sistem pakar berbasis web untuk mendiagnosa penyakit mata …

Bina Darma Conference on Computer Science

e-ISSN: 2685-2683p-ISSN: 2685-2675

M. Ardin Gozali1, Diana 2

303

SISTEM PAKAR BERBASIS WEB UNTUK MENDIAGNOSA PENYAKIT

MATA MENGGUNAKAN METODE NAIVE BAYES

M. Ardin Gozali1, Diana2 Fakultas Ilmu Komputer, Universitas Bina Darma

Email: [email protected] 1), [email protected] 2)

ABSTRAK

Penelitian ini bertujuan untuk membangun sistem pakar berbasis Web Untuk mendiagnosa penyakit

mata menerapkan metode Naive Bayes. Sistem ini dapat menjadi solusi dari permasalahan yang

timbul seperti keterbatasan tenaga medis yang mengakibatkan terjadinya keterlambatan pelayanan

dapat dibantu dengan keberadaan sebuah sistem pakar tanpa bermaksud untuk menggantikan pakar

itu sendiri. Langkah penelitian mengikuti tahapan pada Expert System Development Life Cicle,

yakni, 1) inisialisasi proyek. Pada tahapan ini peneliti mendefinisikan masalah memberikan solusi

alternatif, fase menentukan pakar, dan fase memverifikasi metode; 2) Proses rekayasa pengetahuan.

Tahap ini dimulai dari akuisisi atau mengumpulkan pengetahuan dan merepresentasikan pengetahuan

yang telah didapat dari seorang dokter atau pakar; dan 3) Implementasi. Pada proses ini terdapat

beberapa tahapan yaitu tahapan desain, membangun program, dan mengimplementasikan sistem ini.

Sistem pakar yang dibuat menerapkan metode naive bayes sehingga dapat memberikan hasil

diagnosa penyakit mata secara cepat dan sesuai dengan nilai probabilitas kemunculan setiap jenis

penyakit mata dan gejalanya, serta memberikan informasi mengenai tindakan penanganan yang

dapat dilakukan pada penyakit yang terkait .

Kata kunci: Sistem Pakar, Penyakit Mata, Naive Bayes

ABSTRACT

This study aims to build a web based expert system to diagnose eye diseases using the Naive Bayes

method. This system can be a solustion to problems that arise such as limited medical personnel

which results in delays in service. It can be helped by the existence of an expert system without

intending to replace the expert himself. The research steps followed the stages in the Expert System

Development Life Cycle, namely, 1) projec initialization. At this stage the researcher defines the

problem by providing alternative solutions, the phase of determining the expert, and the phase of

verifying the method; 2) knowledge engineering process. This stage starts from the acquisition or

gathering of knowledge and represent the knowledge that has been obtained from a doctor or expert;

and 3) Implementation. In this process, there are several stages, namely the design stage, building

the program, and implementing this system. The expert system created applies the Naive Bayes

method so that ini can provide diagnostic results of eyes diseases quickly and in accordance with

the probability value of the appearance of each type of eye disease and its symptoms, as well as

providing information about treatment actions that can be taken on related diseases.

Keywords : Expert System, Eye Diseases, Naive Bayes

1. PENDAHULUAN

“ Mata adalah salah satu panca indra yang sangat penting dalam kehidupan manusia untuk

melihat. Jika mata mengalami gangguan atau penyakit pada mata, maka akan berakibat fatal.

mailto:[email protected]

mailto:[email protected]


e-ISSN: 2685-2683p-ISSN: 2685-2675

304

Diperparah lagi dengan anggapan bahwa penyakit yang diderita akan sembuh dengan sendirinya

tanpa melalui pengobatan dan perubahan pola hidup. Pekerjaan pakar yang sangat sibuk dan padat

serta terbatasnya jumlah tenaga medis mengakibatkan keterlambatan pelayanan. Terbatasnya jumlah

tenaga medis, dapat dibantu dengan keberadaan sebuah sistem pakar tanpa bermaksud untuk

menggantikan pakar itu sendiri. Aplikasi sistem pakar sudah biasa diterapkan di bidang kedokteran

dan ilmu medis. Sistem pakar ini akan mempermudah pakar mengambil sebuah keputusan dan dapat

mendiagnosa penyakit mata dengan cepat.

Sistem pakar atau expert system ialah sistem yang mengadopsi pengetahuan manusia ke

dalam sebuah komputer, agar sistem atau komputer dapat menyelesaikan sebuah masalah seperti

halnya para ahli atau pakar. Sistem pakar yang baik dirancang supaya dapat menyelesaikan sebuah

masalah tertentu dengan meniru cara kerja dari para pakar atau ahli pada sebuah bidang tertentu.

Dengan pengembangan sebuah sistem pakar, diharapkan pengguna sistem awam dapat

menyelesaikan sebuah masalah yang cukup sulit yang sesungguhnya hanya dapat diselesaikan dengan

bantuan ahli atau pakar. Bagi seorang ahli atau pakar, sistem pakar ini juga akan membantu

aktifitasnya sebagai asisten yang sangat handal. Kepakaran manusia tidak bertahan lama, dapat hilang

karena kematian, pensiun, atau pindah tempat kerja. Dalam sebuah kesimpulan, ahli atau pakar dapat

dipengaruhi oleh beberapa faktor yang juga dapat mempengaruhi kesimpulan tersebut. Sistem pakar

ini juga dapat memberikan hasil yang lebih tepat dari pakar itu sendiri. Sistem pakar ini sendiri juga

dapat mengambil sebuah kesimpulan dalam waktu yang cepat atau yang telah ditentukan dari pada

seorang pakar. Sistem pakar juga banyak dikembangkan dalam berbagai bidang, termasuk dalam

sebuah bidang medis. Saat ini kebutuhan untuk manusia tentang pelayanan medis yang lebih baik

sangat dibutuhkan, yang dimana juga berarti dukungan instrumentasi dan informatika medis modern

(telemedis) sangat dibutuhkan termasuk metode untuk membantu analisisnya sehingga dihasilkan

diagnosa sebuah penyakit yang lebih tepat dan cepat. Dengan kecepatan dan ketepatan tersebut pada

sistem ini, maka pasien nantinya dapat langsung menangani dan mengobati berdasarkan penyakit

yang diderita agar tidak mempeparah penyakitnya itu sendiri. Aplikasi sistem pakar ini juga bisa

digunakan oleh pasien atau orang yang menderita penyakit mata karena di aplikasi sistem pakar ini

memberikan input gejala dan mendapatkan hasil output jenis penyakit yang diderita begitu juga

dengan solusi yang harus dijalani oleh pasien yang menderita penyakit mata, aplikasi sistem pakar

ini menggunakan metode Naive Bayes untuk menentukan penyakit mata yang diderita berdasarkan

dari gejalanya.

Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang

menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari

dataset yang diberikan. Algoritma mengunakan teorema Bayes dan mengasumsikan semua atribut

independen atau tidak saling ketergantungan yang diberikan oleh nilai pada variabel kelas. Definisi

lain mengatakan Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik

yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan

berdasarkan pengalaman di masa sebelumnya. Metode ini banyak diterapkan pada sistem pakar,

[1], program sistem pakar dengan menggunakan Naive Bayes dan Determty Factor dapat menjadi

alat untuk mendiagnosis stroke. [2], Sistem pakar diagnosa penyakit sapi potong dengan metode

Naive Bayes memiliki kinerja yang mampu berjalan baik sesuai dengan kebutuhan fungsional. [3],

Aplikasi sistem pakar yang dibuat menggunakan metode Naive Bayes dikarenakan metode

Naive Bayes merupakan metode klasifikasi terbaik dengan probabilitas yang tinggi ketika

digunakan dalam perhitungan system. [4] diperoleh tingkat akurasi hasi sistem diagnosa sebanyak

100% akurat sesuai dengan diagnosa ahli. [5], membangun sistem pakar deteksi dini penyakit pada

tanaman jagung menggunakan metode Naive Bayes.

Naive Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut secara

kondisional saling bebas jika diberikan nilai output. Dengan kata lain, diberikan nilai output,

probabilitas mengamati secara bersama adalah produk dari probabilitas individu. Keuntungan


e-ISSN: 2685-2683p-ISSN: 2685-2675


305

penggunaan Naive Bayes adalah bahwa metode ini hanya membutuhkan jumlah data pelatihan

(Training Data) yang kecil untuk menentukan estimasi paremeter yang diperlukan dalam proses

pengklasifikasian. Naive Bayes sering bekerja jauh lebih baik dalam kebanyakan situasi dunia nyata

yang kompleks dari pada yang diharapkan.

Prediksi bayes yang berdasarkan pada teorema bayes memiliki rumus,

P(𝐻|𝐸) = 𝑃(𝐸|𝐻)𝑥𝑃(𝐻) (1)

𝑃(𝐸)

Probabilitas akhir (Posterior) bersyarat sebuah hipotesis H terjadi jika diberikan bukti (evidence) E

terjadi. Rumus posterior dinotasikan sebagai P(H|E). Probabilitas suatu bukti E terjadi maka

memengaruhi hipotesis H (Likelihood). Rumus likelihood dinotasikan sebagai P(E|H). Probabilitas

awal (Prior) hipotesis H terjadi tanpa melihat bukti apapun. Prior dinotasikan sebagai P(H). P(E)

Probabilitas awal bukti E terjadi tanpa melihat hipotesis/bukti yang lainnya.

Ide dasar dari aturan Bayes adalah bahwa hasil dari hipotesis atau peristiwa (H) bisa

diperkirakan berdasarkan pada beberapa bukti (E) yang diamati. Secara umum, bobot bayes diambil

berdasarkan pada tingkat kepercayaan, keyakinan, pengalaman termasuk latar belakang

pengambilan keputusan.Pembuatan keputusan dengan metode bayes dilakukan dengan

mengkuantifikasi suatu kejadian lalu menyatakannya dengan bilangan antara 1 sampai 10.

Selanjutnya, metode bayes digunakan dalam proses pengambilan keputusan dengan menghitung

peluang mengenai sebab-sebab terjadinya suatu peristiwa berdasarkan pengaruh yang dapat

diperoleh. Perhitungan dengan teorema bayes dapat menggunakan persamaan,

𝑃 (𝐻𝑖|𝐸1𝐸2 … 𝐸𝑛)= P(𝐸1| 𝐻𝑖) 𝑥 P(𝐸2| 𝐻𝑖) 𝑥 … 𝑥 P(𝐸𝑛| 𝐻𝑖) (𝐻𝑖 ) (2)

∑ 𝑃𝑚𝑘=1 (𝐸 |𝐻𝑘) 𝑥 𝑃(𝐻𝑘)

2. METODOLOGI PENELITIAN

2.1 Langkah Penelitian

Langkah penelitian ini mengikuti metode pengembangan sistem yang penulis gunakan

dalam penelitian ini adalah metode ESDLC(Expert System Development Life Cicle). Adapun tahapan-

tahapan yang ada dalam ESDLC pada penelitian ini adalah sebagai berikut:

1) Inisialisasi Proyek. Pada tahapan ini peneliti mendefinisikan masalah memberikan solusi alternatif,

fase menentukan pakar, dan fase memverifikasi metode.

2) Proses Rekayasa Pengetahuan. Tahap ini dimulai dari akuisisi atau mengumpulkan pengetahuan dan

merepresentasikan pengetahuan yang telah didapat dari seorang dokter atau pakar.

3) Implementasi. Pada proses ini terdapat beberapa tahapan yaitu tahapan desain, membangun program,

dan mengimplementasikan sistem ini.

2.2 Metode Pengumpulan Data

Metode pengumpulan data yang dilakukan adalah :

1) Wawancara. Metode ini dilakukan untuk mendapatkan data yang berhubungan dengan penyakit

mata. Yaitu dengan mewawancarai para pakar penyakit mata yaitu Dr. Riani Erna, Sp.M serta


e-ISSN: 2685-2683p-ISSN: 2685-2675

306

solusi pengobatannya dan untuk mendapatkan data penyakit mata yang lebih akurat

2) Observasi. Dalam pengumpulan data juga dilakukan dengan metode observasi yaitu melakukan

pengamatan dan pencatatan secara sistematis mengenai permasalahan dalam objek. Pada

penelitian tugas akhir ini penulis melakukan observasi langsung ke lingkungan kerja di Rs.

Khusus Mata Palembang.

2.3 Kebutuhan Aplikasi

Analisis kebutuhan dan juga spesifikasi perangkat lunak yang diperlukan meliputi:

1) Perangkat lunak sistem pakar diagnosa penyakit mata ini menyediakan informasi tentang

penyakit pada mata dan dapat mendiagnosa penyakit mata berdasarkan gejala yang dipilih oleh

pasien.

2) User atau pengguna sistem ini secara umum dibagi menjadi dua, yaitu: pengguna, dan pakar.

a. Pengguna adalah pemakai yang hanya sekedar mencari informasi tentang penyakit mata dan

atau bahkan melakukan konsultasi terhadap penyakit yang dideritanya.

b. Pakar adalah user yang bisa mengakses keseluruhan sistem, dimulai dari memasukkan data

akuisisi pengetahuan dan juga menerima keluhan atau usulan dari pengguna.

3) Pada sistem ini pengguna dapat mendapatkan informasi jenis penyakit mata, gejala penyakit mata

dengan besar probabilitasnya, cara pengobatan atau solusi. Pakar memberikan fasilitas berupa

menu pakar yang dapat mengolah data seperti merubah, menambah, menghapus pada penyakit,

gejala, solusi serta nilai probabilitasnya.

4) Target yang akan dicapai dari sistem pakar diagnosa penyakit mata ialah pengguna atau pasien

penderita penyakit mata tidak perlu kedokter spesialis mata karena dengan adanya sistem ini

pasien cukup memilih gejala yang terdapat di sistem sehingga pasien atau pengguna

mendapatkan informasi secara cepat, tepat dan kapan saja tentang jenis penyakit mata beserta

besarnya nilai probabilitas pada gejala dan penyakit pada mata, berikut juga cara pengobatan atau

solusinya.

Gambar 1. Flowchat Input Basis Pengetahuan


e-ISSN: 2685-2683p-ISSN: 2685-2675


307

Gambar 2. Flowchart Proses Konsultasi User

3. HASIL DAN PEMBAHASAN

4.1 Akuisisi Basis Pengetahuan

Proses untuk akuisisi pengetahuan dikerjakan untuk membentuk basis pengetahuan. Data

yang dibutuhkan dalam basis pengetahuan sistem pakar diagnosis penyakit mata adalah data gejala,

data nilai probabilitas dari setiap gejala, data penyakit, data nilai probabilitas dari jenis penyakit, cara

pengobatan atau solusi yang harus dilakukan. Data gejala dan penyakit didapatkan dari pakar atau

seorang dokter spesialis mata dan beberapa sumber lain seperti jurnal, artikel dan internet.

Berdasarkan proses akuisisi pengetahuan ini, didapatkan data-data yang dibutuhkan ialah ada 15 jenis

penyakit mata secara umum serta terdapat beberapa gejala berdasarkan jenis penyakit tersebut. Aturan

untuk menarik sebuah kesimpulan dibuat berdasarkan data yang didapatkan dan mengarahkan

pengguna untuk memecahkan masalah. Basis pengetahuan yang digunakan pada sistem pakar

diagnosa penyakit mata ini adalah tentang gejala penyakit yang timbul serta solusinya.

Mesin inferensi mempunyai peran yang sangat penting karena sebagai otak dari sistem pakar yang

mempunyai sistem fungsi berpikir dan penempatan pola-pola penalaran sistem yang digunakan oleh

seorang ahli atu pakar. Di mana sistem-sistem ini memiliki peran untuk mengarahkan proses

penalaran terhadap suatu kondisi.

Tabel 1. Daftar Gejala

Kode Gejala Nama Gejala

G1 Penglihatan mata kabur atau tidak fokus

G2 Sulit melihat pada malam hari

G3 Mata menjadi sensitif terhadap cahaya (silau)

G4 Ada lingkaran putih dalam sumber cahaya seperti lampu

G5 Penglihatan mata menjadi ganda

G6 Penglihatan menjadi tidak jelas pada bagian tepi

G7 Nyeri pada bagian belakang mata

G8 Tidak bisa mengenal warna dengan baik

G9 Melihat bayangan lampu berkedip


e-ISSN: 2685-2683p-ISSN: 2685-2675

308

G10 Sakit mata

G11 Mual dan muntah pada saat sakit mata

G12 Tidak bisa melihat saat redup atau tidak ada cahaya

G13 Mata merah

G14 Kecenderunga memegang bacaan lebih jauh agar bisa melihat huruf lebih

jelas

G15 Menyipitkan mata

G16 Penglihatan kabur ketika membaca dengan jarak normal

G17 Sakit kepala atau mata menegang pada saat membaca

G18 Kesulitan membaca cetakan huruf berukuran kecil

G19 Mata kehilangan kemampuan untuk melihat

G20 Nyeri saat menggerakan kelopak mata

G21 Rasa takut abnormal pada cahaya (fotofobia)

G22 Mata berair

G23 Mata menjadi lebih menonjol

G24 Ada tekanan kuat pada bagian dalam mata

G25 Mata seperti menghasilkan pasir

G26 Kelopak mata seperti tertarik

G27 Mata seperti melihat bintik-bintik kecil pada pandangan

G28 Mata seperti tertutup oleh rambut atau beberapa benang kecil sebenarnya

tidak

G29 Mata merespon berkedip dalam waktu cepat saat melihat cahaya

G30 Adanya garis gelombang dalam penglihatan

G31 Membutuhkan cahaya yang sangat terang untuk membaca

G32 Sulit untuk mengenali wajah

G33 Tidak bisa melihat warna cerah

G34 Mengalami halusinasi dalam melihat warna

G35 Sulit melihat dalam jarak dekat maupun jauh

G36 Penglihatan menurun secara bertahap

G37 Terasa ada yang mengganjal di mata

G38 Tampak noda yang melayang pada penglihatan (floaters)

G39 Penglihatan berbayang

G40 Sulit beradaptasi pada saat transisi dari terang menuju gelap

G41 Terasa gatal atau perih diarea selaput

Pada mesin inferensi terdapat sebuah proses manipulasi dan mengarahkan kaidah, model,

dan fakta yang disimpan pada sistem pengetahuan dalam rangka untuk menggapai sebuah solusi atau

kesimpulan yang akan menganalisis sebuah permasalahan tertentu dan selanjutnya akan mencari

jawaban dan kesimpulan yang sesuai. Dalam perancangan sistem pakar diagnosa penyakit mata,

penulis menggunakan teknik inferensi pelacakan ke depan, dikarenakan dalam pemecahan masalah


e-ISSN: 2685-2683p-ISSN: 2685-2675


309

dilakukan beserta mengumpulkan data kemudian ditarik menjadi suasu kesimpulan yang tepat dan

sesuai.

Tabel 2. Pembentukan Rule Penyakit Mata

Aturan IF Then

1 G1, G2, G3, G4, G5 P1

2 G6, G7 P2

3 G7, G1, G8, G9 P3

4 G10, G11, G12, G4, G13 P4

5 G14, G15, G16, G17, G18 P5

6 G13, G19, G10, G3, G20, G21, G22 P6

7 G23, G24, G25, G26, G19, G13, G3, G5 P7

8 G27, G28, G29 P8

9 G1, G30, G8, G31, G32, G33, G34 P9

10 G13, G27, G10, G21, G19, G22 P10

11 G36, G27, G38, G39, G8, G13 P11

12 G39, G10, G15, G17, P12

13 G2, G40, G39, G31, P13

14 G13, G41, G37, P14

15 G1, G35, G2, G15, G17 P15

4.2 Perancangan Alur Sistem

Alur sistem dirancang menggunakan Data Flow Diagram (DFD). Data Flow Diagram (DFD)

adalah diagram yang digunakan untuk menggambarkan proses-proses yang tejadi pada sistem yang

akan dibangun. Dengan diagram ini, data-data yang telibat pada setiap proses dapat diidentifikasi

yang nantinya akan memberikan gambaran bagaimana bentuk sistem yang diusulkan. Dalam DFD level 0 terdapat 2 entitas yaitu:

1) Entitas pakar mata yaitu memiliki peran untuk melakukan login ke sistem. Lalu memasukkan data

akuisisi pengetahuan seperti data penyakit, data gejala, data solusi dan nilai probabilitas pada setiap

gejala dan penyakit. Dan juga dapat membaca komentar yang dikirim oleh user.

2) Entitas user yaitu memiliki peran untuk melakukan login agar dapat mengakses sistem sebagai

pengguna dan juga dapat melakukan penelurusan jenis penyakit berdasarkan gejala yang telah

dipilih atau dirasakan, setelah itu juga user akan mendapatkan informasi jenis penyakit, gejala, solusi

dan nilai probabilitasnya. User juga dapat memberikan komentar yang ditujukan kepada pakar.


e-ISSN: 2685-2683p-ISSN: 2685-2675

310

Sistem Pakar Diagnosa

Penyakit MataPakar Mata UserUser

Info Gejala

Info Penyakit

Info Pengobatan

Info Basis Aturan

Info LoginKomentar

Data PenyakitData Gejala

Data PengobatanData Basis Aturan

Data Login

Data Login

Pilih Gejala

Komentar

Info Login

Info Pengobatan

Info Basis Aturan

Info Hasil Diagnosa

Gambar 3. Diagram Konteks Sistem Pakar Penyakit Mata

Pada DFD level 0 terdapat dua proses yaitu pengelolaan data pengetahuan pengetahuan pakar,

konsultasi. Pakar bertugas untuk menginput data gejala, nilai probabilitas gejala, data penyakit, nilai

probabilitas penyakit dan solusi. Data ini akan digunakan untuk hasil diagnosis yang kemudian

mengalir ke proses konsultasi yaitu user yang ingin berkonsultasi dapat mencari didalam sistem

dengan cara memilih gejala yang dirasakan, lalu setelah itu sistem akan melakukan validasi yang

dimana setiap data gejala dan penyakit terdapat nilai probabilitas yang akan mengambil sebuah

kesimpulan atau keputusan yang terkait dengan permasalahan yang dicari oleh user. Setelah proses

penelurusan selesai, user akan mendapatkan laporan hasil diagnosa jenis penyakit mata yang diderita,

gejala yang dipilih, nilai probabilitas setiap gejala dan penyakit serta solusi yang harus di lakukan

agar user bisa segera mengatasi penyakit yang diderita.

Dalam DFD level 0 ini terdapat 3 proses, yaitu :

1) Proses login adalah proses untuk masuk kedalam sistem.

2) Proses pengelolaan data pengetahuan pakar berfungsi untuk menginputkan data penyakit, data

gejala, data solusi dan nilai probabilitas di setiap gejala dan penyakit.

3) Konsultasi adalah proses memilih gejala yang ada di sistem sehingga user bisa mendapatkan

informasi penyakit hasil diagnosa, gejala, solusi, dan nilai probabilitas atau basis aturan.


e-ISSN: 2685-2683p-ISSN: 2685-2675


311

1.0

Login

2.0

Pengelolaan Data Pengetahuan

Pakar

3.0

Konsultasi

Pakar Mata

User

Data Penyakit

Basis Aturan

Solusi

Pengguna

Gejala

Data Login

Info Login

Data Login

Info Login

Data Basis Aturan

Data GejalaData Penyakit

Data Solusi

Info SolusiInfo Penyakit

Info Gejala

Info Basis Aturan

Data Gejala

Info Gejala

Info Gejala

Info Solusi

Info Basis Aturan

Data Login

Info Login

Data PenyakitInfo Penyakit

Data Gejala

Info Gejala

Data Basis AturanInfo Basis Aturan

Data Solusi

Info Solusi

KomentarRecord Komentar

Info Komentar

Info SolusiInfo Basis Data

Pengguna

Info Data PenyakitInfo Gejala

Gambar 4. DFD Level 0 Sistem Pakar Penyakit Mata

DFD level 1 login adalah pengembangan dari DFD level 0 yang lebih detail. Berikut adalah gambar

DFD level 1 login.

1.1

Login

Pakar Mata

User

Pengguna

Data Login

Info Login

Data LoginInfo Login

Data Login

Info Login

Gambar 5. DFD Level 1 Login Sistem Pakar Penyakit Mata

DFD level 1 pada proses pengelolaan data pengetahuan pakar berikut ini berfungsi untuk

menggambarkan alur pada proses pengembangan sistem diagnosa penyakit mata secara detail. Pada

proses ini, pakar berperan atau berfungsi untuk memberikan inputan basis pengetahuan penyakit dan

akan disimpan dalam sistem berupa data gejala, penyakit, solusi serta basis aturan atau nilai

probabilitas pada setiap gejala dan penyakit. Berikut adalah gambar DFD level 1 pengelolaan data

pengetahuan pakar.


e-ISSN: 2685-2683p-ISSN: 2685-2675

312

2.1

Penyakit

2.2

Gejala

2.3Basis Aturan

2.4

Solusi

Pakar Mata

Gejala

Penyakit

Basis Aturan

Solusi

Data Penyakit

Info Penyakit

Data Gejala

Info Gejala

Data Basis Aturan

Info Basis Aturan

Data Solusi

Info Solusi

Data Solusi

Info Solusi

Data Basis Aturan

Info Basis Aturan

Info Gejala

Data Gejala

Info Penyakit

Data Penyakit

Gambar 6. DFD Level 1 Pengelolaan Data Pengetahuan Pakar

DFD level 1 konsultasi berikut ini berperan untuk menggambarkan alur sistem diagnosa penyakit

mata secara. Pada proses ini, user memilih jenis gejala yang diderita lalu akan di olah oleh sistem dan

ditampilkan dalam bentuk laporan hasil diagnosa berupa data gejala, penyakit, nilai probabilitas pada

setiap gejala dan penyakit dan juga solusi yang harus dijalani. Berikut adalah gambar DFD level 1

konsultasi.

User

3.1Pilih Gejala

3.2Penelusuran

Penyakit

Gejala

Penyakit

Basis Data

Solusi

Data Gejala Info Gejala

Info Penyakit

Info Basis Data

Info Solusi

Info Penyakit

Info Basis Data

Info Solusi

Gambar 7. DFD Level 1 Konsultasi


e-ISSN: 2685-2683p-ISSN: 2685-2675


313

4.3 Aplikasi Sistem Pakar Diagnosis Penyakit Mata

Pada halaman ini terdapat beberapa gejala yang telah diinput oleh pakar. Halaman ini

berfungsi sebagai tempat pasien memilih gejala yang diderita.

Gambar 8. Input Gejala Pengguna

Halaman hasil dari konsultasi merupakan halaman yang menampilkan informasi penyakit

yang diderita berdasarkan gejala yang sudah dipilih dan juga terdapat solusi untuk segera mengatasi

penyakitnya dan nilai probabilitas penyakit dan gejala serta jumlah perkalian dari nilai

probabilitasnya. Dihalaman ini juga terdapat fitur untuk kembali melakukan konsultasi dan

mencetak hasil dari diagnosa.

Gambar 9. Hasil Konsultasi

4. KESIMPULAN

Berdasarkan pembahasan diatas dapat disimpulkan sebagai berikut :

1) Metode naive bayes dapat digunakan untuk mendiagnosis penyakit mata.

2) Sistem pakar yang dibuat menerapkan metode naive bayes sehingga dapat memberikan hasil


e-ISSN: 2685-2683p-ISSN: 2685-2675

314

diagnosa penyakit mata secara cepat dan sesuai dengan nilai probabilitas kemunculan setiap jenis

penyakit mata dan gejalanya, serta memberikan informasi mengenai tindakan penanganan yang

dapat dilakukan pada penyakit yang terkait .

DAFTAR PUSTAKA

[1] K. Ain, H.B. Hidayati, O. A. Nastiti, 2017, Expert System for Stroke Classification Using Naive

Bayes Classifier and Certainty Factor as Diagnosis Supporting Device, Journal of Physics :

Conference Series, Vol. 1445, International Symposium on Nanoscience & Nanotechnology

in Life Sciences.

[2] I. C. Dewi, A. A. Soebroto, M. T. Furqon, 2015, Sistem Pakar Diagnosa Penyakit Sapi Potong

dengan Metode Naive Bayes, Journal of Environmental Engineering & Sustainable

Technology, 2(2) , pp. 72-78

[3] F. Ramadhana, Fauziah, Winarsih, 2020, Aplikasi Sistem Pakar untuk Mendiagnosa Penyakit

ISPA Menggunakan Metode Naive Bayes Berbasis Website, STRING (Satuan Tulisan Riset

dan Inovasi Teknologi), Vol. 4, No. 3, April, Hal. 320-329.

[4] M. I. Insani, Alamsyah, A. T. Putra, 2018, Implementation of Expert System for Diabetes

Diseases using Naive Bayes and Certainty Factor Method, Scientific Journal of Informatics,

5(2), pp. 185-195

[5] B. Budianto, I. Fitri, W. Winarsih, 2020, Expert System for Early Detection of Disease in Corn

Plant Using Naive Bayes Method, Jurnal Mantik, 3(4), pp. 308-317

sistem pakar berbasis web untuk mendiagnosa penyakit mata …

Documents