187
SISTEM PAKAR DIAGNOSA PENYULIT MENYUSUI
MENGGUNAKAN METODE CERTAINTY FACTOR
Nurhayati1), Siti Farida2)
1Program Studi Rekam Medis dan Informasi Kesehatan Fakultas Ilmu Kesehatan Universitas
Duta Bangsa Surakarta
2Program Studi Kebidanan Fakultas Ilmu Kesehatan Universitas Duta Bangsa Surakarta
Email : nurhayati@udb.ac.id, siti_farida@udb.ac.id
ABSTRACT
Breastfeeding is a mother's natural nature after giving birth, but there are many obstacles that make it difficult for mothers to breastfeed their babies, both from the baby and the mother's own physiology. Lack of knowledge of mothers causes mothers to not be able to recognize the physical changes that become obstacles in breastfeeding. This study aims to develop an expert system that is able to diagnose breastfeeding difficulties by applying the certainty factor method. The stages of developing an expert system include needs analysis, data collection, knowledge acquisition, knowledge representation, design and implementation. The accuracy test with the confusion matrix is used to determine the level of accuracy of the developed expert system. As a result, the expert system has been able to accurately and validly diagnose the symptoms of breastfeeding difficulties.
Keyword:Expert system, Certainty Factor, Breastfeeding ABSTRAK
Menyusui merupakan kodrat alamiah ibu setelah melahirkan, tetapi ada banyak kendala penyulit ibu menyusui bayi, baik dari bayi maupun fisiologis ibu sendiri. Kurangnya pengetahuan ibu menyebabkan ibu tidak bisa mengenali perubahan fisik yang menjadi kendala dalam menyusui. Penelitian ini bertujuan untuk mengembangkan sistem pakar yang mampu mendiagnosa penyulit menyusui dengan menerapkan metode certainty factor. Tahapan pengembangan sistem pakar meliputi analisis kebutuhan, pengumpulan data, akuisis pengetahuan, representasi pengetahuan, perancangan dan implementasi. Uji akurasi dengan matrik konfusi digunakan untuk mengetahui tingkat keakuratan sistem pakar yang dikembangkan. Hasilnya sistem pakar sudah mampu mendiagnosa gejala penyulit menyusui dengan akurat dan valid.
Kata Kunci : Sistem pakar, Certainty Factor, Ibu Menyusui 1. PENDAHULUAN
Menyusui merupakan fitrah seorang ibu kepada bayi nya, karena dengan menyusui asupan gizi kepada bayi dapat terpenuhi dan meningkatkan ikatan batin antara ibu dan bayi [1]. Menyusui mengeluarkan air susu ibu (ASI), asi merupakan cairan yang keluar dari payudara ibu untuk bayi. ASI mengandung gizi dan cairan yang dibutuhkan bayi selama 6 bulan pertama kehidupan bayi. Pemberian ASI
memberikan banyak manfaat, diantaranya berfungsi sebagai kontrasepsi alami bagi ibu, menjaga kesehatan ibu dan menghemat pengeluaran keluarga[2].
Kadangkala ibu mengalami hambatan dan sulit menyusui bayinya. Hal tersebut akibat belum mengetahui cara menyusui yang benar dan banyak faktor penyulit diantaranya faktor pengetahuan, faktor psikologis, sosial budaya dan perilaku[3]. Kurangnya pengetahuan ibu
188 mengenai perubahan fisik selama
menyusui, hambatan yang mungkin terjadi dan masih banyaknya mitos informasi yang tidak benar mengenai menyusui menyebabkan ibu mengalami kesulitas dalam menyusui dan mengakibatkan kegagalan pemberian asi ekslusif[1]. Pemberian ASI yang tidak benar akan menyebabkan berbagai masalah yang mempengaruhi ibu kesulitan menyusui. Kurangnya konseling dari tenaga kesehatan menyebabkan ibu kesulitan dalam mendiagnosa masalah yang terjadi pada saat ibu menyusui[4].
Keterbatasan akses ibu menyusui untuk konseling dengan tenaga kesehatan mengenai kesulitan dan keluhan fisik selama menyusui, masih adanya kesalahan persepsi dari keluarga mengenai kesulitan menyusui menyebabkan ibu menyusui terutama ibu baru kadang memberikan perlakuan yang salah terhadap keluhannya. Oleh sebab itu dibutuhkan sebuah sistem yang mampu membantu user ibu menyusui untuk mendiagnosa dan mengetahui gejala fisik penyulit menyusui dari sisi ibu dan bayi. Sistem tersebut merupakan sistem pakar yang mampu mengadopsi pengetahuan pakar (tenaga kesehatan) ke dalam aplikasi komputer.
Penelitian ini bertujuan untuk membangun sistem pakar mendiagnosa penyulit menyusui dengan menggunakan metode certainty factor. Sistem pakar dibangun dengan menggunakan teknik inferensi forward chaining.
2. METODOLOGI PENELITIAN 2.1 Sistem Pakar
Sistem pakar adalah sebuah sistem yang mampu menyerap pengetahuan manusia ke dalam komputer dengan tujuan mencari solusi sebagaimana yang dilakukan oleh ahli [5]. Sistem pakar bertujuan untuk memindahkan keahlian ke program komputer yang memiliki pengetahuan pakar dalam domain tertentu dan sulit didapatkan[6].
Sistem pakar terdiri dari dua buah bagian pokok yaitu lingkungan pengembangan dan lingkungan konsultasi. Sistem pakar terdiri atas (a) Antarmuka Pengguna (User Interface), (b) Basis Pengetahuan (Knowledge
Base), (c) Akuisisi Pengetahuan
(Knowledge acquisition), (d) Mesin inferensi, (e) Workplace, (f) Fasilitas Penjelasan dan Perbaikan Pengetahuan[7].
Basis pengetahuan berisi pengetahuan untuk pemahaman dan penyelesaian masalah. Basis pengetahuan terdiri atas fakta dan aturan[8]. Akuisisi pengetahuan adalah akumulasi, transfer dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program komputer[7]. Mesin inferensi merupakan bagian yang mengandung cara kerja pola pikir dan penalaran yang digunakan oleh pakar dalam menyelesaikan suatu permasalahan. Ada dua cara yang dapat dikerjakan dalam melakukan inferensi yaitu Forward Chaining, menggunakan aturan kondisi-aksi, data digunakan untuk menentukan aturan mana yang akan dijalankan, kemudian aturan tersebut dijalankan dan Backward Chaining penalaran dimulai dengan tujuan merunut balik ke jalur yang akan mengarahkan ke tujuan tersebut[9].
Pengujian akurasi sistem pakar menggunakan matrik konfusi. Matrik konfusi adalah suatu metode yang digunakan untuk melakukan perhitungan akurasi pada konsep data mining. Rumus ini melakukan perhitungan dengan 4 keluaran, yaitu: recall, precision,
acuraccy dan error rate [10],[11].
Accuracy = !"$"%"#!"# ...(1)
Recall = %"## ...(2)
Precision = $"## ...(3)
Error rate = !"$"%"#$"% ...(4) Keterangan :
189 • Accuracy adalah perbandingan
kasus yang diidentifikasi benar dengan jumlah semua kasus.
• Recall adalah proporsi kasus positif yang diidentifikasi dengan benar. • Precision adalah proporsi kasus
dengan hasil positif yang benar. • Error Rate adalah kasus yang
diidentifikasi salah dengan sejumlah semua kasus.
• a : jika hasil prediksi negatif dan data sebenarnya negatif.
• b : jika hasil prediksi positif sedangkan nilai sebenarnya negatif. • c : jika hasil prediksi negatif sedangkan nilai sebenarnya positif. • d : jika hasil prediksi positif dan
nilai sebenarnya positif. 2.2 Certainty Factor
Certainty Factor adalah Faktor
kepastian menyatakan kepercayaan dalam sebuah kejadian (fakta atau hipotesa) berdasar bukti atau penilaian pakar.
Certainty factor menggunakan suatu nilai
untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu data.
Certainty factor menggunakan suatu nilai
untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu data [12]. CF [H,E] = MB [H,E] – MD [H,E] ....(5) Keterangan :
CF (H,E) = certainty factor hipotesa yang dipengaruhi oleh evidence e diketahui dengan pasti.
MB (H,E) = measure of belief terhadap hipotesa H, jika diberikan evidence E (antara 0 dan 1).
MD (H,E) = measure of disbelief terhadap evidence H, jika diberikan evidance E (antara 0 dan 1)
Certainty factor untuk kaidah premis tunggal.
CF[H,E]1= CF[H] * CF[E] ...(6) Certainty Factor untuk kaidah dengan kesimpulan yang serupa (similarly
concluded rules):
CFcombineCF[H,E]1,2= CF[H,E]1 + CF[H,E]2 * [1-CF[H,E]1] ... (7) CFcombineCF[H,E]old,3=CF[H,E]old +CF[H,E] 3 * (1-CF[H,E] old] ... (8) 2.3 Penyulit Menyusui
Menyusui adalah proses alamiah pemberian air susu ibu kepda bayi. Menyusui memberikan kesempatan bagi bayi untuk mendapat asupan gizi dan meningkatkan ikatan batin[13]. Ada beberapa kendala dan penyulit yang berasal dari ibu atau bayi, diantaranya adalah tongue tie, bingung puting, mastitis dan saluran asi tersumbat.
Tongue Tie atau Ankyloglossi
merupakan jaringan ikat yang menghubungkan dasar lidah dengan ujung lidah bagian bawah/tali lidah. Tongue tie merupakan kelainan congenital yang disebabkan oleh frenulum (pengikat lidah) pendek. Hal ini menyebabkan mobilitas lidah terbatas. Pada bayi, tongue tie berpengaruh pada proses menyusui[14]. Bingung puting adalah kondisi ketika bayi mengalami kesulitan dalam mengisap asir susu ibu langsung dari payudara, bayi juga kesulitan beradaptasi dengan payudara ibu. Hal ini terjadi akibat bayi diperkenalkan dengan media botol terlalu dini[15] Mastitis merupakan peradangan pada jaringan payudara. Mastitis menyebabkan payudara terasa sakit dan membuat ibu merasa tidak nyaman untuk menyusui. Saluran ASI tersumbat adalah ketika ASI yang tersumbat di payudara menyebabkan drainase saluran ASI kurang bersih. Ini menimbulkan beberapa benjolan halus di sekitar payudara yang terasa kurang nyaman[16]
3. HASIL DAN PEMBAHASAN 3.1. Analisa Kebutuhan
Pada tahapan analisa kebutuhan dilakukan analisa terhadap fitur, diantaranya perekaman data user, fitur pengelolaan data penyulit menyusui, data gejala, data aturan, pemberian nilai MB
190 MD, halaman diagnosa serta menampilkan
hasil diagnosa.
3.2. Pengumpulan Data
Pengumpulan data dilakukan dengan melakukan penelusuran informasi dari literatur pendukung seperti jurnal dan buku referensi, serta melakukan wawancara dengan pakar yaitu bidan.
3.3. Akuisisi Pengetahuan
Akuisisi pengetahuan merupakan proses untuk mengumpulkan data-data pengetahuan mengenai masalah dari suatu pakar. Tahapan akuisisi pengetahuan dilakukan dengan wawancara dari pakar yaitu bidan. Pengetahuan yang didapatkan dari pakar digunakan dikumpulkan dan digunakan untuk pembentukan basis pengetahuan. Hasil dari akuisisi pengetahuan dengan pakar menghasilkan data penyulit menyusui pada tabel 1 dan data gejala pada tabel 2.
Tabel 1 Data Penyulit Menyusui Kode Penyulit Nama Penyulit
P01 Tongue Tie
P02 Bingung Puting
P03 Mastitis
P04 Nipple Flat
Tabel 2 Data Gejala Kode
Gejala Nama Gejala
G01 Bayi Sulit menggerakkan lidah ke atas atau ke samping G02 Bayi Tidak bisa menjulurkan lidah melewati gigi depan G03
Lidah bayi terlihat berbentuk seperti hati atau huruf V G04
Bayi Cenderung melakukan gerakan mengunyah dibanding mengisap saat menyusu
G05
Bayi membuka mulut tapi tidak cukup lebar untuk melekat dengan benar di payudara G06
Ketika hendak disusui, bayi menggoyangkan kepala, mencari-cari puting dan
Kode
Gejala Nama Gejala kelihatan bingung
G07
Bayi menjerit dan/atau
melengkungkan punggungnya saat akan disusui
G08
Lidah bayi tidak menjulur ke garis gusi bawah tapi justru terangkat
G09 Bayi tampak melekat tapi tidak menghisap dengan benar G10
Bayi lebih senang menyusu dari dot
G11 Payudara memar kemerahan G12 Sering terasa gatal
G13 Terasa perih saat menyusui G14 Terdapat benjolan menyakitkan G15
Ukuran salah satu payudara lebih besar
G16
Puting payudara mengeluarkan nanah
G17
Ada jerawat kecil yang muncul di sekitar puting
G18
Ada benjolan di satu area pada payudara
G19
Terjadi pembengkakan di sekitar benjolan
G20
Rasa tidak nyaman setelah menyusui atau memompa ASI G21 ASI yang sangat kental atau berlemak ketika diperah 3.4. Basis Pengetahuan
Pengetahuan yang didapatkan dari tahapan akuisisi pengetahuan disajikan ke dalam bentuk yang dimengerti oleh sistem melalui tahapan representasi pengetahuan. Representasi pengetahuan dapat menggunakan tabel keputusan pada tabel 3. Implementasi tabel keputusan disajikan dalam basis pengetahuan (aturan).
Tabel 3 Tabel Keputusan Sistem Pakar Kode Penyulit
P01 P02 P03 P04 Kode Gejala
191 Kode Penyulit P01 P02 P03 P04 Kode Gejala G02 √ G03 √ G04 √ G05 √ G06 √ G07 √ G08 √ G09 √ G10 √ G11 √ G12 √ G13 √ G14 √ G15 √ G16 √ G17 √ G18 √ G19 √ G20 √ G21 √
Penyajian aturan di basis pengetahuan menggunakan pendekatan
rule-based reasoning. Fakta-fakta yang
dimasukan ke dalam sistem akan dicocokkan dengan aturan di basis pengetahuan, pelacakan aturan dengan menggunakan penalaran runut maju (forward chaining) dan perhitungan nilai kepastian certainty factor. Penentuan Nilai kepastian meliputi memberikan nilai MB dan MD pada setiap gejala di basis pengetahuan seperti yang tercantum pada tabel 4.
Tabel 4 Tabel Nilai MB dan MD Kode Gejala MB MD G01 0,75 0,20 G02 0,78 0,10 G03 0,80 0,05 G04 0,60 0,20 Kode Gejala MB MD G05 0,78 0,15 G06 0,80 0,10 G07 0,74 0,20 G08 0,70 0,20 G09 0,65 0,30 G10 0,88 0,05 G11 0,85 0,05 G12 0,65 0,20 G13 0,70 0,10 G14 0,73 0,20 G15 0,68 0,20 G16 0,70 0,18 G17 0,88 0,05 G18 0,75 0,15 G19 0,70 0,20 G20 0,70 0,25 G21 0,50 0,10 3.5. Perancangan Sistem Pakar
Alur diagnosa sistem pakar ditunjukkan pada gambar 1 sebagai berikut:
Gambar 1 Diagram Alir Sistem Pakar Diagnosa Penyulit Menyusui
Start
User memasukkan data user
Sistem pakar menampilkan data gejala
User memilih gejala sesuai kondisi
Gejala <=1
Pencocokan gejala sesuai aturan di basis
pengetahuan
Perhitungan certainty factor
Mencari nilai maksimal certainty factor dengan membandingkan certainty factor
dari aturan yang cocok
Menampilkan hasil diagnosa beserta persentase perhitungan certainty factor
192 Gambar 1 menguraikan alur sistem pakar
diawali dengan perekaman identitas user, sistem pakar akan menampilkan gejala, user memilih gejala sesuai dengan kondisi yang dialami user, jika gejala kurang atau sama dengan 1 maka sistem pakar tidak bisa melanjutkan penelusuran diagnosa karena dianggap gejala tidak memenuhi
evidence base. Jika gejala lebih dari satu
maka gejala tersebut akan dicocokkan dengan basis aturan, sekaligus dilakukan perhitungan certainty factor untuk mencari nilai terbesar kepercayaan dari kombinasi gejala yang cocok. Aturan yang cocok dengan nilai persentase certainty factor terbesar akan diambil sebagai kesimpulan diagnosa.
Gambar 2 menunjukkan diagram konteks sistem pakar diagnosa penyulit menyusui. Diagram konteks digunakan untuk menggambarkan secara garis besar aliran data pada sistem pakar.
Gambar 2 Diagram Konteks Sistem Pakar Perancangan basis data sistem pakar penyulit menyusui seperti ditunjukkan pada gambar 3.
Gambar 3 Relasi Antar Tabel Sistem Pakar 3.6. Implementasi Sistem Pakar
Sistem pakar ini
diimplementasikan dengan menggunakan bahasa pemrograman visual basic dan
database access. Admin dapat mengelola data data pokok yang dibutuhkan untuk proses diagnosa seperti halaman penyulit di gambar 4, halaman gejala di gambar 5, halaman basis aturan di gambar 6.
Gambar 4 Halaman Data Penyulit Menyusui
Gambar 5 Halaman Data Penyulit Gejala
Gambar 6 Halaman Data Basis Pengetahuan
Implementasi diagnosa diawali dengan user mengisikan nama user. Selanjutnya user dapat mengoperasikan sistem pakar, sebagai contoh user memilih gejala, seperti yang tercantum pada gambar 7 :
a) G10 Bayi lebih senang menyusu dari dot
Sistem Pakar Diagnosa Penyulit Menyusui
User Admin
Data Penyulit Data Gejala Data Basis Pengetahuan Data User Data Diagnosa Hasil Diagnosa Laporan Diagnosa tbl_telusurgejala tbl_basisdetail tbl_basispengetahuan Tbl User tbl_penyulit id_peny PK nama_peny penyebab solusi tbl_admin id_admin PK user_admin pass_admin tbl_gejala id_gejala PK nama_gejala id_telusur PK id_user FK tgl_telusur id_peyulit FK nilai_cf_akhir prosentase id_basis FK id_gejala FK mb md tbl_detiltelusur id_telusur FK id_gejala FK id_basis PK id_penyulit FK Id user PK Nama user
193 b) G06 Ketika hendak
disusui, bayi menggoyangkan kepala, mencari-cari puting dan kelihatan bingung
c) G07 Bayi menjerit dan/atau melengkungkan punggungnya saat akan disusui
d) G17 Ada jerawat kecil yang muncul di sekitar puting e) G21 ASI yang sangat
kental atau berlemak ketika diperah
Gambar 7 User memilih gejala Perhitungan certainty factor (CF): a) Nilai CF untuk G06 CF = MB [ h,e] – MD [h,e] = 0,80-0,10 = 0,70 b) Nilai CF untuk G07 CF = MB [ h,e] – MD [h,e] = 0,74-0,20 = 0,54 c) Nilai CF untuk G10 CF = MB [ h,e] – MD [h,e] = 0,88-0,05 = 0,83 d) Nilai CF untuk G17 CF = MB [ h,e] – MD [h,e] = 0,88-0,05 = 0,83 e) Nilai CF untuk G21 CF = MB [ h,e] – MD [h,e] = 0,50-0,10 = 0,40
Berdasarkan gejala terpilih akan dikombinasikan nilai CF dari masing – masing gejala yaitu dengan menggunakan rumus sebagai berikut : Cf combine (CF1, CF2) = CF1+ CF2* (1 – CF1)
a) Nilai CF kombinasi Penyulit Menyusui Tongue Tie = P01
Tidak dilakukan perhitungan karena tidak ada gejala dipilih yang terkait
b) Nilai CF kombinasi Penyulit Menyusui Bingung Puting = P02
CF combine (G06,G07)
=0,70+0,54 * (1-0,70) = 0,862 (CF Old)
Kombinasikan CF Old dan CF G10
Cf combine old dan CF G10 =0,862+0,83*(1-0,862)
= 0,97654 (CF Old)
c) Nilai CF kombinasi Penyulit Menyusui Mastitis = P03
Tidak dilakukan perhitungan karena tidak ada gejala dipilih yang terkait d) Nilai CF kombinasi Penyulit Saluran
ASI Tersumbat = P04
CF Combine (G17,G21)
=0,83 + 0,40 * (1-0,83) = 0,898 (CF Old)
Berdasarkan perhitungan manual didapatkan bahwa nilai tertinggi certainty
factor adalah P02 Bingung Puting dengan
nilai keyakinan 0,97654 atau 97,6%. Hasil tersebut sesuai dengan implementasi hasil diagnosa sistem pakar seperti yang tertera pada gambar 8.
Gambar 8 Hasil Diagnosa 3.7. Uji Akurasi Sistem Pakar
Tabel 5 merupakan matrik konfusi hasil pengujian sistem pakar penyulit menyusui untuk mengetahui tingkat akurasi dan error pada algoritma
Forward Chaining dan certainty factor
yang diimplementasikan, pengujian dilakukan pada 14 kasus.
194 Tabel 5 Matrik Konfusi Sistem Pakar
Correct Classificatio n Classified as Predicted “+” Predicted “-“ Actual “+” 9 1 Actual “-“ 1 3
Maksud dari tabel 5 adalah : a : 3 kasus hasil prediksi negatif dan data sebenarnya negatif;
b : 1 kasus hasil prediksi positif sedangkan nilai sebenarnya negatif;
c : 1 kasus hasil prediksi negatif sedangkan nilai sebenarnya positif;
d : 9 kasus hasil prediksi positif dan nilai sebenarnya positif.
Sehingga hasil perhitungan matrik konfusi adalah:
Accuracy = !"$"%"#!"# =0,857=85,7%
Recall = %"## = 0,9 =90%
Precision = $"## = 0,9 =90%
Error rate = !"$"%"#$"% = 0,142=14,2%
Hasil pengujian akurasi sistem pakar penyulit menyusui, didapatkan ketepatan diagnosa dari semua kejadian yang sudah dilakukan yaitu sebesar 85,7%, nilai akurasi prediksi positif yang benar sebesar 90,%, nilai akurasi hasil positif yang benar sebesar 90 % dan akurasi ketidaktepatan dengan jumlah semua kejadian yaitu sebesar 14,2%
4. KESIMPULAN
Berdasarkan penelitian sistem pakar penyulit menyusui yang dibangun sudah mengikuti prosedur penyusunan sistem pakar. Sistem pakar yang dibangun sudah mampu mendiagnosa keluhan fisik ibu dan bayi penyulit menyusui, dengan akurat dan valid.
5. SARAN
Perlu dilakukan penggabungan metode selain certainty factor untuk mendapatkan hasil yang lebih akurat. Bahasa pemrograman berbasis mobile dapat menjadi alternatif pengembangan sistem pakar kedepan agar aplikasi lebih fleksibel digunakan.
DAFTAR PUSTAKA
[1] A. Yusrina dan S. R. Devy, “Faktor Yang Mempengaruhi Niat Ibu Memberikan Asi Eksklusif Di Kelurahan Magersari, Sidoarjo,” vol. 4, no. 1, hlm. 11–21, Jul 2016. [2] E. S. Walyani, Perawatan
Kehamilan dan Menyusui Anak Pertama agar Bayi Lahir dan Tumbuh Sehat. Pustaka Baru Press,
2015.
[3] Soetijiningsih, ASI Petunjuk untuk
Tenaga Kesehatan. Jakarta: EGC,
2012.
[4] E. Syafitri dan M. S. Mardha, “Penyuluhan Tentang Inisiasi Menyusui Dini Pada Ibu Di Desa Lau Mulgap Kecamatan Selesai,” J.
Pengabdi. Masy. Ilmu Kesehat., vol.
1, no. 1, hlm. 28–32, 2020.
[5] Siswanto, Kecerdasan Tiruan.
Yogyakarta: Graha Ilmu, 2010. [6] B. H. Hayadi, Sistem Pakar;
Penyelesaian kasus Menentukan Minat Baca, Kecenderungan, dan Karakter Siswa dengan Metode
Forward Chaining, 1 ed.
Yogyakarta: Deepublish, 2018. [7] A. Desiani dan M. Arhami, Konsep
Kecerdasan Buatan. Yogyakarta:
195 [8] S. Kusumadewi, Artificial
Intellegence (Teknik dan
Aplikasinya). Yogyakarta: Graha
Ilmu, 2003.
[9] Kusrini, Sistem Pakar Konsep dan
Aplikasi. Yogyakarta: Andi, 2006.
[10] D. K. Utami, M. Permadi, dan T. A. Zuairiah, “Penerapan Metode Certainty Factor Untuk Menetukan Penyakit Katarak Penyebab Kebutaan,” Komputasi J. Ilm. Ilmu
Komput. Dan Mat., vol. 14, no. 2,
2017.
[11] Nurhayati, “Penerapan Data Mining UntukPrediksi Indeks Prestasi Kumulatif Kelulusan Mahasiswa APIKES Citra Medika Surakarta,”
Duta.com, vol. 12, no. 1, hlm. 1–16,
Apr 2017.
[12] I. Aprison, N. Hidayat, dan B. D. Setiawan, “Sistem Diagnosis Penyakit Pada Tanaman Melon Menggunakan Metode Forward Chaining – Certainty Factor,” J.
Pengemb. Teknol. Inf. Dan Ilmu Komput., vol. 2, no. 11, hlm. 5792–
5798, Nov 2018.
[13] utami Roesli, Panduan praktis
menyusui. Jakarta: Pustaka Bunda
Group Puspa Swara, 2001.
[14] Y. K. Dewi dan G. Sastra, “Gangguan Fonologis Penderita Ankyloglossia Penutur Bahasa Melayu Riau,” J. Puitika, vol. 11, no. 1, hlm. 11–25, 2015.
[15] M. Nisak dan E. T. Susanti, “Breast Care Untuk Mengatasi Menyusui Inefektif Post Partum,” J.
Keperawatan Karya Bhakti, vol. 5,
no. 1, hlm. 1–6, Jan 2019.
[16] A. R. A. Rita, “Analisis Determinan Yang Berhubungan Dengan Masalah Dalam Menyusui Di Wilayah Puskesmas Bukoposo Kecamatan Way Serdang Kabupaten Mesuji,” Jurnal Kesehat. “Akbid Wira
Buana,” vol. 5, no. 3, hlm. 1–16,
