Analisa Perbandingan Metode Certainty Factor dan Teorema Bayes Untuk Mendiagnosa Penyakit Pneumonia Pada Anak
Dewi Yurika*, Nelly Astuti Hasibuan, Dr. Edizal Hatmi
Fakultas Ilmu Komputer dan Teknologi Informasi, Program Studi Teknik Informatika, Universitas Budi Darma, Medan, Indonesia Email : dewiyurikaa@gmail.com
Abstrak-Pneumonia menjadi penyakit yang menyebabkan kematian pada anak karena sistem pertahanan tubuh yang dimiliki relatif rendah. Di saat sekarang ini masyarakat tidak terlalu perduli terhadap penyakit pneumonia dikarenakan penyakit pneumonia ini memiliki gejala yang hampir sama dengan penyakit batuk. Hal ini terjadi karena lemahnya pengetahuan orang tua terhadap penyakit pneumonia. Informasi dan pencegahan yang cepat serta tepat dari seorang pakar kesehatan sangat di butuhkan oleh orang tua tentang gejala penyakit pneumonia dan cara penanganannya yang lebih dini. Salah satu alternatif yang dapat dilakukan penulis atas masalah yang sudah dijelaskan, maka penulis melakukan perbandingan antara metode certainty factor dan teorema bayes untuk mencari nilai kepastian dari gejala yang diderita pasien, yang nantinya akan dianalisa akurasi dari masing-masing metode.
Dimana penelitian ini memberikan solusi serta cara pencegahan agar orang tua dapat dengan cepat mengetahui gejala yang diderita anak agar tidak terdiagnosa penyakit pneumonia. Berdasarkan hasil akhir penelitian yang dilakukan penulis dari perbandingan metode dengan menerapkan metode perbandingan eksponensia, yang menghasilkan bahwa metode certainty factor adalah metode yang paling tepat dan tingkat akurasinya paling tinggi untuk diagnosa penyakit pneumonia pada anak menghasilkan hasil akhir dari perbandingan yaitu 14 dengan hasil diagnosa 99.03%, sedangkan metode teorema bayes hasil akhir dari perbandingannya yaitu 3 dengan hasil diagnosa 72.38%.
Kata Kunci : Sistem Pakar; C; TB; Perbandingan Metode; Pneumonia
Abstract-Pneumonia is a disease that causes death in children because the body's defense system is relatively low. At this time people do not really care about pneumonia because this pneumonia has symptoms that are almost the same as coughing. This happens because of the weak knowledge of parents about pneumonia. Fast and precise information and prevention from a health expert are needed by parents about the symptoms of pneumonia and how to treat it early. One alternative that the author can do for the problems that have been described, the authors make a comparison between the certainty factor method and the Bayes theorem to find the certainty value of the symptoms suffered by the patient, which will later be analyzed for the accuracy of each method.
Where this study provides solutions and prevention methods so that parents can quickly find out the symptoms suffered by children so that they are not diagnosed with pneumonia. Based on the final results of the research conducted by the author of the comparison method by applying the exponential comparison method, which resulted in the certainty factor method being the most appropriat e method and the highest level of accuracy for diagnosing pneumonia in children, the final result of the comparison was 14 with a diagnosis result of 99.03%. , while the Bayes theorem method the final result of the comparison is 3 with a diagnostic result of 72.38%.
Keywords: Expert System; CF; TB; Comparison of Methods; Pneumonia
1. PENDAHULUAN
Kesehatan sangat penting nilainya dalam kehidupan manusia, akan tetapi banyak orang yang menganggap remeh masalah kesehatan karena kurang pemahaman tentang pentingnya suatu kesehatan. Kekebalan tubuh pada anak yang masih belum sempurna sangat mudah sekali membuat anak rentan terhadap serangan virus dan bakteri bila dibandingkan dengan orang dewasa. Ancaman virus yang paling sering dialami anak salah satunya adalah virus yang menyebabkan peradangan paru-paru atau juga dikenal dengan istilah ilmu kedokteran pneumonia. Pneumonia adalah penyakit yang disebabkan oleh infeksi saluran pernapasan akut yang menjadi salah satu penyebab kematian pada anak. Dimasa sekarang, banyak masyarakat tidak terlalu peduli terhadap penyakit pneumonia, dikarenakan penyakit ini memiliki gejala yang hampir sama dengan penyakit batuk.
Sistem pakar memerlukan sebuah metode dalam proses pendiagnosaan penyakit, terdapat banyak metode yang menentukan keakuratan prediksi sistem, seperti certainty factor dan teorema bayes. Certainty Factor digunakan untuk mengukur tingkat akurasi sehingga mendapatkan hasil dari sistem pakar deteksi penyakit dengan mencari nilai kepastian dari gejala-gejala yang diderita pasien. Sedangkan Teorema Bayes digunakan untuk menentukan suatu kejadian dengan penyederhanaan cara klasik yang penuh dengan integral yang akan memperoleh model marginal.
Salah satu alternatif untuk mengatasi penyakit pneumonia pada anak, penulis melakukan perbandingan antara metode certainty factor dan teorema bayes untuk mencari nilai kepastian dari gejala yang diderita pasien. Kemudian melakukan analisa penyakit pneumonia beserta nilai probabilitas dari penyakit yang menunjukan tingkat kepastian terhadap penyakit dan cara penanganan atau pengobatan yang harus diberikan. Dari kedua metode tersebut, penulis dapat membandingkan metode mana paling akurat dan pasti serta menunjukan tingkat kepercayaan penyakit yang diderita dengan hasil yang tepat.
Sebelumnya sudah ada yang melakukan penelitian seperti yang akan dibahas oleh penulis, seperti penelitian yang dilakukan oleh Anton Setiawan Honggowibowo (2017), yang menyatakan bahwa dari penelitiannya sangat membantu dalam mencari hasil untuk mendiagnosa dan dapat menyelesaikan masalah yang memberikan hasil yang cepat dengan nilai probabilitas kemunculan dari setiap jenis penyakit[1]. Penelitian yang dilakukan oleh Ida Wahyuni, Chynthia Kusumawati (2017), penelitian ini melakukan penerapan metode certainty factor (CF) setelah proses
forward chaining, dengan penggunaan metode tersebut dapat menghasilkan diagnosis dengan akurasi sebesar 90,91%[2]. Penelitian yang diteliti oleh Razky Josefa, Rini Sovia, Eka Praja Wiyata Mandala (2019), menyatakan bahwa adanya aplikasi sistem pakar ini orang tua dapat dengan cepat mengetahui pencegahan dan penanganan lebih awal pada anak yang terkena penyakit pneumonia[3]. Penelitian yang dilakukan oleh Ramadhanu Ginting, M Zarlis, Rika Rosnelly (2021), menyatakan bahwa penelitian yang dilakukan penulis didapatkan gambaran sederhana analisis perbandingan metode dimana metode Certainty Factor memiliki akurasi perhitungan di atas 90%[4]. Penelitian yang dilakukan oleh Ainul Afnan Maulia, Kusrini, Adrianto Mahendra Wijaya (2021), menyatakan bahwa penyakit DBD, Campak dan Tipes, adalah penyakit yang sering dialami dan dibutuhkan sistem pakar dapat membantu masyarakat dalam menentukan gejala penyakit yang dialami dan dalam penelitian ini certainty factor nilai akurasi 80% dari pada teorema bayes yang hanya mendapat 60%[5].
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Berdasarkan kerangka kerja penelitian di atas penulis dapat menguraikan dari pembahasan setiap langkah-langkah dalam penelitian antara lain :
1. Identifikasi Masalah yaitu dapat memahami dan mempelajari permasalahan yang ada agar dapat diketahui dengan pasti permasalahannya sehingga tertangani.
2. Studi Literatur yaitu mengumpulkan data dan informasi dari buku, artikel jurnal dan situs internet seperti tulisan ilmiah berhubungan dengan pembahasan untuk membantu penelitian ini.
3. Analisa Metode bertujuan agar penulis memahami antara kedua metode untuk membatasi subjek dan objek yang akan diteliti agar menjadi sebuah informasi yang mudah dimengerti.
4. Penerapan Metode dilakukan untuk menerapkan metode dengan memasukan nilai pakar dari penyakit pneumonia pada anak kedalam rumus metode yang dipakai.
5. Perbandingan Metode melakukan perbandingan metode untuk proses perhitungan dari contoh yang peneliti sajikan dan metode mana yang paling akurat dan pasti serta menunjukan tingkat kepercayaan penyakit yang diderita dengan hasil yang tepat.
6. Laporan dimana penulis dapat membuat laporan mengenai hasil penelitian yang dibuat berdasarkan proses pengerjaannya.
Gambar 1. Tahapan Penelitian 2.2 Pneumonia
Pneumonia merupakan salah satu penyakit gangguan pernafasan atau peradangan paru-paru yang dapat mengancam nyawa pada anak. Pneumonia didefinisikan sebagai suatu peradangan parenkim paru distal dari bronkiolus terminalis yang mencakup bronkiolus respiratorius dan alveoli serta menimbulkan konsolidasi jaringan paru dan gangguan pertukaran gas setempat[12]. Pneumonia diawali dengan adanya gangguan sistem pernafasan bagian atas, kemudian terjadi infeksi yang akan berpindah menuju paru-paru yang menghambat pergerakan udara. Kondisi ini yang akan membuat anak semakin mengalami kesulitan dalam bernapas dan mengakibatkan kantung udara di paru-paru (alveoli) terisi dengan nanah serta cairan lainnya. Tetapi pneumonia yang disebabkan virus umumnya membutuhkan waktu penyembuhan yang lebih lama, namun kondisi anak bisa saja lebih buruk apabila pneunomia dibarengi dengan keberadaan penyakit lain yang didalam tubuh[6].
2.3 Sistem Pakar
Sistem pakar merupakan cabang dari Artifical Intelligence (AI) yang cukup tua karena sistem ini mulai dikembangkan dipertengahan 1960. Sistem pakar muncul untuk pertama kali adalah General-purpose problem solver (GPS) yang dikembangkan oleh Newel dan Simon.[7]. Sistem pakar dapat melakukan pengambilan kesimpulan dalam waktu yang konsisten, bahkan dalam beberapa kasus dapat menghasilkan kesimpulan lebih cepat daripada pakar[9].
2.4 Certainty Factor
Identifikasi Masalah Studi Literatur
Penerapan Metode Analisa Metode
Laporan Perbandingan Metode
Teori Certainty Factor (CF) diusulkan oleh Shortliffe dan Buchanan pada 1975 untuk mengakomodasi ketidakpastian pemikiran seorang pakar. Seorang pakar sering kali menganalisis informasi yang ada dengan ungkapan seperti
“mungkin“, “kemungkinan besar”, “hampir pasti”. [7]. Certainty Factor sebagai metode untuk pengambilan kesimpulan akhir sudah sesuai dengan hasil perhitungan manual dan hasil yang diberikan oleh sistem. Proses akuisi pengetahuan yang dilakukan sudah cukup efektif, hal ini diperkuat dengan hasil evaluasi terhadap ketepatan output sistem, baik berdasarkan pakar ataupun user[10]. Ada dua cara dalam mendapatkan tingkat keyakinan (CF) dari sebuah rule, yaitu[7]:
1. Metode ‘Net Belief yang diusulkan oleh E.H. Shortliffe dan B.G. Buchanan
CF (Rule) = MB (H, E) – MD (H, E) (2.1)
𝑀𝐵(𝐻, 𝐸) = {
1
max[𝑝(𝐻|𝐸),𝑃(𝐻)]−𝑃(𝐻) max[1.0]−𝑃(𝐻)
𝑃(𝐻) = 1
𝑙𝑎𝑖𝑛𝑛𝑦𝑎 (2.2)
𝑀𝐵(𝐻, 𝐸) = {
1
max[𝑝(𝐻|𝐸),𝑃(𝐻)]−𝑃(𝐻) max[1.0]−𝑃(𝐻)
𝑃(𝐻) = 0
𝑙𝑎𝑖𝑛𝑛𝑦𝑎 (2.3)
Dimana :
CF (Rule) = Faktor kepastian
𝑀𝐵(𝐻, 𝐸) = Measure of belief (ukuran kepercayaan) terhadap hipotesis H, jika diberikan evidence E (antara 0 dan 1)
𝑀𝐷(𝐻, 𝐸) = Measure of disbelief , (ukuran ketidakpercayaan) terhadap evidence H, jika diberikan evidence E (antara 0 dan 1)
𝑃(𝐻) = Probabilitas kebenaran hipotesis H 𝑃(𝐻|𝐸) = Probabilitas bahwa H benar karena fakta E.
2. Dengan cara mewawancarai seorang pakar
Nilai CF (Rule) didapat dari interpretasi “term” dari pakar, yang diubah menjadi nilai CF tertentu sesuai tabel berikut ini[7] :
Tabel 1. Nilai CF
Uncertain Term CF
Definitely not (pasti tidak)
Almost certainly not (hamper pasti tidak) Probably not (kemungkinan besar tidak) Maybe not (mungkin tidak)
Unknown (tidak tahu) Maybe (mungkin)
Probably (kemungkinan besar) Almost certainly (hampir tidak) Definitely (pasti)
-1.0 -0.8 -0.6 -0.4 -0.2 to 0.2 0.4 0.6 0.8 1.0 2.5 Teorema Bayes
Teorema Bayes digunakan untuk menentukan suatu kejadian dimana metode ini menggunakan penyederhanaan cara yang klasik dengan integral untuk memperoleh model marginal. Teorema Bayes merupakan metode penalaran non monotonis yang digunakan untuk mencari ketidak konsistenan akibat adanya penambahan maupun pengurangan fakta baru yang akan merubah aturan yang ada, sehingga metode[11]. Bentuk teorema bayes untuk evidence tunggal E dan hipotesis tunggal H adalah[7] :
𝑝(𝐻|𝐸) =𝑝(𝐸|𝐻)𝑥𝑝(𝐻)
𝑝(𝐸) (2.4)
Dimana :
𝑃(𝐻|𝐸) = Probabilitas hipotesis H terjadi jika evidence E terjadi 𝑃(𝐸|𝐻) = Probabilitas munculnya evidence E, jika hipotesis H terjadi 𝑃(𝐻) = Probabilitas hipotesis H tanpa memandang evidence apa pun 𝑃(𝐸) = Probabilitas evidence E tanpa memandang apapun.
2.6 Metode Eksponensial
Metode Perbandingan Eksponensial (MPE) merupakan salah satu metode untuk menentukan urutan prioritas alternatif keputusan dengan kriteria majemuk. Metode ini dapat dikembangkan dengan cara merubah nilai kualitatif yang
berasal dari subyektifitas yang pengambil keputusan menjadi nilai kuantitatif. Metode eksponensial dapat dilihat dengan rumus sebagai berikut[8]:
Total nilai(𝑇𝑁𝑖) = ∑𝑚𝑗=1(𝑅𝐾𝑖𝑗)𝐵𝑗 (2.5)
Keterangan :
TNi : Total nilai alternatif ke-i
RKij : Derajat kepentingan relative kriteria ke-j pada pilihan keputusan TKKj : Derajat kepentingan kriteria keputusan ke-j; TKKj>0;bulat n : Jumlah pilihan keputusan
m : Jumlah kriteria keputusan j : 1,2,3,….m;
i : 1,2,3,….n;
3. HASIL DAN PEMBAHASAN
3.1 Certainty Factor
Proses penerapan metode certainty factor membutuhkan suatu variabel dengan simbol untuk gejala (G), agar lebih mudah diingat saat digunakan dalam proses penerapan. Bobot nilai untuk setiap gejala juga ditentukan oleh pakar yaitu antara -1.0 sampai 1.0, berikut penjelasan mengenai bobot nilai sesuai dengan nilai certainty factor (Rule) sebagai berikut :
Tabel 2. Nilai Kepastian
No Keterangan Nilai Terminator
1 Sangat Yakin 1.0
2 Yakin 0.8
3 Cukup Yakin 0.6
4 Kurang Yakin 0.4
5 Tidak Tahu 0.2
6 Tidak 0
Untuk dapat memulai proses penelitian pastinya dibutuhkan sebuah data yang berkaitan dengan topik penelitian. Berikut ini adalah gejala dari penderita penyakit pneumonia pada anak :
Tabel 3. Gejala
No Kode Gejala
1 G01 Batuk
2 G02 Pilek
3 G03 Demam
4 G04 Muntah
5 G05 Warna kulit kebiru-biruan/sianosis 6 G06 Napas cepat
7 G07 Cuping hidung
8 G08 Tarikan dinding dada atau retraksi 9 G09 Lingkungan terjangkit asap rokok 10 G10 Anak belum diberikan vitamin A 11 G11 Belum imunisasi
Selanjutnya pemberian nilai kepastian user sesuai dengan gejala yang dialami dan user mengatakan seberapa yakin dengan gejala dan diberikan nilai sesuai dengan nilai rule certainty factor.
Tabel 4. Nilai Evidence
Kode Nilai Hipotesa Nilai Evidence
G01 0.6 0.6
G02 0.4 0.4
G03 0.6 0.6
G04 0.6 0.4
G05 0.8 0.6
G06 0.4 0.4
G07 0.8 0.6
G08 0.8 0.8
Kode Nilai Hipotesa Nilai Evidence
G09 0.6 0.4
G10 0.4 0.2
G11 0.6 0.6
Perhitungan ini mengambil nilai dari kepastian pakar dan kepastian user yang terdapat pada tabel di atas.
𝐶𝐹[𝐻, 𝐸]𝑖= 𝐶𝐹[𝐻]𝑖∗ 𝐶𝐹[𝐸]𝑖
Tabel 5. Hasil Perhitungan Nilai Hipotesa dan Evidence
CF Nilai
CF [H,E]1 0.36
CF [H,E]2 0.16
CF [H,E]3 0.36
CF [H,E]4 0.24
CF [H,E]5 0.48
CF [H,E]6 0.16
CF [H,E]7 0.48
CF [H,E]8 0.64
CF [H,E]9 0.24
CF [H,E]10 0.08 CF [H,E]11 0.36
Mengkombinasikan hasil perhitungan nilai hipotesa dan nilai evidenc. Perhitungan menggunakan rumus : 𝐶𝐹𝐶𝑜𝑚𝑏𝑖𝑛𝑒[𝐻, 𝐸]1&2
Tabel 6. Hasil kombinasi Nilai Hipotesa dan Evidence Kombinasi Nilai
CFcombine[H,E]1&2 0.4624
CFcombine[H,E]CFold&3 0.6559 CFcombine[H,E]CFold1&4 0.7384 CFcombine[H,E]CFold2&5 0.8639 CFcombine[H,E]CFold3&6 0.8856 CFcombine[H,E]CFold4&7 0.9405 CFcombine[H,E]CFold5&8 0,9785 CFcombine[H,E]CFold6&9 0.9836 CFcombine[H,E]CFold7&10 0.9849 CFcombine[H,E]CFold8&11 0.9903
Kemudian akan dihitung nilai presentasi dari kombinasi nilai di atas, dengan tujuan untuk mendapat nilai presentasi metode certainty dalam mendiagnosa penyakit pneumonia pada anak.
𝐶𝐹𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑠𝑒= 𝐶𝐹𝑐𝑜𝑚𝑏𝑖𝑛𝑒∗ 100%
= 𝐶𝐹𝑜𝑙𝑑9∗ 100%
= 0.9903 ∗ 100%
= 99.03%
3.2 Teorema Bayes
Setelah penerapan metode certainty factor selesai, maka dilanjutkan dengan proses perhitungan metode teorema bayes. Pertama mencari nilai probabilitas masing-masing gejala sebagai berikut :
𝑃[𝐻]𝑖= 𝐻𝑖
∑ 𝐻
Tabel 7. Hasil Perhitungan Dengan Metode Teorema Bayes
TB Nilai
P[H]1 0.09
P[H]2 0.06
P[H]3 0.09
P[H]4 0.09
P[H]5 0.12
TB Nilai
P[H]6 0.06
P[H]7 0.12
P[H]8 0.12
P[H]9 0.09
P[H]10 0.06 P[H]11 0.09
Setelah mendapatkan nilai probabilitas masing-masing gejala selanjutkan akan dilakukan proses mencari nilai probabilitas.
∑ 𝑃[𝐸|𝐻]𝑖∗ 𝑃⌈𝐻⌉𝑖
𝑛
𝑖=1
= (0.6 ∗ 0.09) + (0.4 ∗ 0.06) + (0.6 ∗ 0.09) + (0.4 ∗ 0.09) + (0.6 ∗ 0.12) + (0.4 ∗ 0.06) + (0.6 ∗ 0.12) +(0.8 ∗ 0.12) + (0.4 ∗ 0.09) + (0.2 ∗ 0.06) + (0.6 ∗ 0.09)
= 0.054 + 0.024 + 0.054 + 0.036 + 0.072 + 0.024 + 0.072 + 0.096 + 0.036 + 0.012 + 0.054
= 0.534
Tabel 8. Hasil Nilai Probabilitas Probabilitas Nilai
P[H|E]1 0.101
P[H|E]2 0.044
P[H|E]3 0.101
P[H|E]4 0.067
P[H|E]5 0.134
P[H|E]6 0.044
P[H|E]7 0.134
P[H|E]8 0.179
P[H|E]9 0.167
P[H|E]10 0.022
P[H|E]11 0.101
Hasil diagnosa
= Bayes 1 + Bayes 2 + Bayes 3 + Bayes 4 + Bayes 5 + Bayes 6 + Bayes 7 + Bayes 8 + Bayes 9 + Bayes 10 + Bayes11
= (0.101 ∗ 0.6) + (0.044 ∗ 0.4) + (0.101 ∗ 0.6) + (0.067 ∗ 0.6) + (0.134 ∗ 0.8) + (0.044 ∗ 0.4) + (0.134 ∗ 0.8) +(0.179 ∗ 0.8) + (0.167 ∗ 0.6) + (0.022 ∗ 0.4) + (0.101 ∗ 0.6) ∗ 100%
= 0.0606 + 0.0176 + 0.0606 + 0.0402 + 0.1072 + 0.0176 + 0.1072 + 0.1432 + 0.1002 + 0.0088 + 0.0606
∗ 100%
= 0.7238 ∗ 100%
= 72.38%
3.3 Metode Perbandingan Eksponensial
Setelah melakukan perhitungan antara kedau metode tersebut mendiagnosa suatu penyakit, selanjutnya dilakukan proses perbandingan metode certainty factor dan teorema bayes. Perbandingan akan menggunakan sebuah metode perbandingan eksponensial. Pertama yang dilakukan yaitu penentuan bobot dan parameter yang akan dijadikan acuan dalam perbandingan. Parameter dan bobot dilihat dari tabel berikut :
Tabel 9. Nilai Bobot Parameter
No Keterangan Nilai Bobot
1 Hasil Probabilitas 3
2 Tingkat Kesulitan Pengerjaan 2
3 Waktu Pengerjaan 1
Penentuan nilai bobot pada setiap parameter untuk menunjukkan kepentingan dari parameter tersebut. Nilai 1 menunjukkan sangat penting, nilai 2 menunjukkan penting, nilai 3 menunjukkan cukup penting. Selanjutnya akan dilakukan proses pemberian nilai untuk setiap parameter. Nilai 2 menunjukkan yakin sedangkan nilai 1 menunjukkan tidak yakin, penjelasannya seperti tabel berikut ini :
Tabel 10. Pemberian Nilai Parameter Parameter
Hasil Probabilitas Tingkat Kesulitan Pengerjaan Waktu Pengerjaan Tinggi Rendah Sulit Cukup Sulit Lama Cukup Lama
2 1 1 2 1 2
Setelah semua parameter diberikan nilai maka langkah selanjutnya yaitu memberikan nilai untuk setiap metode berdasarkan penjelasan sebelumnya, seperti tabel di bawah ini :
Tabel 11. Pemberian Nilai untuk metode
Metode Parameter
Hasil Probabilitas
Tingkat Kesulitan Pengerjaan
Waktu Pengerjaan
Certainty Factor 2 2 2
Teorema Bayes 1 1 1
Bobot 3 2 1
Setelah diperoleh nilai dari kedua metode berdasarkan parameter, langkah selanjutnya yaitu proses perbandingannya. Setiap nilai akan dihitung menggunakan rumus dari metode perbandingan eksponensial.
Perhitungan perbandingan seperti di bawah ini : Metode certainty factor
= ∑(𝑅𝐾𝑖𝑗)
𝑚
𝑗=1
𝑇𝐾𝐾𝑗
= ((2^3)+(2^2)+(2^1))
= 8 + 4 + 2
= 14
Metode teorema bayes
= ∑(𝑅𝐾𝑖𝑗)
𝑚
𝑗=1
𝑇𝐾𝐾𝑗
= ((1^3)+(1^2)+(1^1))
= 1 + 1 + 1
= 3
Setelah di lakukan proses perbandingan didapat hasil perbandingan yang dapat dilihat ditabel berikut : Tabel 12. Hasil Perbandingan
Metode TKP WP HP Eksponensial Ranking
Certainty Factor 2 2 2 14 1
Teorema Bayes 1 1 1 3 2
Dari tabel di atas bisa disimpulkan bahwa walau nilai densitas menunjukkan metode certainty factor mendapatkan hasil yang tinggi setelah melakukan proses perbandingan dengan melihat tingkat kesulitan pengerjaan, waktu pengerjaan, dan hasil probabilitas, sehingga dipastikan metode certainty factor merupakan metode yang tepat dalam proses diagnosa penyakit pneumonia pada anak.
4. KESIMPULAN
Berdasarkan analisa dan hasil yang telah dilakukan oleh penulis tentang Analisa Perbandingan Metode Certainty Factor dan Teorema Bayes Untuk Mendiagnosa Penyakit Pneumonia Pada Anak, maka penulis dapat memberikan kesimpulan bahwa Proses metode dapat dilakukan dengan memasukan nilai pakar dari gejala-gejala yang diderita pasien kedalam rumus metode yang dipakai. Perbandingan metode certainty factor dan teorema bayes dapat dilihat dari parameter tingkat kesulitan pengerjaan, waktu pengerjaan dan hasil probabilitas, kemudian akan dibandingkan menggunakan metode eksponensial sehingga dapat diketahui metode mana yang paling akurat dan pasti serta menunjukan tingkat kepercayaan penyakit yang diderita dengan hasil yang tepat. Hasil akhir dari perbandingan metode dapat menerapkan metode perbandingan eksponensial didapat hasil bahwa metode certainty factor yang paling tepat dan tingkat akurasinya paling tinggi untuk diagnosa penyakit pneumonia pada anak menghasilkan hasil akhir dari perbandingan yaitu 14 dengan hasil diagnosa 99.03%, sedangkan metode teorema bayes hasil akhir dari perbandingannya yaitu 3 dengan hasil diagnosa 72.38%.
REFERENCES
[1] A. S. Honggowibowo, “Sistem Pakar Diagnosa Infeksi Saluran Pernafasan Pada Balita Menggunakan Bayesian Network,”
Conf. Senat. STT Adisutjipto Yogyakarta, vol. 3, pp. 0–7, 2017, doi: 10.28989/senatik.v3i0.107.
[2] C. K. Ida Wahyuni, “Diagnosis Penyakit Infeksi Saluran,” Diagnosis Penyakit Infeksi Saluran Pernapasan Pada Anak Menggunakan Forw. Chain. Dan Certain. Factor, pp. 441–448, 2017.
[3] J. Razky, S. Rini, and Mandala Eka Praja Wijata, “Sistem Pakar Diagnosa Penyakit Pneumonia Pada Anak Menggunakan Metode Case Based Reasoning,” Sainteks, vol. 6, no. ISBN : 978-602-52720-1-1, pp. 868–872, 2019.
[4] R. Ginting, M. Zarlis, and R. Rosnelly, “Analisis Perbandingan Metode Certainty Factor dan Teorema Bayes untuk Mendiagnosa Penyakit Autis Pada Anak,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 583, 2021, doi:
10.30865/mib.v5i2.2930.
[5] A. A. Maulia, “Analisa Metode Certainty Factor dan Teorema Bayes Dalam Mendeteksi Suatu Penyakit,” Zeta - Math J., vol.
6, no. 1, pp. 6–10, 2020, doi: 10.31102/zeta.2021.6.1.6-10.
[6] W. A. Putri, “Sistem Pakar Mendiagnosa Penyakit Pneumonia Menggunakan Metode Constraint Satisfaction Problem (CSP),” Bull. Data Sci., vol. 1, no. 5, pp. 9–13, 2021.
[7] H. Hospital, “Pneumonia Pada Anak,” Hermina Ciledug, 2021.
[8] M. K. T. Sutojo, S.Si., M. K. Edy Mulyanto, S.Si., and D. V. Suhartono, Kecerdasan Buatan. Yogyakarta: Andi, 2011.
[9] F. A. NUGROHO, “PERANCANGAN SISTEM PAKAR DIAGNOSA PENYAKIT JANTUNG DENGAN METODE FORWARD CHAINING,” J I M P - J. Inform. Merdeka Pasuruan, vol. 1, no. 2, pp. 75–79, 2016, doi:
10.37438/jimp.v1i2.21.
[10] D. Maulina, “Metode Certainty Factor Dalam Penerapan Sistem Pakar Diagnosa Penyakit Anak,” J. Inf. Syst. Manag., vol. 2, no. 1, pp. 23–32, 2020, doi: 10.24076/joism.2020v2i1.171.
[11] J. Cybertech et al., “PNEUMONIA PADA ANAK DENGAN METODE TEOREMA BAYES DAN,” vol. 4, no. 5, 2021.
[12] A. Armiyana and R. M. Candra, “Sistem Pendukung Keputusan Pemilihan Sekolah Anak Dengan Menggunakan Metode Analytical Hierarchy Process (AHP) Dan Metode Perbandingan Eksponensial (MPE),” J. CoreIT J. Has. Penelit. Ilmu Komput. dan Teknol. Inf., vol. 3, no. 1, p. 31, 2018, doi: 10.24014/coreit.v3i1.3655.