 ≤ 𝑥 ≤ 120
µ(𝑛𝑜𝑟𝑚𝑎𝑙) = (3.7)
140−𝑥
(140−120) ; 120 ≤ 𝑥 ≤ 140
{
0 ; 𝑥 <= 120 ||𝑥 >= 150

𝑥−120
µ(𝑡𝑖𝑛𝑔𝑔𝑖) = { (150−120) ; 120 ≤ 𝑥 ≤ 150 (3.8)
1 ; 𝑥 ≥ 150
d. Treatment Hipertensi
Treatment hipertensi dibagi menjadi 2 himpunan, yaitu ya dan tidak. Fungsi
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
Merokok dibagi menjadi 2 himpunan, yaitu ya dan tidak. Fungsi
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
Tekanan darah (sistolik) dibagi menjadi 3 himpunan, yaitu kurus, normal,
dan obesitas. Kurva tekanan darah sistolik dapat dilihat pada gambar III-2.
Body Mass Index

1
Derajat Keanggotaan
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
Gambar IV-3. Kurva Keanggotaan BMI

IV-26
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
3.3 Tahapan Penelitian
Proses deteksi tingkat risiko penyakit jantung menggunakan metode fuzzy
logic sugeno memiliki tahapan penelitian seperti pada gambar III-16 yang
dijelaskan pada subbab 3.3.1 sampai 3.3.6.

IV-27
Gambar IV-4. Diagram Tahapan Penelitian

IV-28
3.3.1 Menentukan Kerangka Kerja
Kerangka kerja pada metode penelitian ini dapat dilihat pada gambar III-5.
Gambar IV-5. Kerangka Kerja Metode Fuzzy Sugeno
Data diuji dengan menggunakan metode fuzzy sugeno. Langkah pertama
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
jantung yaitu rendah, sedang, dan tinggi.
3.3.2 Menetapkan Kriteria Pengujian
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
untuk proses perhitungan deteksi tingkat risiko penyakit jantung menggunakan
fuzzy sugeno.
3.3.3 Menetapkan Format Data Pengujian
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
kategori rendah, sedang, dan tinggi.

IV-30
3.3.4 Menentukan Alat yang Digunakan dalam Pelaksanaan Penelitian
Untuk melaksanakan penelitian mengenai deteksi tingkat risiko penyakit
jantung menggunakan metode fuzzy sugeno dibutuhkan alat penelitian berupa
hardware dengan keterangan sebagai berikut:
1. Processor AMD FX-9830P RADEON R7, 12 COMPUTE CORES
4C+8G 3.00 GHz
2. Installed RAM 8 GB
Software yang digunakan sebagai berikut:
1. Visual Studio Code
2. XAMPP Control Panel
3. Google Chrome
3.3.5 Pengembangan Perangkat Lunak
Hasil penelitian lalu diimplementasikan ke dalam sebuah perangkat lunak
berbasis website dengan menggunakan bahasa pemrograman PHP. Pada perangkat
lunak ini user dapat menginput faktor risikonya lalu perangkat lunak akan
memberikan output berupa risiko penyakit jantung yang kemudian akan digunakan
untuk dibandingkan dengan pendapat dari pakar terkait.

IV-31
3.3.6 Evaluasi Hasil Penelitian
Metode pengujian yang dilakukan pada penelitian ini menggunakan
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.
3.3.7 Melakukan Analisa Hasil Pengujian dan Membuat Kesimpulan
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
akan digambarkan pada Tabel III-2.
Tabel IV-2. Tabel Rancangan Hasil Pengujian
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
3.4 Metode Pengembangan Perangkat Lunak
Metode yang diterapkan dalam pengembangan perangkat lunak yaitu
Rational Unified Process (RUP). RUP merupakan model pengembangan perangkat
lunak berorientasi objek dan bersifat iterative incremental. Dengan menggunakan
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
sub bab berikut :
3.4.1 Fase Insepsi
Pada tahap pemodelan bisnis, penulis menentukan user requirements dan
fungsionalitas atau fitur-fitur yang dibutuhkan pada perangkat lunak. Pada tahapan
selanjutnya yaitu pengumpulan kebutuhan penulis mengumpulkan data penelitian
yang diambil dari data rekam medis pasien Klinik Moulya dan data dari wawancara
dengan pakar. Setelah mengumpulkan data penelitian, tahap selanjutnya analisis
dan desain, yaitu penulis membuat diagram use case. Pada tahap implementasi,
penulis akan mendokumentasikan user requirements, fungsionalitas perangkat
lunak dan diagram use case. Dan tahap terakhir adalah pengujian, pada tahap ini
penulis memastikan apakah user requirements dan fungsionalitas perangkat sudah
valid.
IV-33
3.4.2 Fase Elaborasi
Pada tahapan pemodelan bisnis, penulis menentukan arsitektur perangkat
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
diagram dan sequence diagram. Selanjutnya penulis menyusun dokumentasi yang
berisikan arsitektur perangkat lunak, desain basis data, desain antar muka, activity
diagram, dan sequence diagram pada tahap implementasi serta memastikan apakah
seluruhnya sudah valid pada tahap pengujian.
3.4.3 Fase Konstruksi
Pada tahapan pemodelan bisnis, penulis menentukan kelas-kelas yang
dibutuhkan pada perangkat lunak. Setelah menentukan kelas-kelas yang
dibutuhkan, tahap selanjutnya menentukan bahasa pemrograman yang akan
digunakan untuk mengembangkan perangkat lunak, yaitu PHP. Pada tahap analisis
dan desain akan dibuat class diagram. Penulis akan mengembangkan perangkat
lunak dengan implementasi kelas-kelas yang telah ditentukan.
3.4.4 Fase Transisi
Pada tahapan pemodelan bisnis, penulis membuat rencana atau skenario
pengujian terhadap perangkat lunak. Setelah membuat rencana atau skenario, tahap
IV-34
selanjutnya pengumpulan kebutuhan dimana pada tahap ini penulis menentukan
tools pengujian yang diperlukan. Pada tahap analisis dan desain akan dibuat class
diagram. Pada tahap analisis dan desain, penulis mendesain tabel skenario.
Selanjutnya pada tahap implementasi, penulis melakukan pengujian terhadap
perangkat lunak berdasarkan skenario atau rencana pengujian. Skenario pengujian
ditinjau ulang pada tahap penelitian.
3.5 Kesimpulan
Bab ini memberikan rincian dari metodologi penelitian yang terdiri dari
kerangka penelitian, metodologi pengembangan sistem, data, serta perangkat keras
dan perangkat lunak sebagai persyaratan dalam membangun sistem pakar deteksi
tingkat risiko penyakit jantung menggunakan metode Fuzzy Sugeno. Bab
berikutnya akan mengusulkan tentang analisis awal dan pekerjaan dari penelitian
ini di masa depan.

V.BAB IV
PENGEMBANGAN PERANGKAT LUNAK
4.1 Pendahuluan
Bab sebelumnya menjelaskan metode pengembangan perangkat lunak yang
dilakukan dengan menggunakan metode Rational Unified Process (RUP). Oleh
karena itu, bab ini akan menjelaskan secara rinci penggunaan metode Rational
Unified Process (RUP).
4.2 Fase Insepsi
Tujuan dari fase insepsi adalah untuk mengidentifikasi kebutuhan sistem
yang akan dikembangkan. Fase ini meliputi analisis awal sistem, identifikasi dan
spesifikasi kebutuhan sebelum perangkat lunak ada, pengembangan pengujian
perangkat lunak, dan pemodelan diagram use case.
4.2.1 Pemodelan Bisnis
Perangkat lunak yang dikembangkan pada tugas akhir ini berbasis Website
dengan menggunakan bahasa pemrograman php.
Perangkat lunak yang dibangun merupakan perangkat lunak yang dapat
mendiagnosis risiko serangan jantung sehingga dapat dilakukan antisipasi untuk
melakukan pertolongan pertama. Data masukan yang dibutuhkan pada perangkat
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
diagnosis tingkat risiko serangan jantung menggunakan fuzzy sugeno. Hasil
V-1
V-2
keluaran dari perangkat lunak ini berupa tingkat risiko serangan jantung, apakah
rendah, sedang, atau tinggi.
4.2.2 Kebutuhan Sistem
Pada fase ini, kebutuhan dalam pengembangan perangkat lunak
dikelompokkan menjadi kebutuhan fungsional dan non-fungsional. Kebutuhan
fungsional menggambarkan kebutuhan atau fasilitas utama perangkat lunak,
sedangkan kebutuhan non-fungsional menggambarkan properti tambahan pada
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.
Tabel V-1. Kebutuhan Fungsional
No. Kebutuhan
1. Perangkat lunak dapat menentukan hasil diagnosa tingkat risiko
serangan jantung dengan metode Fuzzy Sugeno.
Tabel V-2. Tabel Kebutuhan Non-Fungsional
No. Kebutuhan
1. Sistem memiliki antarmuka yang mudah dipahami dan digunakan oleh
pengguna (User friendly).
2. Sistem dapat menampilkan pesan error ketika user salah memasukan
input kedalam sistem.

V-3
4.2.3 Analisis dan Desain
Tahapan analisis dan desain adalah menganalisis kebutuhan perangkat
lunak, analisis data, serta menjelaskan fuzzifikasi, inferensi, dan defuzzifikasi pada
metode sugeno sesuai dengan perangkat lunak yang dikembangkan. Setelah
melakukan analisis, tugas selanjutnya adalah merancang diagram usecase.
4.2.3.1 Analisis Kebutuhan Perangkat Lunak
Berdasarkan pemodelan bisnis yang telah diuraikan sebelumnya, untuk
menyelesaikan permasalahan yang terjadi diperlukan perangkat lunak yang mampu
mendiagnosis risiko serangan jantung menggunakan fuzzy sugeno yang memiliki
beberapa tahapan proses yaitu fuzzifikasi, inferensi, dan defuzzifikasi.
Pengembangan perangkat lunak dimulai dengan mengumpulkan dataset
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
aturan-aturan yang telah disepakati bersama pakar. Kemudian proses defuzzifikasi,
mengubah nilai fuzzy yang telah diproses sebelumnya menjadi nilai crisp. Hasil dari
proses ini adalah data kategorik berupa hasil diagnosis risiko serangan jantung,
yaitu rendah, sedang, atau tinggi.
4.2.3.2 Analisis Data
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
untuk mengukur tingkat akurasi sistem dan persentase nilai kepercayaan.
Hasil keluaran ini merupakan nilai numerik yang berasal wawancara
bersama pakar, sehingga dapat digolongkan ke dalam himpunan sesuai dengan
stage pada penyakit jantung sesuai dengan nilainya. Sebagai contoh analisis,
masukan faktor risiko yang akan dianalisis pada bab ini adalah sebagai berikut.
Tabel V-3. Nilai Tingkat Risiko Serangan Jantung
No. Risiko Serangan Jantung Score
1. Rendah 10
2. Sedang 20
3. Tinggi 100
Kategori keluaran pada diagnosis tingkat risiko serangan jantung dengan
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
Tabel V-4. Masukan Nilai Faktor Risiko
Kode Faktor Risiko Nilai
1 Usia 64
2 Gender Laki-laki
3 Tekanan Darah (Sistolik) 148
4 Treatment Hipertensi Ya
5 Merokok Tidak
6 Gula Darah 222
7 BMI 24,24
4.2.3.3 Analisis Fuzzifikasi
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.
1. Fuzzifikasi pada variabel usia
Berdasarkan persamaan 3.3, maka derajat keanggotaan dari variabel
usia yaitu :
64−45 19
𝜇𝑈𝑠𝑖𝑎_𝑇𝑈𝐴[64] = = = 0,95 (4.2)
65−45 20
2. Fuzzifikasi pada variabel gender
gender yaitu :
𝜇𝐺𝑒𝑛𝑑𝑒𝑟_𝐿𝐴𝐾𝐼−𝐿𝐴𝐾𝐼[1] = 1 (4.3)
3. Fuzzifikasi pada variabel tekanan darah

V-6
tekanan darah yaitu :

148−120 28
𝜇 𝑇𝑒𝑘𝑎𝑛𝑎𝑛 𝐷𝑎𝑟𝑎ℎ_𝑇𝐼𝑁𝐺𝐺𝐼[148] = = = 0,93 (4.4)
150−120 30
4. Fuzzifikasi pada variabel treatment hipertensi
treatment hipertensi yaitu :
𝜇 𝑇𝑟𝑒𝑎𝑡𝑚𝑒𝑛𝑡 𝐻𝑖𝑝𝑒𝑟𝑡𝑒𝑛𝑠𝑖_𝑌𝐴[1] = 1 (4.5)
5. Fuzzifikasi pada variabel merokok
merokok yaitu :
𝜇𝑀𝑒𝑟𝑜𝑘𝑜𝑘_𝑌𝐴[1] = 1 (4.6)
6. Fuzzifikasi pada variabel gula darah
gula darah yaitu :
𝜇𝐺𝑢𝑙𝑎 𝐷𝑎𝑟𝑎ℎ_𝑌𝐴[1] = 1 (4.7)
7. Fuzzifikasi pada variabel BMI
BMI yaitu :
24,24−23 1,24
𝜇𝐵𝑀𝐼_𝑂𝐵𝐸𝑆𝐼𝑇𝐴𝑆[8] = = = 0,31 (4.8)
27−23 4
4.2.3.4 Analisis Kaidah dan Inferensi
Setelah mendapatkan nilai derajat keanggotaan dari faktor risiko serangan
jantung, dilanjutkan dengan proses inferensi menggunakan metode Sugeno

V-7
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”.
Tabel V-5. Rule
Tekanan Treatment Gula

No. Gender Usia BMI Merokok Risiko
Darah Hipertensi Darah
1 P MUDA RENDAH KURUS TIDAK TIDAK TIDAK RENDAH
2 P MUDA RENDAH NORMAL TIDAK TIDAK TIDAK RENDAH
3 P MUDA RENDAH OBESITAS TIDAK TIDAK TIDAK RENDAH
4 P MUDA RENDAH KURUS TIDAK TIDAK YA RENDAH
5 P MUDA RENDAH NORMAL TIDAK TIDAK YA RENDAH
6 P MUDA RENDAH OBESITAS TIDAK TIDAK YA RENDAH
7 P MUDA RENDAH KURUS TIDAK YA TIDAK RENDAH
8 P MUDA RENDAH NORMAL TIDAK YA TIDAK RENDAH
9 P MUDA RENDAH OBESITAS TIDAK YA TIDAK RENDAH
10 P MUDA RENDAH KURUS TIDAK YA YA RENDAH
11 P MUDA RENDAH NORMAL TIDAK YA YA RENDAH
12 P MUDA RENDAH OBESITAS TIDAK YA YA RENDAH
13 P MUDA RENDAH KURUS YA TIDAK TIDAK RENDAH
14 P MUDA RENDAH NORMAL YA TIDAK TIDAK RENDAH
15 P MUDA RENDAH OBESITAS YA TIDAK TIDAK RENDAH
16 P MUDA RENDAH KURUS YA TIDAK YA RENDAH
17 P MUDA RENDAH NORMAL YA TIDAK YA RENDAH
18 P MUDA RENDAH OBESITAS YA TIDAK YA RENDAH
19 P MUDA RENDAH KURUS YA YA TIDAK RENDAH
20 P MUDA RENDAH NORMAL YA YA TIDAK RENDAH
…
432 L TUA TINGGI OBESITAS YA YA YA TINGGI
Inferensi pada proses sugeno menggunakan rule base pada tabel IV-5
didapatkan satu aturan yang dapat diaplikasikan dengan menggunakan aturan
conjunction dengan memilih derajat keanggotaan minimum dari nilai-nilai
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)
AND gula darah ya(1) THEN risiko tinggi(0,31)
α-predikat426 = 𝜇𝐺𝑒𝑛𝑑𝑒𝑟_𝐿 ∩ 𝜇𝑈𝑠𝑖𝑎𝑇𝑈𝐴 ∩ 𝜇 𝑇𝑒𝑘𝑎𝑛𝑎𝑛 𝐷𝑎𝑟𝑎ℎ𝑇𝐼𝑁𝐺𝐺𝐼 ∩ 𝜇𝐵𝑀𝐼𝑂𝐵𝐸𝑆𝐼𝑇𝐴𝑆 ∩

𝜇 𝑇𝑟𝑒𝑎𝑡𝑚𝑒𝑛𝑡 𝐻𝑖𝑝𝑒𝑟𝑡𝑒𝑛𝑠𝑖_𝑌𝐴 ∩ 𝜇𝑀𝑒𝑟𝑜𝑘𝑜𝑘_𝑇𝐼𝐷𝐴𝐾 ∩ 𝜇𝐺𝑢𝑙𝑎 𝐷𝑎𝑟𝑎ℎ_𝑌𝐴
α-predikat426 = min (1 ; 0,95 ; 0,9333 ; 0,31 ; 1 ; 1 ; 1 ) = 0,31
Setelah proses conjunction langkah selanjutnya menggunakan aturan disjunction
dengan memilih derajat maksimum dari nilai-nilai linguistik yang dihubungkan
oleh ( ∪ ) yaitu :
- Tingkat risiko serangan jantung RENDAH = 0
- Tingkat risiko serangan jantung SEDANG = 0
- Tingkat risiko serangan jantung TINGGI = 1
TINGGI (0,31) (MAX 0,31)
4.2.3.5 Analisis Defuzzifikasi
Proses defuzzifikasi dilakukan dengan menghitung nilai total Z-Score yang
selanjutnya mengambil nilai Z-score berdasarkan nilai MAX dari masing-masing
tingkat risiko serangan jantung, metode ini bertujuan untuk mengubah kembali nilai
fuzzy pada tahap sebelumnya menjadi nilai crisp.
Tabel V-6. Nilai Z Score

No. Tingkat Risiko Serangan Jantung Score Z-Score
1. RENDAH 10 0
2. SEDANG 20 0
3. TINGGI 100 100*0,31=31
V-9
∑(𝛼𝑖. 𝑧𝑖) (0 . 0) + (0 . 0) + (100 . 0,31) 31

𝑍= = = = 100
∑ 𝛼𝑖 0 + 0 + 0,31 0,31
Pada penentuan kesimpulan tingkat risiko serangan jantung dapat mengacu
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
termasuk pada himpunan kategorik tinggi.
4.2.3.6 Desain Perangkat Lunak
Desain perangkat lunak yang akan dijelasakan pada subbab ini digambarkan
dengan Use Case dan diagram aktivitas.
1. Model Use Case
Berikut adalah desain perangkat lunak pada penelitian ini dengan
menggunakan pemodelan Use Case diagram.
a) Use Case Diagram
Use case diagram menjelaskan tentang aktivitas yang dilakukan oleh
aktor pada perangkat lunak yang ditunjukkan pada gambar IV-1.

V-10
Gambar V-1. Diagram Use Case
b) Tabel Definisi Aktor
Dalam penelitian ini, aktor merupakan pengguna perangkat lunak yang
dijelaskan pada tabel IV-7.
Tabel V-7. Definisi Aktor
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.
c) Tabel definisi Use Case
Definisi Use Case adalah deskripsi kerja perangkat lunak, yang secara
khusus dijelaskan pada tabel IV-8.

V-11
Tabel V-8. Definisi Use Case
No Use Case Deskripsi

1 Registration User yang belum melalui proses login harus
melalui proses registration terlebih dahulu.
2 Login Use Case ini berfungsi melakukan proses login
bagi user untuk masuk ke sistem.
3 Lihat hasil diagnosis Use Case ini berfungsi untuk melakukan
tingkat risiko diagnosis tingkat risiko serangan jantung,
serangan jantung apakah terdiagnosis rendah, sedang, atau tinggi,
melihat perhitungan Fuzzy Sugeno berdasarkan
tingkat risiko serangan jantung.
d) Skenario Use Case
Skenario Use Case adalah urutan tindakan dan interaksi spesifik antara
aktor dan sistem.
Tabel V-9. Skenario Use Case Registration
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
Aksi Aktor Reaksi Sistem

1. Mengisi form registrasi berupa
nama lengkap, username, password,
dan jenis kelamin
2. Menekan tombol “Sign up”
3. Memproses registrasi user dan
menyimpan data ke database
4. Menampilkann halaman login
Kondisi akhir Aktor siap melakukan proses login
Skenario Alternatif
1. Mengisi form registrasi
2. Menekan tombol “Sign up”
3. Menampilkan pesan “This username
has already registered!” atau “Field is
required”
Kondisi akhir Aktor melakukan proses registration
Tabel V-10. Skenario Use Case Login
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
V-13
1. Memasukkan username dan

password pada halaman login
2. Menekan tombol “Login”
3. Menampilkan halaman diagnosis
risiko serangan jantung
Kondisi akhir Aktor siap melakukan proses diagnosis
risiko serangan jantung
Skenario Alternatif
1. Mengisi form pada halaman login
2. Menekan tombol “Login”
3. Menampilkan pesan “Username is
not registered!” atau “Wrong
password!” atau “Field is required”
Kondisi akhir Aktor melakukan proses login
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
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
1. Memasukkan data faktor risiko
2. Menekan tombol “Lihat Hasil”
3. Menampilkan pesan “Field is
required”
Kondisi akhir Aktor memasukkan data faktor risiko
4.3 Fase Elaborasi
Pada fase elaborasi pengembangan perangkat lunak adalah mengidentifikasi
kebutuhan sistem perangkat lunak secara lebih rinci. Kegiatan yang dilakukan pada
fase ini adalah perancangan data, perancangan antarmuka, identifikasi kebutuhan
sistem, pemodelan diagram aktivitas, pemodelan sequance diagram, dan pembuatan
dokumentasi.
V-15
Pada subbab ini akan diuraikan perancangan perangkat lunak yang akan
dibangun, yaitu sistem pendiagnosis tingkat risiko serangan jantung. Perancangan
didasarkan pada hasil analisis fase insepsi. Perancangan yang dibahas pada bagian
ini meliputi perancangan data dan perancangan antarmuka.
4.3.1.1 Perancangan Data
Perangkat lunak yang akan dibangun memiliki kemampuan mendiagnosis
tingkat risiko serangan jantung. Data yang akan melalui proses diagnosis adalah
nilai masukan berupa faktor risiko penyakit jantung yang terdiri dari gender, usia,
tekanan darah, BMI, treatment hipertensi, merokok, dan gula darah.
4.3.1.2 Perancangan Antarmuka
Perancangan antarmuka dari perangkat lunak yang akan dibangun dapat
dilihat pada gambar IV-2, IV-3, IV-4, dan IV-5.

V-16
Gambar V-2. Rancangan Antarmuka Use Case Registration
Gambar V-3. Rancangan Antarmuka Halaman Login

V-17
Gambar V-4. Rancangan Antarmuka Halaman Depan
Home Logout
Gambar V-5. Rancangan Antarmuka Diagnosis Risiko Penyakit Jantung

V-18
Untuk pengembangan perangkat lunak dalam penelitian ini diperlukan
perangkat keras, perangkat lunak, dan bahasa pemrograman. Perangkat keras yang
digunakan dalam tahap pengembangan dan penelitian adalah sebuah laptop dengan
spesifikasi sebagai berikut:
1. Laptop Asus X550IK;
2. Processor AMD FX-9830P RADEON R7;
3. RAM 8 GB ;
Sementara itu, perangkat lunak yang digunakan sebagai berikut.
1. Sistem Operasi Windows 10 64-bit
2. Visual Studio Code.
Bahasa pemrograman yang digunakan untuk mengembangkan perangkat lunak ini
adalah PHP.
4.3.3 Diagram
Salah satu kegiatan yang dilakukan pada fase elaborasi ini adalah
pemodelan diagram aktivitas dan pemodelan diagram sequence dari perangkat
lunak yang dibangun. Berikut adalah desain diagram aktivitas dan pemodelan
sequence diagram.
4.3.3.1 Diagram Aktivitas (Activity Diagram)
Diagram aktivitas adalah diagram yang menggambarkan alur kerja atau
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-6. Diagram Aktivitas Use Case Registration

V-20
Gambar V-7. Diagram Aktivitas Use Case Login

V-21
Gambar V-8. Diagram Aktivitas Use Case Diagnosis Risiko Serangan Jantung
4.3.3.2 Diagram Alur (Sequence Diagram)
Sequence diagram adalah diagram yang menggambarkan bagaimana
hubungan antar objek terjadi. Sequence diagram pada perangkat lunak ini dapat
dilihat pada gambar IV-9, IV-10, dan IV-11.

V-22
Gambar V-9. Sequence Diagram Registration
Gambar V-10. Sequence Diagram Login

V-23
Gambar V-11. Sequence Diagram Diagnosis Risiko Serangan Jantung

V-24
4.4 Fase Konstruksi
Fase konstruksi adalah tahapan pengembangan perangkat lunak, komponen
utama dan fungsi pendukung telah dijelaskan pada fase sebelumnya. Kegiatan yang
berlangsung pada fase ini adalah membangun antarmuka yang sudah dirancang dan
membangun semua kebutuhan fungsional dan non-fungsional dengan
menggunakan bahasa PHP. Hasil akhir dari fase ini adalah sebuah perangkat lunak
yang siap digunakan oleh pengguna sebagai aktor dalam perangkat lunak ini.
Kebutuhan sistem yang diperlukan dalam membangun perangkat lunak pada
tahap ini adalah menggunakan framework codeigniter 3 dan framework bootstrap.
4.4.2 Diagram Kelas
Diagram kelas (class diagram) adalah diagram UML yang menggambarkan
hubungan antar kelas dalam sebuah sistem. Hubungan antar kelas yang ada pada
perangkat lunak ini dapat dilihat pada gambar IV-12.

V-25
Gambar V-12. Class Diagram
4.4.3 Implementasi
Tahap implementasi pada tahap ini adalah mengembangkan perangkat lunak
sesuai dengan diagram kelas dan rancangan antarmuka yang telah dilakukan pada
tahap sebelumnya.
4.4.3.1 Implementasi Kelas
Pengembangan perangkat lunak ini menggunakan bahasa PHP untuk
mengimplementasikan kelas yang telah dirancang dalam diagram kelas. Kelas-
kelas ini dijelaskan pada tabel IV-13.

V-26
Tabel V-12. Implementasi Kelas
No Nama Kelas Nama File Keterangan
1 LoginC Login.php Kelas controller yang
berfungsi untuk
menghubungkan view seperti
halaman signin dan login.
Serta untuk mengakses tabel
yang berhubungan dengan
tabel user.
2 TrytestC Trytest.php Kelas controller yang
berfungsi mengelola data
masukan user untuk
melakukan perhitungan
metode fuzzy sugeno.
3 TrytestM Trytest_model.php Kelas model untuk
mengakses tabel yang
berhubungan dengan data
masukan user yang terdapat
pada database.
4 KeanggotaanM Keanggotaan_model.php Kelas model untuk
mengakses tabel yang
berhubungan dengan data
hasil proses perhitungan

V-27
metode fuzzy sugeno yang
terdapat pada database.
4.4.3.2 Implementasi Antarmuka
Implementasi antarmuka yang dibangun berdasarkan rancangan perangkat
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.
Gambar V-13. Antarmuka Halaman Home

V-28
Gambar V-14. Antarmuka Halaman Registrasi
Gambar V-15. Antarmuka Halaman Login

V-29
Gambar V-16. Antarmuka Halaman Diagnosis
Gambar V-17. Antarmuka Halaman Diagnosis (lanjutan)

V-30
Gambar V-18. Antarmuka Halaman Output
Gambar V-19. Antarmuka Halaman Output (lanjutan)
4.5 Fase Transisi
Tahap transisi merupakan tahap akhir dari pengembangan perangkat lunak.
Kegiatan pada fase ini adalah menguji perangkat lunak yang dibangun pada fase
konstruksi sebelumnya.
V-31
Pengujian perangkat lunak dilakukan secara black box, dimulai dengan
rencana pengujian berdasarkan use case yang dikembangkan pada fase insepsi.
Perangkat keras yang digunakan pada tahap pengembangan dan penelitian
ini adalah laptop dengan spesifikasi sebagai berikut:
1. Laptop Asus X550IK;
2. Processor AMD FX-9830P RADEON R7;
3. RAM 8 GB ;
Sementara itu, perangkat lunak yang digunakan sebagai berikut.
1. Sistem Operasi Windows 10 64-bit
2. Visual Studio Code.
4.5.3 Rencana Pengujian
Rencana pengujian pada perangkat lunak diagnosis tingkat risiko serangan
jantung ini akan digambarkan dalam tabel yang meliputi identifikasi, pengujian,
jenis pengujian, dan tingkat pengujian.
4.5.3.1 Rencana Pengujian Use Case Registration
Perancangan rencana pengujian melakukan registrasi user dapat dilihat pada
tabel IV-14.
V-32
Tabel V-13. Rencana Pengujian Use Case Registration
Jenis Tingkat
No Identifikasi Pengujian
Pengujian Pengujian
1 U-1-101 Memasukkan data Black Box Pengujian
registrasi secara Unit
lengkap dan menekan
tombol “Sign up”
registrasi dengan Unit
salah/tidak lengkap dan
menekan tombol “Sign
up”
4.5.3.2 Rencana Pengujian Use Case Login
Perancangan rencana pengujian melakukan login user dapat dilihat pada
tabel IV-15.
Tabel V-14. Rencana Pengujian Use Case Login
Jenis Tingkat
Pengujian Pengujian
1 U-2-101 Memasukkan username Black Box Pengujian
dan password dengan Unit

V-33
benar dan menekan
tombol “Login”
2 U-2-102 Memasukkan username Black Box Pengujian
dan password dengan Unit
salah/tidak lengkap dan
menekan tombol
“Login”
4.5.3.3 Rencana Pengujian Use Case Diagnosis Tingkat Risiko Serangan
Jantung
Perancangan rencana pengujian diagnosis tingkat risiko serangan jantung
dapat dilihat pada tabel IV-16.
Tabel V-15. Rencana Pengujian Use Case Diagnosis Tingkat Risiko Serangan
Jantung
Jenis Tingkat
Pengujian Pengujian
faktor risiko penyakit Unit
jantung dengan lengkap
dan menekan tombol
“Lihat Hasil”
faktor risiko penyakit Unit

V-34
jantung tidak lengkap
dan menekan tombol
“Lihat Hasil”
4.5.4 Implementasi
Berikut ini adalah kasus uji yang dilakukan terhadap perangkat lunak. Kasus
uji dilakukan sesuai rencana pengujian yang telah dipaparkan.
4.5.4.1 Pengujian Use Case Registration
Pengujian Use Case Registration dapat dilihat pada tabel IV-16.

V-35
Tabel V-16. Pengujian Use Case Registration
Keluaran yang Hasil yang

Identifikasi Pengujian Prosedur Pengujian Masukan Kesimpulan
Diharapkan Didapat
U-1-101 Memasukkan data - Mengisi data Nama lengkap, Halaman Login Halaman Login dan Diterima
registrasi secara registrasi secara username, dan pesan pesan
lengkap dan menekan lengkap password, dan “Congratulations! “Congratulations!
tombol “Sign up” - Menekan tombol jenis kelamin Your account has Your account has
“Sign up” dalam bentuk been created. been created. Please
string Please Login” Login”
U-1-102 Memasukkan data - Mengisi data - Sistem Sistem Diterima
registrasi dengan registrasi tidak menampilkan menampilkan pesan
salah/tidak lengkap lengkap pesan “Field is “Field is required”
dan menekan tombol - Menekan tombol required”
“Sign up” “Sign up”

V-36
4.5.4.2 Pengujian Use Case Login
Pengujian use case login dapat dilihat pada tabel IV-17.
Tabel V-17. Pengujian Use Case Login

Diharapkan Didapat
U-2-101 Memasukkan - Mengisi Username dan Halaman Halaman diagnosis Diterima
username dan username dan password dalam diagnosis
password dengan password dengan bentuk string
benar dan menekan benar
tombol “Login” - Menekan tombol
“Login”
V-37
U-2-102 Memasukkan - Mengisi Username dan Sistem Sistem Diterima
username dan username dan password dalam menampilkan menampilkan pesan
password dengan password dengan bentuk string pesan “Username “Username is not
salah/tidak lengkap salah is not registered!” registered!” atau
dan menekan tombol - Menekan tombol atau “Wrong “Wrong password!”
“Login” “Login” password!”
4.5.4.3 Pengujian Use Case Diagnosis Tingkat Risiko Serangan Jantung
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

Diharapkan Didapat
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
lengkap dan menekan secara lengkap Tinggi, serangan jantung. jantung.
tombol “Lihat Hasil” - Menekan tombol BMI = Obesitas,
“Lihat Hasil” Treatment
Hipertensi = Ya,
Merokok = Tidak,
Gula Darah = Ya
U-3-102 Memasukkan data - Mengisi data - Sistem Sistem Diterima
faktor risiko penyakit faktor risiko menampilkan menampilkan pesan
jantung tidak lengkap penyakit jantung pesan “Field is “Field is required”
dan menekan tombol tidak lengkap required”
“Lihat Hasil” - Menekan tombol
“Lihat Hasil”
V-39
4.6 Kesimpulan
Bab ini menjelaskan pengembangan perangkat lunak sebagai alat penelitian
yang membantu peneliti mempelajari Fuzzy Sugeno untuk menghasilkan diagnosis
tingkat risiko serangan jantung. Perangkat lunak ini dikembangkan untuk
memenuhi kebutuhan penelitian. Bab ini juga memperkenalkan skenario pengujian
untuk perangkat lunak.

VI.BAB V
HASIL DAN ANALISIS PENELITIAN
5.1 Pendahuluan
Pada bab IV telah dilakukan pengembangan perangkat lunak mengenai
diagnosis tingkat risiko serangan jantung menggunakan fuzzy sugeno. Hasil dan
analisis yang telah dilakukan sebelumnya akan dibahas dan dirangkum pada akhir
bab V ini.
5.2 Data Hasil Percobaan / Penelitian
5.2.1 Konfigurasi Percobaan
Pengujian perangkat lunak dalam penelitian ini dilakukan dengan
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,
BMI, treatment hipertensi, merokok, dan gula darah.
Proses pengujian dilakukan sesuai dengan arsitektur perangkat lunak, yaitu
fuzzifikasi, inferensi, dan defuzzifikasi. Pada proses fuzzifikasi mengubah nilai
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.
5.2.2 Data Hasil Konfigurasi Perhitungan Fuzzy Sugeno
Berdasarkan hasil perhitungan Fuzzy Sugeno didapatkan hasil diagnosis tingkat
risiko serangan jantung. Hasil perhitungan fuzzy ditunjukkan pada tabel V-1.
VI-3
Tabel VI-1. Hasil Diagnosis Tingkat Risiko Penyakit Jantung
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
5.3 Analisa Hasil Penelitian
Pengujian pada penelitian ini menggunakan data pasien penderita Penyakit
jantung dari rekam medis pasien Klinik Moulya. Data hasil pengujian pada tabel V-
1 menunjukkan bahwa dengan menggunakan metode fuzzy sugeno dapat
menghasilkan nilai diagnosis yang cukup akurat serta mendekati hasil dari
diagnosis riil atau dari pakar.
Tabel VI-2. Jumlah Hasil Diagnosis
Jumlah Data Hasil Diagnosis Benar Hasil Diagnosis Salah
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
disebabkan oleh beberapa faktor. Faktor-faktor yang mempengaruhi adalah sebagai
berikut.
1. Bahasa yang digunakan oleh penulis sulit dimengerti sehingga pakar kurang
memahami proses penelitian ini yang mungkin dapat menyebabkan
kesalahan dalam menentukan dan memberikan aturan (rule) maupun
rentangan nilai himpunan linguistik pada tiap variabel.
2. Kesalahan diagnosis dapat terjadi karena hasil pembulatan nilai linguistik
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
5.4 Analisa Hasil Pengujian
Berdasarkan hasil percobaan yang dilakukan menggunakan metode fuzzy
Sugeno, pengukuran tingkat akurasi dilakukan dengan membandingkan jumlah
keluaran yang sama dengan jumlah keseluruhan data yang diuji.
Tabel V-3 menunjukkan hasil confusion matrix pada diagnosis tingkat
risiko serangan jantung menggunakan metode Fuzzy Sugeno.
Tabel VI-3. Tabel Confusion Matrix Diagnosis Serangan Jantung
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
94,7% dipengaruhi oleh rendahnya akurasi pada tingkat risiko sedang.
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
KESIMPULAN DAN SARAN
6.1 Kesimpulan
Berdasarkan hasil analisa dan implementasi yang telah dilakukan pada
penelitian sistem pakar diagnosis tingkat risiko serangan jantung, maka dapat
ditarik kesimpulan sebagai berikut.
1. Metode Fuzzy Sugeno dapat diterapkan sebagai metode pada sistem pakar
diagnosis tingkat risiko serangan jantung. Dengan interval linguistik tiap
himpunan variabel faktor risiko merupakan hasil dari wawancara dengan
pakar.
2. Hasil pengujian pada penelitian ini menunjukkan bahwa metode Fuzzy
Sugeno memiliki nilai akurasi 94,7% dalam mendiagnosis tingkat risiko
serangan jantung berdasarkan 100 kasus yang telah diuji. Sehingga sistem
ini termasuk akurat dan dapat digunakan dalam memberikan informasi
tentang hasil diagnosis tingkat risiko serangan jantung agar penderita dapat
melakukan penanganan yang tepat.
6.2 Saran
Adapun saran yang diharapkan penulis untuk penelitian selanjutnya, yaitu:
1. Menambah faktor risiko penyakit jantung yang lain yang dapat
mempengaruhi hasil prediksi, misalnya keturunan, intensitas aktivitas fisik,
VII-1
VI-2
pola makan, pola tidur dan lainnya sehingga dapat meningkatkan hasil
akurasi.
2. Dapat dikembangkan dengan gabungan metode dan penggunaan metode
lainnya sebagai perbandingan metode sehingga menghasilkan sistem yang
lebih baik.
3. Menambahkan kumpulan data untuk diuji untuk memastikan hasil akurasi
yang lebih baik.

DAFTAR PUSTAKA
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
Lampiran 1. Lampiran Rules Penelitian

Tekanan Treatment Gula
No. Gender Usia BMI Merokok Risiko
Darah Hipertensi Darah
1 P MUDA RENDAH KURUS TIDAK TIDAK TIDAK RENDAH
2 P MUDA RENDAH NORMAL TIDAK TIDAK TIDAK RENDAH
3 P MUDA RENDAH OBESITAS TIDAK TIDAK TIDAK RENDAH
4 P MUDA RENDAH KURUS TIDAK TIDAK YA RENDAH
5 P MUDA RENDAH NORMAL TIDAK TIDAK YA RENDAH
6 P MUDA RENDAH OBESITAS TIDAK TIDAK YA RENDAH
7 P MUDA RENDAH KURUS TIDAK YA TIDAK RENDAH
8 P MUDA RENDAH NORMAL TIDAK YA TIDAK RENDAH
9 P MUDA RENDAH OBESITAS TIDAK YA TIDAK RENDAH
10 P MUDA RENDAH KURUS TIDAK YA YA RENDAH
11 P MUDA RENDAH NORMAL TIDAK YA YA RENDAH
12 P MUDA RENDAH OBESITAS TIDAK YA YA RENDAH
13 P MUDA RENDAH KURUS YA TIDAK TIDAK RENDAH
14 P MUDA RENDAH NORMAL YA TIDAK TIDAK RENDAH
15 P MUDA RENDAH OBESITAS YA TIDAK TIDAK RENDAH
16 P MUDA RENDAH KURUS YA TIDAK YA RENDAH
17 P MUDA RENDAH NORMAL YA TIDAK YA RENDAH
18 P MUDA RENDAH OBESITAS YA TIDAK YA RENDAH
19 P MUDA RENDAH KURUS YA YA TIDAK RENDAH
20 P MUDA RENDAH NORMAL YA YA TIDAK RENDAH
21 P MUDA RENDAH OBESITAS YA YA TIDAK RENDAH
22 P MUDA RENDAH KURUS YA YA YA RENDAH
23 P MUDA RENDAH NORMAL YA YA YA SEDANG
24 P MUDA RENDAH OBESITAS YA YA YA SEDANG
25 P MUDA NORMAL KURUS TIDAK TIDAK TIDAK RENDAH
26 P MUDA NORMAL NORMAL TIDAK TIDAK TIDAK RENDAH
27 P MUDA NORMAL OBESITAS TIDAK TIDAK TIDAK RENDAH
28 P MUDA NORMAL KURUS TIDAK TIDAK YA RENDAH
29 P MUDA NORMAL NORMAL TIDAK TIDAK YA SEDANG
30 P MUDA NORMAL OBESITAS TIDAK TIDAK YA SEDANG
31 P MUDA NORMAL KURUS TIDAK YA TIDAK SEDANG
32 P MUDA NORMAL NORMAL TIDAK YA TIDAK SEDANG
33 P MUDA NORMAL OBESITAS TIDAK YA TIDAK SEDANG
34 P MUDA NORMAL KURUS TIDAK YA YA SEDANG
35 P MUDA NORMAL NORMAL TIDAK YA YA SEDANG
36 P MUDA NORMAL OBESITAS TIDAK YA YA SEDANG
37 P MUDA NORMAL KURUS YA TIDAK TIDAK RENDAH
38 P MUDA NORMAL NORMAL YA TIDAK TIDAK RENDAH
39 P MUDA NORMAL OBESITAS YA TIDAK TIDAK RENDAH
40 P MUDA NORMAL KURUS YA TIDAK YA SEDANG
41 P MUDA NORMAL NORMAL YA TIDAK YA SEDANG
42 P MUDA NORMAL OBESITAS YA TIDAK YA SEDANG
43 P MUDA NORMAL KURUS YA YA TIDAK SEDANG
44 P MUDA NORMAL NORMAL YA YA TIDAK SEDANG
45 P MUDA NORMAL OBESITAS YA YA TIDAK SEDANG
46 P MUDA NORMAL KURUS YA YA YA RENDAH
47 P MUDA NORMAL NORMAL YA YA YA SEDANG
48 P MUDA NORMAL OBESITAS YA YA YA SEDANG
49 P MUDA TINGGI KURUS TIDAK TIDAK TIDAK RENDAH
50 P MUDA TINGGI NORMAL TIDAK TIDAK TIDAK RENDAH
51 P MUDA TINGGI OBESITAS TIDAK TIDAK TIDAK RENDAH
52 P MUDA TINGGI KURUS TIDAK TIDAK YA SEDANG
53 P MUDA TINGGI NORMAL TIDAK TIDAK YA SEDANG
54 P MUDA TINGGI OBESITAS TIDAK TIDAK YA SEDANG
55 P MUDA TINGGI KURUS TIDAK YA TIDAK SEDANG
56 P MUDA TINGGI NORMAL TIDAK YA TIDAK SEDANG
57 P MUDA TINGGI OBESITAS TIDAK YA TIDAK SEDANG
58 P MUDA TINGGI KURUS TIDAK YA YA SEDANG
59 P MUDA TINGGI NORMAL TIDAK YA YA SEDANG
60 P MUDA TINGGI OBESITAS TIDAK YA YA SEDANG
61 P MUDA TINGGI KURUS YA TIDAK TIDAK RENDAH
62 P MUDA TINGGI NORMAL YA TIDAK TIDAK RENDAH
63 P MUDA TINGGI OBESITAS YA TIDAK TIDAK RENDAH
64 P MUDA TINGGI KURUS YA TIDAK YA SEDANG
65 P MUDA TINGGI NORMAL YA TIDAK YA SEDANG
66 P MUDA TINGGI OBESITAS YA TIDAK YA SEDANG
67 P MUDA TINGGI KURUS YA YA TIDAK SEDANG
68 P MUDA TINGGI NORMAL YA YA TIDAK SEDANG
69 P MUDA TINGGI OBESITAS YA YA TIDAK SEDANG
70 P MUDA TINGGI KURUS YA YA YA RENDAH
71 P MUDA TINGGI NORMAL YA YA YA SEDANG
72 P MUDA TINGGI OBESITAS YA YA YA SEDANG
73 P PAROBAYA RENDAH KURUS TIDAK TIDAK TIDAK RENDAH
74 P PAROBAYA RENDAH NORMAL TIDAK TIDAK TIDAK SEDANG
75 P PAROBAYA RENDAH OBESITAS TIDAK TIDAK TIDAK SEDANG
76 P PAROBAYA RENDAH KURUS TIDAK TIDAK YA SEDANG
77 P PAROBAYA RENDAH NORMAL TIDAK TIDAK YA RENDAH
78 P PAROBAYA RENDAH OBESITAS TIDAK TIDAK YA RENDAH
79 P PAROBAYA RENDAH KURUS TIDAK YA TIDAK SEDANG
80 P PAROBAYA RENDAH NORMAL TIDAK YA TIDAK SEDANG
81 P PAROBAYA RENDAH OBESITAS TIDAK YA TIDAK SEDANG
82 P PAROBAYA RENDAH KURUS TIDAK YA YA SEDANG
83 P PAROBAYA RENDAH NORMAL TIDAK YA YA SEDANG
84 P PAROBAYA RENDAH OBESITAS TIDAK YA YA SEDANG
85 P PAROBAYA RENDAH KURUS YA TIDAK TIDAK SEDANG
86 P PAROBAYA RENDAH NORMAL YA TIDAK TIDAK RENDAH
87 P PAROBAYA RENDAH OBESITAS YA TIDAK TIDAK RENDAH
88 P PAROBAYA RENDAH KURUS YA TIDAK YA SEDANG
89 P PAROBAYA RENDAH NORMAL YA TIDAK YA SEDANG
90 P PAROBAYA RENDAH OBESITAS YA TIDAK YA SEDANG
91 P PAROBAYA RENDAH KURUS YA YA TIDAK SEDANG
92 P PAROBAYA RENDAH NORMAL YA YA TIDAK SEDANG
93 P PAROBAYA RENDAH OBESITAS YA YA TIDAK SEDANG
94 P PAROBAYA RENDAH KURUS YA YA YA RENDAH
95 P PAROBAYA RENDAH NORMAL YA YA YA TINGGI
96 P PAROBAYA RENDAH OBESITAS YA YA YA TINGGI
97 P PAROBAYA NORMAL KURUS TIDAK TIDAK TIDAK RENDAH
98 P PAROBAYA NORMAL NORMAL TIDAK TIDAK TIDAK TINGGI
99 P PAROBAYA NORMAL OBESITAS TIDAK TIDAK TIDAK TINGGI
100 P PAROBAYA NORMAL KURUS TIDAK TIDAK YA SEDANG
101 P PAROBAYA NORMAL NORMAL TIDAK TIDAK YA RENDAH
102 P PAROBAYA NORMAL OBESITAS TIDAK TIDAK YA RENDAH
103 P PAROBAYA NORMAL KURUS TIDAK YA TIDAK TINGGI
104 P PAROBAYA NORMAL NORMAL TIDAK YA TIDAK TINGGI
105 P PAROBAYA NORMAL OBESITAS TIDAK YA TIDAK TINGGI
106 P PAROBAYA NORMAL KURUS TIDAK YA YA TINGGI
107 P PAROBAYA NORMAL NORMAL TIDAK YA YA TINGGI
108 P PAROBAYA NORMAL OBESITAS TIDAK YA YA TINGGI
109 P PAROBAYA NORMAL KURUS YA TIDAK TIDAK RENDAH
110 P PAROBAYA NORMAL NORMAL YA TIDAK TIDAK TINGGI
111 P PAROBAYA NORMAL OBESITAS YA TIDAK TIDAK TINGGI
112 P PAROBAYA NORMAL KURUS YA TIDAK YA TINGGI
113 P PAROBAYA NORMAL NORMAL YA TIDAK YA TINGGI
114 P PAROBAYA NORMAL OBESITAS YA TIDAK YA TINGGI
115 P PAROBAYA NORMAL KURUS YA YA TIDAK TINGGI
116 P PAROBAYA NORMAL NORMAL YA YA TIDAK TINGGI
117 P PAROBAYA NORMAL OBESITAS YA YA TIDAK TINGGI
118 P PAROBAYA NORMAL KURUS YA YA YA RENDAH
119 P PAROBAYA NORMAL NORMAL YA YA YA TINGGI
120 P PAROBAYA NORMAL OBESITAS YA YA YA TINGGI
121 P PAROBAYA TINGGI KURUS TIDAK TIDAK TIDAK TINGGI
122 P PAROBAYA TINGGI NORMAL TIDAK TIDAK TIDAK TINGGI
123 P PAROBAYA TINGGI OBESITAS TIDAK TIDAK TIDAK TINGGI
124 P PAROBAYA TINGGI KURUS TIDAK TIDAK YA SEDANG
125 P PAROBAYA TINGGI NORMAL TIDAK TIDAK YA TINGGI
126 P PAROBAYA TINGGI OBESITAS TIDAK TIDAK YA TINGGI
127 P PAROBAYA TINGGI KURUS TIDAK YA TIDAK TINGGI
128 P PAROBAYA TINGGI NORMAL TIDAK YA TIDAK TINGGI
129 P PAROBAYA TINGGI OBESITAS TIDAK YA TIDAK TINGGI
130 P PAROBAYA TINGGI KURUS TIDAK YA YA TINGGI
131 P PAROBAYA TINGGI NORMAL TIDAK YA YA TINGGI
132 P PAROBAYA TINGGI OBESITAS TIDAK YA YA TINGGI
133 P PAROBAYA TINGGI KURUS YA TIDAK TIDAK RENDAH
134 P PAROBAYA TINGGI NORMAL YA TIDAK TIDAK TINGGI
135 P PAROBAYA TINGGI OBESITAS YA TIDAK TIDAK TINGGI
136 P PAROBAYA TINGGI KURUS YA TIDAK YA TINGGI
137 P PAROBAYA TINGGI NORMAL YA TIDAK YA TINGGI
138 P PAROBAYA TINGGI OBESITAS YA TIDAK YA TINGGI
139 P PAROBAYA TINGGI KURUS YA YA TIDAK TINGGI
140 P PAROBAYA TINGGI NORMAL YA YA TIDAK TINGGI
141 P PAROBAYA TINGGI OBESITAS YA YA TIDAK TINGGI
142 P PAROBAYA TINGGI KURUS YA YA YA SEDANG
143 P PAROBAYA TINGGI NORMAL YA YA YA TINGGI
144 P PAROBAYA TINGGI OBESITAS YA YA YA TINGGI
145 P TUA RENDAH KURUS TIDAK TIDAK TIDAK RENDAH
146 P TUA RENDAH NORMAL TIDAK TIDAK TIDAK TINGGI
147 P TUA RENDAH OBESITAS TIDAK TIDAK TIDAK TINGGI
148 P TUA RENDAH KURUS TIDAK TIDAK YA TINGGI
149 P TUA RENDAH NORMAL TIDAK TIDAK YA RENDAH
150 P TUA RENDAH OBESITAS TIDAK TIDAK YA RENDAH
151 P TUA RENDAH KURUS TIDAK YA TIDAK TINGGI
152 P TUA RENDAH NORMAL TIDAK YA TIDAK TINGGI
153 P TUA RENDAH OBESITAS TIDAK YA TIDAK TINGGI
154 P TUA RENDAH KURUS TIDAK YA YA TINGGI
155 P TUA RENDAH NORMAL TIDAK YA YA TINGGI
156 P TUA RENDAH OBESITAS TIDAK YA YA TINGGI
157 P TUA RENDAH KURUS YA TIDAK TIDAK TINGGI
158 P TUA RENDAH NORMAL YA TIDAK TIDAK TINGGI
159 P TUA RENDAH OBESITAS YA TIDAK TIDAK TINGGI
160 P TUA RENDAH KURUS YA TIDAK YA TINGGI
161 P TUA RENDAH NORMAL YA TIDAK YA TINGGI
162 P TUA RENDAH OBESITAS YA TIDAK YA TINGGI
163 P TUA RENDAH KURUS YA YA TIDAK TINGGI
164 P TUA RENDAH NORMAL YA YA TIDAK TINGGI
165 P TUA RENDAH OBESITAS YA YA TIDAK TINGGI
166 P TUA RENDAH KURUS YA YA YA TINGGI
167 P TUA RENDAH NORMAL YA YA YA TINGGI
168 P TUA RENDAH OBESITAS YA YA YA TINGGI
169 P TUA NORMAL KURUS TIDAK TIDAK TIDAK SEDANG
170 P TUA NORMAL NORMAL TIDAK TIDAK TIDAK TINGGI
171 P TUA NORMAL OBESITAS TIDAK TIDAK TIDAK TINGGI
172 P TUA NORMAL KURUS TIDAK TIDAK YA SEDANG
173 P TUA NORMAL NORMAL TIDAK TIDAK YA RENDAH
174 P TUA NORMAL OBESITAS TIDAK TIDAK YA RENDAH
175 P TUA NORMAL KURUS TIDAK YA TIDAK TINGGI
176 P TUA NORMAL NORMAL TIDAK YA TIDAK TINGGI
177 P TUA NORMAL OBESITAS TIDAK YA TIDAK TINGGI
178 P TUA NORMAL KURUS TIDAK YA YA TINGGI
179 P TUA NORMAL NORMAL TIDAK YA YA TINGGI
180 P TUA NORMAL OBESITAS TIDAK YA YA TINGGI
181 P TUA NORMAL KURUS YA TIDAK TIDAK TINGGI
182 P TUA NORMAL NORMAL YA TIDAK TIDAK TINGGI
183 P TUA NORMAL OBESITAS YA TIDAK TIDAK TINGGI
184 P TUA NORMAL KURUS YA TIDAK YA TINGGI
185 P TUA NORMAL NORMAL YA TIDAK YA TINGGI
186 P TUA NORMAL OBESITAS YA TIDAK YA TINGGI
187 P TUA NORMAL KURUS YA YA TIDAK TINGGI
188 P TUA NORMAL NORMAL YA YA TIDAK TINGGI
189 P TUA NORMAL OBESITAS YA YA TIDAK TINGGI
190 P TUA NORMAL KURUS YA YA YA TINGGI
191 P TUA NORMAL NORMAL YA YA YA TINGGI
192 P TUA NORMAL OBESITAS YA YA YA TINGGI
193 P TUA TINGGI KURUS TIDAK TIDAK TIDAK TINGGI
194 P TUA TINGGI NORMAL TIDAK TIDAK TIDAK TINGGI
195 P TUA TINGGI OBESITAS TIDAK TIDAK TIDAK TINGGI
196 P TUA TINGGI KURUS TIDAK TIDAK YA SEDANG
197 P TUA TINGGI NORMAL TIDAK TIDAK YA TINGGI
198 P TUA TINGGI OBESITAS TIDAK TIDAK YA TINGGI
199 P TUA TINGGI KURUS TIDAK YA TIDAK TINGGI
200 P TUA TINGGI NORMAL TIDAK YA TIDAK TINGGI
201 P TUA TINGGI OBESITAS TIDAK YA TIDAK TINGGI
202 P TUA TINGGI KURUS TIDAK YA YA TINGGI
203 P TUA TINGGI NORMAL TIDAK YA YA TINGGI
204 P TUA TINGGI OBESITAS TIDAK YA YA TINGGI
205 P TUA TINGGI KURUS YA TIDAK TIDAK TINGGI
206 P TUA TINGGI NORMAL YA TIDAK TIDAK TINGGI
207 P TUA TINGGI OBESITAS YA TIDAK TIDAK TINGGI
208 P TUA TINGGI KURUS YA TIDAK YA TINGGI
209 P TUA TINGGI NORMAL YA TIDAK YA TINGGI
210 P TUA TINGGI OBESITAS YA TIDAK YA TINGGI
211 P TUA TINGGI KURUS YA YA TIDAK TINGGI
212 P TUA TINGGI NORMAL YA YA TIDAK TINGGI
213 P TUA TINGGI OBESITAS YA YA TIDAK TINGGI
214 P TUA TINGGI KURUS YA YA YA TINGGI
215 P TUA TINGGI NORMAL YA YA YA TINGGI
216 P TUA TINGGI OBESITAS YA YA YA TINGGI
217 L MUDA RENDAH KURUS TIDAK TIDAK TIDAK RENDAH
218 L MUDA RENDAH NORMAL TIDAK TIDAK TIDAK RENDAH
219 L MUDA RENDAH OBESITAS TIDAK TIDAK TIDAK RENDAH
220 L MUDA RENDAH KURUS TIDAK TIDAK YA RENDAH
221 L MUDA RENDAH NORMAL TIDAK TIDAK YA RENDAH
222 L MUDA RENDAH OBESITAS TIDAK TIDAK YA RENDAH
223 L MUDA RENDAH KURUS TIDAK YA TIDAK RENDAH
224 L MUDA RENDAH NORMAL TIDAK YA TIDAK RENDAH
225 L MUDA RENDAH OBESITAS TIDAK YA TIDAK RENDAH
226 L MUDA RENDAH KURUS TIDAK YA YA RENDAH
227 L MUDA RENDAH NORMAL TIDAK YA YA RENDAH
228 L MUDA RENDAH OBESITAS TIDAK YA YA RENDAH
229 L MUDA RENDAH KURUS YA TIDAK TIDAK RENDAH
230 L MUDA RENDAH NORMAL YA TIDAK TIDAK RENDAH
231 L MUDA RENDAH OBESITAS YA TIDAK TIDAK RENDAH
232 L MUDA RENDAH KURUS YA TIDAK YA RENDAH
233 L MUDA RENDAH NORMAL YA TIDAK YA RENDAH
234 L MUDA RENDAH OBESITAS YA TIDAK YA RENDAH
235 L MUDA RENDAH KURUS YA YA TIDAK RENDAH
236 L MUDA RENDAH NORMAL YA YA TIDAK RENDAH
237 L MUDA RENDAH OBESITAS YA YA TIDAK RENDAH
238 L MUDA RENDAH KURUS YA YA YA RENDAH
239 L MUDA RENDAH NORMAL YA YA YA SEDANG
240 L MUDA RENDAH OBESITAS YA YA YA SEDANG
241 L MUDA NORMAL KURUS TIDAK TIDAK TIDAK SEDANG
242 L MUDA NORMAL NORMAL TIDAK TIDAK TIDAK SEDANG
243 L MUDA NORMAL OBESITAS TIDAK TIDAK TIDAK SEDANG
244 L MUDA NORMAL KURUS TIDAK TIDAK YA SEDANG
245 L MUDA NORMAL NORMAL TIDAK TIDAK YA SEDANG
246 L MUDA NORMAL OBESITAS TIDAK TIDAK YA SEDANG
247 L MUDA NORMAL KURUS TIDAK YA TIDAK SEDANG
248 L MUDA NORMAL NORMAL TIDAK YA TIDAK RENDAH
249 L MUDA NORMAL OBESITAS TIDAK YA TIDAK RENDAH
250 L MUDA NORMAL KURUS TIDAK YA YA SEDANG
251 L MUDA NORMAL NORMAL TIDAK YA YA SEDANG
252 L MUDA NORMAL OBESITAS TIDAK YA YA SEDANG
253 L MUDA NORMAL KURUS YA TIDAK TIDAK RENDAH
254 L MUDA NORMAL NORMAL YA TIDAK TIDAK RENDAH
255 L MUDA NORMAL OBESITAS YA TIDAK TIDAK SEDANG
256 L MUDA NORMAL KURUS YA TIDAK YA SEDANG
257 L MUDA NORMAL NORMAL YA TIDAK YA SEDANG
258 L MUDA NORMAL OBESITAS YA TIDAK YA SEDANG
259 L MUDA NORMAL KURUS YA YA TIDAK SEDANG
260 L MUDA NORMAL NORMAL YA YA TIDAK RENDAH
261 L MUDA NORMAL OBESITAS YA YA TIDAK RENDAH
262 L MUDA NORMAL KURUS YA YA YA SEDANG
263 L MUDA NORMAL NORMAL YA YA YA SEDANG
264 L MUDA NORMAL OBESITAS YA YA YA SEDANG
265 L MUDA TINGGI KURUS TIDAK TIDAK TIDAK SEDANG
266 L MUDA TINGGI NORMAL TIDAK TIDAK TIDAK SEDANG
267 L MUDA TINGGI OBESITAS TIDAK TIDAK TIDAK SEDANG
268 L MUDA TINGGI KURUS TIDAK TIDAK YA SEDANG
269 L MUDA TINGGI NORMAL TIDAK TIDAK YA SEDANG
270 L MUDA TINGGI OBESITAS TIDAK TIDAK YA SEDANG
271 L MUDA TINGGI KURUS TIDAK YA TIDAK SEDANG
272 L MUDA TINGGI NORMAL TIDAK YA TIDAK RENDAH
273 L MUDA TINGGI OBESITAS TIDAK YA TIDAK RENDAH
274 L MUDA TINGGI KURUS TIDAK YA YA SEDANG
275 L MUDA TINGGI NORMAL TIDAK YA YA SEDANG
276 L MUDA TINGGI OBESITAS TIDAK YA YA SEDANG
277 L MUDA TINGGI KURUS YA TIDAK TIDAK SEDANG
278 L MUDA TINGGI NORMAL YA TIDAK TIDAK SEDANG
279 L MUDA TINGGI OBESITAS YA TIDAK TIDAK SEDANG
280 L MUDA TINGGI KURUS YA TIDAK YA SEDANG
281 L MUDA TINGGI NORMAL YA TIDAK YA SEDANG
282 L MUDA TINGGI OBESITAS YA TIDAK YA SEDANG
283 L MUDA TINGGI KURUS YA YA TIDAK SEDANG
284 L MUDA TINGGI NORMAL YA YA TIDAK RENDAH
285 L MUDA TINGGI OBESITAS YA YA TIDAK RENDAH
286 L MUDA TINGGI KURUS YA YA YA SEDANG
287 L MUDA TINGGI NORMAL YA YA YA SEDANG
288 L MUDA TINGGI OBESITAS YA YA YA SEDANG
289 L PAROBAYA RENDAH KURUS TIDAK TIDAK TIDAK SEDANG
290 L PAROBAYA RENDAH NORMAL TIDAK TIDAK TIDAK SEDANG
291 L PAROBAYA RENDAH OBESITAS TIDAK TIDAK TIDAK SEDANG
292 L PAROBAYA RENDAH KURUS TIDAK TIDAK YA SEDANG
293 L PAROBAYA RENDAH NORMAL TIDAK TIDAK YA SEDANG
294 L PAROBAYA RENDAH OBESITAS TIDAK TIDAK YA SEDANG
295 L PAROBAYA RENDAH KURUS TIDAK YA TIDAK SEDANG
296 L PAROBAYA RENDAH NORMAL TIDAK YA TIDAK SEDANG
297 L PAROBAYA RENDAH OBESITAS TIDAK YA TIDAK SEDANG
298 L PAROBAYA RENDAH KURUS TIDAK YA YA SEDANG
299 L PAROBAYA RENDAH NORMAL TIDAK YA YA SEDANG
300 L PAROBAYA RENDAH OBESITAS TIDAK YA YA SEDANG
301 L PAROBAYA RENDAH KURUS YA TIDAK TIDAK RENDAH
302 L PAROBAYA RENDAH NORMAL YA TIDAK TIDAK RENDAH
303 L PAROBAYA RENDAH OBESITAS YA TIDAK TIDAK SEDANG
304 L PAROBAYA RENDAH KURUS YA TIDAK YA SEDANG
305 L PAROBAYA RENDAH NORMAL YA TIDAK YA SEDANG
306 L PAROBAYA RENDAH OBESITAS YA TIDAK YA SEDANG
307 L PAROBAYA RENDAH KURUS YA YA TIDAK SEDANG
308 L PAROBAYA RENDAH NORMAL YA YA TIDAK SEDANG
309 L PAROBAYA RENDAH OBESITAS YA YA TIDAK SEDANG
310 L PAROBAYA RENDAH KURUS YA YA YA SEDANG
311 L PAROBAYA RENDAH NORMAL YA YA YA SEDANG
312 L PAROBAYA RENDAH OBESITAS YA YA YA SEDANG
313 L PAROBAYA NORMAL KURUS TIDAK TIDAK TIDAK SEDANG
314 L PAROBAYA NORMAL NORMAL TIDAK TIDAK TIDAK SEDANG
315 L PAROBAYA NORMAL OBESITAS TIDAK TIDAK TIDAK SEDANG
316 L PAROBAYA NORMAL KURUS TIDAK TIDAK YA SEDANG
317 L PAROBAYA NORMAL NORMAL TIDAK TIDAK YA SEDANG
318 L PAROBAYA NORMAL OBESITAS TIDAK TIDAK YA SEDANG
319 L PAROBAYA NORMAL KURUS TIDAK YA TIDAK SEDANG
320 L PAROBAYA NORMAL NORMAL TIDAK YA TIDAK SEDANG
321 L PAROBAYA NORMAL OBESITAS TIDAK YA TIDAK SEDANG
322 L PAROBAYA NORMAL KURUS TIDAK YA YA SEDANG
323 L PAROBAYA NORMAL NORMAL TIDAK YA YA SEDANG
324 L PAROBAYA NORMAL OBESITAS TIDAK YA YA SEDANG
325 L PAROBAYA NORMAL KURUS YA TIDAK TIDAK RENDAH
326 L PAROBAYA NORMAL NORMAL YA TIDAK TIDAK RENDAH
327 L PAROBAYA NORMAL OBESITAS YA TIDAK TIDAK SEDANG
328 L PAROBAYA NORMAL KURUS YA TIDAK YA SEDANG
329 L PAROBAYA NORMAL NORMAL YA TIDAK YA SEDANG
330 L PAROBAYA NORMAL OBESITAS YA TIDAK YA SEDANG
331 L PAROBAYA NORMAL KURUS YA YA TIDAK SEDANG
332 L PAROBAYA NORMAL NORMAL YA YA TIDAK SEDANG
333 L PAROBAYA NORMAL OBESITAS YA YA TIDAK SEDANG
334 L PAROBAYA NORMAL KURUS YA YA YA TINGGI
335 L PAROBAYA NORMAL NORMAL YA YA YA TINGGI
336 L PAROBAYA NORMAL OBESITAS YA YA YA TINGGI
337 L PAROBAYA TINGGI KURUS TIDAK TIDAK TIDAK TINGGI
338 L PAROBAYA TINGGI NORMAL TIDAK TIDAK TIDAK TINGGI
339 L PAROBAYA TINGGI OBESITAS TIDAK TIDAK TIDAK TINGGI
340 L PAROBAYA TINGGI KURUS TIDAK TIDAK YA TINGGI
341 L PAROBAYA TINGGI NORMAL TIDAK TIDAK YA TINGGI
342 L PAROBAYA TINGGI OBESITAS TIDAK TIDAK YA TINGGI
343 L PAROBAYA TINGGI KURUS TIDAK YA TIDAK TINGGI
344 L PAROBAYA TINGGI NORMAL TIDAK YA TIDAK TINGGI
345 L PAROBAYA TINGGI OBESITAS TIDAK YA TIDAK TINGGI
346 L PAROBAYA TINGGI KURUS TIDAK YA YA TINGGI
347 L PAROBAYA TINGGI NORMAL TIDAK YA YA TINGGI
348 L PAROBAYA TINGGI OBESITAS TIDAK YA YA TINGGI
349 L PAROBAYA TINGGI KURUS YA TIDAK TIDAK TINGGI
350 L PAROBAYA TINGGI NORMAL YA TIDAK TIDAK TINGGI
351 L PAROBAYA TINGGI OBESITAS YA TIDAK TIDAK TINGGI
352 L PAROBAYA TINGGI KURUS YA TIDAK YA TINGGI
353 L PAROBAYA TINGGI NORMAL YA TIDAK YA TINGGI
354 L PAROBAYA TINGGI OBESITAS YA TIDAK YA TINGGI
355 L PAROBAYA TINGGI KURUS YA YA TIDAK TINGGI
356 L PAROBAYA TINGGI NORMAL YA YA TIDAK TINGGI
357 L PAROBAYA TINGGI OBESITAS YA YA TIDAK TINGGI
358 L PAROBAYA TINGGI KURUS YA YA YA TINGGI
359 L PAROBAYA TINGGI NORMAL YA YA YA TINGGI
360 L PAROBAYA TINGGI OBESITAS YA YA YA TINGGI
361 L TUA RENDAH KURUS TIDAK TIDAK TIDAK TINGGI
362 L TUA RENDAH NORMAL TIDAK TIDAK TIDAK TINGGI
363 L TUA RENDAH OBESITAS TIDAK TIDAK TIDAK TINGGI
364 L TUA RENDAH KURUS TIDAK TIDAK YA TINGGI
365 L TUA RENDAH NORMAL TIDAK TIDAK YA TINGGI
366 L TUA RENDAH OBESITAS TIDAK TIDAK YA TINGGI
367 L TUA RENDAH KURUS TIDAK YA TIDAK TINGGI
368 L TUA RENDAH NORMAL TIDAK YA TIDAK TINGGI
369 L TUA RENDAH OBESITAS TIDAK YA TIDAK TINGGI
370 L TUA RENDAH KURUS TIDAK YA YA TINGGI
371 L TUA RENDAH NORMAL TIDAK YA YA TINGGI
372 L TUA RENDAH OBESITAS TIDAK YA YA TINGGI
373 L TUA RENDAH KURUS YA TIDAK TIDAK TINGGI
374 L TUA RENDAH NORMAL YA TIDAK TIDAK TINGGI
375 L TUA RENDAH OBESITAS YA TIDAK TIDAK TINGGI
376 L TUA RENDAH KURUS YA TIDAK YA TINGGI
377 L TUA RENDAH NORMAL YA TIDAK YA TINGGI
378 L TUA RENDAH OBESITAS YA TIDAK YA TINGGI
379 L TUA RENDAH KURUS YA YA TIDAK TINGGI
380 L TUA RENDAH NORMAL YA YA TIDAK TINGGI
381 L TUA RENDAH OBESITAS YA YA TIDAK TINGGI
382 L TUA RENDAH KURUS YA YA YA TINGGI
383 L TUA RENDAH NORMAL YA YA YA TINGGI
384 L TUA RENDAH OBESITAS YA YA YA TINGGI
385 L TUA NORMAL KURUS TIDAK TIDAK TIDAK TINGGI
386 L TUA NORMAL NORMAL TIDAK TIDAK TIDAK TINGGI
387 L TUA NORMAL OBESITAS TIDAK TIDAK TIDAK TINGGI
388 L TUA NORMAL KURUS TIDAK TIDAK YA TINGGI
389 L TUA NORMAL NORMAL TIDAK TIDAK YA TINGGI
390 L TUA NORMAL OBESITAS TIDAK TIDAK YA TINGGI
391 L TUA NORMAL KURUS TIDAK YA TIDAK TINGGI
392 L TUA NORMAL NORMAL TIDAK YA TIDAK TINGGI
393 L TUA NORMAL OBESITAS TIDAK YA TIDAK TINGGI
394 L TUA NORMAL KURUS TIDAK YA YA TINGGI
395 L TUA NORMAL NORMAL TIDAK YA YA TINGGI
396 L TUA NORMAL OBESITAS TIDAK YA YA TINGGI
397 L TUA NORMAL KURUS YA TIDAK TIDAK TINGGI
398 L TUA NORMAL NORMAL YA TIDAK TIDAK TINGGI
399 L TUA NORMAL OBESITAS YA TIDAK TIDAK TINGGI
400 L TUA NORMAL KURUS YA TIDAK YA TINGGI
401 L TUA NORMAL NORMAL YA TIDAK YA TINGGI
402 L TUA NORMAL OBESITAS YA TIDAK YA TINGGI
403 L TUA NORMAL KURUS YA YA TIDAK TINGGI
404 L TUA NORMAL NORMAL YA YA TIDAK TINGGI
405 L TUA NORMAL OBESITAS YA YA TIDAK TINGGI
406 L TUA NORMAL KURUS YA YA YA TINGGI
407 L TUA NORMAL NORMAL YA YA YA TINGGI
408 L TUA NORMAL OBESITAS YA YA YA TINGGI
409 L TUA TINGGI KURUS TIDAK TIDAK TIDAK TINGGI
410 L TUA TINGGI NORMAL TIDAK TIDAK TIDAK TINGGI
411 L TUA TINGGI OBESITAS TIDAK TIDAK TIDAK TINGGI
412 L TUA TINGGI KURUS TIDAK TIDAK YA TINGGI
413 L TUA TINGGI NORMAL TIDAK TIDAK YA TINGGI
414 L TUA TINGGI OBESITAS TIDAK TIDAK YA TINGGI
415 L TUA TINGGI KURUS TIDAK YA TIDAK TINGGI
416 L TUA TINGGI NORMAL TIDAK YA TIDAK TINGGI
417 L TUA TINGGI OBESITAS TIDAK YA TIDAK TINGGI
418 L TUA TINGGI KURUS TIDAK YA YA TINGGI
419 L TUA TINGGI NORMAL TIDAK YA YA TINGGI
420 L TUA TINGGI OBESITAS TIDAK YA YA TINGGI
421 L TUA TINGGI KURUS YA TIDAK TIDAK TINGGI
422 L TUA TINGGI NORMAL YA TIDAK TIDAK TINGGI
423 L TUA TINGGI OBESITAS YA TIDAK TIDAK TINGGI
424 L TUA TINGGI KURUS YA TIDAK YA TINGGI
425 L TUA TINGGI NORMAL YA TIDAK YA TINGGI
426 L TUA TINGGI OBESITAS YA TIDAK YA TINGGI
427 L TUA TINGGI KURUS YA YA TIDAK TINGGI
428 L TUA TINGGI NORMAL YA YA TIDAK TINGGI
429 L TUA TINGGI OBESITAS YA YA TIDAK TINGGI
430 L TUA TINGGI KURUS YA YA YA TINGGI
431 L TUA TINGGI NORMAL YA YA YA TINGGI
432 L TUA TINGGI OBESITAS YA YA YA TINGGI
Lampiran 2. Lampiran Data Penelitian
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

Skripsi Last of The Last of The Last

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Skripsi Last of The Last of The Last

Diunggah oleh

Hak Cipta:

Format Tersedia

SISTEM PAKAR DIAGNOSIS TINGKAT RISIKO PENYAKIT

JANTUNG DENGAN MENGGUNAKAN METODE FUZZY LOGIC

Diajukan Sebagai Syarat Untuk Menyelesaikan

JURUSAN TEKNIK INFORMATIKA

Yang bertanda tangan di bawah ini:

Palembang, Juli 2023

“What doesn’t kill you makes you stronger”

Karya sederhana ini ku persembahkan kepada:

Keywords : Expert System, Heart Disease, Fuzzy Logic

Kata Kunci : Sistem Pakar, Penyakit Jantung, Fuzzy Logic

memberikan limpahan rahmat, petunjuk, dan karunia-Nya sehingga penulis bisa

Penyakit Jantung dengan Menggunakan Metode Fuzzy Logic”.

langsung. Penulis ingin menyampaikan rasa terima kasih kepada:

1. Keluarga yang selalu mendoakan dan memberikan dukungan baik moril

Jurusan Teknik Informatika.

pembimbing II yang telah memberikan ilmu,bimbingan, nasihat, dan arahan

sehingga penulis dapat menyelesaikan tugas akhir ini.

dorongan dalam proses pengerjaan tugas akhir.

Universitas Sriwijaya yang telah memberikan ilmu, bimbingan, serta dukungan

selama masa perkuliahan.

kelancaran proses administrasi dan akademik selama masa perkuliahan.

7. Nining Cantik Sedunia yang selalu setia dalam memberikan motivasi,

penulis, serta memberikan kasih sayang kepada penulis.

9. Ditya Salsabila, Altundi Wahyu Hidayatullah, dan Pratama Yanuarta yang

memberikan dukungan, tempat bertumpu dan berkeluh kesah, dan menghibur

seluruh teman kelas Teknik Informatika Bilingual A angkatan 2018.

12. Kakak-kakak, Sahabat, dan Teman seperjuangan BO Intel membantu penulis

berkembang, saling berbagi ilmu, memberikan pengalaman dan kenangan,

tugas akhir ini dapat bermanfaat bagi pihak yang membutuhkan.

Palembang, Juli 2023

HALAMAN JUDUL ...................................... Error! Bookmark not defined.

BAB I PENDAHULUAN ............................... Error! Bookmark not defined.

BAB II KAJIAN LITERATUR ..................... Error! Bookmark not defined.

BAB III METODOLOGI PENELITIAN ...... Error! Bookmark not defined.

BAB IV PENGEMBANGAN PERANGKAT LUNAK .... Error! Bookmark

BAB V HASIL DAN ANALISIS PENELITIAN ....... Error! Bookmark not

BAB VI KESIMPULAN DAN SARAN ....... Error! Bookmark not defined.

Tabel III-1. Faktor Risiko Penyakit Jantung .................................................... IV-21

Gambar II-1. Komponen Sistem Pakar (Sandjaja, 2016) .................................. III-2

Lampiran 1. Lampiran Rules Penelitian

Pada bab Pendahuluan akan menguraikan pokok-pokok pikiran yang

belakang, rumusan masalah, tujuan penelitian, manfaat penelitian dan batasan

masalah. Hal-hal tersebut akan dijadikan sebagai dasar dalam menentukan

1.2 Latar Belakang

Jantung adalah organ seukuran kepalan tangan yang berguna untuk

jantung juga dapat terjangkit penyakit.

Penyakit jantung adalah suatu kondisi yang mempengaruhi jantung

dikaitkan dengan penyakit kardiovaskular yang umumnya mengacu pada kondisi

yang melibatkan penyempitan atau penyumbatan pembuluh darah yang dapat

mengalirkan darah ke seluruh tubuh (Puspitaningrum & Purnomo, 2018). Ancaman

tetapi seseorang sebenarnya dapat mengetahui tingkat risiko untuk mengalami

antisipasi yang diperlukan untuk meminimalisir risiko tersebut.

Salah satu upaya untuk meminimalisir hal tersebut dengan membangun

jantung. Aplikasi berbasis komputer yang digunakan untuk menyelesaikan masalah

aplikasi ini mengadopsi metode, kinerja (performance) dan pengetahuan dari

Penelitian mengenai sistem pakar yang dilakukan oleh (Novianti et al.,

2018) menerapkan metode fuzzy logic untuk diagnosa Pulmonary TB menghasilkan

tingkat keakuratan diagnosa sebesar 70,33%. Penelitian lain dilakukan oleh

dirancang dengan mengimplementasi metode Fuzzy Sugeno dapat digunakan untuk

membantu dalam menentukan tingkat risiko penyakit jantung, pengujian

Penggunaan metode fuzzy logic berdasarkan kedua penelitian tersebut

dan kesalahan suatu tergantung pada bobot keanggotaan yang dimilikinya

metode Fuzzy Mamdani, Sugeno, dan Tsukamoto.