36~48
P-ISSN 2579-9835
E-ISSN 2580-1465
◼ 36
Menur Wahyu Pangestika 1), Alda Cendekia Siregar 2) dan Ajeng Indah Kusuma 3)
1,2)
Fakultas Teknik, Program Studi Teknik Informatika
3)
RSAU dr.Mohammad Sutomo
Email: menur.wahyu@unmuhpnk.ac.id, alda.siregar@unmuhpnk.ac.id,
ajeng.indah4494@gmail.com
Abstrak
Masalah kurang gizi masih menjadi masalah kesehatan masyarakat dan dapat menjadi
penyebab kematian terutama pada kelompok resiko tinggi bayi dan balita. Sistem pakar sangat
membantu untuk pengambilan keputusan karena mengandung pengetahuan dari satu atau
lebih pakar manusia mengenai suatu bidang spesifik. Didalam sistem pakar terdapat aturan IF-
Then yang mendefinisikan hubungan logis antara masalah yang ditetapkan. Penyederhanaan
fungsi Boolean digunakan untuk mendapatkan reduced rule base dengan menggunakan K-
map. Pembuatan k-map dibutuhkan 2n baris tabel kebenaran, dan pada K-map dibutuhkan 2n
kotak persegi. Data gejala dan penyakit yang terjadi pada gizi buruk balita didapatkan dari hasil
wawancara kepada pakar yaitu Ahli Gizi dan Dokter Spesialis Anak. Data penyakit yang
digunakan pada penelitian ini adalah ISPA, TB Paru, dan Pneumonia. Penelitian ini
membandingkan metode Reduce Rule Based dengan metode Certainty Factor pada kasus
diagnosa penyakit balita gizi buruk dan didapatkan metode Certainty Factor lebih baik dari pada
metode Reduce Rule Based dalam menentukan diagnosis pada kasus balita gizi buruk
(Validitas CF sebesar 100% dan Validitas Reduce Rule Based sebesar 73,34%).
Kata Kunci: Medical Expert System; reduced rule base; K-Map; Diagnosis of Malnutrition
disease
Abstract
The problem of malnutrition is still a public health problem and can be a cause of death
especially in high risk groups of infants and toddlers. Expert systems are very helpful for making
decision because they contain knowledge from one or more human experts about a specific
field. In the expert system there is an IF-Then rule that defines the logical relationship between
the problems specified. Simplified Boolean functions are used to get the reduced rule base
using K-map. Making a k-map requires 2n truth table lines, and in K-map it takes 2n square
boxes. Data on symptoms and diseases that occur in under-fives malnutrition is obtained from
interviews with experts, namely Nutritionists and Pediatricians. Data of the disease that used in
this study were Upper Respiratory Tract Infection, pulmonary Tuberculosis, and pneumonia.
This study also compares the Reduce Rule Based method with the Certainty Factor method in
cases of diagnoses of malnutrition of malnourished children and the result was .Certainty Factor
method is better than the Reduce Rule Based method in determining the diagnosis in cases of
malnutrition under five (CF Validity of 100% and Validity of Reduce Rule Based by 73.34%).
Keyword : Medical Expert System; reduced rule base; K-Map; Diagnosis of Malnutrition disease
1. Pendahuluan
Received December 06, 2020; Revised January 08, 2020; Accepted January 08, 2020
CYBERNETICS ISSN: 1693-6930 ◼ 37
Teknologi informasi berpengaruh di bidang kesehatan yang memiliki peran yang sangat
signifikan untuk membantu pasien pada pertolongan pertama dalam menemukan informasi
untuk mendiagnosis penyakit.
Anak balita usia 12-59 bulan merupakan kelompok umur yang rawan terhadap gangguan
kesehatan dan gizi. Pada usia ini kebutuhan mereka meningkat, sedangkan mereka tidak bisa
meminta dan mencari makan sendiri dan seringkali pada usia ini tidak lagi diperhatikan dan
pengurusannya diserahkan kepada orang lain sehingga risiko gizi buruk akan semakin besar.
Anak yang gizi buruk akan mengalami penurunan daya tahan tubuh sehingga anak rentan
terhadap penyakit infeksi (Alamsyah, 2017).
Berdasarkan hasil laporan program gizi Dinas Kesehatan Provinsi Kalimantan Barat Tahun
2015, dari seluruh Kabupaten/Kota yang ada terdapat kasus gizi buruk sebanyak 397 kasus
yang dapat dilihat pada Gambar 1 Pada Tahun 2016, dari seluruh Kabupaten/Kota yang ada
terdapat kasus gizi buruk sebanyak 401 kasus yang dapat dilihat pada Gambar 2.
Gambar 1 Kasus Gizi Buruk Menurut Kabupaten/Kota Provinsi Kalimantan Barat Tahun
2015
Gambar 2 Kasus Gizi Buruk Menurut Kabupaten/Kota Provinsi Kalimantan Barat Tahun 2016
Salah satu cabang dari kecerdasan buatan yang mengadopsi pengetahuan manusia ke
komputer dalam pengambilan keputusan yaitu sistem pakar (Basciftci dkk, 2013). Sistem pakar
memiliki struktur yang jelas yang dapat menjelaskan hasil keputusan dan solusi. Aturan IF-Then
mendefinisikan hubungan logis antara masalah yang ditetapkan. (Basciftci dkk, 2011). Metode
penyederhanaan fungsi Boolean digunakan untuk memperoleh digunakan untuk mendapatkan
reduced rule base dan mendapatkan lebih sedikit situasi dengan menyederhanakan fungsi-
fungsi logis (Basciftci dkk, 2018).
Sistem pakar dapat dimanfaatkan untuk mendeteksi status gizi dan psikologis anak.
Tujuannya adalah untuk membantu mendiagnosis status gizi anak, penjelasan akan kebutuhan
dan jenis psikologi anak yang perlu penanganan khusus (parno dkk, 2012).
Penelitian selanjutnya, dibangun sebuah sistem pakar berbasis web yang digunakan untuk
mengidentifikasi gizi buruk dan dilengkapi dengan nilai kepastian menggunakan metode
Antropometri yang merupakan ilmu mempelajari berbagai ukuran tubuh manusia (Wicaksono
dkk, 2013).
Reduced Rule Base Pada Sistem Pakar Untuk Diagnosa Penyakit Balita Gizi Buruk Di
Kalimantan Barat (Menur Wahyu Pangestika, dkk)
38 ◼ E- ISSN 2580-1465
Penelitian yang serupa yaitu pemanfaatan dari sistem pakar yang digunakan untuk
klasifikasi status gizi balita berdasarkan indeks antropometri berat badan terhadap umur
menggunakan metode forward chaining. Hasil dari penelitian ini adalah perangkat lunak
berbasis web yang memberikan hasil berupa status gizi balita (rengganis, 2015).
Dalam penelitian ini, sistem pakar dengan metode reduced rule base dikembangkan untuk
mendiagnosis penyakit balita gizi buruk di Kalimantan Barat yaitu pada penyakit ISPA, TB Paru,
dan Pneumonia.
Tujuan Umum dari penelitian ini adalah untuk membuktikan apakah metode reduced rule
base dapat digunakan dalam mendiagnosis penyakit balita gizi buruk di Kalimantan Barat.
Adapun Tujuan Khusus dari penelitian ini adalah untuk mengetahui hasil dari penerapan
metode reduced rule base dengan data real yang diperoleh dari penyederhanaan Boolean
pada diagnosis penyakit balita gizi buruk dan membandingkan metode reduced rule base
dengan metode Certainty Factor.
2. METODE PENELITIAN
2.1Bahan Penelitian
Bahan penelitian yang digunakan pada penelitian ini adalah data gejala dan penyakit pada
balita gizi buruk. Data tersebut didapatkan dari hasil wawancara yaitu dengan menanyakan
langsung kepada pakar mengenai penyakit beserta gejala. Fokus dari penelitian ini adalah
seorang pakar yang akan memberikan data mengenai Gejala dan Penyakit. Gejala yang
dibutuhkan sangatlah terbatas, maka diperlukan dokter spesialis yang memberikan penjelasan
mengenai beberapa hubungan gejala. Pakar dalam penelitian ini yaitu seorang Ahli Gizi dan
Dokter Spesialis Anak. Ahli Gizi dalam penelitian ini adalah Ajeng Indah Kusuma yang
memberikan informasi mengenai Gizi yang terbatas pada menentukan atau mendeteksi gejala-
gejala yang ada pada balita. Ahli Madya Gizi menentukan status gizi buruk berdasarkan tanda-
tanda fisik yang ada. Dokter anak dalam penelitian ini adalah dr. Diana Bancin, Sp.A. dan dr.
Nevita, Sp. A. Msc yang memberikan informasi mengenai data gizi buruk pada balita menurut
patofisiologi dan memberikan informasi mengenai penyebarannya di Kota Singkawang
Kalimantan Barat dan Kota Pontianak Kalimantan Barat. Patofisiologi pada balita gizi buruk
disini dimaksudkan adalah terjadinya penyakit dan gejala yang yang berhubungan dengan
penyakit balita gizi buruk. Penelitian ini juga dilakukan dengan literature yaitu jurnal dan buku
yang berkaitan dengan penyakit balita gizi buruk dan sistem pakar.
2.2Prosedur Penelitian
Penelitian ini dilakukan dengan 4 tahapan. Prosedur penelitian dimulai dengan
identifikasi masalah, studi pustaka, pengumpulan data dan melakukan analisa Metode
Reduced Rule Base. Prosedur penelitian dapat dilihat pada Gambar 3.
Identifikasi Masalah
Studi Pustaka
Pengumpulan Data
Berikut akan dijelaskan lebih detail mengenai prosedur penelitian pada sistem pakar kasus
balita gizi buruk.
Reduced Rule Base Pada Sistem Pakar Untuk Diagnosa Penyakit Balita Gizi Buruk Di
Kalimantan Barat (Menur Wahyu Pangestika, dkk)
40 ◼ E- ISSN 2580-1465
C. Tabel Kebenaran
Peta karnaugh atau biasa disebut dengan K-Map mempunyai kemiripan dengan tabel
kebenaran yang hasilnya memberikan tampilan yaitu persamaan Boolean. Karnaugh Map
merupakan suatu diagram yang merepresentasikan sebuah tabel kebenaran menggunakan
matriks persegi yang setiap kotak persegi mewakili nilai mainterm dari logic function. K-Map
memiliki kelebihan, salah satunya adalah lebih sederhana proses penyederhanaannya. Berikut
adalah tabel kebenaran yang didapatkan dari hasil perhitungan peta karnaugh. Data gejala
yang digunakan dalam penelitian ini adalah 12 gejala sehingga dalam pembuatan tabel
kebenaran ini mengguakan penyederhanaan fungsi Boolean yaitu 2 12 = 4096. Tabel kebenaran
ditunjukkan pada Tabel 6.
D. Kondisi Pengurangan Dari Beberapa Nilai Output Pasien Penyakit Balita Gizi Buruk
Kondisi pengurangan dari beberapa nilai output pada pasien penyakit balita gizi buruk yang
dikondisikan dengan menggunakan nilai 1 dan 0 ditunjukkan pada Tabel 7.
1507 0 1 0 1 1 1 1 0 0 0 1 0 1 0 0
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..
2061 1 0 0 0 0 0 0 0 1 1 0 0 0 1 0
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..
2818 1 0 1 1 0 0 0 0 0 0 0 1 0 0 1
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..
2830 1 0 1 1 0 0 0 0 1 1 0 1 0 1 1
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..
3309 1 1 0 0 1 1 1 0 1 1 0 0 1 1 0
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..
4066 1 1 1 1 1 1 1 0 0 0 0 1 1 0 1
….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. ….. …..
4096 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
Tabel 7 Kondisi Pengurangan Dari Beberapa Nilai Output Pasien Penyakit Balita Gizi Buruk
Symbol
Kasus Output Gejala dan Kondisi Output
Output
Reduced Rule Base Pada Sistem Pakar Untuk Diagnosa Penyakit Balita Gizi Buruk Di
Kalimantan Barat (Menur Wahyu Pangestika, dkk)
42 ◼ E- ISSN 2580-1465
Y2 1xxxxxxx11xx 1 0 0 0 0 0 0 0 1 1 0 0 0 1 0
Y3 1x11xxxxxxx1 1 0 1 1 0 0 0 0 0 0 0 1 0 0 1
6. Berat badan anak menurun 6. Berat badan anak menurun 6. Berat badan anak menurun
adalah iya dan bukan dan bukan dan
8. Pilek yang terjadi pada anak 8. Pilek yang terjadi pada anak 8. Pilek yang terjadi pada anak
adalah bukan dan bukan dan bukan dan
9. Gangguan saluran nafas +/- 14 9. Gangguan saluran nafas +/- 9. Gangguan saluran nafas +/-
hari adalah bukan dan 14 hari iya dan 14 hari bukan dan
10. Tenggorokan anak mengalami 10. Tenggorokan anak 10. Tenggorokan anak
sakit atau nyeri telan adalah bukan mengalami sakit atau nyeri telan mengalami sakit atau nyeri telan
dan iya dan bukan dan
11. Tarikan dinding dada bagian 11. Tarikan dinding dada bagian 11. Tarikan dinding dada bagian
bawah ke dalam yang bawah ke dalam yang bawah ke dalam yang
menimbulkan nyeri tajam didada menimbulkan nyeri tajam didada menimbulkan nyeri tajam didada
adalah iya dan bukan dan bukan dan
12. Kesulitan bernapas seperti 12. Kesulitan bernapas seperti 12. Kesulitan bernapas seperti
napas cepat adalah bukan napas cepat bukan dan napas cepat iya dan
Then pasien adalah pasien Then pasien adalah pasien Then pasien adalah pasien
dengan penyakit TB Paru dengan penyakit ISPA dengan penyakit Pneumonia
Pasti 0.8-1.0
3.3Hasil Penelitian
Penyederhanaan fungsi Boolean menggunakan peta karnaugh menggunakan 12 gejala
dengan perhitungan yaitu 212 = 4096, sehingga dibuatlah tabel penyederhanaan fungsi Boolean
sebanyak 4096. Setelah dibuat tabel penyederhanaan, selanjutnya adalah mengurutkan
algoritma dari penyederhanaan fungsi Boolean tersebut yang dimulai dari 1 hingga 4096.
Urutan tersebut menunjukkan semua kemungkinan terjadi yang telah diminimalkan dengan
menggunakan metode penyederhanaan fungsi Boolean yaitu metode peta karnaugh. Dari
urutan tersebut, selanjutnya adalah melakukan pencocokan hasil fungsi Boolean dengan output
berupa data penyakit. Adapun data pasien yang digunakan dalam penelitian ini yaitu dengan
menggunakan data pasien sebanyak 30 orang untuk masing masing penyakit adalah 10 orang
yang diambil di puskesmas Saigon Pontianak Kalimantan Barat Pusat Pemulihan Gizi Buruk
TFC (Therapeutic Feeding Centre). Selanjutnya adalah melakukan indentifikasi antara data
pasien dengan tabel kebenalan yang telah dilakukan pencocokan dengan output berupa data
penyakit. Dalam menentukan hasil yaitu pada tahap identifikasi melibatkan seorang pakar.
Terdapat dua model aturan yang digunakan untuk melakukan pencocokan gejala dengan
output penyakit yaitu menggunakan fungsi IF dan AND.
1. Aturan pertama yang digunakan yaitu dengan memasukkan semua gejala untuk setiap
penyakit dengan aturan =IF(AND(X1<>0;X2<>0;X5<>0;X6<>0;X7<>0);1;0).
Dengan memasukkan semua gejala, maka terdapat beberapa output yang dihasilkan oleh
tabel kebenaran yang bernilai 1 dengan dengan jumlah output yang sesuai yaitu sebanyak
472. Sehingga didapatkan jumlah persentase adalah
472
𝑂𝑢𝑡𝑝𝑢𝑡 = 𝑥100%
4096
𝑂𝑢𝑡𝑝𝑢𝑡 = 11,52 %
Namun jika tabel kebenaran dicocokkan dengan data pasien, maka didapatkan 22 data
pasien yang sesuai dengan validitas nilai keakurasian adalah
Nilai akurasi data sesuai :
Reduced Rule Base Pada Sistem Pakar Untuk Diagnosa Penyakit Balita Gizi Buruk Di
Kalimantan Barat (Menur Wahyu Pangestika, dkk)
44 ◼ E- ISSN 2580-1465
22
= 𝑥100%
30
= 73,34 %
2. Aturan kedua yang digunakan yaitu dengan memasukkan beberapa gejala yang pasti pada
setiap penyakit dengan aturan =IF(AND(X2<>0;X5<>0;X6<>0;X7<>0);1;0).
Dengan memasukkan gejala yang pasti, maka terdapat beberapa output yang dihasilkan
oleh tabel kebenaran yang bernilai 1 dengan jumlah output yang sesuai yaitu sebanyak 800.
Sehingga didapatkan jumlah persentase adalah
800
𝑂𝑢𝑡𝑝𝑢𝑡 = 𝑥100%
4096
𝑂𝑢𝑡𝑝𝑢𝑡 = 19,53 %
Namun jika tabel kebenaran dicocokkan dengan data pasien, maka didapatkan 22 data
pasien yang sesuai dengan validitas nilai keakurasian adalah
22
= 𝑥100%
30
= 73,34 %
Terdapat kesamaan dalam pencocokkan tabel kebenaran dengan data pasien jika model
aturan yang digunakan untuk melakukan pencocokan gejala dengan output penyakit berbeda
dengan nilai akurasi yaitu sebesar 73,34%. Hal ini terjadi karena data gejala pasien yang
digunakan sama. Namun jika data pasien yang digunakan berbeda, maka akan terdapat jumlah
persentase yang berbeda terhadap dua aturan yang digunakan.
Hasil ouput yang telah didapatkan dari aturan yang digunakan harus dikonsultasikan kembali
kepada seorang pakar yang dalam hal ini adalah ahli gizi. Ahli gizi berperan untuk
mencocokkan kembali ouput penyakit yang didapatkan dari beberapa kemungkinan gejala
setelah dilakukan penyederhanaan fungsi Boolean.
4. Analisa Perbandingan Metode Reduce Rule Based dengan Metode Certainty Factor
Analisis perbandingan metode berikut digunakan untuk mengetahui validitas keakuratan dari
metode yang digunakan. Adapun beberapa tahapan yang dilakukan yaitu membuat basis
pengetahuan, melakukan perhitungan metode Certainty Factor, uji validitas.
Pada perhitungan CF, digunakan basis pengetahuan yang ditunjukkan pada Tabel 11.
KODE KODE
NAMA PENYAKIT NAMA GEJALA MB MD
PENYAKIT GEJALA
Diambil sampel pasien 1 dengan gejala yang dipilih yaitu G1, G3, G4, G11, dan G12. Dari
data yang didapatkan, pasien tersebut terkena penyakit Pneumonia. Maka perhitungan CF
untuk mengetahui pasien tersebut dengan penyakit Pneumonia yaitu :
1. TB Paru
CF [TB Paru, Kehilangan Nafsu Makan Pada Anak]
= 0,80 – 0,11
= 0,69
2. ISPA
CF [ISPA, Kehilangan Nafsu Makan Pada Anak]
= 0,80 – 0,11
= 0,69
3. Pneumonia
MB [Pneumonia, Kehilangan Nafsu Makan Pada Anak, dan Demam Parah]
= 0,80+(1 * (1 – 0,80))
=1
MB [Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, dan Batuk
Berlendir]
= 1+(1 * (1 – 1))
=1
MB [Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, Batuk Berlendir,
dan Tarikan dinding dada bagian bawah ke dalam yang menimbulkan nyeri tajam didada
?]
= 1+(1 * (1 – 0,90))
=1
MB [Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, Batuk Berlendir,
Tarikan dinding dada bagian bawah ke dalam yang menimbulkan nyeri tajam didada?,
dan Kesulitan bernapas seperti napas cepat ?]
= 1+(1 * (1 – 1))
=1
MD [Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, dan Batuk
Berlendir]
= 0,13+(0 * (1 – 0,13))
= 0,13
Reduced Rule Base Pada Sistem Pakar Untuk Diagnosa Penyakit Balita Gizi Buruk Di
Kalimantan Barat (Menur Wahyu Pangestika, dkk)
46 ◼ E- ISSN 2580-1465
MD [Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, Batuk Berlendir,
dan Tarikan dinding dada bagian bawah ke dalam yang menimbulkan nyeri tajam didada
?]
= 0,13+(0,15 * (1 – 0,13))
= 0,26
MD [Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, Batuk Berlendir,
Tarikan dinding dada bagian bawah ke dalam yang menimbulkan nyeri tajam didada?,
dan Kesulitan bernapas seperti napas cepat ?]
= 0,26+(0 * (1 – 0,26))
= 0,2605
CF[Pneumonia, Kehilangan Nafsu Makan Pada Anak, Demam Parah, Batuk Berlendir,
Tarikan dinding dada bagian bawah ke dalam yang menimbulkan nyeri tajam didada?,
dan Kesulitan bernapas seperti napas cepat ?]
= 1 – 0,26
= 0,7395
Nilai CF untuk 30 pasien ditunjukkan pada Tabel 12. Dari perhitungan dengan menggunakan
metode CF, maka didapatkan bahwa gejala dari 30 pasien memiliki persentase sebesar 100 %.
Nilai akurasi data sesuai :
30
= 𝑥100%
30
= 100 %
Tabel 12 Nilai CF
Nilai CF
No Perhitungan CF Data Real
P1 P2 P3
1 0,69 0,69 0,73 Pneumonia Pneumonia
2 0,69 0,69 0,73 Pneumonia Pneumonia
3 0,69 0,69 0,73 Pneumonia Pneumonia
4 0,69 0,69 0,73 Pneumonia Pneumonia
5 0,69 0,79 0,67 ISPA ISPA
6 0,69 0,79 0,67 ISPA ISPA
7 0,69 0,79 0,67 ISPA ISPA
8 0,69 0,69 0,73 Pneumonia Pneumonia
9 0,69 0,79 0,67 ISPA ISPA
10 0,69 0,79 0,67 ISPA ISPA
11 0 1 0 ISPA ISPA
12 0,89 0,69 0,67 Tb Paru Tb Paru
13 0,89 0,69 0,67 Tb Paru Tb Paru
14 1 0 0 Tb Paru Tb Paru
15 0,89 0,69 0,67 Tb Paru Tb Paru
B. SARAN
Beberapa saran yang dapat diambil dari penelitian ini adalah :
1. Penelitian ini hanya menggunakan 12 gejala, perlu dilakukan penelitian dengan jumlah
gejala dan penyakit yang lebih banyak. Untuk menambahkan gejala, maka perlu adanya
konsultasi kembali dari seorang pakar yang dapat memberikan penjelasan mengenai
patofisiologi terjadinya penyakit.
2. Penelitian ini belum menerapkan sebuah aplikasi, dan masih dalam tahap analisis metode,
sehingga untuk penelitian selanjutnya diharapkan dapat menambahkan aplikasi agar dapat
memudahkan dalam proses pembuatan tabel kebenaran dan diagnosis.
3. Untuk memastikan apakah metode Certainty Factor memang lebih baik, maka harus
dilakukan pengujian kembali dengan kasus yang lain.
Daftar Pustaka
[1] Alamsyah, D., Mexitalia, M., Margawati. A., 2017, Beberapa Faktor Risiko Gizi Kurang dan
Gizi Buruk pada Balita 12-59 Bulan (Studi Kasus di Kota Pontianak), Jurnal Epidemiologi
Kesehatan Komunitas, Vol 2 No 1, 2017, 54-62.
[2] Basciftci, F., Hatay, O.F., 2011, Reduced-rule based expert system by the simplification of
logic functions for the diagnosis of diabetes, Computers in Biology and Medicine, 350-356.
[3] Basciftci, F., Eldem, A., 2013, Using reduced rule base with Expert System for the diagnosis
of disease in hypertension, Med Biol Eng Comput, 1287-1293
[4] Basciftci, F., Avuclu, E., 2018, An expert system design to diagnose cancer by using a new
method reduced rule base, Computer Methods and Programs in Biomedicine, 113-120.
[5] Dinas Kesehatan Provinsi Kalimantan Barat, 2015, Profil Kesehatan Provinsi Kalimatan
Barat, Kalimantan Barat.
[6] Dinas Kesehatan Provinsi Kalimantan Barat, 2016, Profil Kesehatan Provinsi Kalimatan
Barat, Kalimantan Barat.
[7] Parno, Qoirina, I., 2012, Aplikasi Sistem Pakar Untuk Mendeteksi Status Gizi Dan Psikologis
Anak, Konferensi Nasional Sistem Informasi, 893-898.
Reduced Rule Base Pada Sistem Pakar Untuk Diagnosa Penyakit Balita Gizi Buruk Di
Kalimantan Barat (Menur Wahyu Pangestika, dkk)
48 ◼ E- ISSN 2580-1465
[8] Rengganis, S.N., 2015, Perancangan Sistem Pakar Klasifikasi Status Gizi Balita
Berdasarkan Indeks Antripometri Berat Badan Terhadap Umur (BB/U) Menggunakan Metode
Forward Chaining, Infotech Journal, 20-24.
[9] Wicaksono, R.B., Siswanti, S., Irawati,T., 2013, Sistem Pakar Mengidentifikasi Gizi Buruk
Pada Anak Menggunakan Metode Antropometri Berbasis Web, Jurnal TIKomSiN, 51-55.
[10] …….., Departemen Kesehatan & Info Datin Pusat Data dan Informasi Kementrian
Kesehatan RI