Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
52
PENERAPAN NAIVE BAYES UNTUK DIAGNOSA PENYAKIT DIARE USIA
BALITA PADA SISTEM PAKAR BERBASIS WEBSITE
Elah Nurlelah
STMIK Nusa Mandiri Sukabumi Jl. Veteran II No.20A, Kota Sukabumi
nurelah.elah@gmail.com
Rusda Wajhillah
STMIK Nusa Mandiri Sukabumi Jl. Veteran II No.20A, Kota Sukabumi
rusda.rwh@nusamandiri.ac.id
ABSTRACT — Diarrhea is spending the stool is not normal
and liquid. Large water discharge is not normal and form liquid stools with greater frequency than usual. In this study, the data will be analyzed diarrheal disease in children under five using Naive Bayes method using eight parameters such as gender, age (months), the frequency of defecation, stool consistency, the state of the eyes, the state of turgor, the desire to drink and general conditions. In order to obtain the value of information faster and more flexible, application of expert system for diagnosing diarrheal disease is made with web-based applications, so it can be accessible to the wider community, in addition to this application can also help medical workers to make decisions in the diagnosis of diarrheal diseases. Of the 140 total number of cases consisted of 84 cases of patients who contracted diarrhea and 56 cases of patients who are not infected with diarrheal diseases in children under five are obtained from UPTD Puskesmas Caringin, then obtained 17 rule resulting from interviews with experts with the number of the class is not as much as 9 rule and the number of class so much as 8 rule, so it can be concluded that the research that is implemented into a web application can help users, especially the parents in diagnosing diarrheal disease in children under five Keywords: Expert System, Naive Bayes, Diarrheal Diseases, Early Childhood
INTISARI— Diare adalah pengeluaran tinja tidak normal dan cair. debit air besar tidak normal dan membentuk tinja cair dengan frekuensi yang lebih besar dari biasanya. Dalam penelitian ini, data yang akan dianalisa penyakit diare pada anak balita menggunakan metode Naive Bayes menggunakan delapan parameter seperti jenis kelamin, umur (bulan), frekuensi buang air besar, konsistensi tinja, keadaan mata, keadaan turgor, keinginan untuk minum dan kondisi umum. Dalam rangka untuk mendapatkan nilai informasi yang lebih cepat dan lebih fleksibel, aplikasi sistem pakar untuk mendiagnosa penyakit diare dibuat dengan aplikasi berbasis web, sehingga dapat diakses oleh masyarakat luas, selain aplikasi ini juga dapat membantu tenaga medis untuk membuat keputusan dalam diagnosis penyakit diare. Dari 140 jumlah total kasus terdiri dari 84 kasus pasien yang terjangkit diare dan 56 kasus pasien yang tidak terinfeksi penyakit diare pada anak balita diperoleh dari UPTD Puskesmas Caringin, maka diperoleh
17 aturan yang dihasilkan dari wawancara dengan para ahli dengan jumlah kelas tidak sebanyak 9 aturan dan jumlah kelas sehingga sebanyak 8 aturan, sehingga dapat disimpulkan bahwa penelitian yang diimplementasikan ke dalam aplikasi web dapat membantu pengguna, khususnya orang tua dalam mendiagnosis penyakit diare pada
anak-anak balita
Kata kunci: Sistem Pakar, Naif Bayes, Penyakit diare, Anak Usia Dini
PENDAHULUAN
Diare merupakan salah satu permasalahan global yang memiliki angka morbiditas (kesakitan) dan mortalitas (kematian) yang tinggi terutama di negara berkembang seperti Indonesia. Di Indonesia dapat ditemukan sekitar 60 juta kejadian diare setiap tahun sebagian besar (70-80%) dari penderita ini adalah anak bawah lima tahun, (Sugihartiningsih dan Hafidudin, 2016:436). Diare adalah pengeluaran tinja yang tidak normal dan cair. Buangan air besar yang tidak normal dan bentuk tinja yang cair dengan frekuensi yang lebih banyak dari biasanya. Di kalangan masyarakat penyakit diare cenderung di anggap sebagai penyakit yang remeh karena diatasi dengan cara yang mudah yaitu memberikan obat-obatan tanpa diketahui jenis diare yang dialami oleh balita serta tanpa penanganan yang dilakukan oleh tenaga medis (Destarianto et al, 2015:122). Berdasarkan data diatas dapat diketahui bahwa diare mempunyai prevalensi yang sangat tinggi dan mempunyai andil yang besar dalam meningkatkan angka kematian anak balita di Indonesia. Faktor yang mempengaruhi kejadian diare, antara lain yang paling sering adalah: ketersediaan air bersih, sanitasi buruk dan perilaku hidup tidak sehat, sedangkan secara klinis dapat disebabkan oleh infeksi, makanan dan psikologis.
Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Algoritma menggunakan teorema Bayes dan mengasumsikan semua atribut independen atau tidak saling ketergantungan yang diberikan oleh nilai pada variabel kelas (Saleh, 2015:209). Agar mendapatkan nilai informasi yang lebih cepat dan fleksibel, aplikasi sistem pakar untuk mendiagnosa penyakit diare ini dibuat dengan aplikasi berbasis web,
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
53
sehingga bisa diakses masyarakat secara luas, selain ituaplikasi ini dapat juga membantu para medis untuk melakukan pengambilan keputusan dalam mendiagnosa penyakit diare.
BAHAN DAN METODE Teori Naive Bayes
Naïve Bayes merupakan sebuah pengklasifikasian
probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan (Saleh, 2015:209). Naïve Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukakan oleh ilmuwan inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya. Metode Naïve Bayes juga dinilai berpotensi baik dalam mengklasifikasikan dokumen dibandingkan dengan metode pengklasifikasian lain dalam hal akurasi dan efisiensi komputasi (Saleh, 2015:208).
Menurut Bustami dalam Saleh (2015:209) persamaan dari teorema Bayes adalah:
. . . .. . . . . . (1) Dimana:
X : Data dengan class yang belum diketahui
H : Hipotesis data merupakan suatu class yang spesifik
P(H\X) : Probabilistik hipotesis H berdasar kondisi X
(posteriori probabilistik)
P(H) : Probabilistik hipotesis H (prior probabilitas)
P(X\H) : Probabilistik hipotesis X berdasar kondisi pada
hipotesis H
P(X) : Probabilitas X
Untuk menjelaskan metode Naïve Bayes, perlu diketahui bahwa proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi sampel yang dianalisis tersebut. Karena itu, metode Naïve Bayes di atas disesuaikan sebagai berikut:
. . . .. . . ( 2 ) Dimana variable C merepresentasikan kelas, sementara variable F1 …Fn merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sample berkarakteristik tertentu kedalam kelas C (Posterior) adalah peluang munculnya kelas C (sebelum masuk sampel tersebut, seringkali disebut prior), dikali dengan peluang kemunculan karakteristik-karakteristik sampel pada kelas
C (disebut juga likelihood), dibagi dengan kemunculan
karakteristik-karakteristik sampel secara global (disebut juga evidence). Karena itu rumus diatas dapat ditulis secara sederhana sebagai berikut:
. . . .. . . ( 3 ) Berikut adalah alur dari metode Naïve Bayes menurut Saleh (2015:211): Start Jumlah dan Probabilitas Apakah Data Numerik? Baca Data Training Tabel Probabilitas Mean tiap parameter Standar Deviasi Tiap parameter
Tabel Mean dan Standar Deviasi
Solusi
Stop
Tidak Ya
Sumber: Saleh (2015:211)
Gambar 1. Alur Metode Naïve Baiyes
Adapun keterangan dari gambar diatas sebagai berikut: 1. Baca data training
2. Hitung jumlah dan probabilitas, namun apabila data numerik maka:
a. Cari nilai mean dan standar deviasi dari masing-masing parameter yang merupakan data numerik. Adapun persamaan yang digunakan untuk menghitung nilai rata-rata hitung (mean) dapat dilihat sebagai berikut:
. . . . . . . ( 4 ) Atau
. . . ….. . . .. . . . ( 5 ) di mana:
µ : rata-rata hitung (mean) : nilai sample ke i n : jumlah sampel
Dan persamaann untuk menghitung simpangan baku (standar deviasi) dapat dilihat sebagai berikut:
. . . . . ( 6 ) Dimana:
σ : standar deviasi xi : nilai x ke –i
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
54
µ : rata-rata hitung
n : jumlah sampel
b. Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut. 3. Mendapatkan nilai dari tabel mean, standar deviasi
dan probabilitas
4. Solusi kemudian dihasilkan.
Penelitian Terkait
Pada penelitian terkait, dilakukan peninjauan kembali berdasarkan jurnal dan peneltian-penelitian yang sebelumnya telah dilakukan, diantaranya:
Penelitian dari Asnawati et al (2012) yang berjudul “Diagnosa Gejala Penyakit Diare Pada Anak Balita Menggunakan Sistem Pakar”, menjelaskan bahwa sistem pakar sangat membantu dalam menyelesaikan sebuah masalah dan dapat juga digunakan untuk mencari suatu informasi yang diperoleh dengan bantuan para ahli di bidangnya, kemudian informasi tersebut diolah dan dituangkan dalam sebuah program aplikasi agar dapat lebih mudah digunakan untuk mendeteksi penyakit diare pada anak balita, guna memberikan alternatif informasi kepada pasien mendeteksi penyakit diare pada anak balita. Kemudian menurut Wulan et al (2014) didalam penelitiannya yang berjudul “Perancangan Sistem Pakar Penentu Proses Persalinan Dengan Metode Naive Bayes Pada Kepulauan Di Daerah Terpencil Penebel Tabanan Bali”, menjelaskan bahwa metode naive bayes merupakan pendekatan statistik untuk melakukan inferensi induksi pada persoalan klasifikasi. Naive bayes memiliki asumsi bahwa hubungan antara atribut yang satu dengan atribut yang lainnya adalah bebas bersyarat untuk kelas Y. Disebut
naive karena asumsi ini cukup sulit dipenuhi dalam
kehidupan nyata, walau demikian ternyata metode ini memiliki tingkat akurasi yang cukup tinggi untuk sebagian besar kasus.
Hal ini menjadi untuk penggunaan metode naive bayes dalam mendiagnosa penyakit diare pada balita.
Selanjutnya menurut Aziz et al (2014) didalam penelitiannya yang berjudul “Perancangan Sistem Pakar Diagnosa Penyakit Syaraf Pada Wajah Berbasis Web” menyebutkan bahwa sistem pakar berbasis web sangat mudah untuk diakses kapanpun dan dimanapun oleh masyarakat selama mereka terhubung dengan jaringan internet, dengan menggunakan sistem pakar berbasis web dapat membantu dalam memberikan informasi kepada masyarakat.
Berdasarkan beberapa penelitian tersebut, maka dilakukanlah penelitian sistem pakar yang sejenis dengan Asnawati et al, yaitu tentang diagnosa penyakit diare pada anak balita. Kemudian dalam penelitian kali ini, akan diterapkan metode Naive Bayes seperti yang telah dilakukan oleh Wulan et al serta akan diimplementasikan dalam pemrograman berbasis web seperti yang telah dilakukan oleh Aziz et al (2014), karena diharapkan program ini akan lebih mudah diakses oleh para penggunanya baik oleh para tenaga medis maupun oleh para pasien.
A. Metode Pengumpulan Data
Pengumpulan data yang digunakan pada penelitian ini menggunakan data primer dengan teknik wawancara langsung terhadap pakar yang sudah memiliki pengalaman yang lama dan pengetahuan khusus dalam bidang kesehatan khusunya terhadap penyakit diare, dalam hal ini yang menjadi objek wawancara adalah dokter Puskesmas Caringin Sukabumi.
B. Pemilihan Populasi dan Sampel
Berdasarkan hasil pengumpulan data dari para pakar tenaga medis di UPTD Puskesmas Caringin, dapat diambil kesimpulan mengenai sample data pasien penyakit diare pada anak balita. Penelitian ini menggunakan sample data dengan jumlah 140 data. Berikut sample data pasien, seperti terlihat pada tabel 1 di bawah ini:
Tabel 1. Data Pasien Diare Puskesmas Caringin
Jenis
Kelamin (bulan) Usia Frekuensi BAB Konsistensi Tinja Mata Turgor untuk minum Keinginan Keadaan Umum Hasil
Perempuan 6-11 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Laki-Laki 6-11 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 12-23 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Laki-Laki 36-47 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 6-11 >3 Lembek Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 12-23 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
55
Jenis
Kelamin (bulan) Usia Frekuensi BAB Konsistensi Tinja Mata Turgor untuk minum Keinginan Keadaan Umum Hasil
Laki-Laki 48-59 >3 Lembek Cekung Kembali sangat Lambat Ingin minum terus Gelisah Ya Laki-Laki <6 >3 Lembek Cekung Kembali Lambat Ingin minum terus Gelisah Ya Laki-Laki 36-47 >3 Lembek Cekung Kembali sangat Lambat Ingin minum terus Gelisah Ya Laki-Laki 12-23 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan <6 >3 Cair Cekung Kembali Lambat Malas minum Gelisah Ya Perempuan 6-11 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 36-47 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan <6 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan <6 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 48-59 <=3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Laki-Laki 24-35 <=3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 24-35 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Laki-Laki 24-35 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Laki-Laki 48-59 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 12-23 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 48-59 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Laki-Laki 12-23 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Laki-Laki 12-23 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Laki-Laki 6-11 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 24-35 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Laki-Laki 24-35 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 48-59 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 6-11 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 24-35 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 12-23 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 48-59 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Laki-Laki 36-47 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 12-23 >3 Cair Cekung Kembali sangat Malas minum Gelisah Ya
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
56
Jenis
Kelamin (bulan) Usia Frekuensi BAB Konsistensi Tinja Mata Turgor untuk minum Keinginan Keadaan Umum Hasil
Lambat
Laki-Laki 36-47 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 48-59 >3 Lembek Cekung Kembali Lambat Ingin minum terus Sadar Ya Laki-Laki 6-11 >3 Cair Cekung Kembali sangat Lambat Malas minum Gelisah Ya Perempuan 12-23 >3 Padat Tidak Cekung Kembali segera Normal Sadar Tidak
dst
Sumber: Data rekam medis Puskesmas Caringin (2016) Untuk keperluan penelitian selanjutnya, dari 140 data terkumpul, hanya ditampilkan 40 data seperti di atas.
Tabel 2. Probabilitas Kelas Kelas
Ya Tidak
Ya 84 Tidak 56
P(Ya)=84/140 0.6 P(Tidak)=56/140 0.4 Sumber: Data hasil olahan (2016)
Tabel di atas merupakan nilai probabilitas untuk setiap kelas berdasarkan data yang ada. Dalam membuat model
Naive Bayes terlebih dahulu kita mencari probabilitas
hipotesis untuk masing-masing Kelas P (H). Hipotesis yang ada yaitu pasien (balita) yang menderita penyakit diare
dan pasien (balita) yang tidak menderita penyakit diare. Data yang digunakan adalah data utama yang diperoleh dari UPTD Puskesmas Caringin, dengan total data yaitu 140 data. 84 pasien (balita) yang menderita penyakit diare dan 56 pasien (balita) yang tidak menderita penyakit diare, perhitungan probabilitas yaitu seperti dibawah ini: P (Ya) = 84:140 = 0, 6
P (Tidak) = 56:140 = 0, 4
Setelah probabilitas untuk tiap hipotesis diketahui, langkah selanjutnya adalah menghitung probabilitas kondisi tertentu (probabilitas X) berdasarkan probabilitas tiap hipotesis (probabilitas H) atau dinamakan probabilitas
prior. Hasil perhitungan probabilitas prior dengan
menggunakan Naïve Bayes dapat dilihat pada tabel dibawah ini:
Tabel 3. Probabilitas Prior
Atribut Jml Ya Tidak P(X|Ci) Kasus (Si) Ya Tidak (S) (Si) Total 140 84 56
Jenis Kelamin Laki-laki 61 32 29 0,381 0,518
Perempuan 79 52 27 0,619 0,482 Usia < 6 12 8 4 0,095 0,071 6-11 34 20 14 0,238 0,25 12-23 33 21 12 0,25 0,214 24-35 24 13 11 0,155 0,196 36-47 14 11 3 0,131 0,053 48-59 23 11 12 0,131 0,214 Frekuensi BAB <= 33 28 4 24 0,047 0,428 > 3 112 80 32 0,952 0,571 Konsistensi Tinja Cair 72 72 0 0,857 0 Lembek 44 12 32 0,143 0,571 Padat 24 0 24 0 0,428
Keadaan Mata Cekung 84 84 0 1 0
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
57
Keadaan Turgor Kembali Lambat 17 17 0 0,202 0 Kembali Sangat Lambat 67 67 0 0,797 0 Kembali Segera 56 0 56 0 1 Keinginan Untuk Minum Malas Minum 74 74 0 0,881 0Ingin Minum Terus 42 10 32 0,119 0,571
Normal 24 0 24 0 0,428
Keadaan Umum
Sadar 24 0 24 0 0,428
Gelisah 55 23 32 0,273 0,571
Tidak Sadar 61 61 0 0,726 0
Sumber: Hasil Pengolahan(2016)
Probabilitas prior digunakan untuk menentukan kelas pada
kasus baru yang terlebih dahulu dihitung probabilitas posterior nya. Jika ada kasus baru yang terlihat seperti dibawah ini:
Misalnya ada data pasien dengan gejala konsistensi tinja lembek, frekuensi BAB >3, usia (bulan) 36-47, mata cekung, turgor kembali lambat, keinginan untuk minum terus, keadaan umum tidak sadar. Pasien tersebut mengalami penyakit diare atau tidak?
Setelah diketahui probabilitas setiap atribut terhadap probabilitas tiap kelas atau P (X|Ci), maka langkah selanjutnya adalah menghitung nilai probabilitas akhir untuk setiap kelas:
P(X|Ya)=P(Konsistensi=Lembek|Ya)*P(Frekuensi BAB= >3|Ya)*P(Usia= 36-47|Ya)*P(Mata= Cekung|Ya)*P(Turgor= Kembali Lambat|Ya)*P(Keinginan Untuk Minum= Ingin Minum Terus|Ya)*P(Keadaan Umum= Tidak Sadar|Ya) = 12/84 x 80/84 x 11/84 x 84/84 x 17/84 x 10/84 x 61/84 = 0,143 x 0,952 x 0,131 x 1 x 0,202 x 0,119 x 0,726
= 0,00031122841
P(X|Tidak)=P(Konsistensi=Lembek|Tidak)*P(Frekuensi BAB= >3|Tidak) *P(Usia= 36-47|Tidak)*P(Mata= Cekung|Tidak)*P(Turgor= Kembali
Lambat|Tidak)*P(Keinginan Untuk Minum= Ingin Minum Terus|Tidak)*P(Keadan Umum= Tidak Sadar|Tidak) = 32/56 x 32/56 x 3/56 x 0/56 x 0/56 x 32/56 x 0/56 = 0,571 x 0,571 x 0,53 x 0 x 0 x 0,571 x 0
= 0
Selanjutnya nilai tersebut dimasukkan untuk mendapatkan probabilitas akhir.
P(X|hasil= Ya)P(Ya) = 0,6 x 0,00031122841 = 0,00018673705
P(X|hasil=Tidak)P(Tidak) = 0,4 x 0 = 0
Karena nilai probabilitas akhir terbesar berada di kelas Ya, maka pendaftar tersebut mengalami penyakit diare. Dari perhitungan inilah kita dapat mengetahui apakah pasien tersebut mengalami penyakit diare atau tidak.
HASIL DAN PEMBAHASAN
A. Use Case Diagram
Untuk menggambarkan menu yang terdapat pada website sistem pakar penyakit diare berbasis naive bayes ini dapat dilihat pada gambar 4 dibawah ini:
uc Usecase Diagram Halaman Pengguna
Tampil hasil diagnosa Mengisi form data
user dan diagnosa Halaman Utama user (pengguna) Halaman Informasi Halaman Konsultasi «include» «extend»
Sumber: Hasil perancangan (2016)
Gambar 2. Use Case Diagram Diagnosa Penyakit Diare User atau pengguna sebagai actor dapat masuk ke dalam halaman utama, halaman konsultasi dengan mengisi form data user dan diagnosa lalu menampilkan hasil diagnosa penyakit diare. Selain itu pengguna juga dapat melihat halaman informasi tenatang penyakit diare.
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
58
Tabel 4. Deskripsi Use Case Diagram Diagnosa Penyakit Diare
Use Case Name Usecase Pengguna
Requirment A1-A5
Goal Pengguna mendapatkan hasil diagnosa
Pre-condition Pengguna mengisi form data pengguna dan manjawab pertanyaan konsultasi
Post-condition Pengguna melakukan konsultasi melalui web secara online
Failed end condition Pengguna tidak menjawab pertanyaan konsultasi
Primary Actor Pengguna
Main Flow/Basic Path 1. Pengguna mendaftar dengan isi form data pengguna
2. Pengguna melakukan konsultasi penyakit dengan menjawab pertanyaan
konsultasi
3. Pengguna melihat hasil diagnosa
Invariant -
Sumber: Hasil perancangan (2016)
B. Entity Relationship Diagram (ERD)
Rancangan basis data yang dituangkan dalam ERD (Entity
Relationship Diagram) yang digunakan pada sistem pakar
diagnosa penyakit diare berbasis web ini dapat dilihat pada gambar 7 dibawah ini:
Diagnosa hasildignosa No_id Pasien No_id namapasien jeniskelamin hasil 1 M umurpasien namaibu alamat Frekuensi bab Konsistensi tinja Keadaan mata Keadaan turgor Keinginan untuk minm Keadaan umum
Sumber: Hasil perancangan (2016)
Gambar 4. ERD (Entity Relationship Diagram) C. Tampilan Antar Muka Website
Tampilan antarmuka atau user interface untuk halaman konsultasi dari sistem pakar diagnosa penyakit diare menggunakan naive bayes dapat dilihat pada gambar 8 dibawah ini:
Sumber: Hasil perancangan (2016)
Gambar 5. Form Halaman Konsultasi
Sedangkan Tampilan antarmuka atau user interface untuk halaman hasil konsultasi dari sistem pakar diagnosa penyakit diare menggunakan naive bayes dapat dilihat pada gambar 6 dibawah ini:
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
59
Sumber: Hasil perancangan (2016)Gambar 6. Form Hasil Konsultasi
KESIMPULAN
Dari pembuatan website penerapan metode naive
bayes untuk diagnosa penyakit diare pada anak balita ini
dapat disimpulkan bahwa dapat membantu para tenaga medis dan juga orang tua dalam mengetahui lebih dini penyakit diare pada anak balita tanpa harus berkonsultasi secara langsung dengan pakar atau tenaga medis. Website sistem pakar ini memberikan berbagai pengetahuan mengenai penyakit diare, diantaranya melakukan diagnosa penyakit diare, juga akan mendapatkan pengetahuan mengenai penyakit diare, saran pencegahan penyakit diare, serta tindakan pertolongan pertama yang dilakukan untuk menangani penyakit diare.
Untuk penelitian lebih lanjut dapat dikembangkan dengan menambahkan gejala dan tindakan atau penanganan yang berkaitan dengan penyakit diare. Sedangkan untuk meningkatkan nilai kepercayaan dapat juga digunakan pengujian metode untuk memperoleh nilai akurasi seperti pengujian menggunakan Evaluasi Confusion Matrix dan
ROC (Receiver Operating Characteristic).
REFERENSI
Asnawati, C. E., dan Rosdiana. (2012). Diagnosa Gejala Penyakit Diare Pada Anak Balita Menggunakan Sistem Pakar. Jurnal Media Infotama, p. 8.
Aziz, E., dan D. D. (2014). Perancangan Sistem Pakar Diagnosa Penyakit Syaraf Pada Wajah Berbasis Web.
Jurnal Algoritma, p. 11.
Destarianto, P., dan Nugraheni, P. (2015). Desain Sistem Pakar Mengidentifikasi Diare Pada Balita. Jember: SEMNASKIT.
Saleh, A. (2015). Implementasi Metode Klasifikasi Naive Bayes Dalam Memprediksi Besarnya Penggunaan LIstrik Rumah Tangga. CItec Jurnal, p. 2.
Sugihartiningsih dan Hafiduddin, M. (2016). Hubungan Teknik Pemberian Susu Formula Terhadap Kejadian Diare Anak Usia 1-3 Tahun. The 3rd University
Research Colloqium, pp. 2407-9189.
Wulan, R., Lestari, M., dan N. W. P. S. (2014). Perancangan Sistem Pakar Penentu Proses Persalinan Dengan Metode Naive Bayes Pada Kepulauan Di Daerah Terpencil Penebel Tabanan Bali. Seminar Nasional