ANALISIS DAN PERANCANGAN SISTEM DIAGNOSA PENYAKIT PADA RAHIM MENGGUNAKAN METODE FUZZY BERBASIS WEBSITE. Naskah Publikasi

ANALISIS DAN PERANCANGAN SISTEM DIAGNOSA PENYAKIT

PADA RAHIM MENGGUNAKAN METODE FUZZY

BERBASIS WEBSITE

Naskah Publikasi

diajukan oleh

Anita

10.11.3739

kepada

SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER

AMIKOM YOGYAKARTA

YOGYAKARTA

2013

ANALYSIS AND DESIGN SYSTEM DIAGNOSIS DISEASES OF THE UTERUS USING WEB BASED FUZZY METHOD

ANALISIS DAN PERANCANGAN SISTEM DIAGNOSA PENYAKIT PADA RAHIM

MENGGUNAKAN METODE FUZZY BERBASIS WEB

Anita Kusrini

Jurusan Teknik Informatika STMIK AMIKOM YOGYAKARTA

ABSTRACT

Diseases of the uterus is a disease that needs to be considered by women Because the disease is one disease that can lead to death. Therefore, it is necessary to act in order to anticipate the increasing number of patients with diseases of the uterus.

The author took the initiative to make the final task in the field of expert systems technology as a diagnostic decision support entitled "Analysis and Penrancangan Disease Diagnosis System in Rahim Using Web-Based Fuzzy Methods". The purpose of this research is to build expert systems for diseases of the uterus mendektisi early. Hopefully with this system can be petrified people in detecting abnormalities in the uterus early disease

The system uses fuzzy logic mamdani method for decision-making process and the end result using a weighted average values.

1

1. Pendahuluan

Dari waktu-kewaktu begitu banyak masalah dalam kesehatan yang timbul pada wanita, khususnya pada bagian rahim. Rahim merupakan suatu organ muscular berbentuk seperti pir yang terletak diantara kandung kencing dan rektum yang berfungsi sebagai pengeluaran darah haid dengan ditandai adanya perubahan dan pelepasan dari endometrium.

Sebagian besar wanita sering mengalami gangguan pada area rahim tapi terkadang wanita beranggapan bahwa gejala-gejala yang timbul merupakan gejala-gejala umum yang sering terjadi pada wanita, padahal kemungkinan gejala tersebut merupakan gejala penyakit yang berbahaya seperti kanker.

Pengetahuan tentang gejala dan jenis penyakit rahim itu sendiri teryata masih belum banyak diketahui oleh kaum wanita. Wanita yang mengalami gangguan atau kelainan pada area rahim ia akan mendatangi dokter spesialis untuk berkonsultasi, namun pada kenyataannya tidak semua orang dapat melakukanny. Hal ini dapat dikarenakan faktor perekonomian yang kurang mencukupi ataupun karena tuntutan kesibukan, terdapat pula kelemahan seperti jam kerja praktek dokter yang terbatas.

Perkembangan teknologi yang sangat pesat akhir-akhir ini sangat membantu dalam proses mendeteksi adanya gejala-gejala dini gangguan pada rahim. Salah satu hasil dari perkembangan teknologi saat ini adalah kecerdasan buatan (Artificial Intelligence) atau yang disingkat AI yang berusaha menjadikan komputer berpikir dan menyelesaikan masalah layaknya manusia. Salah satu bentuk dari kecerdasan buatan yang banyak digunakan saat ini adalah sistem pakar

2. Landasan Teori 2.1 Sistem Pakar

Sistem pakar adalah sebuah program komputer yang mencoba meniru atau mensimulasikan pengetahuan (knowladge) dan ketrampilan (skill) dari seorang pakar pada area tertentu. Selanjutnya system ini akan mencoba memecahkan suatu permasalahan dengan kepakaranya (Subakti Irvan:2006)

2.2 Logika Fuzzy

Fuzzy dalam bahasa inggris berarti tidak tentu, kabur atau tidak jelas. Logika Fuzzy

adalah suatu cara yang digunakan untuk memetakan suatu ruang input ke dalam suatu ruang output (Sri Kusuma Dewi, dan Purnomo, Hari:2004)

2.3 Metode Mamdani

Metode Mamdani sering juga dikenal dengan Metode Max-Min. Metode ini dikenalkan oleh Ebrahim Mamdani pada tahun 1975. Untuk mendapatkan output, diperlukan 4 tahapan:

2

Pada metode mamdani, baik variabel input maupun variabel output dibagi menjadi satu atau lebih himpunan fuzzy.

2. Aplikasi fungsi implikasi (aturan)

Pada metode mamdani, fungsi implikasi yang digunakan adalah Min.

3. Komposisi Aturan.

Tidak seperti penalaran monoton, apabila sistem terdiri dari beberapa aturan, maka inferensi diperoleh dari kumpulan dan korelasi antar aturan. Ada 3 metode yang digunakan dalam melakukan inferensi sistem fuzzy, yaitu : max, additive dan probabilistic OR.

a. Metode Max (Maximum)

Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara mengambil nilai maximum aturan, kemudian menggunakanya untuk memodifikasi daerah fuzzy, dan mengaplikasikanya output dengan menggunakan operator OR (union).Jika semua proposisi telah dievaluasi, maka output akan berisi suatu himpunan fuzzy yang merefleksikan kontribusi dari tiap-tiap proposisi.

Ada beberapa metode defuzzikasi pada komposisi aturan mamdani, antara lain: Secara umum dapat dituliskan:

Apabila digunakan fungsi implikasi Min, maka metode komposisi sering disebut dengan nama Max-Min atau Min-Max atau Mamdani. (Kusumadewi, 2003:187) .

b. Metode Additif (sum)

Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan

bounded-sum terhadap semua output daerah fuzzy. Secara umum dituliskan :

c. Metode Probalistik OR (probor)

Pada metode ini, solusi himpunan fuzzy diperoleh dengan cara melakukan produk terhadap semua output daerah fuzzy. Secara umum dituliskan :

4. Penegasan (defuzzy).

Input dari proses defuzzykasi adalah suatu himpunan fuzzy yang diperoleh dari komposisi aturan-aturan fuzzy. Sedangkan output yang dihasilakan merupakan suatu bilangan pada domain himpunan fuzzy tersebut. Sehingga jika diberikan suatu

3

himpuanan fuzzy dalam range tertentu. Maka dapat diambil suatu nilai crisp tertentu sebagai output.

Ada beberapa metode defuzzikasi pada komposisi aturan mamdani, antara lain: a. Metode Centroid (Composite Moment)

Pada metode ini solusi crisp diperoleh dengan cara mengambil titik pusat (z*) daerah fuzzy. Secara umum dirumuskan :

untuk variabel kontinu, atau

untuk variabel diskret

b. Metode Bisektor

Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai pada domain fuzzy yang memiliki nilai keanggotaan separuh dari jumlah total nilai keanggotaan pada daerah fuzzy.Secara umum dituliskan:

c. Metode Mean Of Maximum (MOM)

Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-rata doamain yang memiliki nilai keanggotaan maksimum.

d. Metode Largest Of Maximun (LOM)

Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai terbesar dari domain yang memiliki nilai keanggotaan maksimum.

e. Metode Smalles Of Maximum (SOM)

Pada metode ini, solusi crisp deiperoleh dengan cara mangambil nilai terkecil dari domain yang memiliki nilai keanggotaan maksimum.

2.4 Website

WWW adalah bagian dari Internet yang menggunakan fungsi transportasi internet, melalui arsitektur client/server untuk mengatasi semua tipe dari informasi digital, termasuk didalamnya teks, hypermedia, grafik dan suara (Rainer dan Potter 2009, p23).

Informasi web didistribusikan melalui pendekatan hypertext, yang memungkinkan suatu teks pendek menjadi acuan untuk membuka dokumen yang lain. Dengan pendekatan hypertext ini seseorang dapat memperoleh informasi dengan meloncat dari suatu dokumen ke dokumen yang lain. Dokumen-dokumen yang diakses pun dapat tersebar di berbagai mesin dan bahkan di berbagai negara

4

Sistem basis data (database sistem) merupakan sistem yang terdiri atas kumpulan file (tabel) yang saling berhubunngan (dalam sebuah basis data di sebuah sistem komputer) dan sekumpulan program yang memungkinkan beberapa pemakai dan atau program lain untuk mengakses dan memanipulasi file-file (tabel-tabel) tersebut (Nugroho, 2004).

2.6 Rahim

Rahim (uterus) terletak dipuncak vagina, berbentuk seperti buah pir terletak dibelakang kandung kemih di depan rectum dan terikat dengan ligamen. Ligamen yaitu jaringan lapisan gandayang berfungsi untuk menopang organ dalam lainya. Rahim terbagi 2 bagian yaitu corpus (badan) dan serviks (leher).

3. Analisis dan Perancangan Sistem 3.1 Analisis Sistem

Sistem merupakan gambaran umum apa yang akan dikembangkan. Sistem pakar yang akan dibangun merupakan sistem mempresentasikan kemampuan atau keahlian seorang pakar atau orang yang berpengalaman di bidang tertentu untuk membantu user dalam mengatasi masalah yang dihadapi. Masalah diagnosa penyakit pada rahim dapat dikategorikan sebagai masalah artificial intelegent khususnya sistem pakar karena pemecahan masalah tersebut dapat dilakukan dengan mengembangkan sistem yang dapat berperan sebagai seorang ahli. Dengan kata lain terjadi pemindahan atau proses pengolahan informasi yang bersifat heuristic yang artinnya membangun dan mengoperasikan basis pengetahuan yang berisi fakta beserta penalarannya. Dalam hal ini prosesnya disebut knowledge engineering yaitu penyerapan basis pengetahuan dari seorang pakar ke sebuah komputer. Sistem akan memberikan daftar berupa fakta-fakta yang telah disimpan dalam sistem berupa basis pengetahuan. data yang diberikan pengguna diproses sehingga menghasilkan kesimpulan berupa hasil diagnosa jenis penyakit pada rahim.

3.2 Akuisisi Pengetahuan

Akuisisi pengetahuan pada sistem pakar sistem diagnosa penyakit pada rahim ini didapat dari :

1. Beberapa buku sistem pakar : a. Konsep Dasar Sistem Pakar

b. Membuat Aplikasi Sistem Pakar dengan PHP dan Editor Dreamweaver 2. c. Aplikasi Logika Fuzzy

2. Beberapa informasi Penyakit pada Rahim a. Buku Ilmu Kandungan

5

3. Metode yang akan digunakan untuk membuat desain Sistem Pakar untuk mengetahui penyakit pada rahim ini yaitu:

a. Membuat blok diagram dari domain pengetahuan yang akan dibahas dalam hal ini adalah untuk deteksi penyakit pada rahim.

b. Membuat blok diagram target keputusan. c. Membuat tabel keputusan.

Mengubah tabel keputusan menjadi aturan dalam bentuk if-then rule.

3.2.1 Blok Diagram area Permasalahan

Pembuatan blok diagram dimaksudkan untuk membatasi lingkup permasalahan yang dibahas dengan mengetahui posisi pokok bahasa pada domain yang lebih luas. Pada blok diagram ini, dapat dilihat bahwa penyakit rahim yang dijadikan sebagai area permasalahan. Sedangkan yang diprototipekan hanyalah sebagian dari domain masalah pada penyakit pada rahim.

3.2.2 Blok Diagram Target Keputusan

Setelah membuat blok diagram area permasalahan, langkah selanjutnya merupakan penggambaran blok diagram target keputusan (final blok diagram) untuk domain hasil diagnosa. Blok diagram target keputusan menggambarkan factor-faktor yang mempengaruhi keputusan atau hasil akhir yang akan diberikan kepada pengguna.

Dari Gambar 3.2 di atas, dapat dijelaskan bahwa input dari sistem adalah kumpulan gejala dan intensitasnya. Masing masing gejala akan memiliki intensitasnya, yang merupakan nilai fuzzy, yang akan memiliki skala 10 sampai 100 (10 untuk intensitas paling rendah dan 100 untuk intensitas paling tinggi). Sedangkan output dari sistem adalah hasil diagnosa menggunakan sistem pakar fuzzy berdasarkan input yang diberikan.

3.2.3 Depedency Diagram

Dependency diagram merupakan diagram yang mengindikasikan hubungan antara pertanyaan, aturan, nilai dan rekomendasi dari suatu basis pengetahuan. Bentuk segitiga menunjukkan himpunan aturan (rule set) dan nomor dari himpunan tersebut. Bentuk kotak menunjukkan hasil dari rule baik berupa kesimpulan awal, fakta baru maupun rekomendasi atau saran. Sedangkan tanda tanya menunjukkan kondisi yang akan mempengaruhi isi dari rule. Dari dependency diagram pada Gambar 3.3 dapat dijelaskan bahwa gejala awal yang umum yang dialami penderita penyakit rahim

Gejala + Intensitasnya Hasil Diagnosa

6

mempengaruhi rule set dari kondisi tersebut menghasilkan kesimpulan berupa hasil diagnosa jenis penyakit pada rahim.

3.2.4 Perancangan Tabel Pengetahuan

Tabel 3.1 menunjukan nama penyakit yang akan dimasukan kepada tabel pengetahuan, (P) menunjukan kode penyakit pada tabel.

3.2.5 Perancangan Tabel Keputusan Diagnosa penyakit

Dari data penyakit dan gejala yang ada, dapat dipersingkat informasinya menjadi tabel keputusan yang isinya adalah relasi atau hubungan antara penyakit dan gejalanya.

Kode Penyakit Nama Penyakit

P1 Kista Ovarium P2 Kanker Ovarium P3 Kanker Serviks P4 Myoma uteri P5 Kanker Rahim No Gejala Penyakit

1 kram perut bawah atau nyeri panggul.

2 Menstruasi tidak teratur abnormal,rapat secara periode 3 Sakit atau tekanan pada saat berkemih

4 Rasa nyeri,keluarnya flek darah dari vagina 5 Kembung, bengkak, adanya tekanan pada perut 6 Pendarahan pasca monopouse

7 Tidak napsu makan, Penurunan Berat badan secara progasif 8 Sakit kepala dan sering lelah

9 Keputihan patogonis 10 Sakit pada area kewanitaan

11 Pendarahan vagina saat/setelah berhubungan intim 12 Bengkak pada kaki

13 Pendarahan selama haid ataupun diluar masa haid

14 Rasa nyeri pada kandung kemih atau organ panggul lainya 15 Pada bagian bawah perut rahim terasa kenyal

16 Nyeri pada area pelvic

K od e G ej a la Nama Gejala Jenis Penyakit A B C D E

Tabel 3.1 Daftar jenis penyakit

Tabel 3.2 Daftar Gejala

Tabel 3.3 Daftar Keputusan Penyakit

Tabel 3.3 Daftar Keputusan

7

Pada tabel 3.2 menunjukan gejala-gejala yang mungkin terjadi pada penyakit yang tercantum pada tabel 3.1

A.(Kista Ovarium) B.(Kanker Ovarium)

C.(Kanker Servik) D.(Myoma Uteri) E.(Kanker Rahim)

3.2.6 Pembentukan Aturan (Rule)

R1

IF kram perut bawah atau nyeri panggul AND Menstruasi tidak teratur abnormal, rapat secara periode AND Sakit atau tekanan pada saat berkemih AND Rasa nyeri,keluarnya flek darah dari vagina THEN R1

R2

IF kram perut bawah atau nyeri panggul AND Menstruasi tidak teratur abnormal, rapat secara periode AND Kembung, bengkak, adanya tekanan pada perut AND Pendarahan pasca monopouse AND Tidak napsu makan, Penurunan Berat badan secara progasif THEN R2.

R3

IF Sakit atau tekanan pada saat berkemih AND Tidak napsu makan, Penurunan Berat badan secara progasif AND Sakit kepala dan sering lelah AND Keputihan patogonis AND Sakit pada area kewanitaan AND Pendarahan vagina saat/setelah berhubungan intim AND Bengkak pada kaki THEN R3.

R4

IF Timbul rasa sakit dan pendarahan saat berhubungan intim AND

Pendarahan selama haid ataupun diluar masa haid AND Rasa nyeri pada kandung kemih atau organ panggul lainya AND Pada bagian

bawah perut rahim terasa kenyal THEN R4 R5 IF Sakit atau tekanan pada saat berkemih AND Timbul rasa sakit dan

pendarahan saat berhubungan intim AND Nyeri pada area pelvic THEN G1 kram perut bawah atau nyeri panggul * * G2 Menstruasi tidak teratur abnormal,rapat secara periode * * G3 Sakit atau tekanan pada saat berkemih * * * G4 Rasa nyeri, keluarnya flek darah dari vagina * G5 Kembung, bengkak, adanya tekanan pada perut * G6 Pendarahan pasca monopouse * G7 Tidak napsu makan, Penurunan Berat badan secara

progasif * *

G8 Sakit kepala dan sering lelah *

G9 Keputihan patogonis *

G10 Sakit pada area kewanitaan * G11 Pendarahan vagina saat/setelah berhubungan intim * * *

G12 Bengkak pada kaki *

G13 Pendarahan selama haid ataupun diluar masa haid * G14 Rasa nyeri pada kandung kemih atau organ panggul

lainya *

G15 Pada bagian bawah perut rahim terasa kenyal *

G16 Nyeri pada area pelvic *

8

R5

3.3 Perancangan Mesin Inferensi

Inti dari sistem pakar adalah inferensi, yang sebenarnya adalah program komputer yang menyediakan metodologi untuk mempertimbangkan informasi dalam basis pengetahuan dan merumuskan kesimpulan. Komponen ini menyediakan arahan bagaimana menggunakan pengtetahuan system, yakni dengan mengembangkan agenda yang mengatur dan mengontrol langkah yang diambil untuk memecahkan persoalan kapan pun konsultasi berlangsung. Sistem yang akan dibuat menggunakan logika fuzzy sebagai mesin inferensi. Sistem pakar fuzzy terbagi menjadi beberapa proses yaitu: 1. Fuzzyfikasi

Masukan yang nilai kebenaranya bersifat pasti (crisp input) dikonversi kebentuk fuzzy input, yang berupa nilai linguistic yang sematiknya ditentukan berdasarkan fungsi keanggotaan.

2. Inferensi

Nilai kebenaran dari premis akan dihitung, kemudian diterapkan pada konklusi pada setiap aturan menggunakan fungsi implikasi yang dipilih. Outputnya merupakan satu subset fuzzy pada tiap aturan. Teknik implikasi yang digunakan untuk inferensi adalah metode MIN.

3. Komposisi dan Defuzzyfikasi

Mengubah output fuzzy yag diperoleh dari mesin inferensi menjadi nilai tegas menggunakan fungsi keanggotaa yang sesuai dengan saat di lakukan fuzzyfikasi. Pada proses komposisi dan defuzzykasi yang akan digunakan yaitu diperoleh dengan rata-rata terbobot dengan rumus:

3.3.1 Menentukan Variabel Linguistik

Input dari system adalah gejala dan intensitasnya. Intensitas merupakan variable fuzzy yang merepresentasikan gejala, sehingga harus ditentukan variable linguistic yang akan menentukan himpunan fuzzy dari nilai intensitas. Sebagai output dari system adalah peluang dari penyakit. Maka harus ditentukan pula variabel linguistic yang akan menentukan himpunan fuzzy dari nilai peluang penyakit. Variabel linguistik yang akan dugunakan untuk merepresentasikan himpunan fuzzy untuk intensitas gejala serta domainnya ditentukan pada Tabel 3.5.

9

Tabel 3.5 menunjukan bahwa himpunan intensitas fuzzy RENDAH memilki domain [10 40], SEDANG memiliki domain [30 70], dan TINGGI memiliki domain [60 100].

Tabel 3.6 menunjukkan bahwa himpunan peluang RENDAH memiliki domain [0.1 0.9] dan TINGGI memilki domain [0.1 1.0]. Domain dari himpunan fuzzy akan mempengaruhi output dari sistem, maka dalam system dibuat sebuah prosedur untuk melakukan perubahan pada domain tersebut.

3.3.2 Menentukan Fungsi Keanggotaan (Membership Function)

Fungsi keanggotaan adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya (sering juga disebut dengan derajat keanggotaan) yang memilki interval antara 0 sampai 1. Gambar 3.4 akan menunjukkan fungsi keanggotaan untuk intensitas gejala. Sedangkan Gambar 3.5 akan menunjukkan fungsi keanggotaan untuk peluang penyakit.

Gambar 3.5. Fungsi keanggotaan untuk peluang penyakit. Karena adanya prosedur untuk melakukan perubahan doman himpunan fuzzy , maka fungsi keanggotaan dia atas juga ikut berubah jika ada perubahan domain himpunan fuzzy.

Contoh penyelesaian kasus:

Contoh kasus ini hanya menggunakan beberapa aturan rule saja yaitu dari seluruh aturan rule yang ada, dan hanya menenttukan perbandingan 2 penyakit saja yaitu P1dan P5.

Misal : yaitu user menginputkan suatu gejala dan intensitasnya,

No Gejala Nilai(intensitas) 1 G1 20 2 G2 30 3 G3 40 4 G4 40 5 G5 70 6 G6 50 7 G7 60 8 G8 70 9 G9 50 10 G10 10 11 G11 40 12 G12 70 13 G13 50

10

14 G14 60

15 G15 70

16 G16 60

Sesuai dengan domain yang berlaku pada masing-masing kondisi, didapatkan nilai keanggotaan gejala pada masing-masing domain :

G1 µRendah [20] = (40 - 20) / (40 - 10) = 2/3 µSedang [20] = 0 µTinggi [20] = 0 G2 µRendah [30] = (40 - 30) / (40 - 10) = 1/3 µSedang [30] = 0 µtinggi [30] = 0 G3 µRendah [40] = 0 µSedang [40] = (40 - 30) / (50 - 30) = 1/2 µTinggi [40] = 0 G4 µRendah [40] = 0 µSedang [40] = (40 - 30) / (50 - 30) = 1/2 µTinggi [40] = 0 G5 µRendah [70] = 0 µSedang [70] = 0 µTinggi [70] = (70 - 60) / (100 - 60) = 1/4 G6 µRendah [50] = 0 µSedang [50] = 1 µTinggi [50] = 0 G7 µRendah [60] = 0 µSedang [60] = (70 - 60) / (70 - 50) = 1/2 µTinggi [60] = 0 G8 µRendah [70] = 0 µSedang [70] = 0

11

µTinggi [70] = (70 - 60) / (100 - 60) = 1/4 G9 µRendah [50] = 0 µSedang [50] = 1 µTinggi [50] = 0 G10 µRendah [10] = 1 µSedang [10] = 0 µTinggi [10] = 0 G11 µRendah [40] = 0 µSedang [40] = (40 - 30) / (50 - 30) = 1/2 µTinggi [40] = 0 G12 µRendah [70] = 0 µSedang [70] = 0 µTinggi [70] = (70 - 60) / (100 - 60) = 1/4 G13 µRendah [50] = 0 µSedang [50] = 1 µTinggi [50] = 0 G14 µRendah [60] = 0 µSedang [60] = (60 - 50) / (60 - 40) = 1/2 µTinggi [60 ] = 0 G15 µRendah [70] = 0 µSedang [70] = 0 µTinggi [70] = (70 - 60) / (100 - 60) = 1/4 G16 µRendah [60] = 0 µSedang [60] = (60 - 50) / (60 - 40) = 1/2 µTinggi [60] = 0

Berikut adalah beberapa contoh aturan yang diambil beberapa dari semua aturan yang ada. Dari beberapa aturan diatas diperoleh nilai keanggotaaan peluang masing-masing rule yaitu :

12

R1 : ==>IF G1(tinggi (0)) and G2(tinggi (0)) and G3(tinggi (0)) and G4(tingggi (0))

THEN P1(tinggi (0)).

R2 : ==>IF G1(sedang (0)) and G2(sedang (0)) and G3(sedang (1/2)) and G4(sedang (1/2)) THEN P1(tinggi (0)).

R3 : ==>G1(rendah (2/3)) and G2(rendah (1/3)) and G3(sedang (1/2)) and G4(sedang (1/2)) THEN P1(rendah (1/3)).

R4 : ==>IF G1(rendah (2/3)) and G2(rendah (1/3)) and G3(rendah (0)) and G4(tinggi (0)) THEN P1(rendah (0)).

R5 : ==>IF G3(tinggi (0)) and G11(tinggi (0)) and G16(tinggi (0)) THEN P5(tinggi (0)).

R6 : ==>IF G3(sedang (1/2)) and G11(sedang (1/2)) and G16(sedang (1/2)) THEN P5(tinggi (1/2)).

R7: ==>IF G3(sedang (1/2)) and G11(redah (0)) and G16(rendah (0)) THEN P5(rendah (0)

Kemudian mencari nilai Z: Rumus mencari nilai Z :

= 0 ==> z1 = (0)(0,8) + (0,1) = 0,1  kurva Linear Turun

= 0 ==> z2 = (0)(0,8) + (0,1) = 0,1  kurva Linear Turun

= 1/3 ==> z3 = (0,9) - (0,8) (1/3) = 0,633  Kurva Linear Naik

= 0 ==> z4 = (0,9) – (0,8)(0) = 0,9  Kurva Linear Naik = 0 ==> z5 = (0,8)(0) + (0,1) = 0,1  kurva Linear Turun

13

= 1/2 ==> z6 = (0,8)(1/2) + (0,1) = 0,5  kurva Linear Turun

= 0 ==> z7 = (0,9) - (0,8)(0) = 0,9  Kurva Linear Naik

Kemudian diproses defuzzykasi :

= (1/3)(0,633) / (1/3) = 0,633

= (0)(0,1) + (1/2)(0,5) + (0)(0,9) / 0 + (1/2) + 0 = (1/2)(0,5) / (1/2)

= 0,5

Jadi kemungkinan peluang penyakit dan presentasenya adalah : P1 = 0,633

14

4. Implementasi dan Pembahasan

4.1 Implementasi

Implementasi sistem merupakan tahap merealisasikan sistem yang baru dikembangkan supaya nantinya sistem siap di implementasikan sesuai dengan yang diharapkan. Tujuan dari implementasi ini adalah menyisipkan kegiatan penerapan sistem sesuai dengan rancangan yang telah dilakukan sebelumnya.

4.2 Uji Coba Sistem

Dalam pengujian sistem ini terdapat dua macam testing, yaitu dengan Blak Box Testing dan White Box Tsting.

1. Black Box Testing

Pada Black Box Testing cara pengujian hanya dilakukan dengan menjalankan atau mengeksekusi unit atau modul, kemudian diamati apakah hasil dari unit itu sesuai dengan proses yang di inginkan.

2. White Box Testing

4.3 Implementasi Pembahasan Program

4.3.1 Pembahasan Pengolahan Admin

Implementasi dan pembahsan pengolahan admin adalah hasil realisasi dari perancangan pada bab sebelumnya, pada halaman ini admin dapat merubah data admin yang ada ataupun menambah data admin baru dengan menginputkan data pada form yang telah disediakan, namun sebelumnya admin akan melakukan login sebagai otentikasi data admin.

1. Halaman Input Penyakit

Pada halaman ini pakar dapat memasukan data-data penyakit, keterangan tentang penyakit kedalam sistem pakar penyakit pada rahim ini

2. Halaman Input Gejala

Pada halaman ini pakar memasukan data-data berupa gejala penyakit kedalam sistem pakar penyakit pada rahim yaitu kode gejala dan nama gejala emudian pilih tombol simpan.

3. Halaman Input if_gejala

Pada Halaman ini pakar akan menginputan data gejala yang terkait dengan domain fuzzy.

4. Halaman Input Then_Penyakit

Pada pakar akan menginputan data penyakit yang terkait dengan domain fuzzy.

5. Halaman Input Fuzzy

Pada halaman ini pakar akan memasukan data-data berupa domain fuzzy dalam sistem pakar penyakit pada rahim.

15

6. Halaman Input Rule

Pada halaman ini pakar memasukan data-data berupa aturan yang akan digunakan dalam proses diagnosa dalam sistem pakar penyakit pada rahim.

1. Halaman Menu Utama

Halaman menu utama ini merupakan tampilan awal saat program dijalankan, dimana dalam menu utama terdapat deskripsi mengenai tujuan pembuatan program serta informasi mengenai penyakit yang ada pada rahim.

2. Halaman Menu Informasi Penyakit pada Rahim

Halaman ini berisi informasi mengenai jenis penyakit pada rahim beserta keterangan mengenai penyakit

3. Halaman Menu Konsultasi

Dalam halaman ini konsultasi terbagi menjadi 2 konsultasi yaitu konsultasi dan konsultasi2, pada halaman konsultasi sistem menampilkan halaman menu konsultasi yaitu akan muncul tampilan data gejala penyakit pada rahim. Apabila user ingin konsultasi diharuskan mencentang atau memilih pilihan gejala-gejala peyakit pada rahim yang mungkin dialami oleh user kemudian klik tombol proses untuk melanjutkan dan klik tombol batal untuk berhenti.

Setelah user memilih atau mencentang gejala yang dialami kemudian akan muncul tampilan intensitas gejala, disini user mengisi intensitas gejala yaitu tingkat keparahan gejala tersebut kemudian klik tombol proses kemudian tampil halaman hasil konsultasi yaitu merupakan halaman yang memberikan informasi hasil dari masukan user yang melakukan proses konsultasi.

Informasi yang diberikan pada halamana ini berupa nama penyakit beserta presentasenya.

4. Halaman Menu Konsultasi2

Pada halaman konsultasi2, apabila user ingin berkonsultasi sistem akan menampilakan seluruh gejala yang ada kemudian user diharuskan memasukan atau menginputkan intensitas gejala yang ada tersebut kemudian pilih tombol proses, kemudian sistem akan menampilakn hasil konsultsasi tersebut.

5. Halaman Menu Kontak

Halaman ini berisi informasi kontak pembuat web pakar ini.

6. Halaman Menu Bantuan

Pada halaman menu bantuan ini, pengguna dapat melihat beberapa bagaimana menggunakan program Sistem Pakar Penyakit Pada Rahim Menggunakan Metode Fuzzy Berbasis Web .

16

5. Penutup

5.1 Kesimpulan

Berdasarkan penjelasan dan pembahasan yang telah diuraikan sebelumnya dan implementasi pada proses pembuatan sistem diagnosa penyakit pada rahim menggunakan metode fuzzy, maka dapat diambil beberapa kesimpulan yaitu :

1. Tahapan- tahapan dalam membuat aplikasi sebagai berikut :

a. Menentukan variabel-variabel gejala dan output beserta domain nilainya. b. Melakukan proses fuzzyfikasi untuk memperoleh keanggotaan dari tiap

variabel dan output.

c. Melakukan proses pembuatan rule berdasarkan variabel dan keanggotaan yang telah dibuat serta berdasarkan output yang dituju.

d. Melakukan proses fuzzyfikasi input untuk mengetahui keanggotanya, melakukan proses evaluasi rule untuk mendapatkan keputusan dari sistem. e. Melakukan proses deffuzyfikasi output untuk mendapatkan nilai dari

keanggotaan output yang dicapai.

2. Aplikasi yang dibangun ini dapat melakukan diagnosa penyakit dengan baik karena hasil sesuai dengan perhitungan diagnosa pakar. Dengan persentase hasil perbandingan diagnosa pakar dengan sistem pakar sebesar 100%.

5.2 Saran

Aplikasi Sistem Diagnosa Penyakit pada Rahim Menggunakan Metode Fuzzy ini tidak terlepas dari kekurangan dan kelemahan. Oleh karena itu penulis memberikan beberapa saran yang dapat digunakan sebagai acuan dalam penelitian atau pembangun selanjutnya, yaitu :

1. Evaluasi dapat dilakukan dengan membandingkan dengan algoritma lainya yang digunakan dalam sistem pakar

2. Objek penelitian lebih beragam, dalam arti lain jenis penyakitnya lebih diperbanyak lagi.

3. Presentase yang ditunjukan tidak hanya berasal dari tingkat tertinggi 100% dari penyakit itu sendiri tetapi presentasenya dibandingkan dengan penyakit yang lain.

4. Sistem ini tidak mampu memberikan hasil akhir secara 100% berupa jenis penyakit dan kesembuhan.

5. Data penyakit diwebsite bisa ngelink kesitus web kesehatan resmi agar data penyakit yang ada lebih valid dan akurat.

17

DAFTAR PUSTAKA

Al Fatta, Hanif. 2007. Analisis dan Perancangan Sistem Informasi untukkeunggulan bersaing Perusahaan dan Organisasi modern. Yogyakarta: Andi.

Arif, M. Rudyanto.2006. Pemrograman Basis Data Menggunakan Transact-SQL dengan Microsoft SQL Server 2000.ct-SQL dengan Microsoft SQL Server 2000.

Yogyakarta: Andi Offset.

Kusrini. 2006. Sistem Pakar Teori dan Aplikasi. Yogyakarta: Andi Offset.

MADCOMS. 2008.PHP & mySQL untuk Pemula. PHP & mySQL untuk Pemula.

Yogyakarta Andi Offset.

Mochamad Anwar, Ali Baziad, R.Prajitno Prabowo. 2011. Ilmu Kandungan. Edisi Ketiga: Cetakan Pertama. Jakarta: P.T. Bina Pustaka ono Praworoharjo.

Nugroho, Adi 2004. Pemrograman Berorientasi Objek. Bandung Informatika.

Nugroho, Bunafit. 2004. PHP & mySQL dengan Editor Dreamweaver MX. Yogyakarta: Andi.

Prasetyo, Didik Dwi. 2003. Tip dan Trik Kolaborasi PHP & mySQL untuk Membuat Web Database yang Interaktif. Jakarta: PT. Alex Media Komputindo.Kusrini. 2008.

Aplikasi Sistem Pakar. Yogyakarta: Andi Offset.

Sri Kusuma Dewi, Hari Purnomo. 2010. Aplikasi Logika Fuzzy. Yogyakarta : Graha Ilmu. T.Sutojo, Edy Mulyanto, Vincent Suhartono. 2011. Kecerdasan Buatan. Yogyakarta Andi