Sistem Pakar Klasifikasi Siswa Tunagrahita Pada SLB Shanti Yoga … · (2014:26) mengemukakan bahwa...

Journal Speed – Sentra Penelitian Engineering dan Edukasi – Volume 10 No 4 – November - 2018

speed.web.id

ISSN : 1979-9330 (Print) - 2088-0154 (Online) - 2088-0162 (CDROM) 46

Sistem Pakar Klasifikasi Siswa Tunagrahita Pada SLB Shanti Yoga Klaten

Menggunakan Metode Naive Bayes

,

Universitas BSI Bandung, UBSI Yogyakarta [email protected] , [email protected]

Abstrak - SLB Shanti Yoga adalah salah satu sekolah dengan kebutuhan khusus untuk retardasi mental di Klaten. Para guru di sekolah mengalami masalah dalam mengklasifikasikan siswa yang mengalami retardasi mental untuk menentukan kelas yang akan ditempati. Dalam menentukan kelas disesuaikan dengan klasifikasi retardasi mental yang terdiri dari tiga tingkatan, yaitu retardasi mental ringan, disabilitas intelektual sedang, dan retardasi mental berat. Untuk menentukan tingkat klasifikasi retardasi mental pada siswa diperlukan diagnosis dari seorang ahli yang merupakan psikolog dan psikiater. Tetapi Shanti Yoga Special School tidak menyediakan tenaga ahli. Berdasarkan masalah ini, penulis membuat judul tesis "Sistem Pakar untuk Klasifikasi Siswa Retardasi Mental di SLB Shanti Yoga Klaten Menggunakan Metode Naive Bayes". Metode Naive Bayes digunakan oleh penulis untuk menghitung probabilitas dan statistik dari 135 data siswa di SLB Shanti Yoga Klaten mengenai gejala yang muncul. Tujuan membangun sistem pakar dalam mengklasifikasikan siswa yang mengalami retardasi mental adalah untuk mendiagnosis apakah siswa yang belajar di Yoga SLB Shanti termasuk keterbelakangan mental ringan, sedang atau berat karena masing-masing kelas menempati kelas yang berbeda. Berdasarkan tes yang dilakukan, metode Naive Bayes dapat digunakan untuk membantu perhitungan dalam sistem klasifikasi siswa cacat mental. Hal ini dibuktikan dengan penilaian klasifikasi siswa retardasi mental yang lebih tepat karena didasarkan pada gejala yang muncul yang diperlukan dalam penelitian ini. Kata kunci: Sistem Pakar, Klasifikasi Siswa Penyandang Cacat, Naif Bayes Abstract - SLB Shanti Yoga is one of the schools with special needs for the mentally retarded in Klaten. The teachers at the school experienced problems in classifying mentally retarded students to determine the class to be occupied. In determining the class adjusted to the mental retardation classification which consists of three levels, namely mild mental retardation, moderate intellectual disability, and severe mental retardation. To determine the level of mental retardation classification in students requires a diagnosis from an expert who is a psychologist and psychiatrist. But the Shanti Yoga Special School does not provide experts. Based on these problems, the authors make the title of the thesis "Expert System for Classification of Mentally Retarded Students in the SLB Shanti Yoga Klaten Using the Naive Bayes Method". The Naive Bayes method is used by the author to calculate the probability and statistics of 135 student data in the SLB Shanti Yoga Klaten regarding the symptoms that arise. The purpose of building an expert system in classifying mentally retarded students is to diagnose whether students who study at the Shanti Yoga SLB include mild, moderate or severe mental retardation because each class occupies a different class. Based on the tests made, the Naive Bayes method can be used to assist calculations in the classification system of mentally disabled students. This is evidenced by the assessment of classification of mentally retarded students which is more appropriate because it is based on the symptoms that arise that are needed in this study. Keywords: Expert System, Mentally Disabled Student Classification, Naive Bayes 1.1. Latar Belakang Masalah

Anak tunagrahita (retardasi mental) merupakan anak yang mempunyai hambatan dalam perkembangan mental maupun intelektual yang mengganggu proses pertumbuhan dibanding anak pada umumnya sehingga memerlukan perhatian khusus dari keluarga, sekolah maupun lingkungan sosial. Meskipun anak tunagrahita mempunyai hambatan dalam beraktivitas tetapi anak

tersebut tetap membutuhkan pendidikan yang layak dalam proses belajar.

SLB Shanti Yoga merupakan salah satu sekolah luar biasa yang menyediakan sarana pendidikan bagi anak berkebutuhan khusus penyandang tunagrahita. Sekolah yang berada di Klaten ini sudah banyak dikenal oleh masyarakat sehingga banyak orang tua menyekolahkan anaknya yang menyandang tunagrahita pada SLB tersebut. SLB Shanti Yoga memberikan pelayanan pendidikan pada


speed.web.id


siswa spesialis penyandang tunagrahita ringan, sedang maupun berat. Pada sekolah tersebut memberikan pendidikan yang berbeda pada setiap klasifikasi siswa tunagrahita. Siswa tunagrahita ringan mempunyai kesulitan dalam berfikir abstrak tetapi mampu mengikuti kegiatan akademik dalam batas tertentu. Pada siswa tunagrahita sedang mempunyai kesulitan dalam menerima pelajaran akademik yang harus dilatih untuk mandiri terutama dalam merawat diri sendiri. Sedangkan siswa tunagrahita berat harus di rehabilitasi sehingga tidak merugikan diri sendiri maupun orang lain.

Dalam menentukan klasifikasi tunagrahita bukan hal yang mudah karena harus mempelajari perilaku terhadap siswa. Demikian pula yang dialami oleh SLB Shanti Yoga dalam penempatan kelas siswa dibagi berdasarkan klasifikasi ringan, sedang dan berat, maka dari itu para guru harus melakukan observasi selama tiga bulan untuk menganalisa klasifikasi siswa berkebutuhan khusus tunagrahita. Namun para guru masih mengalami kesulitan dalam menentukan klasifikasi siswa setelah dilakukannya observasi. Dalam menentukan klasifikasi siswa sebaiknya sekolah menyediakan orang yang ahli yaitu psikolog atau psikiater, namun di SLB Shanti Yoga tidak tersedia tenaga ahli tersebut.

Dari paparan yang telah dijelaskan maka dibangunlah sistem pakar untuk memberikan kemudahan pada SLB Shanti Yoga dalam mendiagnosa klasifikasi tunagrahita sesuai dengan gejala yang berjudul “Sistem Pakar Klasifikasi Siswa Tunagrahita Pada SLB Shanti Yoga Klaten Menggunakan Metode Naive Bayes”. 1.2. Maksud dan Tujuan

Pembuatan sistem pakar dalam mengklasifikasikan siswa tunagrahita mempunyai maksud yaitu: 1. Membangun pakar untuk

mengklasifikasikan siswa tunagrahita pada SLB Shanti Yoga.

2. Membangun sistem untuk membantu guru SLB Shanti Yoga dalam menentukan kelas yang sesuai dengan klasifikasi siswa tunagrahita dengan tepat. Sedangkan tujuan membangun sistem

pakar sebagai berikut: 1. Membangun sistem pakar untuk

mengklasifikasi siswa tunagrahita sehingga dapat membantu guru atau pengelola SLB Shanti Yoga sesuai dengan kebutuhan.

2. Sistem pakar dapat mengidentifikasi siswa tunagrahita dengan akurat.

1.3. Ruang Lingkup Ruang lingkup masalah dijadikan batasan

penulis dalam membatasi pokok bahasan mengenai sistem pakar yang dibuat antara lain: 1. Sistem pakar mendiagnosa klasifikasi

siswa tunagrahita berdasarkan data gejala-gejala yang timbul.

2. Metode yang digunakan dalam membuat sistem pakar yaitu naive bayes.

3. Sistem pakar pengklasifikasian siswa tunagrahita hanya digunakan oleh SLB Shanti Yoga.

2.1. Tinjauan Pustaka 2.1.1. Sistem Pakar

Sistem merupakan objek-objek yang dikumpulkan berupa orang, konsep dan prosedur yang ditujukan untuk melakukan fungsi tertentu dalam memenuhi suatu tujuan dengan membangun interaksi bersama-sama secara kolektif untuk melaksanakan tujuan (Pratiwi,2016:4).

Sistem pakar merupakan sistem yang mempunyai kemampuan atau keahlian layaknya seorang pakar dalam bidang tertentu ke dalam sistem atau program komputer yang dibuat dengan tampilan yang dapat berfungsi oleh pengguna, dalam hal ini pengguna bukanlah pakar sehingga dengan sistem tersebut seseorang dapat mengambil kebijakan ataupun keputusan seperti halnya sorang pakar (Andriani,2017:9).

2.1.2. Tunagrahita

Anak penyandang tuna grahita merupakan seseorang yang memiliki kekurangan yang disebabkan karena faktor keturunan, permasalahan saat kelahiran serta faktor lingkungan sosial (Binasiwi,2015:1). Menurut AAMD (American Association of Mental Deficiency) menjelaskan bahwa “Ketunagrahitaan mengacu pada fungsi intelektual umum yang secara signifikan dibawah rata-rata normal bersamaan dengan kekurangan dalam tingkah laku penyesuaian diri dan semua ini berlangsung pada masa perkembangan”. Tunagrahita adalah individu yang mempunyai istilah cacat mental, bodoh, dungu, lemah dalam berpikir yang memiliki tingkat inteligensia dibawah rata-rata orang pada umumnya disertai dengan ketidakmampuan dalam beradaptasi perilaku


speed.web.id


yang muncul pada masa perkembangan (Pandji dan Wardhani,2013:8).

2.1.3. Metode Naive Bayes

Metode Bayes merupakan pendekatan statistik untuk melakukan inferensi induksi mengenai klasifikasi dengan menggunakan probabilitas bersyarat sebagai dasarnya. Dalam ilmu statistik, probabilitas H di dalam E adalah probabilitas interaksi H dan E dari probabilitas E atau dengan bahasa lain P(H|E) adalah presentase banyaknya H dalam E. Metode Naive Bayes juga merupakan pengklasifikasi probabilitas sederhana berdasarkan pada Teorema Bayes. Teorema Bayes dikombinasikan dengan “Naive” yang berarti setiap atribut/variabel bersifat bebas (independent) Keuntungan metode ini ialah hanya membutuhkan data dalam jumlah kecil untuk melakukan parameter (sarana dan varians dari variabel) yang dibutuhkan dalam pengklasifikasian (Irwan dkk, 2010:882).

Naive Bayes merupakan suatu teknik pengklasifikasian berdasarkan peluang sederhana berdasarkan aplikasi Teorema Bayes dengan asumsi antar variabel penjelas saling bebas (independen) yaitu kehadiran atau ketiadaan dari suatu kejadian tertentu tidak berhubungan dengan kehadiran dari kejadian yang lain (Kesuma & Ma’rifati, 2018). Adapun rumus algoritma naive bayes sebagai berikut:

Keterangan:

: Probabilitas A akibat B

: Probabilitas B akibat A

: Probabilitas A tanpa memandang

faktor apapun

: Probabilitas B tanpa memandang

faktor lain Atau dapat dihitung dengan rumus:

Keterangan:

: Probabilitas (Peluang)

: Hipotesis (Hasil Diagnosa)

: Evidence (Gejala)

2.1.4. Model Pengembangan Perangkat

Lunak Waterfall SLDC atau Software Development Life

Cycle menurut Sukamto dan Shalahuddin (2014:26) mengemukakan bahwa “SLDC adalah proses mengembangkan atau mengubah suatu sistem perangkat lunak

dengan menggunakan model-model perangkat lunak sebelumnya (berdasarkan best practice atau cara-cara yang sudah teruji baik)”.

Model waterfall atau model air terjun dan disebut model sekuensial linier atau alur hidup klasik merupakan model yang memberikan pendekatan alur hidup software secara terurut dengan lima tahap yaitu analisa, desain, pengkodean, pengujian dan tahap pendukung (Sukamto dan Shalahuddin,2014:28).

Tahap-tahap model waterfall menurut Sukamto dan Shalahuddin (2014:29), sebagai berikut: 1. Analisa kebutuhan perangkat lunak

Proses untuk menentukan data dengan cara mendokumentasikan kebutuhan software sesuai dengan kebutuhan user.

2. Desain Proses ini merepresentasi struktur data, arsitektur perangkat lunak, antarmuka dan pengkodean untuk diimplementasi menjadi program.

3. Pembuatan kode program Proses menciptakan program perangkat lunak yang mengacu pada desain yang telah dibuat.

4. Pengujian Suatu proses untuk meminimalisir kesalahan dengan menguji program perangkat lunak.

5. Pendukung Proses mengembangkan program perangkat lunak yang sudah dibuat.

2.1.5. Basis Data Basis data merupakan suatu proses

menyediakan dan memelihara data dan informasi yang sudah diolah kedalam sistem terkomputerisasi atau dapat diartikan sebagai media untuk menyimpan data sehingga dapat diakses dengan mudah dan cepat (Sukamto dan Shalahuddin,2014:43). Basis data (database) atau sering disebut sebagai juga pangkalan data merupakan tempat berkumpulnya data-data yang saling berhubungan dan terintegrasi mengenai operasional perusahaan yang disimpan dan dikelola dengan cara yang sistematis dengan tujuan agar dapat disimpan, dimodifikasi, dicari dan digunakan kembali dengan mudah dan cepat (Aditiyawarman, 2016). 2.1. Hasil Wawancara Pakar

Dari ketiga pakar yang telah diwawancara oleh penulis, telah didapatkan hasil yang rata-rata mempunyai persepi yang


speed.web.id


sama. Adapun hasil wawancara yang diperoleh antara lain: 1. Tunagrahita diklasifikasikan menjadi tiga

yaitu tunagrahita ringan, sedang dan berat. Dalam dunia kedokteran jiwa/kejiwaan, penentuan klasifikasi tunagrahita menggunakan data terukur dan tidak terukur. Jika data terukur menggunakan nilai IQ, nilai IQ untuk tunagrahita ringan yaitu 50-70, sedang 35-49, dan berat IQ 20-34. Data yang tidak terukur artinya diperiksa dokter menggunakan gejala yang biasanya terkait dengan perawatan diri. Tunagrahita ringan bisa mandiri dalam mengerjakan kegiatan sehari-hari, tunagrahita sedang mampu melakukan perawatan diri namun harus diarahkan, sedangkan tunagrahita berat harus diajari dalam jangka waktu yang lama.

2. Dalam penampilan fisik, tunagrahita ringan lebih banyak memiliki wajah datar, tidak bisa tersenyum lebar, tertawa lebar, dan pada kasus tertentu beberapa penyandang tunagrahita memiliki wajah yang khusus atau memiliki ciri khas seperti mongoloid.

3. Terapi untuk anak penyandang tunagrahita terdiri dari dua macam yaitu terapi obat dan terapi non obat. Terapi obat untuk merangsangsang perkembangan otak. Dalam setiap klasifikasi tunagrahita obat yang digunakan biasanya sama, hanya saja menyesuaikan berat badan. Sedangkan terapi non obat disesuaikan dengan kebutuhan, ada beberapa terapi non obat seperti fisio terapi, okupasi terapi dan masih banyak lagi terapi yang bisa diberikan.

4. Setiap anak memiliki perkembangan yang berbeda-beda, tapi pada prinsipnya perkembangan anak ditargetkan pada kemandirian sehingga dapat merawat diri sendiri tanpa dibantu orang lain.

2.2. Algoritma Sistem Pakar Berikut merupakan algoritma sistem

pakar yang dibuat dengan diagram alur flowchart:

Mulai

Menu Beranda

Input

Username

dan

Password

Input Data

Diri Siswa

Tampil

Pertanyaan

Data Siswa

Jawab

Pertanyaan

If Gejalap(A l B ) = p(B l A) x p(A)

p(B)

Data Gejala

Output

Hasil

Klasifikasi

Simpan Hasil

KlasifikasiData Siswa

Selesai

Sumber : Olahan Sendiri

Gambar 2.1. Algoritma Sistem Pakar 2.3. Tabel Pakar

Tabel pakar terdiri dari tabel klasifikasi, tabel gejala, tabel solusi dan tabel aturan. 1. Berikut merupakan tabel klasifikasi:

Tabel.III.1. Klasifikasi Tunagrahita

Kode Klasifikasi

T01 Tunagrahita Ringan

T02 Tunagrahita Sedang

T03 Tunagrahita Berat

Sumber : Olahan Sendiri 2. Berikut merupakan tabel gejala

tunagrahita: Tabel.III.2

Gejala Tunagrahita

Nama Gejala

Memiliki daya ingat yang lemah

Kurang pembendaharaan kata-kata

Mengalami kesulitan dalam membaca dan menulis

Komunikasi terbatas untuk kebutuhan dasar

Pencapaian tingkat kecerdasan dibawah rata-rata

Mengalami kesulitan dalam pekerjaan sekolah yang bersifat akademik

Memiliki sifat kekanak-kanakan

Karakter wajah normal

Masih mempunyai potensi belajar memelihara diri dan menyesuaikan diri terhadap lingkungan

Mencapai keterampilan praktis dan keterampilan rumah tangga meskipun terlambat daripada normal

Dapat membedakan bahaya dan bukan bahaya

Masih dapat mengikuti percakapan sederhana

Kemandirian dapat dilakukan tanpa bantuan, namun harus diarahkan

Gerakan terkendali seperti pada umumnya

Masih dapat berbicara lancar

Masih dapat mengikuti pelajaran akademik


speed.web.id


Mandiri penuh dalam merawat diri sendiri meskipun terlambat daripada normal

Memiliki IQ 50-70

Mampu dididik

Pandangan kosong dan tanpa ekspresi

Tidak ada respon ketika dipanggil

Memiliki kelainan pada mata sipit membujur keatas

Memiliki kelainan pada letak telinga lebih rendah

Perilaku tidak sesuai anak normal

Motorik lemah

Sering mengabaikan rasa sakit

Memiliki kelainan pada mulut kecil dengan lidah besar sehingga cenderung dijulurkan

Memiliki kebiasaan membeo

Mengalami gangguan autisme

Mengalami gangguan epilepsi

Mengalami gangguan disabilitas fisik

Memiliki kebiasaan suka melamun

Canggung dalam interaksi sosial

Rentang perhatian tidak tahan lama

Tidak dapat berpartisipasi dalam lingkungan sekitar

Memiliki IQ 35-49

Suka bermain sendiri meskipun ada teman

Mampu dilatih

Tertawa tiba-tiba

Memiliki IQ 20-34

Memiliki kelainan pada jarak kedua mata berjauhan pada jembatan hidung yang rata

Memiliki karakter down syndrome dan brain damage

Sepanjang hidup masih bergantung pada pertolongan dan bantuan orang lain

Tidak dapat memelihara diri sendiri seperti makan, berpakaian, dan ke WC

Gerakan tidak terkendali

Perlu dirawat

Suka memukul benda disekitar

Sumber : Olahan Sendiri 3. Berikut merupakan tabel solusi:

Tabel.III.3.

Solusi Terapi Tunagrahita

Kode Solusi Tunagrahita

S01 Terapi Fisioterapi, Terapi Wicara, Terapi Remidial, Terapi Kognitif, Terapi Sensori Integritas, Terapi Permainan

S02 Terapi Fisioterapi, Terapi Wicara, Terapi Remidial, Terapi Kognitif, Terapi Sensori Integritas, Terapi Permainan, Terapi Okupasi

S03 Terapi Fisioterapi, Terapi Okupasi, Terapi Sensori Integritas dan Terapi Snoezelen

Sumber : Olahan Sendiri Keterangan: S01 : Solusi Terapi Tunagrahita Ringan S02 : Solusi Terapi Tunagrahita Sedang S03 : Solusi Terapi Tunagrahita Berat 4. Berikut merupakan tabel basis aturan:

Tabel.III.4. Basis Aturan

Kode

Kode Gejala Kode Solus

i

T01 G01, G02, G03, G04, G05, G06, G07, G08, G09, G10, G11, G12, G13, G14, G15, G16, G17, G18, G19

S01

T02 G01, G02, G03, G04, G05, G06, G07, G08, G09, G10, G11, G12, G13, G14, G20, G21, G22, G23, G24, G25, G26, G27, G28, G29, G30, G31, G32, G33, G34, G35, G36, G37, G38, G39

S02

T03 G01, G02, G03, G04, G05, G06, G07, G20, G21, G22, G23, G24, G25, G26, G27, G28, G29, G30, G31, G32, G33, G34, G35, G40, G41, G42, G43, G44, G45, G46, G47

S03

Sumber : Olahan Sendiri 2.4. Pohon Keputusan Pakar

Keberhasilan pakar dapat ditentukan oleh keputusan pakar yang berupa pohon


speed.web.id


keputusan pakar. Berikut gambar pohon keputusan pakar:

G01

G02

G03

G04

G05

G06

G07

G08

G09

G10

G11

G12

G13

G14

G20

G21

G22

G23

G24

G25

G26

G27

G28

G29

G30

G31

G32

G33

G34

G35

G40

G41

G42

G43

G44

G45

G46

G47

G36

G37

G38

G39

G15

G16

G17

G18

G19

T01

S01

T02

T03

S02

S03 Sumber : Olahan Sendiri

Gambar III.1. Pohon Keputusan Pakar

2.5. Perhitungan Naive Bayes

Gejala

Memiliki daya ingat yang lemah

Mengalami kesulitan dalam membaca dan menulis

Komunikasi terbatas untuk kebutuhan dasar

Pencapaian tingkat kecerdasan dibawah rata-rata

Mengalami kesulitan dalam pekerjaan sekolah yang bersifat akademik

Memiliki sifat kekanak-kanakan

Memiliki kelainan pada mata sipit membujur keatas

Perilaku tidak sesuai anak normal

Memiliki kelainan pada mulut kecil dengan lidah besar sehingga cenderung dijulurkan

Memiliki kebiasaan suka melamun

Tidak dapat berpartisipasi dalam lingkungan sekitar

Memiliki IQ 20-34


Dengan gejala yang telah disebutkan diatas, dapat ditentukan klasifikasi siswa tunagrahita. Adapun langkah-langkah sebagai berikut:

1. Langkah pertama melihat probabilitas klasifikasi tunagrahita dan gejala yang timbul.

Tabel.III.5. Probabilitas Terhadap Gejala Yang

Timbul Pada Siswa

Probability

Hypothesis

i = 1 i = 2 i = 3

0,3 0,5 0,2

0,5 0,6 0,7

0,4 0,4 0,5

0,3 0,3 0,4

0,5 0,5 0,5

0,4 0,4 0,6

0,3 0,5 0,3

0,1 0,5 0,3

0,1 0,3 0,5

0,1 0,4 0,5

0,2 0,6 0,3

0,1 0,2 0,6

0,1 0,3 0,7

Sumber : Olahan Sendiri 2. Menghitung nilai bayes berdasarkan

probabilitas klasifikasi tunagrahita dan gejala yang timbul.

Rumus:

Berdasarkan perhitungan naive bayes diatas dapat dihasilkan nilai:

0,000068371393

0,246137016272

0,753794612334 +

1


speed.web.id


Dengan perhitungan diatas dapat disimpulkan

bahwa disebut

tunagrahita berat dengan nilai tertinggi yaitu

0,753794612334 , maka siswa dengan gejala diatas

merupakan siswa yang menyandang tunagrahita

berat.

4.1. Use Case Diagram

Use case digunakan penulis untuk

mendeskripsikan interaksi antara beberapa aktor

yaitu admin dan guru dengan sistem yang dibuat

sehingga dapat diketahui fungsi-fungsi sistem.

Berikut merupakan use case sistem pakar

klasifikasi tunagrahita:

uc Use Case Model

Guru

Login

Admin

Mengelola Data

Siswa

Mengelola Data

Solusi

Mengelola Data

Gejala

Melakukan

Diagnosa

Mengelola data

Guru

Mengelola Data

Admin

Melihat Laporan

Data Siswa

Data Penyakit

«include»

«include»

«extend»

«include»

«include»

«include»

«include»

«include»

«include»

«include»

Gambar IV.1. Use Case Diagram Sistem

Pakar Klasifikasi Siswa Tunagrahita

4.2. Entity Relationship Diagram (ERD)

daftar_gejala

daftar_admin

daftar_user

daftar_penyakit

memiliki

id_user

j_kel

nama

tmp_lhr

agama

status_kel

anak_ke

tgl_masuk

alamat

pekerjaan_ibu

alamat_walli

nama_wali

pekerjaan_wali

telepon_wali

nama_ibu

alamat_ortu

nama_ayah

pekerjaan_ayah

telepon_ortu

id_penyakit

nama_penyakit

npenyakit

id_gejala

gejala

tgl_lhr

daftar_solusi

id_solusi

solusi

id_penyakit

basis_aturan

ngejala_berat

ngejala_sedang

id_grahita

ngejala_ringan

id_aturan

pertanyaan

id_gejala

fakta_tidak

fakta_ya

password

st_kepegawaianid_admin

j_kel

nama_admin

tgl_lhr

tmp_lhr jenjang

gelar

daftar_guru

jenis_ptk

tmt_kerja

st_kepegawaian

mengajarjenjang

sertifikasi

jurusan

tgs_tambahan

nip

j_kel

nama_guru

tgl_lhr

tmp_lhr

gelar

1

tgl_diagnosa id_penyakit

password

memiliki

m

id_admin

memiliki

id_penyakit

id_solusi

memiliki

m

1

memiliki

m

1

Gambar IV.2. Entity Relationship Diagram

(ERD)

1. Activity Diagram Diagnosa di Halaman Admin

Sistem menampilkan form siswa yang akan

didiagnosa kemudian admin harus mengisi NIS dan

Nama Siswa. Selanjutnya admin memilih tombol

mulai dan sistem menampilkan pertanyaan

mengenai gejala-gejala tunagrahita. Admin

menjawab pertanyaan tersebut berdasarkan gejala

yang muncul pada siswa dangan menjawab “Ya”

atau “Tidak”. Sistem akan memproses jawaban dan

manampilkan form hasil diagnosa. Dan untuk

menyimpan hasil tersebut maka admin harus

memilih tombol simpan. act Activ ity Diagram Diagnosa

SystemAdmin

Menampillan form siswa

yang akan didiagnosa

Mengisi NIS dan Nama

Siswa

Memilih tombol mulai

siswaMenampilkan form

pertanyaan

Menjawab pertanyaan

yang ditampilkan

Ya Tidak

Memproses jawaban

Menampilkan form hasil

diagnosa

Memilih tombol simpan

Menyimpan hasi

diagnosa


Gambar IV.3. Activity Diagram Diagnosa di

Halaman Admin

4.3. Antarmuka

1. Desain Antarmuka Halaman Awal

Gambar IV.4. Desain Antarmuka Halaman

Awal 2. Desain Antarmuka Halaman Pertanyaan

Gambar IV.5. Desain Antarmuka Halaman Pertanyaan

3. Desain Antarmuka Halaman Hasil Diagnosa


speed.web.id


Gambar IV.6. Desain Antarmuka Halaman

Hasil Diagnosa

5.1. Kesimpulan

Berdasarkan uraian dan penjelasan pada bab-

bab sebelumnya, maka penulis dapat

menyimpulkan:

1. Sistem pakar klasifikasi tunagrahita dibuat

dengan menggunakan metode naive bayes dan

berdasarkan hasil pengujian yang telah

dilakukan maka diperoleh nilai keakuratan

sebesar 93,33% dari 15 sampel yang

mempunyai 14 hasil yang sama dan hanya 1

yang berbeda dengan sistem.

2. Sistem pakar yang telah dihasilkan dapat

membantu guru SLB Shanti Yoga untuk

mendiagnosa tingkat klasifikasi siswa

tunagrahita dalam menentukan kelas yang akan

ditempati siswa.

DAFTAR PUSTAKA

Aditiyawarman, Didih. (2016). Implementasi

Problem Based Learning Untuk

Meningkatkan Kemampuan Mahasiswa

Dalam Merancang Basis Data. Diambil dari:

http://ejournal.bsi.ac.id/ejurnal/index.php/ji/

article/view/835/947 (15 Mei 2015)

Andriani, Anik. (2017). Pemrograman Sistem Pakar

Konsep Dasar dan Aplikasinya

Menggunakan Visual Basic 6. Yogyakarta:

MediaKom

Andriyanto, Irwan, Santoso Edy dan Suprapto.

(2018). Pemodelan Sistem Pakar Untuk

Menentukan Penyakit Diabetes Militus

Menggunakan Metode Naive Bayes.

Diambil dari:

http://jptiik.ub.ac.id/index.php/j-

ptiik/article/download/991/378/ (14 Mei

2018)

Pandji, Dewi dan Wardhani, Winda. (2013).

Sudahkah Kita Ramah Anak Special Needs?.

Jakarta: PT Elex Media Komputindo

Panti Asuhan Binasiwi. (2015). Menghapus Stigma

Membangun Percaya Diri Anak Tunagrahita

Melalui Pemberdayaan Partisipatoris.

Yogyakarta: Lintang Pustaka Utama.

Pratiwi, Heny. (2016). Buku Ajar Sistem

Pendukung Keputusan. Yogyakarta:

Deepublish.

Ma’rifati, Imam Soleh dan Kesuma. (2018).

Pengembangan Sistem Pakar Mendeteksi

Penyakit Pencernaan Menggunakan Metode

Naive Bayes berbasis Web. Diambil dari:

https://ejournal.bsi.ac.id/ejurnal/index.php/e

volusi/article/view/3543. (04 Mei 2018)

Sukamto, Rosa A. dan Shalahuddin, M. (2014).

Rekayasa Perangkat Lunak Terstruktur dan

Berorientasi Objek. Bandung: Informatika

Bandung.

http://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/835/947%20(15

http://ejournal.bsi.ac.id/ejurnal/index.php/ji/article/view/835/947%20(15

http://jptiik.ub.ac.id/index.php/j-ptiik/article/download/991/378/

http://jptiik.ub.ac.id/index.php/j-ptiik/article/download/991/378/

https://ejournal.bsi.ac.id/ejurnal/index.php/evolusi/article/view/3543

https://ejournal.bsi.ac.id/ejurnal/index.php/evolusi/article/view/3543

Sistem Pakar Klasifikasi Siswa Tunagrahita Pada SLB Shanti Yoga … · (2014:26) mengemukakan bahwa...

Documents

Transcript of Sistem Pakar Klasifikasi Siswa Tunagrahita Pada SLB Shanti Yoga … · (2014:26) mengemukakan bahwa...