Bayes (Narkoba)
-
Upload
farahchikitavenna -
Category
Documents
-
view
225 -
download
0
Transcript of Bayes (Narkoba)
-
7/25/2019 Bayes (Narkoba)
1/7
Pelita Informatika Budi Darma Volume : V Nomor: 3 Desember 2013 ISSN
23 1 9425
Sistem Pakar Untuk Mendiagnosa Pengguna Narkoba Dengan Menggunakan Metode
Bayes.Ismail Syaputra
84
SISTEM PAKAR UNTUK MENDIAGNOSA PENGGUNA NARKOBA
DENGAN MENGGUNAKAN METODE BAYES
Ismail Syaputra (1011623)
Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma MedanJl. Sisingamangaraja No. 338 Sp. Limun Medanwww.stmik-budidarma.ac.id//Email: [email protected]
ABSTRAK
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. Sistem ini melakukan diagnosa jenis narkoba berdasarkan dari
gejala-gejala yang diinputkan ke sistem.
Aplikasi yang dikembangkan ini bertujuan untuk menentukan jenis narkoba yang digunakan oleh
pengguna narkoba dengan hanya memperhatikan gejala-gejala yang dialami oleh pengguna narkoba. Dengan
menggunakan metode Bayes mampu menunjukkan ukuran kepastian terhadap suatu fakta dari gejala-gejala
yang ada. Keluaran sistem berupa hasil penelusuran jenis narkoba yang digunakan oleh pengguna berdasarkan
gejala-gejalanya.
Kata kunci : SistemPakar, Narkoba, Bayes
1. Pendahuluan
1.1. Latar Belakang Masalah
Narkoba adalah zat yang dapat menimbulkan
pengaruh tertentu bagi mereka yang
menggunakannya dengan cara memasukkan obat
tersebut ke dalam tubuhnya, pengaruh tersebutberupa pembiasan, hilangnya rasa sakit rangsangan,
semangat dan halusinasi. Dengan timbulnya efek
halusinasi inilah yang menyebabkan kelompokmasyarakat terutama di kalangan remaja ingin
menggunakan narkoba meskipun tidak menderita
apa-apa. Hal inilah yang mengakibatkan terjadinya
penyalahgunaan narkoba. Penyalahgunaan narkobapada remaja terjadi karena faktor pengaruh kondisi
keluarga dan lingkungan. Dalam hal ini kondisi
keluarga ditandai dengan keutuhan keluarga,kesibukan orang tua, hubungan interpersonal antar
keluarga, dapat merupakan faktor yang berperan
serta pada penyalahgunaan narkoba. Selain pada
keluarga, lingkungan seperti halnya lingkungansekolah yang tidak baik dapat menciptakan siswa
tidak terbebas dari pengaruh narkoba dan dapatmeningkatkan jumlah pengguna narkoba dikalangan remaja.
Untuk mengetahui jenis narkoba yang
digunakan berdasarkan gejala ataupun ciri-ciri dari
pengguna narkoba, maka diperlukan suatu sistem
pakar (expert system) yang berfungsi untukmenggantikan peranan pihak kepolisian dalam
menangani kenakalan remaja yang dilatarbelakangi
oleh penyalahgunaan narkoba. Sistem pakar
tersebut dapat mengetahui ciri-ciri dan jenis
narkoba yang digunakan oleh pengguna narkoba.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.Ide dasarnya adalah kepakaran ditransfer dari
seorang pakar ke komputer, pengetahuan yang ada
disimpan dalam komputer, dan pengguna dapatberkonsultasi pada komputer itu untuk suatu
nasehat, lalu komputer dapat mengambil inferensi
atau menyimpulkannya, seperti layaknya seorang
pakar, kemudian menjelaskannya ke penggunatersebut, sistem pakar terkadang lebih baik cara
kerjanya dari pada seorang pakar manusia.
Metode Bayes merupakan metode yang baikdidalam mesin pembelajaran berdasarkan data
training, dengan menggunakan probabilitas
bersyarat sebagai dasarnya. Metode Bayes jugamerupakan suatu metode untuk menghasilkan
estimasi parameter dengan menggabungkan
informasi dari sampel dan informasi lain yang telahtersedia sebelumnya. Keunggulan utama dalam
penggunaan Metode Bayes adalah penyederhanaan
dari cara klasik yang penuh dengan integral untuk
memperoleh model marginal.
1.2. Perumusan Masalah
Ada pun perumusan masalah yang akan
dibahas adalah sebagai berikut :
-
7/25/2019 Bayes (Narkoba)
2/7
Pelita Informatika Budi Darma Volume : V Nomor: 3 Desember 2013 ISSN
23 1 9425
Sistem Pakar Untuk Mendiagnosa Pengguna Narkoba Dengan Menggunakan Metode
Bayes.Ismail Syaputra
85
1. Bagaimana mengetahui jenis narkoba yangdigunakan berdasarkan gejala dari pengguna
narkoba ?2. Bagaimana menerapkan metode bayes untuk
mendiagnosa pengguna narkoba?3. Bagaimana merancang program aplikasi sistem
pakar untuk mendiagnosa pengguna narkobadengan menerapkan metodeBayes ?
1.3 Batasan Masalah
Agar pembahasan penelitian ini tidak
menyimpang dari apa yang telah dirumuskan, makadiperlukan batasan-batasan. Batasan-batasan dalam
penelitian ini adalah :
1. Metode bayes digunakan hanya untukmendiagnosa pengguna narkoba seperti
pengguna ganja, cocain, heroin, ekstasi, shabu,
inhalen, dan alkohol.2. Tidak memberikan solusi berupa obat-obatan
dari pengguna narkoba seperti pengguna ganja,
cocain, heroin, ekstasi, shabu, inhalen, danalkohol.
3. Gejala yang dibahas adalah gejala fisik yangdialami pengguna narkoba.
4. Perancangan program aplikasi system pakarmenggunakan bahasa pemrogramanMicrosoftVisual Basic 2008.
1.4 Tujuan dan Manfaat PenelitianAdapun tujuan penelitian ini adalah :
1. Untuk mengetahui jenis narkoba yang
digunakan berdasarkan gejala dari penggunanarkoba.
2. Untuk menerapkan metode bayes dalam
mendiagnosa pengguna narkoba3. Untuk merancang program aplikasi sistempakar untuk mendiagnosa pengguna narkoba
dengan menerapkan metodeBayes ?
Adapun manfaat dari penelitian ini adalah :
1. Dapat membantu masyarakat awam untukmengenal jenis narkoba berdasarkan gejala dari
pengguna narkoba .
2. Dapat mempermudah proses identifikasi ataumempermudah pihak-pihak terkait dalam
mendiagnosa pengguna narkoba.
3. Dapat membantu masyarakat mengetahui
bahaya penggunaan narkoba.
2. Landasan Teori
2.1 Sistem
Menurut Tata Sutarbi dalam bukunya SistemInformasi Management (2005:9) sistem adalah
sekelompok unsur yang erat hubungannya satu
dengan yang lain, yang berfungsi bersamasamauntuk mencapai tujuan tertentu.
Menurut Tata Sutarbi dalam bukunya Sistem
Informasi Management (2005:11) Model umumsebuah sisten adalah input proses dan output. Hal
ini merupakan konsep sebuah sistem yang sangatsederhana sebab sebuah sistem dapat mempunyai
beberapa masukan dan keluaran. Selain itu, sebuahsistem memiliki karakteristik atau sifat- sifat
tertentu yang mencirikan bahwa hal tersebut bias
dikatakan sebagai suatu sistem.
2.2 PakarPakar atau ahli ialah seseorang yang banyak
dianggap sebagai sumber tepercaya atas teknik
maupun keahlian tertentu yang bakatnya untuk
menilai dan memutuskan sesuatu dengan benar,baik sesuai dengan aturan dan status oleh
sesamanya ataupun khayalak dalam bidang khusus
tertentu. Lebih umumnya, seorang pakar ialah
seseorang yang memiliki pengetahuan ataupunkemampuan luas dalam bidang studi tertentu. Para
pakar dimintai nasihat dalam bidang terkait mereka,
namun mereka tidak selalu setuju dalamkekhususan bidang studi. Melalui pelatihan,
pendidikan, profesi, publikasi, maupun
pengalaman, seorang pakar dipercaya memilikipengetahuan khusus dalam bidangnya di atas rata-
rata orang, di mana orang lain bisa secara resmimengandalkan pendapat pribadi.
2.3 Sistem Pakar
Menurut Muhammad Arhami dalam bukunya
Konsep Dasar Sistem Pakar (2005:3). Sistem pakar
adalah salah satu cabang dari AI yang membuatpenggunaan secara luas knowledge yang khusus
untuk penyelesaian masalah tingkat manusia yang
pakar. Seorang pakar adalah orang yang
mempunyai keahlian dalam bidang tertentu, yaitu
pakar yang mempunyai knowledge atau mampu
dalam bidang yang dimilikinya. Ketika sistempakar yang dikembangkan pertama kali sekitar 70-
an sistem pakar hanya berisi knowledge yang
eksklusif. Namun demikian sekarang ini istilahsistempakar sering digunakan untuk berbagai
macam sistem yang menggunakan teknologi sistem
pakar itu.
2.3.1.Konsep Dasar Sistem Pakar
Pengetahuan dari suatu sistem pakar mungkindapat direpresentasikan dalam sejumlah cara. Salah
satu metode yang paling umum untuk
merepresentasikan pengetahuan adalah dalam
bentuk tipe aturan (rule) IfThen (JikaMaka)
2.3.2 Struktur Sistem Pakar
Sistem pakar terdiri dari dua bagian pokok,
yaitu lingkungan pengembangan (developmentenvirontment) dan lingkungan konsultasi
(consultation environtment). Lingkungan
pengembangan sistem pakar digunakan untukmemasukkan pengetahuan pakar ke dalam
lingkungan sistem pakar, sedangkan lingkungan
konsultasi digunakan oleh pengguna yang bukanpakar guna memperoleh pengetahuan pakar.
-
7/25/2019 Bayes (Narkoba)
3/7
Pelita Informatika Budi Darma Volume : V Nomor: 3 Desember 2013 ISSN
23 1 9425
Sistem Pakar Untuk Mendiagnosa Pengguna Narkoba Dengan Menggunakan Metode
Bayes.Ismail Syaputra
86
Komponen-komponen sistem pakar dalam keduabagian tersebut terlihat dalam Gambar 1.
Gambar 1 : Arsitektur sistem Pakar
2.3.3 Ciri-Ciri Sistem Pakar
Menurut T.Sutojo dalam bukunya
Kecerdasan Buatan (2011:162) Sistem pakarmerupakan program-program praktis yang
menggunakan strategi heuristik yang
dikembangkan oleh manusia untuk menyelesaikanpermasalahan-permasalahan yang spesifik (khusus),
disebabkan oleh keheuristikannya dan sifatnya yang
berdasarkan pada pengetahuan sehingga umumnyasistem pakar mempunyai ciri-ciri sebagai berikut
(E. Turban, 1995):
1. Terbatas pada domain keahlian tertentu.2. Berdasarkan pada kaidah atau rule tertentu.
3. Dapat digunakan dalam berbagai jenis
komputer.4. Mudah dimodifikasi, yaitu dengan menambah
atau menghapus suatu kemampuan dari basis
pengetahuannya.5. Sistem dapat mengaktifkan kaidah secara searah
yang sesuai, dituntun oleh dialog dengan
pemakai.
2.4 Representasi Pengetahuan
Akuisisi pengetahuan dilakukan untuk
memperoleh pengetahuan dari pakar atau sumber
lain (sumber terdokumentasi, buku, sensor, filekomputer, dan lain-lain). Dalam proses akuisisi
pengetahuan, seorang perekayasa pengetahuan
menjembatani antara pakar dengan basispengetahuan. Perekayasa pengetahuan
mendapatkan pengetahuan dari pakar, mengolahnya
bersama pakar tersebut dan menaruhnya dalambasis pengetahuan, dengan format tertentu.
2.4.1 Kaidah Produksi
Kaidah menyediakan cara formal untukmerepresentasikan rekomendasi, arahan, atau
strategi. Pada aturan produk atau kaidah produksipengetahuan disajikan dalam aturan-aturan yang
berbentuk pasangan keadaan-aksi (condition-
action): JIKA keadaan terpenuhi atau terjadi
MAKA suatu aksi akan terjadi. Sistem Pakar yangbasis pengetahuannya selalu disajikan dalam bentukaturan produk disebut sistem berbasis-aturan (rule-
based sistem).
Dari decision table yang telah tereduksi,setiap barisnya dapat dikonversikan menjadi
IF_THEN Rule. Setiap baris pada decision table
yang telah tereduksi akan membentuk satu set rule
final. Struktur dan penulisan rule adalah sebagaiberikut :
1. RULE label : Tabel yang berisi nama rule
tersebut.2.IF : sebagai penanda awal kondisi.
3. THEN : sebagai penanda awal kesimpulan pada
sebuah rule.4. ELSE : sebagai penanda awal alternatif
kesimpulan pada sebuah rule, bersifat opsional,jadi boleh tidak ada.
Operator yang dapat digunakan pada IF-
THEN rule adalah :a.AND : semua kondisi yang dihubungkan oleh
operator ini harus bernilai benar, agar
kondisi keseluruhan rule tersebutbernilai benar. Bila ada satu kondisi
yang bernilai salah, keseluruhan rule
tersebut bernilai salah.
b. OR : Bila semua kondisi yang dihubungkan
oleh operator ini bernilai salah, maka
kondisi keseluruhanrule
tersebutbernilai salah, bila ada salah satu
kondisi atau lebih yang bernilai benar,
keseluruhan rule tersebutbernilai benar.
2.4.2 TeoremaBayesProbabilitasBayesmerupakan salah satu cara
untuk mengatasi ketidakpastian data dengan
menggunakan formula Bayes yang dinyatakandalam rumus sebagai berikut:
......(2-1)
Keterangan :P(H | E) : probabilitas hipotesis H jika diberikan
evidenceE
P(E | H) : probabilitas munculnya evidence apapunP(E) : probabilitas evidence E
Dalam bidang kedokteran teorema Bayes sudah
dikenal tapi teorema ini lebih banyak diterapkandalam logika kedokteran modern (Cutler:
1991).Teorema ini lebih banyak diterapkan pada
hal-hal yang berkenaan dengan probabilitas serta
)(
)().|()|(
EP
HPHEPEHP =
-
7/25/2019 Bayes (Narkoba)
4/7
Pelita Informatika Budi Darma Volume : V Nomor: 3 Desember 2013 ISSN
23 1 9425
Sistem Pakar Untuk Mendiagnosa Pengguna Narkoba Dengan Menggunakan Metode
Bayes.Ismail Syaputra
87
kemungkinan dari penyakit dan gejala-gejala yangberkaitan
3. Analisa Masalah
3.1 Analisa Sistem Pakar Untuk Diagnosa
Pengguna Narkoba
Pengguna narkoba dapat dideteksi dari jenisgejala atau ciri-ciri yang ditimbulkan akibat jenisnarkoba yang dikonsumsi, hal tersebut biasanya
selalu berhubungan dengan perubahan baik fisik
maupun perilaku yang ditimbulkan oleh pengguna
narkoba. Jenis narkoba yang dikonsumsi olehpengguna narkoba seperti ganja, cocain, heroin,
ekstasi, shabu, inhalen, dan alkohol. Untuk
mengetahui seseorang pengguna narkoba, makadibutuhkan suatu program sistem pakar, dimana
sistem tersebut dapat mengenali jenis narkoba yang
digunakan berdasarkan gejala-gejala yangditimbulkan oleh pengguna narkoba.
3.2 Analisa dan Logika MetodeMetode Bayesmerupakan metode yang baik
di dalam mesin pembelajaran berdasarkan datatraining , dengan menggunakan probabilitas
bersyarat sebagai dasarnya. Metode Bayes
merupakan satu metode yang digunakan untukmenghitung ketidakpastian data menjadi data yang
pasti dengan membandingkan antara ya dan tidak.
Bentuk Teorema Bayes untuk evidence tunggal Edan hipotesis tunggal H
(2-1)
Keterangan :
P(H | E) : probabilitas hipotesis H jika diberikanevidenceE terjadi
P(E | H) : probabilitas munculnya evidence E, Jika
hipotesis H terjadiP(H) : probabilitas hipotesis H tanpa
memandang evidence apa pun
P(E) : probabilitas evidence E tanpamemandang apa pun
Bentuk Teorema Bayes untuk evidence tunggal Edan hipotesis ganda H1, H2, Hn adalah
P(H1|E)
Keterangan :P(Hi | E) : probabilitas hipotesis Hi benar jika
diberikan evidence E
P(E | Hi) : probabilitas munculnya evidenc E jikadiketahui hipotesis H1 terjadi
P(Hi) : probabiltas hipotesis Hi, tanpa
memandang evidence apapunn : jumlah hipotesis yang terjadi
Dari gejala tersebut maka ditentukan nilai bayes
yang akan menentukkan probabilitas Jenis narkobayang digunakan oleh pengguna dapat dilihat pada
tabel dibawah ini
Tabel 1: Menentukan Nilai Probabilitas
Tingkat Nilai Probabilitas
Pasti 1
Cukup Pasti 0.8
Hampir Pasti 0.6
Mungkin 0.4
Tidak Pasti 0.2
Tidak Tahu 0
Andi melakukan diagnosa dengan menjawab
pertanyaan sesuai dengan gejala berikut :
G1 = 0.6 = P(E|H1)
G2 = 0.4 = P(E|H2)G3 = 0.4 = P(E|H3)
G4 = 0.4 = P(E|H4)G5 = 0.6 = P(E|H5)
G6 = 0.2 = P(E|H6)G7 = 0.2 = P(E|H7)
G8 = 0.2 = P(E|H8)Untuk mencari semesta dapat dijumlahkan dari
Hipotesa yang di atas :
8k=1 = G1 + G2 + G3 + G4 + G5 + G6 + G7 + G8
= 0.6 + 0.4 + 0.8 + 0.6 + 0.8 + 0.4 + 0.4 +
0.2
= 4.2
Setelah didapat penjumlahan di atas,
didapatlah rumus untuk menghitung semesta adalahsebagai berikut :
0.14285
0.95238
0.19047
0.14285
0.19047
0.95238
0.95238
0.04761
Setelah mendapatkan nilai P(Hi) probabilitas
hipotesis H tanpa memandang evidence apa pun,
Maka langkah selanjutnya adalah sebagai berikut:
)(
)().|()|(
EP
HPHEPEHP =
)(*)|(
)(*)|(
1HkPHkEP
HiPHiEPn
K=
=
-
7/25/2019 Bayes (Narkoba)
5/7
Pelita Informatika Budi Darma Volume : V Nomor: 3 Desember 2013 ISSN
23 1 9425
Sistem Pakar Untuk Mendiagnosa Pengguna Narkoba Dengan Menggunakan Metode
Bayes.Ismail Syaputra
88
= P(H1) * P(E|H1) + P(H2) * P(E|H2) + P(H3)
* P(E|H3) + P(H4) * P(E|H4) + P(H5) *P(E|H
5) + P(H
6) * P(E|H
6) + P(H
7) *
P(E|H7) + P(H8) * P(E|H8)
= (0.14285 * 0.6) + (0.95238* 0.4) +(0.19047* 0.4) + (0.14285 * 0.4) +
(0.19047* 0.6) + (0.95238 * 0.2) +
(0.95238 * 0.2) + (0.04761 * 0.2)
= 0.08571 + 0.38095 + 0.07618 + 0.05714 +
0.11428 + 0.19047 + 0.19066 + 0.00952
= 1.10491Setelah mendapatkan nilai nya, Maka
langkah selanjutnya mencari nilai P(Hi | E) atauprobabilitas hipotesis Hi benar jika diberikan
evidence E
P(H1|E)
P(H2|E)
P(H3|E)
P(H4|E)
P(H5|E) 0.10343
P(H6|E) 0.17239
P(H7|E) 0.17239
P(H8|E) 0.00952
Setelah mendapatkan seluruh nilai P(Hi | E),
maka jumlahkan seluruh nilai bayes nya dengan
rumus sebagai berikut :
= (0.6 * 0.07757) + (0.4 * 0.34476) + (0.8*0.06895) + (0.6 * 0.05171)
(0.8 * 0.10343) + (0.4 * 0.17239) + (0.4
*0.17239) + (0.2 * 0.00952)
= 0.46542 + 0.13790 + 0.05516 +0.03102 + 0.01074 + 0.06895 +
0.06895 + 0.01379= 0.85193 * 100 %
= 85,193 %
3.3. Perancangan
a. TampilanFormMenuPada tampilan form menu adalah bentuk
atau gambaran perancangan halaman depan yang
berisi beberapa menu diantaranya adalah menu
diagnosa, dan menu Admin, dapat dilihat padagambar di bawah ini :
Gambar 2 : TampilanForm Menu
b. TampilanFormLogin
Pada tampilan form login, apabila Adminingin login ke dalam sistem Admin klik menu
Admin. Isi username dengan Admin dan
password dengan Admin. Klik tombol OK jikaingin masuk, dan tombol Cancel jika ingin
keluar. Tampilan login dapat dilihat pada gambar dibawah ini :
Gambar 3 : TampilanForm Login
c. TampilanFormInput Data Pasien
Pada tampilanform input data Pasien adalahuntuk menginput data-data pasien, dapat dilihat
pada gambar di bawah ini :
Gambar 4 : TampilanForm Input Data Pasien
d. TampilanFormGejala NarkobaPada tampilan form gejala narkoba adalah
untuk menginput gejala narkoba, dapat dilihat pada
gambar di bawah ini :
-
7/25/2019 Bayes (Narkoba)
6/7
Pelita Informatika Budi Darma Volume : V Nomor: 3 Desember 2013 ISSN
23 1 9425
Sistem Pakar Untuk Mendiagnosa Pengguna Narkoba Dengan Menggunakan Metode
Bayes.Ismail Syaputra
89
Gambar 5 : TampilanForm Gejala Narkoba
e. TampilanFormJenis NarkobaPada tampilan form jenis narkoba adalah
hasil dari penginputan jenis-jenis narkoba, dapat
dilihat pada gambar di bawah ini :
Gambar 6 :TampilanForm Jenis Narkoba
f. TampilanFormDiagnosa Pengguna Narkoba
Pada tampilan form diagnosa pengguna
narkoba adalah untuk menampilkan hasil diagnosa
pada masing-masing jenis narkoba ketika prosesdiagnosa dilakukan. Padaform ini ditampilkan hasil
perhitungan Bayes, dapat dilihat pada gambar di
bawah ini
Gambar 7 : TampilanForm Diagnosa Pengguna
Narkoba
5. Kesimpulan dan Saran
5.1 KesimpulanBerdasarkan hasil pembahasan yang telah
dilakukan sebelumnya, maka dapat disimpulkan
bahwa :1. Sistem pakar ini menggunakan metode bayes
yang proses pencarian solusinya berdasarkan
nilai probabilitas hipotesa dan probabilitasevidence. Pada aplikasi ini, setiap gejala akan
merujuk pada satu kesimpulan yakni berupahasil diagnosa.
2. Sistem pakar ini menghasilkan berupa hasildiagnosa yang disertai dengan nilai-nilai pada
perhitungan masing-masing narkoba tersebut
serta penelusuran diagnosa dari gejala- gejala
narkoba yang diderita.3. Penulis dapat merancang aplikasi sistem pakar
untuk mendiagnosa gejala narkoba yang
ditimbulkan dengan menggunakan metodebayes.
5.2
SaranAdapun saran-saran yang dikemukaan
adalah sebagai berikut :
1. Penambahan solusi berupa obat-obatan yangdibutuhkan apabila gejala telah ddiagnosa.
2. Penambahan metode lain untuk mengatasikesulitan kepastian data dalam diagnosa,dikarenakan metode bayes hanya menentukan
probabilitas dari suatu gejala narkoba yang
ditimbulkan .3. Tampilan sistem pakar yang dibangun masih
tampak sederhana, sehingga dapat
dikembangkan lebih baik dan lebih menarik
lagi seperti diracang kedalam sebuah web
ataupun mobile.
DAFTAR PUSTAKA
1. Arhami, Muhammad, Konsep Dasar SistemPakar, Penerbit Andi, Yogyakarta, 2005.
2. Kusrini, Sistem Pakar Teori dan Aplikasi,Penerbit Andi Offset, Yogyakarta, 2006.
3. Sutojo,T., Kecerdasan Buatan, PenerbitAndi, Yogyakarta, 2011.
-
7/25/2019 Bayes (Narkoba)
7/7
Pelita Informatika Budi Darma Volume : V Nomor: 3 Desember 2013 ISSN
23 1 9425
Sistem Pakar Untuk Mendiagnosa Pengguna Narkoba Dengan Menggunakan Metode
Bayes.Ismail Syaputra
90
4. Sri Kusumadewi, Artificial Intelligence(Teknik dan Aplikasinya), Penerbit Graha
Ilmu, 2003.5. Hendrayudi, Dasar-dasar Pemrograman
Microsoft Visual Basic, Penerbit PT.SaranaTutorial Nurani Sejahtera, 2011.
6. Badan Narkotika Nasional RepublikIndonesia, Mengenal PenyalahgunaanNarkoba, 2012.
7. Badan Narkotika Nasional RepublikIndonesia, Pencegahan Penyalahgunaan
Narkoba, 2012.