Institutional Repository | Satya Wacana Christian University: Sistem Pakar Diagnosa Penyakit Sapi dengan Metode Forward Chaining Berbasis Web

Sistem Pakar Diagnosa Penyakit Sapi Dengan Metode

Forward Chaining

Berbasis

Web

Artikel Ilmiah

Peneliti:

Mochamad Chilmi Wirawan (672013031)

Dr. Kristoko Dwi Hartomo, M.Kom

PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI

1. Latar Belakang

Seiring pertambahan jumlah penduduk dan peningkatan daya beli

masyarakat dapat dipastikan penjualan daging sapi dalam negeri akan

semakin meningkat. Salah satu faktor yang perlu diperhatikan dalam

pemeliharaan ternak sapi adalah kesehatan ternak itu sendiri. Untuk menjaga

kesehatan ternak agar selalu prima sebaiknya peternak memahami penyakit

yang sering menyerang sapi dan cara pengobatannya yang biasanya hanya

diketahui oleh dokter hewan. Salah satu cara untuk memasyarkatkan

pengetahuan pakar atau dokter hewan adalah dengan menggunakan sistem

pakar. Sistem pakar adalah salah satu kecerdasan buatan yang mengadopsi

pengetahuan, fakta dan teknik penalaran pakar yang digunakan untuk

memecahkan permasalahan yang biasanya hanya dapat dipecahkan oleh pakar

dalam bidang tersebut. Sistem pakar dapat memungkinkan untuk memperluas

jangkauan kerja pakar sehingga pengetahuan pakar dapat diperoleh dan

dipakai dimana saja [1]

Saat ini sistem pakar banyak diimplementasikan dalam dunia

kesehatan untuk mediagnosa penyakit. Dengan memanfaatkan bahasa

pemrograman komputer seperti PHP maka para pakar dapat digantikan

dengan menggunakan sejumlah algoritma-algoritma pemrograman yang dapat

mediagnosa penyakit pada ternak sapi. Oleh karena itu, aplikasi sistem pakar

ini memberikan informasi penting bagi peternak mengetahui sejak dini

kemungkinan penyebab adanya penyakit, cara penyebarannya dan saran

tindakan sendiri yang dilakukan untuk penanggulannya. Dengan demikian

penyebaran dapat diatasi jauh sebelum sapi menderita penyakit kritis.

Dari latar belakang ditemukan permasalahan yang akan penulis

pecahkan melalui penelitian tugas akhir ini yang berjudul “Sistem Pakar

Web” diharapkan dengan adanya sistem pakar ini maka gejala penyakit pada

sapi akan mudah didiagnosa dengan cepat.

2. Kajian Pustaka

Penelitian pertama adalah Sistem Pakar Diagnosa Penyakit Gigi dan

Mulut Manusia Menggunakan Knowledge Base System dan Certainly Factor.

Pembuatan aplikasi dengan konsep sistem pakar berbasis dekstop dalam

pendiagnosaan penyakit gigi dan mulut dapat membantu pendiagnosaan awal

penyakit yang berkaitan dengan gigi dan mulut. Aplikasi sistem pakar ini

dirancang dengan keluarannya berupa diagnosa beserta penanganan dan

pengobatan dari penyakit gigi dan mulut. Dengan adanya aplikasi sistem

pakar ini dapat menjadi database pengetahuan mengenai hal-hal yang

berhubungan dengan gejala dan diagnosa penyakit-penyakit gigi dan mulut

beserta solusi dari diagnosanya. Kelemahan dari penelitian ini pemodelan

ketidakpastian manusia dengan menggunakan numerik metode certainty

factor biasanya diperdebatkan. Metode ini hanya dapat mengolah

ketidakpastian/kepastian hanya 2 data saja. Perlu dilakukan beberapa kali

pengolahan data untuk data yang lebih dari 2 buah [3].

Penelitian ke dua adalah Sistem Pakar Berbasis Web Dengan Metode Probabilitas Klasik Untuk Diagnosa Penyakit Tuberkulosis Pada Manusia

Dewasa. Sistem pakar ini dapat membantu para ahli medis pemula maupun

yang tidak mengetahui secara langsung bidang penyakit tuberkolosis pada

manusia dewasa. Media pembelajaran mengenai penyakit ini dapat

bermanfaat sebagai alat pembelajaran yang murah, praktis dan dapat diakses

secara mudah dimana saja. Kelemahan dari penelitian ini adalah tidak

pastinya informasi yang didapat membuat hasil dari keputusan yang

Penelitian ke tiga adalah yaitu “Sistem Pakar Diagnosa Penyakit

Jantung dan Paru dengan Fuzzy Logic dan Certainy Factory”. Sistem Pakar

yang akan dikembangkan mengkombinasikan metode Logika Fuzzy dan

faktor kepastian dengan objek penelitian adalah penyakit pada organ dada

meliputi paru-paru dan jantung. Metode Logika Fuzzy akan digunakan untuk

menangani ketidakpastian gejala yang dialami oleh pasien dan metode faktor

kepastian akan digunakan untuk menangani ketidakmampuan seorang pakar

dalam mendefinisikan hubungan antara gejala dengan penyakit secara pasti.

Sistem pakar yang dikembangkan berbasis web, dapat diakses dimana saja

dan kapan saja. Sistem pakar yang dikembangkan juga menyediakan fasilitas

perbaikan pengetahuan dan penjelasan, dimana pakar dapat menambahkan

pengetahuan baru terhadap suatu penyakit ataupun merubah pengetahuan

yang ada pada suatu penyakit, sehingga sistem akan tetap akurat dan

mutakhir. Kelemahan dari penelitian ini adalah penentuan model inference

yang kurang tepat untuk masalah intuitive dan penanganan kontrolnya [8].

Perbedaan penelitian sebelumnya dengan penelitian penulis adalah

metode yang dipakai oleh penulis yaitu dengan metode forward chaining

dimana metode tersebut memiliki kelebihan mampu bekerja dengan baik

ketika masalah bermula dari mengumpulkan atau menyatukan informasi lalu

kemudian mencari kesimpulan apa yang dapat diambil dari informasi

tersebut. Metode ini mampu menyediakan banyak informasi dari hanya

jumlah kecil dari data. Sistem ini menggunakan teknologi web berbasis PHP

dan boodstrap yang responsive dan kompatibel untuk semua device.

3. Metode dan Perancangan

Metode yang digunakan dalam tahapan penelitian yang akan

digunakan dalam Sistem Pakar Diagnosa Penyakit Sapi Dengan Metode

Tahap Pengumpulan Data (3). Tahap Perancangan Sistem (4). Tahap

Impelemtasi Sistem (5). Tahap Pengujian Sistem.

Gambar 1 Tahap Penelitian

Metode untuk menentukan hasil diagnosa maka digunakan

metode forward chainning adalah metode pencarian atau teknik pelacakan

ke-depan yang dimulai dengan informasi yang ada dan penggabungan rule untuk

menghasilkan suatu kesimpulan atau tujuan. Metode ini merupakan grup dari

multipel inferensi yang melakukan pencarian dari suatu masalah kepada

solusinya. Metode forward chaining merupakan proses perunutan yang

dimulai dengan menampilkan kumpulan data atau fakta yang meyakinkan

menuju konklusi akhir.Jadi metode forward chaining dimulai dari informasi

masukan (if) dahulu kemudian menuju konklusi (then) [12].

Model forward chaining menggunakan model best-first search

adalah teknik penelusuran yang menggunnakan pengetahuan akan suatu

masalah untuk melakukan panduan pencarian ke arah node tempat dimana

solusi berada. Jika klausa premis sesuai dengan situasi (bernilai TRUE), maka

1. Identifikasi Masalah

2.Pengumpulan Data

3. Desain dan Perancangan

4. Implementasi

proses akan menyatakan konklusi. forward chaining adalah

data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru

konklusi diperoleh [12]. Jika suatu aplikasi menghasilkan tree yang lebar dan

tidak dalam, maka gunakan forward chaining. Tipe sistem yang dapat dicari

dengan forward chaining :

1. Sistem yang dipersentasikan dengan satu atau beberapa kondisi.

2. Untuk setiap kondisi, sistem mecari rule dalam knowledge base

untuk rule yang berkorespondensi dengan kondisi dalam bagian

IF

3. Setiap rule dapat menghasilkan kondisi baru dari konklusi yang

diminta pada bagian THEN. Kondisi baru ini ditambahkan ke

kondisi lain yang sudah ada.

4. Setiap kondisi yang ditambahkan ke sistem akan diproses. Jika

ditemui suatu kondisi baru dari konklusi yang diminta, sistem

akan kembali ke langkah 2 dan mencari rule dalam knowledge

base kembali. Jika tidak ada konklusi baru, sesi ini berakhir.

Terdapat 10 contoh aturan yang dapat dimisalkan dalam basis

pengetahuan, yaitu :

R1 : if A and B then C

R2 : if C then D

R3 : if A and E then F

R4 : if A then G

R5 : if F and G then D

R6 : if G and E then H

R7 : if C and H then I

R8 : if I and A then J

R9 : if G then J

Fakta awal yang diberikan hanya A dan E, ingin membuktikan

apakah K bernilai benar. Proses penalaran forward chaining terlihat pada

gambar 2:

Gambar 2Forward Chaining [12]

Berdasarkan proses penalaran forward chaining yang telah

dijelaskan 10 aturan sudah cukup merepresentasikan seorang pakar, karena

aplikasi sitem pakar hanya dibutuhkan gejala untuk mendeteksi penyakit

sehingga proses diagnosa penyakit tidak terlalu rumit.

Setelah data maupun informasi yang diperlukan terkumpul, tahapan

selanjutnya adalah mendesain program yang akan dibuat. Desain program

ini meliputi rancangan tampilan program dan proses yang akan dilakukan di

dalamnya. Hasil dari desain ini kemudian akan diimplementasikan ke dalam

bentuk program dengan bahasa pemrograman yang telah ditentukan

sebelumnya. Program yang telah selesai dibuat kemudian akan diuji

cobakan pada tahap verification untuk melihat apakah program telah

berjalan dengan baik dan telah sesuai dengan kebutuhan. Proses terakhir

yaitu proses maintenance yang merupakan proses untuk pemeliharaan

program yang telah dibuat, termasuk juga proses pengembangan atau update

jika ada fitur-fitur baru yang perlu ditambahkan. Sistem ini menggunakan

pemodelan Unified Modeling Language (UML). Unified Modeling

program berorientasi objek (OOP) serta aplikasinya. UML adalah

metodelogi untuk mengembangkan sistem OOP dan sekelompok perangkat

tool untuk mendukung pengembangan sistem tersebut. Terdapat 3 tahapan

pada pemodelan UML yaitu Use Case Diagram, Class Diagram, dan

Activity Diagram. Tahap 1 bisa dilihat pada gambar 3.

Gambar 3 Use Case Diagram

Use Case Diagram yaitu salah satu jenis diagram pada UML yang menggambarkan interaksi antara sistem dan actor. Terdapat 2 actor yaitu user

yaitu pengguna dan admin yang berperan sebagai administrator, actor user

mempunyai beberapa action yaitu register, login, input data diagnosa, dan melihat hasil diagnosa. Actor admin mempunyai kewenangan yang lebih tinggi yaitu bisa melakukan action, mengelola data penyakit, mengelola data gejala, mengelola data penyakit, mengelola data relasi dan melihat hasil diagnosa dari user.

Gambar 4 Class Diagram

Gambar 4 adalah Class Diagram yaitu salah satu jenis diagram pada

UML yang digunakan untuk menampilkan kelas-kelas maupun paket-paket yang ada pada suatu sistem yang nantinya akan digunakan. Total tabel yang digunakan pada database adalah 9 tabel, namun tabel yang saling berelasi adalah 8 tabel yaitu tabel peternak, tabel penyakit, tabel tmp_penyakit, tabel tabel hasil, tabel tmp_analisis, tabel relasi, tabel gejala, tabel tmp_analisis. Tabel peternak berelasi dengan hasil diagnosa dimana id_peternak menjadi

gambaran mengenai sistem maupun relasi-relasi yang terdapat pada sistem tersebut.

Gambar 5 Activity Diagram

Gambar 5 adalah Activity Diagram yaitu salah satu jenis diagram

pada UML yang dapat memodelkan proses apa saja yang terjadi pada sistem.

Gambar 5 menunjukan proses alur login pada web tersebut dapat dibedakan

menjadi 2 bagian antara admin dan client. Pada admin hanya mampu melihat

serta mendownload hasil laporan pada client, sementara client hanya dapat

upload data hasil laporan kepada admin. User melakukan login, sistem akan

melakukan cek data user lalu dari database akan mendapat data dari user.

Setalah user melakukan login user akan menuju ke proses melakukan

diagnosa. Sistem akan menampilkan form diagnosa. User akan memilih

gejala penyakit yang diderita oleh sapi. Setelah selesai proses input gejala

penyakit, sistem akan menganalisa diagnosa penyakit. Database akan

menyimpan diagnosa penyakit. Dari database sistem akan menampilkan hasil

diagnosa yang akan diterima oleh user.

4. Hasil dan Pembahasan

Hasil dari sistem yang dibangun adalah sistem pakar diagnosa untuk

mengetahui penyakit yang diderita oleh sapi yang dimiliki peternak,

menggunakan bahasa pemrograman PHP. Dengan memilih gejala yang sama

pada tampilan pilihan daftar gejala, pengguna dapat melihat hasil diagnosa

yang telah ditampilkan.

Sistem pakar diagnosa ini untuk menampilkan hasil diagnosa dari

penyakit sapi yang telah diinputkan dengan menggunakan metode forward

chaining, dengan begitu akan didapatkan nilai pasti sebagai hasil dari

diagnosa.

Gambar 6 adalah tampilan daftar penyakit sapi, dimana user

memilih gejala-gejala yang diderita oleh sapi. Seperti pada tampilan gambar 6

user memilih ciri-ciri gejala penyakit demam, ngorok, demam tremor

(kejang-kejang), Pernapasan cepat lemah atau lesu, kesulitan makan dan menelan.

Setelah selesai memilih ciri-ciri gejala yang diderita oleh sapi, maka akan

ditampilkan hasil diagnosa seperti pada gambar 7.

Gambar 7 Tampilan hasil diagnosa

Gambar 7 menampilkan hasil diagnosa penyakit sapi setelah user

menginputkan ciri-ciri gejala penyakit yang dipilih oleh user. Gambar 7

terdapat tampilan data dari user yang menampilkan nama user, jenis kelamin

mengetahui penyakit apa yang diderita oleh sapi akan tampil pada hasil

diagnosa penyakit sapi. Hasil diagnosa pada gambar 7 menunjukan sapi

menderita penyakit septichameia epizooticae (penyakit ngorok). Gambar 7

juga menampilkan definisi hasil diagnosa penyakit yang diderita oleh sapi

dan juga menampilkan solusi pengobatan diagnosa penyakit yang diderita

oleh sapi. Sistem telah menyiapkan dan memanipulasi gejala dan penyakit

menggunakan metode forward chaining pada tabel relasi yang berisi gejala

dan penyakit.

Pengujian akurasi sistem dilakukan untuk mengetahui hasil akhir

atau output yang berupa kemungkinan jenis penyakit yang dihasilkan oleh

sistem pakar dengan yang dihasilkan oleh pakar. Data pakar yang dipakai

untuk mengetahui tingkat keakurasian hasil diagnosa sistem dari peneliti

didapat dari kepustakawan dan arsip dari puskeswan yang berada di pasar

hewan daerah Ambarawa Kab. Semarang. Data gejala, penyakit dan solusi

tersebut diambil dari pencatatan yang sudah ada pada puskeswan tersebut

untuk mendapatkan data yang relevan dengan kenyataan yang ada pada

daerah tersebut. Dengan data yang didapat dari pakar akan diketahui seberapa

Tabel 1 Pengujian akurasi hasil diagnosa

No Gejala yang diinputkan Hasil Diagnosa Hasil Diagnosa Pakar Hasil Uji

1 Deman, nafsu makan turun hidung mengeluarkan cairan, kurus, lemah atau lesu, batuknya sifatnya kronis, sesak nafas

Penyakit T.B.C (Tuber Culosis)

Penyakit T.B.C (Tuber Culosis)

Valid

2. Lemah atau lesu, kesulitan makan dan menelan, kelemahan palyse, sempoyongan

Penyakit Botulismus Penyakit Botulismus Valid

3. Demam tremor (kejang-kejang), denyut jantung tidak stabil, pernapasan cepat, setelah mati

Penyakit Antraks Penyakit Antraks Valid

4. Demam, nafsu makan turun. Demam tremor (kejang-kejang), air kencing berwarna merah, keguguran pada masa hamil 3 minggu,

Penyakit Leptospirosis Penyakit Leptospirosis Valid

5. Kelenjar air susu membengkak, kelenjar air susu memerah diraba terasa panas dan hewan kesakitan

Penyakit Mastitis Penyakit Mastitis Valid

6. Nafsu makan turun, hewan menjadi ganas,suka menggigit dan menronta jika diikat, suka bersembunyi di tempat gelap,

Penyakit Rabies Penyakit Rabies Valid

7. Demam tremor (kejang-kejang), sempoyongan, nafsu makan turun

Penyakit Listeriosis Penyakit Septichaema Epizooticae (penyakit Ngorok)

Invlaid

8. Demam, nafsu makan turun,lemah atau lesu, terdapat selaput, lendir didalam mulut, bibir dan gysu tampak merah, kering dan panas,

Penyakit Mulut dan Kuku Penyakit Mulut dan Kuku Valid

9. Demam, nafsu makan turun, lema atau lesu, mencret bercampur darah

Penyakit Eryspelas Penyakit Eryspelas Valid

10. Kakunya pergerakan kelopak mata, kakukanya pergerakan telinga,

Untuk mengetahui hasil tingkat akurasi sistem pada tabel 1, maka

perhitungannya sebagai berikut :

Berdasarkan pengujian akurasi yang telah dilakukan terhadap 10

data uji pada tabel 1 didapatkan nilai akurasi pada sistem pakar tersebut

sebesar 90%, yang menunjukan bahwa sistem pakar ini dapat berfungsi

dengan baik sesuai dengan diagnosa pakar.

Penerapan Metode

Forward Chaining

Penerapan metode forward chaining berada pada algoritma fungsi

relasi. Dimana dalam fungsi ini admin dapat memanipulasi rules dalam

forward chaining dengan merelasikan gejala dengan penyakit sesuai dengan

data yang diperoleh, gejala yang sama juga tidak dapat direlasikan dengan

penyakit yang sama. Untuk diagnosa suatu penyakit dapat memiliki berbagai

macam gejala yang berelasi pada penyakit tersebut disitu maka akan timbul

banyak rules untuk mendapatkan suatu diagnosa. Dalam diagnosa akan

terdapat banyak diagnosa penyakit yang timbul maka dari itu untuk

menganalisis dan menentukan diagnosa terbaik dipilihlah penyakit yang

paling banyak timbul dan memiliki gejala paling banyak yang sudah

diinputkan oleh user yang mana akan dijelaskkan pada kode program 1 fungsi

relasi. Model representasi pengetahuan pada metode ini sebagai berikut :

Nilai keakuratan = Jumlah yang sesuai

Jumlah kasus × 100%

Nilai keakuratan = 9

Input Relasi Data Peternak

Input Gejala Pilihan Gejala

Data Penyakit Dan Solusi

Info Gejala Data Gejala

Info Penyakit Info Penyakit dan Solusi

Info Peternak Daftar Gejala

Info Relasi

Gambar 8 Grafik Model Representasi Pengetahuan

Dalam metode ini menggunakan teknik representasi pengetahuan

rule-based knowledge, yaitu suatu pengetehuan yang di representasikan

dalam suatu bentuk fakta dan aturan. Bentuk represntasi ini terdiri premis dan

kesimpulan.

Kode Program 1 Fungsi Relasi

1. $sqlpil = "SELECT _* FROM _relasi WHERE

id_penyakit='$TxtKodeH'";

2. $qrypil = mysql_query($sqlpil);

3. while _{($datapil=mysql_fetch_array($qrypil)){}

4. for _{($i = 0; $i < $jum; ++$i) {}

5. if _{($datapil['id_gejala'] != $CekGejala[$i]) {}

6. $sqldel = "DELETE FROM _relasi WHERE

id_penyakit='$TxtKodeH' AND NOT id_gejala IN ('$CekGejala[$i]')";

7. mysql_query($sqldel); }}}

8. for _{($i = 0; $i < $jum; ++$i) {}

9. $sqlr = "SELECT _* FROM _relasi WHERE

10. id_penyakit='$TxtKodeH' AND id_gejala='$CekGejala[$i]'";

11. $qryr = mysql_query($sqlr, $koneksi);

Sistem Pakar Diagnosa Penyakit Sapi

Kode program 1 tentang fungsi relasi merupakan fungsi untuk

menambah relasi antara data penyakit dan gejala untuk menentukan diagnosa

penyakit berdasarkan gejala – gejala yang diinputkan oleh user. Baris 5-6

untuk menyeleksi relasi data yang sudah ada dan data yang sudah dipilih.

Kalau relasi yang dipilih tidak sama dengan relasi yang sudah ada maka pada

tabel relasi akan dihapus.

Dari hasil penerapan metode forward chaining pada tabel relasi

maka untuk mendapatkan hasil diagnosa yang berhubungan dengan gejala

yang diinputkan kita menggunakan algoritma :

Algoritma 1Forward Chaining analisis hasil relasi gejala inputan.

Input : 𝑑𝑎𝑡𝑎[𝑁]⃪ data gejala terhadap suatu penyakit yang diinputkan N_. 1. P = data penyakit

2. R = relasi gejala terhadap penyakit

3. Hg = idhasil gejala yang di inputkan

4. Hp = idhasil penyakit dari gejala inputan yg berelasi dengan penyakit

5. Foreach 𝑁 do

6. If 𝑁 ! = 0 then

7. If N = R then

8. Insert N and P into table tmp_analisis

9. Insert N into tabletmp_gejala

10. Else

11. Delete N

12. End If

13. Else

14. Gejala belum di Inputkan

15. End If

16. End Foreach

17. Max Count (Hp) => id_Total_{berasarkan banyaknya Hg )}( jumlah cacah tertinggi Hp pada tabel tmp_analisis

18. If Hp = id_Totalthen

19. Insert Hp into tabel analisis

20. End If

Algoritma 1 forward chaining merupakan algoritma untuk

menentukan hasil diagnosa penyakit yang telah diinputkan oleh user. Baris

merupakan fungsi pengulangan untuk seluruh data inputan gejala yang sudah

diinputkan user kedalam. Baris 5-16 adalah pengecekan gejala apakah sudah

diinputkan atau belum dan juga memisahkan sekaligus menginputkan gejala

dan penyakit pada tabel tmp_analisis dan tmp_gejala, baris 17 merupakan

fungsi total jmlah cacah tertinggi pada tabel tmp_analisis baris 18 - 20

menginputkan hasil cacah tertinggi pada tabel analisis baris 18 – 20

menginputkan hasil cacah tertinggi pada tabel analisi yang selanjutnya akan

digunakan untuk menampilkan hasil diagnosa. Setelah user menginputkan

gejala yang dipilih sistem akan melakukan pemilahan untuk mengecek

apakah gejala(N) tersebut berelasi dengan penyakit(P) pada tabel relasi,

selanjutnya gejala dan relasi tersebut akan diinputkan pada tabel tmp_analisis

dan gejala inputan diinputkan pada tabel tmp_gejala. Setelah itu pada

tmp_gejala akan dihitung jumlah gejala setiap penyakit yang diinputkan dan

dicari jumlah gejala penyakit mana yang paling tinggi kemudian diinputkan

ke dalam tabel analisis yang selanjutnya akan ditampilkan beserta keterangan

dan solusinya, untuk gejala yang diinputkan ditampilkan dari tabel

tmp_gejala. Dalam penelitian ini menggunakan ujicoba metode testing yaitu

metode blackbox yang memfokuskan pada keperluan fungsional dari software

sistem informasi. Berikut ini adalah hasil tabel pengujian menggunakan tipe

Tabel 2 Hasil Pengujian Fungsionalitas Program Menggunakan Black Box

No Deskripsi Validasi Input Data Input Hasil Uji Status Uji

1. _Fungsi login admin Username dan

login untuk admin

Valid

5. _{Fungsi Lihat Laporan}

Diagnosa

8 _{Fungsi Relasi Kode Gejala}

dan Kode kode gejala dan kode penyakit berdasarkan data gejala dan penyakit yang sudah di inpuntkan kedalam database relasi

Setelah penelitian sistem dibuat, selanjutnya dilakukan pengujian

sistem dengan menggunakan black box yang dapat dilihat pada tabel 2.

Fungsinya adalah menguji sistem yang telah dibuat dan diimplementasikan

apakah sistem berjalan dengan baik atau tidak. Dari tabel 2 Pengujian

equivalence class sistem digunakan untuk mendefinisikan kasus uji yang

menemukan sejumlah kesalahan, dan mengurangi jumlah kasus uji yang

dibuat. Dalam pengujian tersebut equivalence setiap partisi menunjukan hasil

yang valid diharapkan dengan hasil yang ditampilkan juga sudah sesuai, maka

hasil uji equivalence dinyatakan baik.

5. Kesimpulan

Penelitian sistem pakar diagnosa penyakit sapi ini dapat disimpulkan

bahwa, sistem pakar ini dapat digunakan untuk mendiagnosa penyakit sapi

dengan menginputkan gejala yang diderita sapi dengan menggunakan metode

forward chaining untuk menganalisis dari rule yang sudah dibuat maka dapat

mengahasilkan diagnosa penyakit yang diderita oleh ternak sapi tersebut. Dari

diagnosa sapi, peternak sapi dapat mengetahui gejala apa saja yang juga

berkaitan dengan penyakit tersebut beserta penjelasan dan solusi bagaimana

cara menangani penyakit tersebut. Diharapkan sistem pakar diagnosa

penyakit sapi ini dapat memberikan manfaat bagi peternak sapi yang sedang

menderita penyakit untuk mengetahui diagnosa penyakit sapi tersebut.

6. Daftar Pustaka

[1] Indriana Candra Dewi, Arief Andy Soebroto, M. Tanzil Furqon 2015.

Sistem Pakar Dignosa Penyakit Sapi Potong Dengan Metode Naive Bayes.

Program Teknologi Informasi dan Ilmu Komputer, Universitas Brawijaya.

[2] Puput Shinta Dewi, Ryana Dwi Lestari, Ryani Tri Lestari 2015. Sistem

Pakar Diagnosa Penyakit Ikan Koi Dengan Metode Bayes. Jurusan Teknik

Informatika Fakultas Teknik Universitas Nusantara PGRI Kediri. Vol. 4,

No. 1, Maret 2015, ISSN : 2089-9033

[3] Jaenal Arifin 2016. Sistem Pakar Diagnosa Penyakit Gigi dan Mulut

Manusia Menggunakan Knowledge Base System dan Certainly Factor.

STMIK Asia Malang. Vol.10, No.2, Agustus 2016. ISSN: 0852-730X.

[4] Sulis Triyanto, Abdul Fadlil 2014. Sistem Pakar Untuk Mendiagnosa

Penyakit Kelinci Dengan Metode Teorema Bayes Berbasis Web. Vol 2

Nomor 1, Februari 2014. ISSN: 2338-5197.

[5] Chutchada Nusaia,*, Sirisak Cheechangb, Somkid Chaiphechc, and

Goragot Thanimkana Rajamangala 2015. Swine-Vet : a Web-based

Expert System of Swine Disease Diagnosis. University of Technology

Srivijaya, Nakhon Si Thammarat, Thailand.

[6] Anggun Marlina, Suhartono, Kushartantya 2014. Sistem Pakar Berbasis

Web Dengan Metode Probabilitas Klasik Untuk Diagnosa Penyakit

Tuberkulosis Pada Manusia Dewasa. Jurnal Masyarakat Informatika, Vol

4, Nomor 7, ISSN 2086-4930 .

[7] Ayangbekun Oluwafemi J.dan Jimoh Ibrahim A. 2015. Expert System for Diagnosis Neurodegenerative Diseases. International Journal Of

Computer and Information Technology Volume 4, July 2015. ISSN:

2279-0764.

[8] Desak Putu Siska Dewi 2014. Sistem Pakar Diagnosa Penyakit Jantung

dan Paru dengan Fuzzy Logic dan Certainy Factor. Merpati Vol 2, No. 3,

Desember 2014. ISSN: 2252-3006.

[9] Berlin P. Sitorus 2017. Sistem Pakar Mendiagnosa Penyakit malaria

Berbasis Web. Jurusan Teknik Informatika Fakultas Teknik Universitas

[10] Derist Touriano, Erick Fernando, Pandapotan Siagian, Hetty Rohyani. AH

2014. Sistem Pakar Mendiagnosis Penyakit Jantung dengn Metode Fuzzy

Set. Seminar Nasional Aplikasi Teknologi Informasi (SNATI). Yogyakarta,

21 Juni 2014. ISSN: 1907-5022.

[11] Mardi Turnip, 2015 Sistem Pakar Diagnosa Penyakit THT Menggunakan

Metode Backward Chaining. Riau Journal Of Computer Science Vol.1,

No.1 2015.

[12] C'Otang Uly, “Metode Forward Chaining”

https://www.scribd.com/doc/59277934/Forward-Chaining (Diakses pada