SISTEM PAKAR DIAGNOSA PENYAKIT MININGITIS DENGAN MENGGUNAKAN METODE DEMPSTER SHAFER

(1)

Sistem Pakar Diagnosa Penyakit Miningitis Dengan Menggunakan Metode Dempster Shafer.

Oleh : Muhammad Syukron Hasibuan 36

SISTEM PAKAR DIAGNOSA PENYAKIT MININGITIS DENGAN

MENGGUNAKAN METODE DEMPSTER SHAFER

Muhammad Syukron Hasibuan

Mahasiswa Program Studi Teknik Informatika STMIK Budi Darma Medan Jl. Sisingamangaraja No. 338 Sp. Limun Medan

http : // www.stmik-budidarma.ac.id // Email: arachisyu@gmail.com

ABSTRAK

Seiring perkembangan teknologi, dikembangkan pula suatu sistem teknologi yang mampu mengadopsi proses dan cara berpikir manusia yaitu sistem pakar yang mengandung pengetahuan tertentu sehingga setiap orang dapat menggunakan untuk memecahkan masalah yang bersifat spesifik, dalam hal ini adalah permasalahan kesehatan mengenai penyakit miningitis. Ketika terjadi masalah kesehatan khususnya penyakit miningitis lebih tepatnya orang akan datang ke dokter atau ahli untuk berkonsultasi. Namun terdapat kelemahan jika mempercayakan kepada dokter ahli seperti terbatasnya jam praktek dan kejadian banyak pasien yang memaksa harus melakukan antrian serta memerlukan biaya yang lumayan besar. Dalam hal ini, kita selaku orang yang menggunakan jasa lebih membutuhkan seorang pakar yang bisa memudahkan dalam mendiagnosa penyakit miningitis sebagai pencegahan awal. Dengan demikian sebagai alternatif pemecahan masalah yaitu dengan membuat aplikasi sistem pakar dengan metode Dempster Shafer yang dapat mengindentifikasi/mendiagnosa penyakit miningitis berdasarkan gejala yang ada. Yang ditampilkan dalam bentuk website menggunakan pemrograman PHP dengan database MySQL, sehingga konsultasi akan lebih mudah, hemat biaya serta dapat digunakan kapan dan dimana saja.

Kata kunci : Sistem Pakar, Penyakit Miningitis, Dempster Shafer.

1. Latar Belakang Masalah 1.1 Latar Belakang Masalah

Seiring perkembangan teknologi, dikembangkan pula suatu sistem teknologi yang mampu mengadopsi proses dan cara berpikir manusia yaitu sistem pakar yang mengandung pengetahuan tertentu sehingga setiap orang dapat menggunakan untuk memecahkan masalah yang bersifat spesifik, dalam hal ini adalah permasalahan kesehatan mengenai penyakit meningitis atau biasanya diiringi dengan sakit di kepala atau radang selaput otak. Ketika terjadi masalah kesehatan khususnya radang selaput otak atau sakit kepala lebih tepatnya orang akan datang ke dokter untuk berkonsultasi. Namun terdapat kendala jika mempercayakan kepada dokter ahli seperti terbatasnya jam praktek dan kejadian banyak pasien yang memaksa harus melakukan antrian.

Sistem pakar dapat diartikan sebagai sistem yang mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh pakar, sehingga sistem pakar dapat menjadi asisten dari seorang pakar. Aplikasi yang dapat membantu mendiagnosa suatu penyakit berbasis pengetahuan biasa disebut kecerdasan buatan (Artificial Intelligence).

Dalam hal ini, kita selaku orang yang menggunakan jasa lebih membutuhkan seorang pakar yang bisa memudahkan dalam mendiagnosa penyakit miningitis sebagai pencegahan awal. Dengan demikian sebagai alternatif pemecahan masalah yaitu dengan membuat aplikasi sistem pakar dengan metode Dempster Shafer yang dapat mengindentifikasi/mendiagnosa penyakit miningitis berdasarkan gejala yang ada. Yang ditampilkan dalam bentuk website menggunakan pemrograman PHP

dengan database MySQL, sehingga konsultasi akan lebih mudah, hemat biaya serta dapat digunakan kapan dan dimana saja.

Ada berbagai macam penalaran dengan model yang lengkap dan sangat konsisten, tetapi pada kenyataannya banyak permasalahan yang tidak dapat terselesaikan secara lengkap dan konsisten. Ketidakkonsistenan tersebut adalah akibat adanya penambahan fakta baru. Penalaran yang seperti itu disebut dengan penalaran non monotonis. Untuk mengatasi ketidakkonsistenan tersebut maka dapat menggunakan penalaran dengan teori Dempster Shafer.

Meningitis disebabkan oleh bakteri Neisseria meningitides (dikenal sebagai "meningitis meningokokus") dapat dibedakan dari meningitis dengan penyebab lain dengan ruam petekie cepat menyebar yang biasa mendahului gejala lain. Ruam terdiri dari banyak kecil, bintik-bintik ungu atau merah tidak teratur ("petechiae") pada batang, ekstremitas bawah, membrane mukosa, conjuctiva, dan (kadang-kadang) telapak tangan atau telapak kaki. Ruam ini biasanya non-blanching: kemerahan tidak hilang jika ditekan dengan jari atau gelas kaca. Meskipun ruam ini tidak selalu hadir dalam meningitis meningokokus, relatif spesifik untuk penyakit ini, tetapi, bagaimanapun, kadang-kadang terjadi pada meningitis akibat bakteri lain. Petunjuk lain mengenai sifat penyebab meningitis mungkin tanda-tanda kulit penyakit tangan, kaki dan mulut dan genital herpes, yang keduanya terkait dengan berbagai bentuk meningitis virus.

(2)

yang berkaitan tentang kesehatan menunjukkan bahwa sistem ini mampu melakukan diagnosa penyakit berdasarkan gejala-gejala yang diderita pasien meskipun gejala-gejala tersebut mengandung ketidakpastian, dengan cara menanyakan gejala-gejala yang dirasakan penderita. Hasil diagnosa disertai dengan nilai Dempster Shafer menunjukkan tingkat kebenaran yang besar berdasarkan hasil diagnosa. Namun penelusuran forward chaining akan tetap diimplementasikan dalam inference engine. Penulusuran dilakukan untuk menentukan jenis penyakit yang diderita pasien.

1.2 PerumusanMasalah

Berdasarkan latar belakang masalah di atas, maka dirumuskan masalah-masalah sebagai berikut : 1. Bagaimana mengimplementasikan sistem

pakardalam mendiagnosa penyakit miningitis ? 2. Bagaimana penerapan metode DempsterShafer

dapat membantu dalam mendiagnosa penyakit meningitis sesuai dengan gejala-gejala yang diderita ?

3. Bagaimana membangun sebuah system pakar mendiagnosa penyakit meningitis dengan berbasis web ?

1.3 Batasan Masalah

Agar penulisan ini lebih terarah dan tujuan yang diharapkan dapat tercapai, maka penulis menetapkan batasan-batasan terhadap masalah yang akan diteliti. Dalam melakukan penelitian ini penulis memberikan batasan-batasan sebagai berikut:

1.

Penelitian ini dilakukan dengan hanya menemui beberapa dokter atau pakar di bidang penyakit selaput otak.

2.

Sistem Pakar ini hanya menggunakan perhitungan yang berlaku pada metode Dempster Shafer.

3.

Sistem Pakar ini hanya membahas mendiagnosa

penyakit miningitis.

2. Landasan Teori

2.1 Pengertian Sistem Pakar

Secara umum sistem pakar (expert system) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli (Muhammad Arhami, 2006). Sistem pakar yang baik dirancang agar dapat menyelesaikan masalah tertentu dengan meniru kerja dari para ahli.

Istilah sistem pakar berasal dari knowlegde-based expert system. Istilah ini muncul karena untuk memecahkan masalah, sistem pakar menggunakan pengetahuan seorang pakar yang dimasukkan kedalam komputer. Seseorang yang bukan pakar menggunakan sistem pakar untuk meningkat kemampuan pemecahan masalah, sedangkan seorang pakar menggunakan sistem pakar untuk knowledge

assistant.

2.2 Komponen Sistem Pakar

Menurut Kusrini (2008), Komponen sistem pakar terdiri dari :

1. Knowledge Base (Basis Pengetahuan).

Knowledge Base (Basis pengetahuan) merupakan inti dari program sistem pakar karena basis pengetahuan itu merupakan presentasi pengetahuan atau knowledge representation basis pengetahuan adalah sebuah basis data yang menyimpan aturan-aturan tentang suatu domain knowledge/pengetahuan tertentu. Basis pengetahuan ini terdiri dari kumpulan objek beserta aturan dan atributnya (sifat atau cirinya), tentu saja di dalam domain tertentu.Ada 2 bentuk pendekatan basis pengetahuan yang sangat umum digunakan yaitu :

a. Rule-Based Reasoning (Penalaran berBasis Aturan)

Pada penalaran berbasis aturan, pengetahuan direpresentasi-kan dengan menggunakan aturan berbentuk IF-THEN. Bentuk ini digunakan jika kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan pakar dapat menyelesaikan masalah tersebut secara berurutan. Bentuk ini juga digunakan jika dibutuhkan penjelasan tentang jejak (langkah-langkah) pencapaian solusi.

b. Case-Based Reasoning (Penalaran berBasis Kasus).

Basis pengetahuan akan berisi solusi-solusi yang telah di-capai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini digunakan jika pemakai (user) menginginkan untuk tahu lebih banyak lagi pada kasus-kasus yang hampir sama (mirip). Bentuk ini juga digunakan jika kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan.

2. Working Memory (Basis Data atau Memori Kerja).

Working memory adalah bagian yang mengandung semua fakta-fakta baik fakta awal pada saatsistem beroperasi maupun fakta-fakta pada saat pengambilan kesimpulan sedang dilaksanakan selama sistem pakar beroperasi, basis data berada di dalam memori kerja.

3. Inference Engine (Mesin/Motor Inferensi). Inference Engine adalah bagian yang menyediakan mekanisme fungsi berfikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar.

a. Mekanisme ini akan menganalisa masalah tertentu dan selanjutnya akan mencari jawaban atau kesimpulan yang terbaik. b. Mesin ini akan dimulai pelacakannya dengan

mencocokan kaidah-kaidah dalam basis pengetahuan dengan fakta-fakta yang ada dalam basis data.

2.3 Teori Dempster Shafer

(3)

kenyataannya banyak permasalahan yang tidak dapat terselesaikan secara lengkap dan konsisten. Ketidakkonsistenan yang tersebut adalah akibat adanya penambahan fakta baru. Penalaran yang seperti itu disebut dengan penalaran nonmonotonis. Untuk mengatasi ketidakkonsistenan tersebut maka dapat menggunakan penalaran dengan teori

Dempster-Shafer. (Aprilia Sulistyohati at all, 2008) Secara umum Teori Dempster-Shafer ditulisdalamsuatu interval:

[Belief,Plausibility]

Belief (Bel) adalah ukuran kekuatan evidence (gejala) dalam mendukung suatu himpunan bagian. Jika bernilai 0 maka mengindikasikan bahwa tidak ada

evidence, dan jika bernilai 1 menunjukan adanya kepastian.(Aprilia Sulistyohati at all, 2008)

Plausibility (Pl) dinotasikan sebagai:

Pl(s)= 1 – Bel(¬s)

Plausibility juga bernilai 0 sampai 1. Jika kita yakin akan –s, maka dapat dikatakan bahwa Bel(¬s)=1, dan

Pl(¬s)=0. Plausability akan mengurangi tingkat kepercayaan dari evidence. Pada teori Dempster-Shafer kita mengenal adanya frame of discernment

yang dinotasikan dengan θ dan massfunction yang

dinotasikan dengan m. Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis. Tujuannya adalah mengaitkan ukuran kepercayaan

elemen-elemen θ. Tidak semua evidence secara langsung

mendukung tiap-tiap elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen-elemen θ saja, namun juga

semua subsetnya. Sehingga jika θ berisi n elemen, maka subset θ adalah 2n . Jumlah semua m dalam subset θ sama dengan 1. Apabila tidak ada informasi

apapun untuk memilih hipotesis, maka nilai : m{θ} = 1,0 .

Apabila diketahui X adalah subset dari θ,

dengan m1 sebagai fungsi densitasnya, dan Y juga

merupakan subset dari θ dengan m2 sebagai fungsi

densitasnya, maka dapat dibentuk fungsi kombinasi m1 dan m2 sebagai m3, dengan rumus seperti pada

Zm1(X).m2(Y) = ada hasil irisan dari m1 dan m2

Ø Zm1(X).m2(Y) = tidak ada hasil irisan (irisan kosong (Ø))

3. Analisa Dan Pembahasan 3.1 Analisa Masalah

Masalah diagnosis penyakit miningitis dapat dimasukkan ke dalam salah satu cabang ilmu

Artfiicial intelligent yaitu sistem pakar. Pada

permasalahan ini, pemecahan masalah tersebut dapat dilakukan dengan mengembangkan sistem yang dapat berperan sebagai seorang dokter penyakit (ahli), khususnya miningitis. Dengan kata lain terjadi pemindahan atau proses pengolahan yang membangun dan mengoperasikan basis pengetahuan dari seorang pakar ke sebuah sistem komputer. Fakta-fakta dari seorang pakar atau dokter miningitis disimpan dalam suatu basis pengetahuan. Dengan bantuan mesin inferensi dan memori kerja, maka proses penarikan kesimpulan dalam menentukan penyakit miningitis serta memberikan saran pencegahan untuk tindakan selanjutnya dapat dilakukan.

3.2 Analisa penerapan Metode Dempster Shafer

Teori Dempster Shafer adalah suatu teori matematika untuk pembuktian berdasarkan belief functionsandplausible reasoning (fungsi kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk mengkombinasikan potongan informasi yang terpisah (bukti) untuk mengkalkulasi kemungkinan dari suatu peristiwa.

Rule-Based Penyakit Miningitis :

IFPusing AND Mata Panas AND Benjolan Di Leher AND Badan Berbintik PutihTHEN Kriptokokus.

IFBenjolan Di Kepala AND Mata Merah AND Pendengaran Terganggu AND Badan PanasTHEN

Bacterial.

IF Benjolan Di Kepala AND Lidah Berwarna Keputihan AND Tenggorokan Kering THEN Viral.

IFMigren AND Pandangan Kabur AND Pendengaran Terganggu AND Bengkak Pada Leher AND Pundak Berbintik Merah AND Kudis Pada Tubuh THEN

Jamur.

Jika kemudian diketahui bahwa benjolan di kepala merupakan gejala dari P2 (Bacterial) dan P3(Viral) dengan m= 0,7 , maka :

M{P2, P3}= 0,7 m{θ}= 1-0,7 = 0,3

Misalkan User melakukan konsultasi dengan gejala benjolan di kepala, mata merah dan badan panas. Maka untuk memperoleh nilai keyakinan dengan metode Dempster Shafer dari gejala benjolan di kepala dan mata merah diatas, dihitung :

gejala 1 = benjolan di kepala

Andaikan diketahui benjolan di kepala = (X)

(4)

densitasnya, dan gejala 2 = (Y) juga merupakan

subset dari θ dengan m2 sebagai fungsi densitasnya.

Maka dapat membentuk fungsi kombinasi m2 sebagai m3 dengan persamaan berikut :

Ket :

m1, m2, m3 = densitas gejala X,Y,Z = Himpunan Miningitis

Hasil perhitungan diilustrasikan dalam tabel 1

Tabel 1. Aturan Kombinasi untuk m3

{P2} 0.7 θ (0.3)

{P2,P3} (0.12) {P2} 0.084 {P2,P3} (0.036)

θ (0.88) {P2} 0.616 θ (0.264)

{P2} 0.1 θ (0.9)

{P2} (0.084) {P2} (0.0084) {P2} (0.0756)

{P2} (0.616) {P2} (0.0616) {P2} (0.5544)

{P2,P3} (0.036) {P2} (0.0036) {P2,P3} (0.0324)

θ (0.264) {P2} (0.0264) θ (0.2376)

Keterangan :

1. Kolom pertama dan kedua pada baris kedua dan ketiga berisikan semua himpunan bagian pada gejala pertama (benjolan di kepala) dengan m1 sebagai fungsi densitas.

2. Baris pertama berisikan semua himpunan bagian pada gejala kedua (mata merah) dengan m2 sebagai fungsi densitas.

3. Baris kedua dan ketiga pada kolom ketiga, keempat, kelima dan keenam merupakan irisan dari kedua himpunan.

4. Kolom pertama dan kedua pada baris keenam, ketujuh, kedelapan, dan kesembilan berisikan semua himpunan hasil kombinasi pada gejala pertama dan gejala kedua.

5. Baris kelima berisikan semua himpunan bagian pada gejala ketiga (badan panas) dengan m3 sebagai fungsi densitas.

6. Baris keenam, ketujuh, kedelapan dan kesembilan pada kolom ketiga, keempat, kelima dan keenam merupakan irisan himpunan dari kombinasi gejala pertama dan gejala kedua dengan gejala ketiga.

Maka dapat disimpulkan nilai kepastian kombinasi Dempster Shafer adalah :

User mengalami penyakit miningitis dengan nilai

kepercayaan sebesar :

0.0084 /(1-0.2376)* 100 % = 1.10 %

3.3 Flowchart

Berikut ini merupakan flowchart dari langkah-langkah penyelesaian metode dempster- shafer di dalam Sistem Pakar Mendiagnosa Penyakit Pedofilia Dengan Menggunakan Metode Dempster Shafer.

Gejala (g1) Densitas g1 (m1,

{Y})

Gejala > 1 Mulai

Gejala (g1) Densitas g1 (m1) Iterasi = iterasi + 1

m(θ) = 1 – m1 {x}

Banyaknya Gejala = 1

Penyakit = {x}

Selesai Gejala Habis ?

m(θ) = 0

Penyakit = tidak diketahui

 

 

 



y x

z y x

Y m X m

Y m X m z

m

) ( ). ( 1

) ( ). ( )

(

2 1

2 1 3

Iterasi = iterasi + 1

Penyakit = yang memiliki densitas terbesar

YA TIDAK

(5)

4. Algoritma dan Implementasi

Algoritma adalah susunan yang logis dan sistematis untuk memecahkan suatu masalah atau untuk mencapai tujuan tertentu dalam dunia komputer, Algoritma sangat berperan penting dalam pembangunan suatu software Sistem pakar analisis penyakit miningitis menggunakan metode Dempster Shafer.

4.1 Algoritma Metode Dempster Shafer

Algoritma ini menjelaskan alur kerja sistem pada penerapan metode Dempster Shafer di dalam sistem yang dibangun.

Input : Miningitis Kriptokokus = Pusing, Mata Panas, Benjolan Di Leher, Badan Berbintik Putih.

Miningitis Bacterial = Benjolan Di Kepala, Mata Merah, Pendengaran Terganggu, Badan Panas.

Miningitis Viral = Benjolan Di Kepala, Lidah Berwarna Keputihan, Tenggorokan Kering.

Miningitis Jamur = Migren, Pandangan Kabur, Pendengaran Terganggu, Bengkak Pada Leher, Pundak Berbintik Merah, Kudis Pada Tubuh.

Output : Hasil nilai kepercayaan Proses :

IFPusing AND Mata Panas AND Benjolan Di Leher AND BadanBerbintikPutihTHENKriptokokus.

IFBenjolan Di Kepala AND Mata Merah AND PendengaranTerganggu AND BadanPanasTHEN

Bacterial.

IFBenjolan Di Kepala AND Lidah Berwarna Keputihan AND Tenggorokan Kering THEN Viral.

IFMigren AND Pandangan Kabur AND Pendengaran Terganggu AND Bengkak Pada Leher AND Pundak Berbintik Merah AND Kudis Pada Tubuh

THENJamur. Jlhrule=20

Md=Round((d/Jlhrule).5) Mdo=1-Md

Mm=Round((m/Jlhrule).5) Mmo=1-Mm

K=1-(Md*Mmo) Beld=(Md*Mmo)/K Belm=(Mmd*Mm)/K Bel=Beld+Belm Persentase=Bel*100

Tampilkan Hasil Nilai Kepercayaan

4.2 Implementasi

Untuk memudahkan pengoperasian sistem ini, maka rancangan antar muka dibagi atas beberapa jenis, yang disesuaikan dengan fungsinya masing-masing yaitu:

Form menu utama merupakan Formtampilan utama dari program. Dalam Form ini juga berisi dari beberapa pilihan menu seperti file, basis aturan, penelusuran, danbantuan. Pilihan menu file berisi

pilihan tambah admin dan keluar. Pilihan menu basis aturan berisi menu untuk login.

Gambar 2 : Form Menu Utama

Form ini digunakan untuk masuk ke Form

basis aturan. Sebelum masuk ke Form basis aturan user akan diminta untuk memasukkan username dan

password, yang kemudian akan dicocokan dengan basis data. Apabila tidak ada yang cocok atau belum pernah melakukan register maka pengguna diminta untuk melakukan register. Apabila cocok maka user akan masuk ke Form basis aturan.

Gambar 3 :Form Register

Form penelusuran digunakan untuk menelusuri pertanyaan-pertanyaan yang dijawab oleh pengguna yang kemudian akan diolah oleh mesin inferensi untuk , yang dialami oleh user atau pengguna. Setelah selesai mencentang semua pertanyaan dari sistem maka pengguna harus

menekan tombol “Diagnosa” untuk mengetahui

penyakit miningitis apa dan sarannya.

Gambar 4 : FormPenelusuran

(6)

di centang sebelumnya. Tampilan dari Form hasil diagnosis.

Gambar 5 : Form Hasil Diagnosis

5. Kesimpulan dan saran 5.1 Kesimpulan

Berdasarkan penelitian dan pembahasan yang dilakukan, maka dapat diambil kesimpulan sebagai berikut :

1. Aplikasi sistem pakar yang dirancang dapat mendiagnosa penyakit miningitis dari pertanyaan-pertanyaan berdasarkan gejala yang dijawab oleh

user.

2. Metode Dempster Shafer bisa digunakan untuk melakukan diagnosa untuk mengetahui penyakit miningitis.

3. Metode Dempster Shafer menggunakan tingkat kepercayaan dalam mengambil keputusan hasil diagnosa.

5.2 Saran-saran

Sebagai akhir dari penelitian ini, saya ingin menyampaikan beberapa saran yang mungkin dapat bermanfaat bagi semua orang yang menggunakan sistem ini.

1. Bila ada penambahan gejala atau penyakit dikemudian hari, diharapkan sistem ini dapat dikembangkan dengan menambah jumlah rule

yang akan digunakan sehingga hasil diagnosa bisa lebih baik lagi.

2. Rancangan sistem pakar untuk mendiagnosa penyakit miningitis, penulis rasakan masih jauh dari kesempurnaan, untuk itu pernulis mengharapkan ada pihak atau peneliti lain yang mau mengembangkan dan melanjutkan penelitian ini

3. Sebaiknya metode Dempster Shafer ini dibandingkan dengan metode-metode statistik lain untuk mengetahui tingkat kebenaran yang lebih tinggi.

Daftar Pustaka

1. Turban, Efraim., Aronson, Jay E., dan Liang, Ting-Peng. 2005. “Decision Support System and Intelligent Systems (Sistem Pendukung

Keputusan dan Sistem Cerdas)”. Terjemahan

Siska Primanningrum. Jilid 2. Edisi 7. Yogyakarta : Andi.

2. Kusrini (2007).”Question Quantification to

Obtain User Certainty Factor in Expert System

Application for Disease Diagnosis”. Proceedings

of the International Conference on Electrical Engineering and Informatics. Institut Teknologi Bandung, Indonesia.

3. Romeo Mark A. Mateo and Jaewan Lee (2008).

“Healthcare Expert System based on Group

Cooperation Model”. International Journal of

Software Engineering and Its Application Vol. 2, No. 1.

4. Sultan Zafar (2009). “Multiple Simultaneous

Threat Detection in UNIX Environment”. IJCSNS International Journal of Computer Science and Network Security, VOL.9 No.2.

5. Siswanto (2010). “Kecerdasan Tiruan”. Edisi 2.

Yogyakarta: Graha Ilmu.

6. Bellis Mary, (2010). “Developing The Level of C-Reactive Protein (hs-CRP) in Preeclamptic Pregnancy ”. JST Kesehatan, Oktober 2010, Vol.1 No.3.

7. Salama A. Mostafa, Mohd Sharifuddin Ahmad, Mazin Abed Mohammed and Omar Ibrahim Obaid (2012). “Implementing an Expert Diagnostic Assistance System for Car Failure

and Malfunction”. IJCSI International Journal of

Computer Science Issues, Vol. 9, Issue 2, No 2. 8. Rikhiana Dyah Esthi dan Fadlil Abdul (2013).

“Implementasi Sistem Pakar Untuk

Mendiagnosa Penyakit Dalam Pada Manusia

Menggunakan Metode Dempster Shafer”.