See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/351225282

SISTEM PAKAR DIAGNOSA PENYAKIT JANTUNG : TINJAUAN PUSTAKA

Article · April 2021

CITATIONS READS
0 1,236

1 author:

Anastia Ivanabilla Novanti

Universitas Palangka Raya
7 PUBLICATIONS 0 CITATIONS

SEE PROFILE

All content following this page was uploaded by Anastia Ivanabilla Novanti on 30 April 2021.

The user has requested enhancement of the downloaded file.

 SISTEM PAKAR DIAGNOSA PENYAKIT JANTUNG : TINJAUAN
PUSTAKA

Anastia Ivanabilla Novanti

Jurusan Teknik Informatika Universitas Palangkaraya

Email : anastiain@gmail.com

Abstrak

Penyakit jantung merupakan penyebab kematian tertinggi di dunia, termasuk

Indonesia. Penyakit ini merupakan masalah kesehatan serius yang perlu segera
ditangani oleh dokter. Jika penyakit jantung dibiarkan tanpa penanganan, dapat terjadi
komplikasi berupa serangan jantung, gagal jantung, hingga kematian. Penyakit jantung
dikenal sebagai penyakit yang gejala nya tidak terlihat secara klinis namun dapat terjadi
secara mendadak. Hal ini menyebabkan keterlambatan dalam mengobati pasien dan
meningkatkan resiko kematian.

Oleh sebab itu diperlukan sebuah sistem yang dapat mendiagnosa secara dini
penyakit jantung tersebut. Para peneliti telah menciptakan beberapa sistem pakar
selama bertahun-tahun untuk memprediksi penyakit jantung secara dini dan membantu
ahli jantung untuk meningkatkan proses diagnostik. Pada literatur ini akan dilakukan
gambaran umum tentang Sistem Pakar Diagnosa Penyakit Jantung dan beberapa
implementasi metode yang telah dilakukan oleh para peneliti. Tujuannya adalah untuk
melakukan survei tentang Sistem Pakar dalam mendiagnosa penyakit jantung.

Kata Kunci : Sistem pakar, Penyakit jantung, Serangan jantung, Diagnosa

1. Pengantar
Penyakit jantung adalah salah satu penyebab kematian paling umum secara
global dan termasuk salah satu penyebab kematian terbanyak di Indonesia selain
stroke. Diperkirakan ada sekitar 100.000–500.000 orang yang meninggal akibat
penyakit jantung setiap tahunnya. Dalam skala global, penyakit jantung adalah
penyebab utama kematian dengan perkiraan jumlah kematian 17,9 juta atau 31%
dari semua penyebab kematian pada tahun 2016 (1).

Ada banyak faktor yang diduga menyebabkan tingginya angka kematian

akibat penyakit jantung di Indonesia. Salah satu faktor tersebut adalah kurangnya
pengetahuan dan pemahaman masyarakat tentang penyakit jantung (2). Menurut
data yang dihimpun Kementerian Kesehatan Republik Indonesia di tahun 2018,
diperkirakan hanya sekitar 20% orang Indonesia yang memiliki pemahaman baik
tentang kesehatan, termasuk tentang penyakit jantung (3). Kurangnya pemahaman
tentang kesehatan membuat banyak orang rentan terkena penyakit jantung. Salah
satu dampak dari minimya pemahaman terhadap kesehatan dan penyakit jantung
adalah sulit mengenali gejala penyakit jantung.

Sistem pakar (expert system) secara umum adalah sistem yang berusaha
mengadopsi pengetahuan manusia ke komputer, agar komputer dapat
menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Atau dengan
kata lain sistem pakar adalah sistem yang didesain dan diimplementasikan dengan
bantuan bahasa pemrograman tertentu untuk dapat menyelesaikan masalah seperti
yang dilakukan oleh para ahli. Diharapkan dengan sistem ini, orang awam dapat
menyelesaikan masalah tertentu baik sedikit rumit ataupun rumit sekalipun tanpa
bantuan para ahli dalam bidang tersebut. Sedangkan bagi para ahli, sistem ini dapat
digunakan sebagai asisten yang berpengalaman (4).

Sistem pakar dimaksudkan untuk menyelesaikan masalah-masalah nyata

dimana biasanya akan membutuhkan seorang pakar (seperti dokter, teknisi, dan
lainnya). Sistem pakar menghasilkan hasil yang konsisten dan mempunyai
kecepatan yang konstan daripada kepakaran seseorang. Ini disebabkan oleh
beberapa hal yang bersifat manusiawi dimana dapat mempengaruhi pengambilan
keputusan seorang pakar seperti lingkungan kerja, kondisi kesehatan dan masalah
pribadi (5).
 Ada berbagai metode yang metode yang dibuat untuk membantu tim medis
mendiagnosa penyakit jantung, salah satunnya adalah dengan Sistem pakar
diagnose penyakit jantung. Tujuan dari review ini adalah untuk melakukan survei
tentang Sistem Pakar dalam mendiagnosa penyakit jantung. Oleh sebab itu kami
akan mencoba untuk mencakup beberapa jenis metode sistem pakar yang telah
dibuat. Kami juga mencoba untuk menyimpulkan review dengan gagasan tentang
bagaimana masalah dapat ditangani dengan cara yang lebih baik.

1.1. Karya terkait

Hingga saat penulisan review ini, sejumlah penelitian telah mencoba
membuat sistem pakar dalam membantu mendiagnosa penyakit jantung.
Diantaranya adalah perancangan sistem pakar diagnose penyakit jantung
dengan metode forward chaining, certainty factor, maupun kombinasi dari
Fuzzy Logic dan Certainty Factor. Adapun sistem pakar yang dibuat
memiliki basis yang beragam seperti berbasis web maupun berbasis
desktop.

2. Tinjauan Pustaka
2.1. Sistem Pakar
Sistem pakar adalah suatu sistem yang memanfaatkan pengetahuan
manusia yang ditangkap di sebuah komputer untuk memecahkan masalah
yang biasanya membutuhkan keahlian manusia (7). Sistem pakar mencari
dan memanfaatkan informasi yang relevan dari pengguna dan dari basis
pengetahuan yang tersedia untuk membuat rekomendasi. Sistem pakar juga
dapat didefinisikan sebagai sistem berbasis komputer yang menggunakan
pengetahuan, fakta, dan tehnik penalaran dalam memecahkan masalah
yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang
tersebut. Sistem pakar memberikan nilai tambah pada teknologi untuk
membantu dalam menangani era informasi yang semakin canggih (8).
Sistem pakar merupakan cabang dari Artificial Intelligence (AI) yang
 cukup tua karena sistem ini telah mulai dikembangkan pada pertengahan
tahun 1960. Sistem pakar yang muncul pertama kali adalah General-
purpose problem solver (GPS) yang dikembangkan oleh Newl dan Simon.
Komponen utama pada struktur sistem pakar yaitu Basis pengetahuan
(knowledge base), mesin inferensi (inference base), basis data (database),
dan user interface (9) .
2.2. Metode Forward Chaining
Metode Forward Chaining merupakan grup dari multiple inferensi yang
melakukan pencarian dari suatu masalah kepada solusinya. Forward
Chaining adalah data driven karena inferensi dimulai dengan informasi
yang tersedia dan baru konklusi diperoleh. Forward chaining disebut juga
penalaran dari bawah ke atas karena penalaran dari fakta pada level bawah
menuju konklusi pada level atas didasarkan pada fakta. Metode Forward
Chaining dimulai dari sejumlah fakta-fakta yang telah diketahui untuk
mendapatkan suatu fakta baru degan memakai rule-rule yang memiliki ide
dasar yang cocok dengan fakta dan terus dilanjutkan sampai mendapatkan
tujuan atau rule yang punya ide dasar yang cocok atau sampai mendapatkan
suatu fakta kesimpulan akhir (6).

Gambar 1. Metode forward chaining (Fajar Agung Nugroho, 2018)

2.3. Metode Certainty Factor

Certainty Factor (CF) merupakan nilai parameter klinis yang diberikan
untuk menunjukkan besarnya tingkat kepercayaan. Certainty Factor (CF)
menunjukkan ukuran kepastian terhadap suatu fakta atau aturan (5).
Certainty factor didefinisikan sebagai berikut:
 CF[h,e] = MB[h,e]-MD[h,e], dengan:
CF [h,e] = Faktor kepastian
MB [h,e] = Ukuran kepercayaan terhadap hipotesis h, jika diberikan
evidence e (antara 0 dan 1)
MD [h,e] = Ukuran ketidakpercayaan terhadap hipotesis h, jika
diberikan evidence e (antara 0 dan 1)
Bentuk dasar rumus certainty factor sebuah aturan JIKA E MAKA H
adalah seperti ditunjukkan oleh persamaan 2 berikut:
CF(H,e)=CF(E,e)*CF(H,E), dimana:
CF(E,e) : certainty factor evidence E yang dipengaruhi oleh evidence e
CF(H,E) : certainty factor hipotesis dengan asumsi evidence diketahui
dengan pasti, yaitu ketika CF(E, e) = 1
CF(H,e) : certainty factor hipotesis yang dipengaruhi oleh evidence e
Jika semua evidence pada antecedent diketahui dengan pasti maka
persamaannya akan menjadi : CF(H,e)=CF(H,E)
2.4. Metode logika fuzzy
Logika fuzzy merupakan salah satu pembentuk soft computing. Logika
fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada tahun
1965. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori
himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan
elemen dalam suatu himpunan sangatlah penting. Nilai keanggotaan atau
derajat keanggotaan atau membership function menjadi ciri utama dari
penalaran dengan logika fuzzy tersebut (10).
Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 hingga 1.
Berbeda dengan logika digital yang hanya memiliki dua nilai 1 atau 0.
Logika fuzzy digunakan untuk menerjemahkan suatu besaran yang
diekspresikan menggunakan bahasa (linguistic), misalkan besaran
kecepatan laju kendaraan yang diekspresikan dengan pelan, agak cepat,
cepat, dan sangat cepat. Dan logika fuzzy menunjukan sejauh mana suatu
nilai itu benar dan sejauh mana suatu nilai itu salah. Logika fuzzy adalah
 suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu
ruang output. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan
derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian
benar dan sebagian salah pada waktu yang sama.

3. Implementasi berbagai metode sistem pakar diagnose penyakit jantung

3.1. Forward chaining
Berdasarkan analisa masalah penyakit dan gejala yang telah didapat,
maka tabel keputusan pada sistem pakar metode forward chaining ini dapat
dilihat pada tabel berikut :
Tabel 1. Tabel keputusan sistem pakar metode forward chaining
 Dari hasil tabel keputusan akan dibuat tabel relasi. Tabel relasi
menjelaskan relasi antar gejala dengan jenis penyakait jantung. Tabel relasi
dapat dilihat dari tabel dibawah ini :
Tabel 2.tabel relasi sistem pakar metode forward chaining

Keterangan Pertanyaan (Gejala Penyakit) :

P001 : Nyeri dada
P002 : Bahu kiri terasa tidak enak Keterangan Hasil Diagnosa
P003 : Keringat dingin (Solusi) :
P004 : Sesak nafas R01 : Penyakit jantung koroner
P005 : Gangguan pencernaan R02 : Penyakit otot jantung
P006 : Mual (kardiomiopati)
P007 : Detak jantung tidak teratur R03 : Penyakit jantung iskemik
P008 : Pusing R04 : Gagal jantung
P009 : Kaki bengkak R05 : Penyakit jantung hipertensi
P010 : Jantung berdebar-debar R06 : Penyakit katup jantung
P011 : Mudah lelah R07 : Kardiomegali atau jantung
P012 : Nyeri didaerah dada tengah hipertrofik
P013 : Mudah berkeringat
P014 : Dada mengencang
P015 : Pembengkakan pada jantung
P016 : Kelainan fungs hati
P017 : Pendarahan dari hidung
P018 : Wajah kemerahan
P019 : Batuk
P020 : Sakit perut
P021 : Detak jantung cepat
P022 : Nyeri didaerah lengan kiri
P023 : Punggung terasa tidak enak
P024 : Sakit Kepala
 Rule dituliskan dalam bentuk jika-maka (IF-THEN). Kaidah ini dapat
dikatakan sebagai hubungan implikasi dua bagian, yaitu bagian premise
(jika) dan bagian konklusi (maka). Bila bagian premise dipenuhi maka
bagian konklusi juga akan bernilai benar. Sebuah kaidah terdiri dari klausa-
klausa mirip sebuah kalimat subjek, kata kerja dan objek yang menyatakan
suatu fakta. Ada sebuah klausa klausa promise dan klausa konklusi pada
sebuah kaidah, adapula suatu kaidah yang terdiri dari beberapa promise dan
beberapa konklusi. Antara promise dan konklusi dapat berhubungan
dengan “OR” atau “AND”

Tabel 3. Tabel Aturan (Rule)

No. Kode Rule

1. R01 IF nyeri dada AND bahu kiri terasa tidak enak AND
keringat dingin AND sesak nafas AND gangguan
pencernaan AND mual AND detak jantung tak teratur AND
lengan kiri terasa tak enak AND punggung terasa tak enak
THEN Penyakit Jantung Koroner
2. R02 IF sesak nafas AND pusing AND kaki bengkak AND
jantung berdebar-debar AND mudah lelah AND detak
jantung tidak teratur THEN Penyakit Otot Jantung
(Kardiomiopati)
3. R03 IF nyeri di daerah dada tengah AND mudah berkeringat
AND dada mengencang AND nyeri di daerah lengan kiri
AND penebalan tendon achiles THEN Penyakit Jantung
Iskemik
4. R04 IF sesak nafas AND pembengkakan pada jantung AND
kelainan fungsi jantung THEN Gagal Jantung
5. R05 IF sakit kepala AND pendarahan dari hidung AND pusing
AND wajah kemerahan AND mudah lelah THEN Penyakit
Jantung Hipertensi
 6. R06 IF mudah lelah AND jantung berdebar-debar AND nyeri
dada AND sesak nafas AND batuk AND kaki bengkak
THEN Penyakit Katup Jantung
7. R07 IF sakit perut AND detak jantung tak teratur AND detak
jantung cepat AND nyeri dada THEN Penyakit Jantung
Hipertrofik (Kardiomegali)

Berdasarkan implementasi sistem pakar untuk diagnosa penyakit

jantung dengan metode forward chaining ini dapat disimpulkan sebagai
berikut :

a. Sistem pakar diagnosa penyakit jantung dengan metode forward

chaining ini cukup membantu dalam melakukan diagnosa awal
penyakit jantung yang dirasakan oleh orang awam.

b. Sistem pakar ini sangat bergantung pada kemampuan pakar (dokter)

yang menjadi sumber pengetahuan dalam pembuatan sistem ini.

c. Sistem ini sangat membantu bagi semua orang karena dapat

digunakan oleh banyak orang dimanapun dan kapanpun, karena
berbasis web dan bisa menjadi solusi bagi masyarakat sebelum
berkonsultasi langsung dengan dokter spesialis jantung.

3.2. Certainty Factor

Sama seperti metode sebelumnya, penerapan metode Certainty Factor
adalah dengan menggunakan metode kuantifikasi pertanyaan dalam
aplikasi sistem pakar untuk menangani penyakit. Metode ini memudahkan
pengguna dalam memberikan jawaban terkait dengan besarnya
kepercayaan terhadap gejala yang dialami.
Dalam aturan diagnosisnya, Data-data dasar (gejala, hasil test)
digunakan dalam operasional konsultasi dan sebagai bahan untuk
merepresentasikan pengetahuan. Dalam Sistem pakar untuk menangani
penyakit jantung ini, pengetahuan direpresentasikan dengan menggunakan
menggunakan kaidah produksi. Beberapa macam aturan yang ada dalam
sistem pakar ini adalah :
1. Aturan dalam menentukan penyakit jantung dalam kumpulan gejala
2. Aturan dalam menentukan penyakit jantung dalam kumpulan gejala dan
penyakit
3. Aturan dalam menentukan penyakit jantung
4. Aturan dalam menentukan penyakit non- jantung

Perhitungan manual untuk mendapatkan nilai certainty factor, yaitu

sebagai berikut : Pertama-tama akan memilih gejala awal, kemudian
menjawab pertanyaan berikutnya, misalkan gejala awal yang dipilih adalah
dispneu(sesak napas pada saat aktifitas fisik), dan gejala selanjutnya adalah
ortopneu(sesak napas pada saat berbaring). Dengan nilai kepercayaan
mengacu pada tabel sample pengetahuan yang dapat dilihat pada lampiran.
Di mana diketahui terdapat 5 macam penyakit yang memiliki gejala
dispneu(sesak napas pada saat aktifitas fisik) dan ortopneu(sesak napas
pada saat berbaring), yaitu :

1. Gagal Jantung Kiri

2. Penyakit Jantung Katup Stenosis Mitral

3. Penyakit Jantung Katup Insufisiensi Mitral

4. Penyakit Jantung Katup Insufisiensi Aorta

5. Kardiomiopat

Penyelesaian :

Rumus :

CF (H,E) = MB(H,E) – MD(H,E)

MB(h, e1^e2) = MB(h,e1)+MB(h,e2)*(1-MB[h,e1])

 MD(h,e1^e2) = MD(h,e1)+MD(h,e2)*(1-MD[h,e1])

Maka dengan perhitungan manual :

MB (Gagal Jantung Kiri[dispneu,ortopneu]) = 0,05 + 0,02*(1-0,05) =

0,07*0,95 = 0,0665

MD (Gagal Jantung Kiri[dispneu,ortopneu]) = 0,02 + 0,05*(1-0,02) =

0,07*0,98 = 0,0686 CF = 0,0665 – 0,0686 = -0,0021

MB (PJK Stenosis Mitral[dispneu,ortopneu]) = 0,08 + 0*(1-0,08) =

0,08*0,92 = 0,0736

MD (PJK Stenosis Mitral[dispneu,ortopneu]) = 0,03 + 0*(1-0,03) =

0,03*0,97 = 0,0291

CF = 0,0736 - 0,0291 = 0,0445

MB (PJK Insufisiensi Mitral[dispneu,ortopneu]) = 0 + 0,04*(1-0) = 0,04

MD (PJK Insufisiensi Mitral[dispneu,ortopneu]) = 0 + 0,1*(1-0) = 0,1

CF = 0,04 – 0,1 = -0,06 MB (PJK Insufisiensi Aorta[dispneu,ortopneu]) =

0 + 0,02*(1-0) = 0,02

MD (PJK Insufisiensi Aorta[dispneu,ortopneu]) = 0 +0,06*(1-0) = 0,06

CF = 0,02 – 0,06 = -0,04

MB (Kardiomiopati[dispneu,ortopneu]) = 0 + 0,03*(1-0) = 0,03

MD (Kardiomiopati[dispneu,ortopneu]) = 0 +0,07*(1-0) = 0,07

CF = 0,03 – 0,07 = -0,04

Dari CF masing-masing penyakit diperoleh nilai CF terbesar penyakit

PJK Stenosis Mitral sebesar 0,0445 sehingga dugaan terkecil.

3.3. Kombinasi fuzzy logic dan certainty factor

 Representasi pengetahuan menggunakan aturan fuzzy. Metode
inferensi fuzzy menggunakan metode Sugeno. Data pasien yang digunakan
dalam uji coba terbatas pada pasien dewasa. Sistem dikembangkan dengan
web agar mudah diakses oleh pasien. Hasil dari sistem pakar adalah
persentase kepercayaan penyakit yang diserita oleh pasien. Pada sistem
pakar yang dibangun, pengetahuan diperoleh melalui studi terhadap
pustaka-pustaka ilmu penyakit dalam dan wawancara dengan satu orang
dokter spesialis penyakit dalam.
Gejala yang bernilai fuzzy, antara lain suhu badan, denyut nadi,
tekanan darah, berat badan, dan gula darah. Pemodelan gejala fuzzy
dilakukan dengan membuat himpunan fuzzy yang akan digambarkan
dalam bentuk kurva keanggotaan dan fungsi keanggotaan. Pemodelan
gejala yang bernilai fuzzy diuraikan sebagai berikut:

Gambar 2. Kurva keanggotaan suhu badan

Gambar 3. Kurva keanggotaan denyut nadi

 Gambar 4. Kurva keanggotaan Tekanan darah sistolik

Inferensi fuzzy terdiri dari empat proses, yaitu fuzifikasi, implikasi dan
komposisi, defuzifikasi dan perhitungan faktor kepastian. Proses inferensi
fuzzy dilakukan guna mendapatkan hasil akhir berupa prosentase penyakit
yang diderita pasien. Berikut dijelaskan masing-masing proses yang terjadi
dalam inferensi fuzzy.

1. Fuzifikasi
Proses fuzifikasi dilakukan dengan pembuatan aturan menggunakan
metode sistem produksi berdasarkan gejala klinis yang diperoleh
pada proses representasi pengetahuan.
2. Implikasi dan komposisi
Perhitungan derajat keanggotaan fuzzy untuk setiap gejala ditentukan
oleh nilai yang diberikan oleh pengguna. Misalnya, jika pengguna
jenis suhu tubuh 39.80C, maka :
 Tabel 4. Rule metode fuzzy

Berdasarkan derajat keanggotaan, fungsi implikasi menghitung MIN.

μ (x) adalah derajat keanggotaan untuk x dan wi adalah hasil dari
implikasi.
𝑤𝑖 = 𝑀𝑖𝑛  𝑥 ,  𝑦 ........................................................................(1)
Dari contoh di atas, hasil implikasi ditunjukkan di bawah ini.
w1 = min(BodyTemperature=High[39.8]) = min(0.80) = 0.80
w2 = min(BodyTemperature=VeryHigh[39.8]) = min(0.30) = 0.30
Proses komposisi dibuat untuk mendapatkan nilai zi dari setiap
aturan. Nilai kepastian dari ahli dari masing-masing aturan adalah
nilai zi. Aturan suhu tubuh untuk kedua set fuzzy ditunjukkan di
bawah ini. JIKA( suhu badan = TINGGI) MAKA A00000006, CF:
0.70 JIKA ( suhu badan = SANGAT TINGGI) MAKA A00000007,
CF: 0.9
3. Defuzifikasi
Proses defuzzifikasi dilakukan dengan menggunakan metode rata-
rata tertimbang defuzzifikasi dengan menghitung nilai rata-rata zi.
 wi adalah hasil dari implikasi dan zi adalah hasil dari komposisi.
Hasil defuzzifikasi menunjukkan nilai keyakinan untuk sindrom
yang dialami pasien. Untuk contoh di atas, hasil defuzzifikasi
ditampilkan di bawah ini.

4. Perhitungan Certainty Factor

Hasil proses defuzzifikasi akan digunakan untuk menghitung nilai
kepercayaan untuk diagnosis. Pertama, akan dihitung faktor
kepastian (CF) berurutan sebagai berikut.
𝐶𝐹 𝑥, 𝑦 = 𝐶𝐹 𝑥 ∗ 𝐶𝐹 𝑦 ................................................................(3)
CF (x, y) adalah hasil dari faktor kepastian berurutan, CF (x) adalah
hasil defuzzifikasi dan CF (y) adalah nilai kepastian ahli setiap
aturan[6]. Dalam penelitian ini, CF mengalikan berurutan dengan
nilai bobot masing-masing fase penyakit. CF berurutan dari beberapa
aturan yang dihasilkan digabungkan dengan menggunakan
perhitungan berikut CF gabungan sebagai berikut.
𝐶𝐹 𝑥, 𝑦 = 𝐶𝐹 𝑥 + 𝐶𝐹 𝑦 − 𝐶𝐹 𝑥 ∗ 𝐶𝐹 𝑦
Dari contoh di atas, perhitungannya ditunjukkan di bawah ini.
𝐶𝐹 (𝑥, 𝑦) 𝐴00000005 = 0.52 ∗ 0.70 ∗ 0.50 = 0.18
𝐶𝐹 (𝑥, 𝑦) 𝐴00000006 = 0.52 ∗ 0.90 ∗ 0.50 = 0.23
Hasil gabungan CF menyarankan diagnosis penyakit dengan gejala
yang dialami pasien.
𝐶𝐹 (𝑥, 𝑦) 𝐴00000005&𝐴00000006 = 0.18 + 0.23 − 0.18 ∗ 0.23 = 0.37
4. Kesimpulan

Dari ketiga metode pembuatan sistem pakar diagnose penyakit jantung,

terdapat karakteristik yang berbeda-beda dalam pemrosesan data dan hasil. Pada
metode forward chaining diproses menggunakan tabel keputusan dan
menghasilkan tabel relasi berdasarkan aturan yang dibuat (berbentuk IF-THEN).
Pada metode certainty factor data di proses menggunakan rumus certainty factor
untuk masing-masing penyakit yang dicurigai, yang mana nilai terbesar adalah
hasil kemungkinan penyakit yang diderita. Sedangkan pada metode fuzzy yang
dikombinasikan dengan certainty factor mengambil data dari pertanyaan yang
dijawab pasien, terdapat aturan yang ditetapkan dan hasil dari perhitungan aturan
akan dimasukkan kepada fungsi implikasi, selanjutnya melewati proses
perhitungan defuzifikasi dan terakhir hasil defuzifikasi akan digunakan untuk nilai
kepercayaan untuk diagnosis, yaitu dengan rumus certainty factor. Hasil CF
gabungan ni menjadi hasil diagnosa dari sistem terhadap kepercayaan pasien pada
beberapa penyakit. Dari ketiga metode sistem pakar dapat disimpulkan dalam
pemrosesan data yang paling sederhana adalah metode forward chaining sehingga
cocok digunakan oleh para awam walaupun tingkat keakurasiannya masih
dibawah dari kedua metode lainnya, sedangkan pemrosesan data yang paling
kompleks adalah certainty factor maupun kombinasi dari fuzzy-certainty factor,
hanya saja dalam hasil diagnosa, metode kombinasi fuzzy-certainty factor akan
lebih tepat karena Hasil pengujian sistem menunjukkan bahwa sistem yang
dikembangkan memiliki kemiripan dengan ahli nyata.
Referensi

1. Cardiovascular diseases (CVDs). World Health Organization, 2017.

https://scholar.google.com/scholar?q=Cardiovascular%20diseases%20.%20W
orld%20Health%20Organization,%202017.
2. Kevin Adrian. 2020. Beberapa Fakta Terkait Penyakit Jantung yang Perlu
Diketahui https://www.alodokter.com/beberapa-fakta-terkait-penyakit-
jantung-yang-perlu-diketahui
3. Kementerian Kesehatan Republik Indonesia. 2018. Riskesdas 2018: Hanya
20% Masyarakat yang Mengerti Kesehatan.
http://radiokesehatan.kemkes.go.id/News/detail_news/310#:~:text=Riskesdas
%202018%20%3A%20Hanya%2020%25%20Masyarakat%20Yang%20Men
gerti%20Kesehatan&text=Hasil%20Riset%20Kesehatan%20Dasar%20(RISK
ESDAS,rendah%2C%20hanya%20mencapai%2020%25.
4. Handayani L. dan Sutikno T., 2008. Sistem Pakar untuk Diagnosis Penyakit
THT Berbasis Web dengan “e2gLite Expert System Shell”. Jurnal Teknologi
Industri, Volume 12, Nomor 1.
5. Parhusip, J., Pranatawijaya, V.H. and Putrisetiani, D., 2015, July. Sistem Pakar
Diagnosa Penyakit Jantung Menggunakan Metode Certainty Factor Berbasis
Web. In Seminar Nasional Informatika (SEMNASIF) (Vol. 1, No. 3).
6. Nugroho, F.A., 2018. Perancangan Sistem Pakar Diagnosa Penyakit Jantung
Dengan Metode Forward Chaining. Jurnal Informatika Universitas
Pamulang, 3(2), pp.75-79.
7. Abu-Naser, Samy & O., Abu. 2008. An Expert System For Diagnosing Eye
Diseases Using Clips. Journal of Theoretical and Applied Information
Technology. 4.
8. Daniel dan Virginia, G. 2010. Implementasi Sistem Pakar Untuk Mendiagnosis
Penyakit Dengan Gejala Demam Menggunakan Metode Certainty Factor.
Jurnal Informatika, Volume 6, Nomor 1.
https://ti.ukdw.ac.id/ojs/index.php/informatika/article/download/82/46
 9. Noviyanto, Andri. 2008. Sistem Pakar.
http://www.ittelkom.ac.id/library/index.php?view=article&catid=15:pemroses
an-sinyal&id=325:sistempakar&option=com_content&It
10. Irfan, Mohamad & Ayuningtias, Laras & Jumadi, Jumadi. (2018). Analisa
Perbandingan Logic Fuzzy Metode Tsukamoto, Sugeno, Dan Mamdani ( Studi
Kasus : Prediksi Jumlah Pendaftar Mahasiswa Baru Fakultas Sains Dan
Teknologi Uin Sunan Gunung Djati Bandung). Jurnal Teknik Informatika. 10.
10.15408/jti.v10i1.6810.
11. DPS, Dewi. 2014. Sistem Pakar Diagnosa Penyakit Jantung dan Paru dengan
Fuzzy Logic dan Certainty Factor. MERPATI VOL. 2, NO. 3.
https://www.google.com/url?sa=t&rct=j&q=&esrc=s&source=web&cd=&ved
=2ahUKEwjY6NHd-
Y_wAhUGXSsKHQt_A4oQFjAAegQIBBAD&url=https%3A%2F%2Fojs.un
ud.ac.id%2Findex.php%2Fmerpati%2Farticle%2Fdownload%2F17907%2F1
1639&usg=AOvVaw3uFh_wcUe1mLAx9i4ivo72

View publication stats