7 2.1.1 Pengertian Kecerdasan Buatan
Kecerdasan buatan berasal dari bahasa inggris “Artificial Intelligence”
atau singkatan AI, yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan. Kecerdasan buatan yang dimaksud di sini merujuk pada mesin yang mampu berpikir, menimbang tindakan yang akan diambil dan mampu mengambil keputusan seperti yang dilakukan oleh manusia (Sutojo dkk, 2011).
Menurut Handojo dan Irawan (2009), kecerdasan buatan adalah cabang ilmu komputer yang bertujuan untuk membuat sebuah komputer dapat berpikir dan bernalar seperti manusia. Kecerdasan buatan dapat membantu manusia dalam membuat keputusan, mencari informasi secara lebih akurat, atau membuat komputer lebih mudah digunakan dengan tampilan yang menggunakan bahasa natural sehingga mudah dipahami. Salah satu bagian dari sistem kecerdasan buatan adalah sistem pakar dimana sistem pakar adalah bagian dari ilmu kecerdasan buatan yang secara spesifik berusaha mengadopsi kepakaran seseorang di bidang tertentu ke dalam suatu sistem atau program komputer.
2.1.2 Pengertian Sistem Pakar
Sistem pakar merupakan cabang dari Artificial Intelligence (AI) yang dikembangkan pada pertengahan 1960. Sistem pakar berasal dari istilah knowledge-based expert system, yaitu sebuah sistem yang menggunakan pengetahuan manusia dimana pengetahuan tersebut dimasukkan ke dalam komputer dan kemudian digunakan untuk menyelesaikan masalah-masalah yang biasanya membutuhkan kepakaran atau keahlian manusia (Sutojo dkk, 2011).
2.1.2.1 Ciri-ciri Sistem Pakar
Menurut Sutojo (2011), ciri-ciri sistem pakar adalah : 1. Terbatas pada domain keahlian tertentu.
2. Dapat memberikan penalaran-penalaran untuk data-data yang tidak lengkap atau tidak pasti.
3. Dapat mengemukakan rangkaian alasan-alasan yang diberikannya dengan cara yang dapat dipahami.
4. Berdasarkan pada kaidah/ketentuan/rule tertentu.
5. Dirancang untuk dapat dikembangkan secara bertahap.
6. Pengetahuan dan mekanisme penalaran (inference) jelas terpisah.
7. Keluarannya bersifat anjuran.
8. Sistem dapat mengaktifkan kaidah secara searah yang sesuai dituntun oleh dialog dengan user.
2.1.2.2 Manfaat Sistem Pakar
Menurut Sutojo (2011) sistem pakar menjadi populer karena sangat banyak kemampuan dan manfaat yang diberikannya, di antaranya :
1. Meningkatkan produktivitas, karena sistem pakar dapat bekerja lebih cepat daripada manusia.
2. Membuat seorang yang awam bekerja seperti layaknya seseorang pakar.
3. Meningkatkan kualitas, dengan memberi nasihat yang konsisten dan mengurangi kesalahan.
4. Mampu menangkap pengetahuan dan kepakaran seseorang.
5. Dapat beroperasi di lingkungan yang berbahaya.
6. Memudahkan akses pengetahuan seorang pakar.
7. Handal, sistem pakar tidak pernah menjadi bosan dan kelelahan atau sakit.
8. Meningkatkan kapabilitas sistem komputer. Integrasi sistem pakar dengan sistem komputer lain membuat sistem lebih efektif dan mencakup lebih banyak aplikasi.
9. Mampu bekerja dengan informasi yang tidak lengkap atau tidak pasti.
10. Bisa digunakan sebagai media pelengkap dalam pelatihan. Pengguna pemula yang bekerja dengan sistem pakar akan menjadi lebih berpengalaman karena adanya fasilitas penjelas yang berfungsi sebagai guru.
2.1.2.3 Perbandingan Pakar dan Sistem Pakar
Perbandingan kemampuan antara seorang pakar dengan sistem pakar dapat dilihat pada tabel 2.1 berikut ini :
Tabel 2.1 Perbandingan Pakar dan Sistem Pakar
No Pakar Manusia Sistem Pakar
1. Memiliki waktu yang terbatas karena manusia membutuhkan istirahat.
Waktu tidak terbatas karena dapat digunakan kapanpun.
2. Tempat akses bersifat lokal pada suatu tempat saja dimana pakar berada.
Dapat digunakan diberbagai tempat.
3. Pengetahuan bersifat variabel dan dapat berubah tergantung situasi.
Pengetahuan bersifat konsisten.
4. Kecepatan untuk menemukan solusi bervariasi
Kecepatan untuk memberikan solusi bersifat konsisten.
5. Biaya yang diperlukan untuk konsultasi sangat mahal.
Biaya yang digunakan untuk konsultasi lebih murah.
2.1.2.4 Komponen Sistem Pakar
Menurut Siswanto (2010), sistem pakar disusun oleh dua bagian utama, yaitu bagian lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Lingkungan pengembang digunakan oleh pembuat sistem pakar untuk membangun komponen- komponennya dan memperkenalkan pengetahuan ke dalam knowledge base (basis pengetahuan). Sedangkan lingkungan konsultasi digunakan oleh pengguna untuk berkonsultasi sehingga pengguna mendapatkan pengetahuan dan nasihat dari
sistem pakar layaknya berkonsultasi dengan seorang pakar. Komponen-komponen sistem pakar (Rachmawati dkk, 2012) secara umum terdiri dari komponen- komponen penyusun sebagai berikut :
1. Knowledge Base (Basis Pengetahuan)
Basis pengetahuan meruapakan hasil akuisisi dan representasi pengetahuan dari seoarang pakar. Basis pengetahuan berisi pengetahuan- pengetahuan dalam penyelesaian masalah. Basis pengetahuan terdiri dari dua elemen dasar yaitu fakta dan rule atau aturan.
2. Inference Engine (Mesin Inferensi)
Mesin inferensi adalah sebuah program yang berisi metodologi yang digunakan untuk melakukan penalaran terhadap informasi-informasi dalam basis pengetahuan untuk memformulasikan konklusi.
3. User Interface (Antar Muka Pengguna)
User Interface adalah penghubung antara program sistem pakar dengan pengguna yang dapat dihubungkan via dekstop ataupun mobile.
Antarmuka digunakan sebagai media komunikasi antara pengguna dan sistem pakar.
2.1.2.5 Teknik Inferensi
Mesin inferensi adalah bagian yang mengandung mekanisme fungsi berpikir dan pola-pola penalaran sistem yang yang digunakan seorang pakar.
Mekanisme ini akan menganalisa suatu masalah tertentu dan selanjutnya mencari kesimpulan yang terbaik (Siswanto, 2010).
Menurut Sutojo dkk (2011) dan Siswanto (2010) ada dua teknik penalaran (inference) adalah sebagai berikut :
1. Forward Chaining (Pelacakan ke depan) : Teknik ini memulai pencarian dengan fakta yang diketahui untuk menguji kebenaran hipotesa, kemudian mencocokkan fakta tersebut dengan bagian IF dan rule IF-THEN. Teknik ini cocok digunakan untuk menangani masalah peramalan (prognosis) dan pengendalian (controlling).
2. Backward Chaining (Pelacakan ke belakang) : Teknik ini memulai pencarian dari kesimpulan (goal) dengan mencari sekumpulan hipotesa- hipotesa yang mendukung menuju fakta-fakta yang mendukung sekumpulan hipotesa tersebut.
2.1.3 Pengertian Kista Endometriosis
Kista merupakan tumor jinak berupa kantong abnormal berisi cairan atau setengah cairan yang tumbuh dalam indung telur (ovarium). Tumbuhnya kista tersebut bisa membuat terganggunya siklus haid, tingkat kesuburan, dan juga rasa sakit luar biasa (Hacker, 2009).
Kista adalah pembesaran suatu organ yang di dalamnya berisi cairan seperti balon yang berisi air. Pada wanita organ yang paling sering terjadi kista adalah indung telur. Tidak ada keterkaitan apakah indung telur kiri atau kanan (Evianggarini, 2009).
Endometriosis adalah suatu keadaan di mana jaringan endometrium yang masih berfungsi terdapat di luar kavum uteri. Jaringan ini terdiri atas kelenjar- kelenjar dan stroma (Sarwono, 2008).
Endometriosis adalah suatu keadaan pada seorang perempuan di mana sel-sel selaput lendir rahim (endometrium) berada di luar tempat seharusnya, yaitu di dalam rahim. Sel-sel endometrium seharusnya berada di dalam rahim.
Endometrium adalah jaringan yang membatasi bagian dalam rahim. Dalam siklus menstruasi, ketebalan endometrium akan bertambah sebagai persiapan kehamilan.
Namun, bila kehamilan tidak terjadi maka endometrium akan terlepas dan dikeluarkan sebagai darah haid. Kista endometriosis adalah kista yang tumbuh di permukaan ovarium atau menyerang bagian dalam ovarium dan membentuk kista berisi darah yang disebut sebagai kista endometriosis atau kista coklat. Kista ini disebut kista coklat karena terdapat penumpukan darah berwarna merah coklat hingga gelap. Kista ini bisa berukuran kecil seukuran kacang dan bisa tumbuh lebih besar dari buah anggur. Kista endometriosis sebenarnya salah satu jenis kista yang tidak ganas dan bukan merupakan tumor sejati. Meskipun bukan kista ganas,
kista endometriosis perlu diwaspadai karena 26 persen dari kasus kista endometriosis dapat berlanjut menjadi kanker (Evianggarini, 2009).
2.1.3.1 Tanda dan Gejala Kista Endometriosis
a. Gejala umum menurut Hadibroto (2007), yaitu :
1) Nyeri hebat dibagian perut dan sekitar panggul yang terjadi sebelum atau awal dari siklus haid, sehingga membuat pasien tidak berdaya (pingsan), tetapi tidak sampai mengancam nyawa.
2) Nyeri tekan pada sendi yang disertai dengan kelelehan sehingga membuat tidak nyaman.
3) Pendarahan pada anus sewaktu buang air besar, disebabkan tumbuhnya implan endometrium pada usus besar (kolon), atau pada saluran kencing bila endometriosisnya sudah parah.
4) Gangguan siklus haid berupa bercak-bercak menjelang haid dan pendarahan rahim yang tidak seharusnya terjadi.
5) Gejala yang masih sering mengundang perdebatan adalah masalah infertilitas (kemandulan) akibat dari penyempitan dan tersumbatnya saluran indung telur sampai di rahim.
b. Gejala selanjutnya dikemukakan oleh Benson (2008) yaitu : 1) Nyeri Pelvik
Nyeri panggul merupakan tanda utama endometriosis, dengan ciri khas nyeri bersifat kronis dan berulang, timbul sebagai dismenore. Nyeri biasanya terjadi 24-48 jam sebelum menstruasi dan mereda beberapa saat setelah menstruasi. Gejala-gejala pelvis lainnya adalah kejang yang berat, rasa berat pada panggul dan tekanan pada pelvis.
2) Infertilitas
Endometriosis didiagnosis hampir dua kali lebih sering pada wanita infertile dibandingkan wanita fertile. Karena itu endometriosis harus dicurigai pada setiap kasus infertilitas.
3) Pendarahan Abnormal
Pendarahan abnormal, tidak berhubungan dengan anovulasi, terjadi pada 15%-20% wanita dengan endometriosis. Gambaran yang khas adalah pendarahan berupa bercak premenstruasi atau menoragi atau bisa keduanya.
2.1.3.2 Faktor Resiko
Kemungkinan terjadinya kista endometriosis pada seorang wanita dimulai pada saat mereka memulai masa pubernya, atau saat pertama mendapatkan haid hingga masa berakhirnya haid (menopause).
Menurut Hadibroto (2007), resiko wanita yang terkena kista endometriosis menurut tipikal usianya tampak sebagai berikut :
a. Resikonya meningkat mulai masa puber hingga mencapai puncaknya pada usia 40 tahun.
b. Resikonya menurun setelah usia 40 tahun.
c. Kemungkinan resiko itu menjadi semakin kecil ketika usia mencapai menopause.
2.1.4 Sistem Operasi Android
Android adalah sistem operasi yang digunakan di smartphone dan juga tablet PC. Fungsinya sama seperti sistem operasi Symbian di Nokia, iOs di Apple, dan BlackBerry OS. Android tidak terikat kesatu merk handphone saja, beberapa vendor terkenal sudah memakai android. Android pertama kali dikembangkan oleh perusahaan bernama Android Inc., dan pada tahun 2005 diakuisisi oleh raksaa Internet Google. Android dibuat dengan basis kernel Linux
yang telah dimodifikasi, dan untuk setiap releasenya diberi kode nama berdasarkan nama hidangan makanan.
Google menginginkan agar Android bersifat terbuka dan gratis, oleh karena itu hampir setiap kode program Android diluncurkan berdasarkan lisensi open-source Apache yang berarti bahwa semua orang yang ingin menggunakan Android dapat mendownload penuh source code-nya.
Di samping itu produsen perangkat keras juga dapat menambahkan extension-nya sendiri ke dalam Android sesuai kebutuhan produk mereka. Model pengembangannya yang sederhana membuat Android menarik bagi vendor- vendor perangkat keras.
2.1.5 Metode Certainty Factor
Faktor kepastian (Certainty Factor) diperkenalkan oleh Shortliffe Buchannan dalam pembuatan MYCIN (Wesley,1984). Certainty Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukan besarnya kepercayaan. Certainty Factor didefinisikan sebagai berikut:
CF(H,E) = MB(H,E) – MD(H,E) Keterangan :
CF(H,E) : Certainty Factor hipotesa yang dipengaruhi oleh gejala (evidence) E.
Besarnya CF berkisar antara 0 sampai 1. Nilai 0 menunjukan ketidak percayaan mutlak, sedangkan nilai 1 menunjukan kepercayaan mutlak.
MB(H,E) : Measure of Belief terhadap hipotesa H, jika diberikan evidence E (antara 0 dan1).
MD(H,E) : Measure of Disbelief (Nilai Ketidakpercayaan) terhadap hipotesa H yang jika diberikan evidence E.
Contoh :
Seorang pakar spesialis penyakit mata menyatakan bahwa probabilitas seseorang berpenyakit katarak adalah 0,02. Dari data lapangan menunjukan bahwa 100 orang penderita penyakit katarak, 40 orang memiliki gejala pandangan kabur.
Dengan menganggap H = Katarak dan E = Pandangan Kabur, hitung faktor kepastian.
Jawab :
P(Katarak) = 0,02
P(Katarak|Pandangan Kabur) = 40 / 100 = 0,4
MB(H,E) = max (P[(H|E),P(H)] - P(H) / max[1,0]-P(H)
MB(H,E) = max [0,4,0,02] - 0,02 / 1-0,02 = 0,4 – 0,02 / 1 – 0,02 = 0,39 MD(H,E) = min (P[H|E),P(H)] - P(H) / min[1,0] - P(H)
MD(H,E) = min [0,4,0,02] - 0,02 / 0 - 0,02 = 0,02 - 0,02/ -0,02 = 0 CF = 0,39 - 0 = 0,39
Rule : IF (Gejala = Pandangan Kabur) THEN Penyakit = Katarak ( CF = 0,39).
Keterangan :
P(H) : Probabilitas kebenaran hipotesis H
P(H|E) : Probabilitas bahwa H benar karena fakta E H : Hipotesa (dugaan)
E : Evidence (peristiwa atau fakta)
Formula dasar digunakan apabila belum ada nilai CF untuk setiap gejala yang menyebabkan penyakit. Kombinasi Certainty Factor yang digunakan untuk mengdiagnosa penyakit adalah (Turban, 2005) :
a. Certainty Factor untuk kaidah dengan premis/gejala tunggal (single premis rules) :
CFgejala = CF(pengguna) * CF(pakar)
b. Apabila terdapat kaidah dengan kesimpulan yang serupa (similiary concluded rules) atau lebih dari satu gejala, maka CF selanjutnya dihitung dengan persamaan :
CFcombine = CFold + CFgejala * (1 - CFold ) Keterangan :
CFold = Merupakan nilai hasil dari penjumlahan dari CFgejala 1 dan CFgejala 2.
CFgejala = Merupakan nilai bobot yang diberikan oleh pakar.
c. Sedangkan Certainty Factor untuk persentase hasil akhir, digunakan persamaan :
CFpersentase = CFcombine * 100
Contoh :
Proses pemberian nilai CF pada setiap gejala hingga perolehan persentase keyakinan untuk penyakit paru-paru Pneumonia Bakterialis.
IF Demam Tinggi (Gejala 1) AND Nyeri Dada (Gejala 2)
AND Napas Pendek-Pendek (Gejala 3)
AND Batuk Yang Dimulai Dengan Cepat (Gejala 4) THEN Pneumonia Bakterialis
Nilai CF yang diberikan pakar :
CFpakar(Gejala 1) = 0,4
CFpakar(Gejala 2) = 0,7
CFpakar(Gejala 3) = 0,7
CFpakar(Gejala 4) = 0,8
Jawaban dari user sebagai berikut :
Gejala 1 = Cukup Yakin = 0,6 Gejala 2 = Kurang Yakin = 0,2
Gejala 3 = Yakin = 0,8
Gejala 4 = Sedikit Yakin = 0,4 Proses perhitungan manual :
CFgejala1 = CF(user)*CF(pakar) = 0,6*0,4 = 0,24 CFgejala2 = CF(user)*CF(pakar) = 0,2*0,7 = 0,14 CFgejala3 = CF(user)*CF(pakar) = 0,8*0,7 = 0,56 CFgejala4 = CF(user)*CF(pakar) = 0,4*0,6 =0,24
CFcombine1(CFgejala1,CFgejala2) = CFgejala1+CFgejala2*(1-CFgejala1) = 0,24+0,14*(1-0,24) = 0,3464 CFcombine2(CFold1,CFgejala3) = CFold1+CFgejala3*(1-CFold1)
= 0,3464+0,56*(1-0,3464) = 0,71242
CFcombine3(CFold2,CFgejala4) = CFold2+CFgejala4*(1-CFold2)
= 0,71242+0,24*(1-0,71242) = 0,78144 CFpersentase = CFcombine*100 = 0,78144*100 = 78,14%
2.1.5.1 Kelebihan dan Kekurangan Metode Certainty Factor Kelebihan Metode Certainty Factor :
a. Metode ini cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti atau tidak pasti dalam mendiagnosa penyakit sebagai salah satu contohnya.
b. Perhitungan dengan menggunakan metode ini dalam sekali hitung hanya dapat mengelola dua data saja sehingga keakuratan data dapat terjaga.
Kekurangan Metode Certainty Factor :
a. Ide umum dari pemodelan ketidakpastian manusia dengan menggunakan numerik metode certainty factor biasanya diperdebatkan. Sebagian orang akan membantah pendapat bahwa formula untuk metode certainty factor di atas memiliki sedikit kebenaran.
b. Metode ini hanya dapat mengolah ketidakpastian/kepastian hanya dua data saja. Perlu dilakukan beberapa x pengolahan data untuk data yang lebih dari dua.
c. Nilai CF yang diberikan bernilai subyektif karena penilaian setiap pakar bisa saja berbeda-beda tergantung pengetahuan dan pengalaman pakar
2.1.5.2 Implementasi Metode Certainty Factor
Dalam sistem ini metode inferensi yang digunakan adalah metode Forward Chaining. Metode Forward Chaining adalah pelacakan ke depan yang memulai dari sekumpulan fakta- fakta dengan mencari kaidah dengan dugaan/hipotesa yang ada menuju kesimpulan. Metode Forward Chaining digunakan menguji faktor- faktor yang dimasukkan pengguna dengan aturan yang disimpan dalam sistem satu demi satu hingga dapat diambil satu kesimpulan. Tabel penyakit dan gejala digunakan sebagai pola pencocokan informasi yang dimasukkan oleh user dan basis pengetahuan.
Tabel 2.2 Aturan Sistem Pakar Kode
Gejala Gejala Bobot
G1 Nyeri saat haid
G2 Nyeri saat berhubungan intim G3 Nyeri saat buang air kecil G4 Nyeri saat buang air besar
G5 Nyeri pada panggul
G6 Perasaan tidak nyaman pada perut bagian bawah
G7 Gangguan kesuburan
G8 Sulit punya anak
G9 Gangguan siklus haid
G10 Peningkatan ukuran perut
G11 Kesulitan dalam makan/merasa kenyang G12 Meningkatnya frekuensi/urgensi urin
G13 Mual
G14 Penurunan berat badan
G15 Perut selalu terasa kembung
Tabel 2.3 Nilai Interpretasi CF
NO Keterangan Nilai CF
1 Tidak Tahu/Tidak Ada 0
2 Mungkin 0.4
3 Kemungkinan Besar 0,6
4 Hampir Pasti 0,8
5 Pasti 1
(Sumber : Turban dan Frenzel, 1992)
Untuk mengetahui tingkat keyakinan seorang wanita menderita kista endometriosis,langkah pertama yang dilakukan adalah menentukan nilai pakar dengan menghitung nilai MB dan MD seperti rumus berikut :
CF(H,E) = MB(H,E) – MD(H,E)
Setelah mendapatkan nilai pakar, user menjawab pertanyaan yang sesuai dengan nilai user, kemudian dihitung nilai CF nya, jika dengan premis/gejala tunggal menggunakan rumus :
CFgejala = CF(pengguna) * CF(pakar)
Jika terdapat kaidah dengan kesimpulan yang serupa atau lebih dari satu gejala, maka CF selanjutnya dihitung dengan persamaan :
CFcombine = CFold + CFgejala * (1 - CFold )
Untuk mengetahui persentase terhadap penyakit maka hasil dari CFcombine
dikalikan 100. Untuk menentukan keterangan faktor keyakinan dari pakar, dilihat dari CFcombine dengan berpedoman dari tabel nilai user.
2.2 Penelitian Terdahulu
Sebagai referensi penelitian terdahulu tentang penelitian membangun Sistem Pakar Untuk Mendiagnosa Penyakit Kista Endometriosis pada Wanita Menggunakan Metode Certainty Factor Berbasis Android.
Tabel 2.4 Penelitian Terdahulu
No Judul Penelitian Penulis Perbedaan dengan Penelitian Penulis 1. Sistem Pakar Diagnosa
Penyakit Mata menggunakan Metode Certainty Factor berbasis Android
(2017)
Yogi Permana
Penulis sebelumnya melakukan penelitian dan pengujian sehingga sistem pakar diagnosa penyakit mata menggunakan metode certainty factor berbasis android memiliki tingkat keakuratan diagnosa sebesar
No Judul Penelitian Penulis Perbedaan dengan Penelitian Penulis 75% dengan rincian 15 penyakit dan 52 gejala.
Perbedaan dengan penulis yang sekarang terletak pada jenis penyakit, pakar, dan data yang akan diuji.
2. Diagnosa Gangguan Gizi menggunakan Metode Certainty Factor
(2014)
Fitri Wulandari, Ihsan Yuliandri
Penulis sebelumnya melakukan penelitian dan pengujian sehingga menghasilkan sistem pakar pendeteksi penyakit yang disebabkan oleh gangguan gizi menggunakan metode certainty factor sesuai digunakan untuk pengguna berusia produktif dan bukan ibu hamil, berdasarkan hasil
pengujian dengan
perbandingan antara hasil diagnosa sistem dan ahli gizi, diketahui bahwa 90% dari hasil diagnosa mendapatkan hasil yang sama dengan persentase keyakinan tidak jauh berbeda. Perbedaan tingkat akurasi yakni tingkat akurasi dari sistem 4,62%
lebih tinggi dari pada tingkat
No Judul Penelitian Penulis Perbedaan dengan Penelitian Penulis akurasi hasil diagnosa oleh ahli gizi.
Perbedaan dengan penulis yang sekarang terletak pada jenis penyakit, data yang akan diuji, serta berbasis android.
3. Penerapan Metode Certainty Factor dalam Sistem Pakar
Pendeteksi Resiko
Osteoporosis dan
Osteoarthritis (2015)
Stephanie Halim
Dari hasil penelitian dan pengujian yang dilakukan oleh penulis sebelumnya menghasilkan sistem pakar mendeteksi resiko penyakit osteoporosis dan osteoarthritis dengan menggunakan metode certainty factor berhasil diimplementasikan dengan presentasi keakuratan 80%.
Perbedaan dengan penulis yang sekarang terletak pada jenis penyakit, pakar, serta data yang akan diuji.
4. Sistem Pakar Penyakit Diagnosa Penyakit Jantung dan Paru dengan Fuzzy Logic dan Certainty Factor
(2014)
Desak Putu Siska Dewi
Daris hasil penelitian dan pengujian yang dilakukan oleh peneliti sebelumnya menghasilkan sistem pakar diagnosa penyakit jantung dan paru yang dikembangkan dengan menggabungkan metode logika fuzzy dan
No Judul Penelitian Penulis Perbedaan dengan Penelitian Penulis faktor kepastian untuk menangani ketidakpastian yang dialami oleh pasien, dan hasil pengujian sistem ini memiliki kemiripan dengan ahli nyata di 94,61%.
Perbedaan dengan penulis yang sekarang terletak pada jenis penyakit, data yang akan diuji, serta berbasis android.
5. Sistem Pakar Mendiagnosa Penyakit Kaki Gajah menggunakan Metode Certainty Factor
(2017)
Senanti Alas Dari hasil penelitian dan pengujian yang dilakukan oleh peneliti sebelumnya menghasilkan sistem pakar untuk mendiagnosa penyakit kaki gajah menggunakan metode certainty factor yang dapat membantu masyarakat melakukan diagnosa sebelum konsultasi langsung kepada pakar,dan dari pengujian menghasilkan persentase tingkat keyakinan sebesar 96%.
Perbedaan dengan penulis yang sekarang terletak pada jenis penyakit, pakar, data yang akan diuji, serta berbasis
No Judul Penelitian Penulis Perbedaan dengan Penelitian Penulis android.
6. Sistem Pakar untuk Mendiagnosa Penyakit Alopesia pada Manusia dengan Metode Certainty Factor
(2013)
Bebby Desy Natalina
Dari hasil penelitian dan pengujian yang dilakukan oleh peneliti sebelum nya menghasilkan sistem pakar untuk mendiagnosa penyakit alopesia pada manusia dengan menggunakan metode certainty factor yang dapat menentukan tingkat penyakit berdasarkan gejala-gejala yang dialami oleh masing- masing pasien, dan menghasilkan nilai interprestasi dari setiap gejala yang dialami oleh pasien sehinngga diketahui pasien tersebut kemungkinan terkena penyakit alopesia stadium awal, tengah, dan akhir.
Perbedaan dengan penulis yang sekarang terletak pada jenis penyakit, data yang akan diuji, pakar, serta berbasis android.
7. Sistem Pakar Diagnosa Penyakit Sapi dengan Metode Certainty Factor berbasis
Swono Sibagariang
Dari penelitian dan pengujian yang dilakukan peneliti sebelumnya menghasilkan
No Judul Penelitian Penulis Perbedaan dengan Penelitian Penulis Android
(2015)
sistem pakar yang mencakup berbagai aspek penyakit sapi, dan dari pengujian terhadap salah satu penyakit sapi menghasilkan nilai CFpenyakit 0,710 dan kondisi derajat CF adalah hampir pasti.
Perbedaan dengan penulis yang sekarang terletak pada jenis penyakit, pakar, serta data yang akan diuji.
8. Sistem Pakar Mendiagnosa
Penyakit Lambung
Menggunakan Metode Certainty Factor (2013)
Nella Almi Ritonga
Dari penelitian dan pengujian yang dilakukan oleh peneliti sebelumnya menghasilkan sebuah sistem pakar untuk mendiagnosa penyakit lambung dan mendapatkan hasil perhitungan CF pada penyakit gastritis sebesar 92%.
Perbedaan dengan penulis yang sekarang terletak pada jenis penyakit, pakar, data yang akan diuji serta berbasis android.
9. Sistem Pakar Diagnosa Awal
Penyakit Lambung
Menggunakan Metode Bayes
Azwar dan Anas
Dari penelitian dan pengujian yang dilakukan oleh peneliti sebelumnya menghasilkan
No Judul Penelitian Penulis Perbedaan dengan Penelitian Penulis
(2018) sebuah sistem pakar untuk
mendiagnosa penyakit lambung dan mendapatkan hasil perhitungan bayes pada penyakit gastritis sebesar 70%.
Perbedaan dengan penulis yang sekarang terletak pada metode yang digunakan, pakar, jenis penyakit, data yang akan diuji, serta berbasis android.