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.
Bina Darma Conference on Computer Science
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
Bina Darma Conference on Computer Science
e-ISSN: 2685-2683p-ISSN: 2685-2675
M. Ardin Gozali1, Diana 2
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
Bina Darma Conference on Computer Science
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
Bina Darma Conference on Computer Science
e-ISSN: 2685-2683p-ISSN: 2685-2675
M. Ardin Gozali1, Diana 2
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
Bina Darma Conference on Computer Science
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
Bina Darma Conference on Computer Science
e-ISSN: 2685-2683p-ISSN: 2685-2675
M. Ardin Gozali1, Diana 2
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.
Bina Darma Conference on Computer Science
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.
Bina Darma Conference on Computer Science
e-ISSN: 2685-2683p-ISSN: 2685-2675
M. Ardin Gozali1, Diana 2
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.
Bina Darma Conference on Computer Science
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
Bina Darma Conference on Computer Science
e-ISSN: 2685-2683p-ISSN: 2685-2675
M. Ardin Gozali1, Diana 2
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
Bina Darma Conference on Computer Science
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
Top Related