Sistem Pakar Untuk Mendiagnosa Penyakit Mata Menerapkan Metode Certainty Factor dan Forward Chaining

(1)

Sistem Pakar Untuk Mendiagnosa Penyakit Mata Menerapkan Metode Certainty Factor dan Forward Chaining

Marcelino Oktaviansyah, Rima Tamara, Iskandar Fitri^*

Fakultas Teknologi Komunikasi dan Informatika, Sistem Informasi, Universitas Nasional

Email: ¹[email protected], ²[email protected], ³[email protected] Email Penulis Korespondensi:

Abstrak—Pada saat ini gangguan pada mata menjadi penyakit yang sering dialami. Terdapat model gejala baru ditemui sehingga menimbulkan kebingungan yang terjadi. Penyakit pada mata kerap kali menyerang manusia terutama di masa era teknologi digital saat ini, karena lebih banyaknya waktu seperti menatap layar handphone maupun komputer. Maka dibuatnya aplikasi sistem pakar ini untuk memberi solusi kepada masyarakat untuk mendiagnosa gejala-gejala yang sering dialami. Pada pembuatan aplikasi ini digunakannya metode forward chaining, dan certainty factor pada aplikasi dirancang sebagai perbandingan uji coba pada 2 metode gabungan forward chaining, dan naïve bayes. Pengujian dilakukan dengan menguji 40 sampel data berdasarkan gejala yang ada, dilakukan by system dan juga manual untuk melihat keakuratan nilai yang diberikan.

Hasil yang diberikan terdapat tingkat kepastian yang cukup tinggi pada diagnosa hipermetropi dengan nilai kepastian 88.43 % dan nilai kepastian terkecil pada diagnosa penyakit presbiopi dengan nilai 61.702 % dari seluruh total pengujian didapatkan tingkat kepastian kemungkinan yaitu berkisar 51%-79%.

Kata Kunci: Aplikasi; Sistem Pakar; Diagnosa Penyakit Mata; Website.

Abstract—Disorders of the eye become a disease that is often experienced. There is a new symptom model found, causing confusion that occurs. Diseases of the eye often attack humans, especially in the current era of digital technology, because they spend more time staring at cell phone or computer screens. So the application of this expert system is made to provide solutions for the community to diagnose the symptoms that are often experienced. In making this application, the forward chaining, and the certainty factor method is used in the application is designed as a comparison of trials on 2 combined methods of forward chaining, and naive bayes. The test is carried out by testing 40 data samples based on existing symptoms, carried out by the system and also manually to see the accuracy of the values given. The results given are that there is a fairly high level of certainty in the diagnosis of hypermetropia with a certainty value of 88.43% and the smallest certainty value in the diagnosis of presbyopia with a value of 61.702% of the total testing obtained a probability level of certainty ranging from 51%-79%.

Keywords: Application, Expert System, Diagnosis of Eye Disease, Website.

1. PENDAHULUAN

Mata merupakan indera yang dibutuhkan manusia untuk melihat objek dan menyerap informasi secara visual.

Dengan mata kita dapat melihat indahnya dunia. Jika mata mengalami gangguan maka akan mengganggu aktifitas dan bisa saja berakibat fatal jika tidak dilanjuti dengan baik. Seiring dengan usia, pola hidup dan aktivitas sehari- hari mata akan mengalami penurunan daya penglihatan [1]. Di Indonesia jumlah pasien penderita penyakit mata meningkat 1,2% setiap tahun nya [2]. Penderita penyakit mata ini memiliki masalah yang beragam dari yang ringan hingga berat seperti kebutaan. Masyarakat kita masih banyak yang belum memiliki banyak pengetahuan tentang kesehatan mata, Adapun penyakit yang dapat menyerang mata seperti miopi, hipermetropi, astigmatisme, presbiopi, mata lelah, mata kering dan buta warna.

Seiring dengan menurunnya kualitas hidup dan tingkat stress yang dialami, keluhan penyakit mata semakin bertambah [3]. Terlebih lagi di zaman serba digital saat ini mata di paksa untuk melihat layar gadget atau pun komputer dengan waktu yang lama yang dapat mengakibatkan mata kering dan terjadi iritasi serta dapat menimbulkan rabun jauh atau miopi. Jika mata sudah mengalami gangguan maka akan mengganggu aktivitas yang dilakukan [4]. Perkembangan teknologi yang semakin besar dan cepat begitu juga pola pikir manusia. Teknologi informasi yang semakin mudah diakses memberikan kemudahan dalam mendapatkan informasi seperti informasi pada penyakit mata [5]. Seiring dengan berkembangnya teknologi yang pesat di bidang kedokteran, permasalahan penyakit mata ini dapat dibuatkan sistem pakar dengan gejala-gejala yang biasa ditimbulkan dengan memanfaatkan yang ahli di bidangnya [6].

Sistem pakar dapat memudahkan kita untuk lebih banyak mendapatkan informasi terhadap penyakit mata yang diderita. Sistem ini bisa mendiagnosis layak nya kita berkonsultasi langsung ke dokter mata berdasarkan penggunaan metode forward chaining, dan certainty factor [7]. Metode certainty factor memberikan besaran nilai kepastian sesuai dengan diagnosa penyakit. Sedangkan metode forward chaining memberikan kesimpulan berdasarkan fakta-fakta yang ada [8]. Kesimpulan sebuah penyakit yang diderita pada mata seseorang dapat diberikan rekomendasi untuk pengobatannya. Dalam hal ini seorang pakar memberikan nilai yang kepastian yang diterapkan pada setiap gejala [9]–[11].

Penelitian oleh Linda membahas implementasi certainty factor untuk mengetahui tingkat kepastian penyakit mata menggunakan pertanyaan sebagai indikator. Penelitian berhasil mendiagnosa penyakit mata dengan keakuratan 75% dari 8 penyakit dan 26 gejala yang diuji [12]. Penelitian Yogi membahas certainty factor untuk melihat keakuratan penyakit dalam bentuk persentase. Penelitian berhasil mendiagnosis sekitar 5% dari 12 data dan 9 menunjukan hasil tepat [13]. Penelitian Fahmie membahas certainty factor untuk mencari nilai kepastian

(2)

suatu gejala dan memberikan solusi dari penyakit tersebut. Penelitian berhasil menunjukan tingkat keberhasilan sebesar 88% berdasarkan nilai yang diberikan oleh pakar [14]. Penelitian Ridlwan membahas metode forward chaining untuk mencari kesimpulan suatu penyakit dari suatu gejala. Penelitian dilakukan dengan mengumpulkan data berdasarkan jenis penyakit mata dan gejalanya. Dengan 30 data yang diujikan menunjukan tingkat keberhasilan sebesar 93% dengan 2 dari 30 data tidak sesuai dengan hasil uji [15].

Pada penelitian ini menjelaskan penerapan sistem pakar untuk mendiagnosa penyakit mata pembuatan suatu nilai kepastian berdasarkan para pakar, dihitung menggunakan certainty factor, disusun oleh forward chaining dan dilakukan perbandingan pada metode gabungan forward chaining dan naïve bayes.

2. METODE PENELITIAN

Peneliti menerapkan metode forward chaining (FC) dan certainty factor (CF) dengan forward chaining (FC) dan naïve bayes (NB). Dipilih karena model ini dapat digunakan untuk merepresentasikan skenario pada pembuatan sistem pakar untuk mendiagnosa gejala pada mata dari nilai gejala yang dimasukkan. Gambar 1 menjelaskan bentuk kerangka kerja yang digunakan:

Gambar 1. Skema Tahapan Penelitian

Gambar 1 Skema penelitian menunjukan tahapan dilalui dalam penelitian, dimulai analisa kebutuhan penyakit, pakar, dan sistem, mengumpulkan data daftar gejala dan penyakit, penerapan metode fc dan cf untuk menguji daftar gejala, rancangan dan implementasi pada aplikasi yang digunakan, dan perbandingan 2 metode untuk melihat nilai efektifitas metode yang digunakan.

2.1 Analisa Kebutuhan

Analisa kebutuhan bertujuan untuk merancang untuk mendiagnosa penyakit mata untuk diimplementasikan menjadi sebuah program aplikasi agar memberikan informasi terkait gejala-gejala yang terjadi secara flexible dan tepat berdasarkan data kepastian para pakar. Kebutuhan fungsional pada aplikasi yaitu sistem disesuaikan pada pengetahuan pakar, sistem menganalisa isian user dengan rules yang ditetapkan, sistem menganalisa keputusan- keputusan berdasarkan input/masukan user, sistem memberikan laporan dari data yang input/masukan beserta kesimpulan dari hasil yang didapat. Analisa dilakukan untuk mengetahui dan memenuhi kebutuhan sistem, sehingga diproses dan dapat memberikan informasi dengan tepat.

2.2 Pengumpulan Data a. Daftar Gejala Mata

Daftar pengetahuan yang diperlukan untuk mengetahui gejala pada mata ditampilkan sebagai berikut:

Tabel 1. Daftar Gejala Pada Mata No Kode

Gejala

Nama Gejala Mata

1 GM01 Pandangan kabur saat melihat objek yang jauh 2 GM02 Melihat objek jauh lebih dekat, objek dekat lebih jauh

3 GM03 Mata merah

4 GM04 Sulit membedakan warna dan kecerahan warna 5 GM05 Mata terasa nyeri, pedih atau gatal

6 GM06 Terlihat tidak menyadari keberadaan objek yang jauh 7 GM07 Sakit Kepala

8 GM08 Melihat objek dekat terlihat buram

9 GM09 Mengerlingkan mata untuk melihat objek jelas

(3)

No Kode Gejala

Nama Gejala Mata

10 GM10 Mata berair karena iritasi pada mata 11 GM11 Pandangan yang samar atau tidak fokus 12 GM12 Distorsi penglihatan

13 GM13 Pandangan kabur atau berbayang 14 GM14 Sensitif pada sorotan cahaya

15 GM15 Kesulitan membedakan warna yang mirip 16 GM16 Membutuhkan penerangan lebih saat membaca 17 GM17 Sulit membaca huruf berukuran kecil

18 GM18 Sulit berkonsentrasi

19 GM19 Pandangan kabur saat melihat objek yang dekat b. Daftar Nama Penyakit Mata

Berdasarkan hasil pengumpulan data dari berbagai sumber literature yang digunakan, diperoleh 7 penyakit pada 19 gejala mata rentang usia 7 – 55 tahun.

Tabel 2. Daftar Jenis Penyakit Mata

No Kode Jenis Penyakit Nama Penyakit Mata

1 PG01 Miopi

2 PG02 Hipermetropi

3 PG03 Astigmatisme

4 PG04 Presbiopi

5 PG05 Mata Lelah

6 PG06 Mata Kering

7 PG07 Buta Warna

c. Menentukan Nilai MB dan MD

Setelah daftar gejala mata daftar nama penyakit didapatkan maka selanjutnya mengekspresikan suatu nilai kepastian atau certainty factor (CF) didapat dari penilaian seorang pakar. Nilai MB dan MD pada gejala didapatkan dari dr. N.Indra Bayu, Sp.m yang berkisar diantara 0-1. Pada nilai MB dan MD menghasilkan hitungan nilai kepastian (CF). Tabel 3 nilai bobot setiap gejala.

Tabel 3. Nilai Bobot MB & MD

No Kode

Gejala

Nilai MB Nilai MD Nilai CF=(MB*MD)

1 GM01 1 0.08 0.08

2 GM02 1 0.08 0.08

3 GM03 0.8 0.06 0.048

4 GM04 1 0.04 0.04

5 GM05 0.6 0.04 0.024

6 GM06 1 0.10 0.1

7 GM07 0.8 0.06 0.048

8 GM08 1 0.08 0.08

9 GM09 1 0.06 0.06

10 GM10 1 0.08 0.08

11 GM11 0.6 0.08 0.048

12 GM12 0.8 0.10 0.08

13 GM13 0.4 0.06 0.024

14 GM14 0.8 0.08 0.064

15 GM15 0.8 0.10 0.08

16 GM16 0.8 0.10 0.08

17 GM17 0.8 0.10 0.08

18 GM18 0.2 0.04 0.008

19 GM19 0.6 0.02 0.012

d. Rumus Perhitungan 2 Metode

Setelah menentukan daftar gejala, daftar nama penyakit, dan menentukan nilai MB dan MD maka tahapan selanjutnya yaitu membuat perbandingan 2 metode yang gabungan yaitu FC dan CF dibandingkan dengan metode FC dan NB untuk melihat akurasi keakuratan hasil pada penelitian yang dibangun.

1. Rumus perhitungan nilai CF [16]:

𝐶𝐹[ℎ, 𝑒] = 𝑀𝐵[ℎ, 𝑒] − 𝑀𝐷[ℎ, 𝑒] (1)

(4)

Aturan premis tunggal:

𝐶𝐹[ℎ, 𝑒] = 𝐶𝐹𝑝𝑎𝑘𝑎𝑟 ∗ 𝐶𝑓𝑢𝑠𝑒𝑟 (2)

Pedoman untuk kesimpulan yang sama:

𝐶𝐹𝐾𝑜𝑚𝑏𝑖𝑛𝑎𝑠𝑖 𝐶𝐹[ℎ, 𝑒]1 = 𝐶𝐹 [ℎ, 𝑒1] + 𝐶𝐹 [ℎ, 𝑒2] ∗ (1 − 𝐶𝐹 [ℎ, 𝑒1])

𝐶𝐹𝐾𝑜𝑚𝑏𝑖𝑛𝑎𝑠𝑖 𝐶𝐹 [ℎ, 𝑒]𝑜𝑙𝑑3 = 𝐶𝐹[ℎ, 𝑒]𝑜𝑙𝑑 + 𝐶𝐹[ℎ, 𝑒]3 ∗ (1 − 𝐶𝐹 [ℎ, 𝑒]𝑜𝑙𝑑) (3) Perhitungan hasil persentase dari penyakit 𝐶𝐹𝐾𝑜𝑚𝑏𝑖𝑛𝑎𝑠𝑖 ∗ 100%

Menghitung nilai kepastian dari rumus diatas pada tabel nilai kepastian pakar menghasilkan nilai persentase pada metode certainty factor seperti berikut:

Tabel 1. Daftar Nilai Kepastian No Keterangan Nilai Kepastian

Pakar

Nilai Kepastian User

1 Sangat Yakin 1 0.10

2 Yakin 0.8 0.08

3 Cukup Yakin 0.6 0.06

4 Sedikit Yakin 0.4 0.04

5 Kurang Yakin 0.2 0.02

6 Tidak Yakin 0 0

Tabel 4 daftar nilai kepastian digunakan untuk menghitung hasil pada metode certainty factor berdasarkan 6 tingkat kepastian pakar berada diantara 0-1 dan tingkat kepastian user berada di nilai 0-0.10.

2. Rumus perhitungan dengan metode naive bayes [17]:

𝑃(ℎ|𝑒) = ^𝑃(𝑒^|ℎ^{)∗ 𝑃 (ℎ)}

𝑃(𝑒) (4)

Diketahui:

h = Hipotesis Data atau Penyakit (Pakar) 3 = Gejala Yang Diraskan (User)

P (h|e) = Probablitias e jika penyakit mata diketahui h P (e|h) = Probabilitas h jika Hipotesis e diketahui P(h) = Probabilitas h tanpa adanya evidence manapun P(e) = Probabilitas e penyakit mata h

3. HASIL DAN PEMBAHASAN

3.1 Penerapan Certainty Factor

Pengujian merepresentasikan hasil dari daftar pengetahuan yang dibuat. Representasi pengetahuan berdasarkan rules/aturan berupa IF (kondisi/premis) THEN (aksi/kesimpulan) mengekspresikan situasi premis dan aksi menyatakan tindakan dari kondisi yang dipilih. Tabel 7 rules pada gejala penyakit mata.

Tabel 5. Rules Penyakit Mata

No Rules Penyakit Mata

1 IF GM01 AND GM06 AND GM17 THEN PG01

6 IF GM03 AND GM10 THEN PG06

7 IF GM04 AND GM15 THEN PG07

Tabel 5 aturan-aturan (rules) yang digunakan dan akan diimplementasikan pada aplikasi penyakit mata untuk menentukan hasil sebuah kesimpulan yang didapat pada metode forward chaining.

Tabel 6. Perhitungan CF Gejala Terpilih No Kode Gejala CF Pakar CF User

1 GM01 1 0.08

2 GM06 1 0.10

3 GM17 0.8 0.10

(5)

Tabel 6 sampel contoh perhitungan nilai CFhasil yang dihasilkan dari nilai CF Pakar dan CF User pada gejala untuk menentukan akurasi kepastian yang didapat berdasarkan metode certainty factor. Berikut perhitungan sampel pada tabel:

CF = (1 + (1 * (1-1)) - (0.08 + (0.10 * (1-0.08)) = 1 - 0.172 = (1+ (0.8 * (1-1)) - (0.172+ (0.10 * (1-0.172)) = 1 – 0.2548 CF = 1– 0.2548= 0.7452

CF Hasil = 0.7452* 100 CF Hasil = 74.520 %

Hasil sampel pada gejala GM01, GM06, dan GM017 mendapatan hasil tingkat kepastian yaitu sebesar 74.520% maka disimpulkan hasil persentase yaitu kemungkinan.

Tabel 7. Pengujian Aplikasi dan Manual

Kode Gejala & CF User

Pengujian Aplikasi

Pengujian Manual

Kode Penyakit Hasil Tertinggi GM01 [0.08] GM06 [0.10] GM17

[0.10]

74.520 % 74.520 % PG01 (Miopi) GM08 [0.08] GM09 [0.06] GM19

[0.02]

84.750 % 84.750 % PG02

(Hipermetropi) GM11 [0.08] GM14 [0.08] GM18

[0.04]

81.254 % 81.254 % PG03

(Astigmatisme) GM02 [0.08] GM12 [0.10] GM16

[0.10]

74.520 % 74.520 % PG04 (Presbiopi) GM05 [0.04] GM07 [0.06] GM13

[0.06]

80.026 % 80.026 % PG05 (Mata Lelah) GM03 [0.06] GM10 [0.08] 86.480 % 86.480 % PG06 (Mata

Kering)

GM04 [0.04] GM15 [0.10] 86.400 % 86.400 % PG07 (Buta Warna) GM02 [0.08] GM06 [0.10] GM17

[0.10]

74.520 % 74.520 % PG01 (Miopi) GM05 [0.04] GM09 [0.06] GM19

[0.02]

88.432 % 88.432 % PG02

[0.10] GM16 [0.10]

70.057 % 70.057 % PG07 (Buta Warna) GM03 [0.06] GM06 [0.10] GM10

[0.08] GM12 [0.10]

70.048 % 70.048 % PG06 (Mata Kering) GM01 [0.08] GM05 [0.04] GM07

[0.06] GM16 [0.10]

74.718 % 74.718 % PG05 (Mata Lelah) GM02 [0.08] GM12 [0.10] GM14

[0.08]

76.176% 76.176% PG04 (Presbiopi) GM11 [0.08] GM14 [0.08] GM15

[0.10] GM16 [0.10]

68.238 % 68.238 % PG03

[0.06] GM17 [0.10]

71.605 % 71.605 % PG01 (Miopi) GM07 [0.06] GM10 [0.08] GM14

[0.08] GM18 [0.04]

73.196 % 73.196 % PG03

[0.08] GM14 [0.08] GM19 [0.02]

62.360 % 62.360 % PG02

[0.10] GM07 [0.06] GM08 [0.08]

[0.10] GM16 [0.10]

[0.10]

[0.08]

[0.10] GM17 [0.10]

71.539 % 71.539 % PG01 (Miopi) GM06 [0.10] GM09 [0.06] GM18

[0.04] GM19 [0.02]

79.591 % 79.591 % PG02

[0.08] GM18 [0.04] GM19 [0.02]

70.203% 70.203% PG03

(Astigmatisme)

(6)

Kode Gejala & CF User

Pengujian Aplikasi

Pengujian Manual

Kode Penyakit Hasil Tertinggi GM03 [0.06] GM04 [0.04] GM14

[0.08] GM15 [0.10]

[0.10] GM13 [0.06] GM16 [0.10]

[0.10] GM19 [0.02]

[0.08] GM16 [0.10]

[0.04] GM06 [0.10] GM19 [0.02]

67.246 % 67.246 % PG01 (Miopi) GM02 [0.08] GM07 [0.06] GM13

[0.06] GM15 [0.10] GM18 [0.04]

[0.10] GM16 [0.10] GM19 [0.02]

68.647 % 68.647 % PG02

[0.08] GM16 [0.10]

[0.08]

74.576% 74.576% PG03

[0.10] GM18 [0.04] GM19 [0.02]

73.006 % 73.006 % PG01 (Miopi) GM08 [0.08] GM11 [0.08] GM12

[0.10] GM14 [0.08] GM17 [0.10]

63.072 % 63.072 % PG03

[0.10] GM16 [0.10]

70.004 % 70.004 % PG02

[0.08]

[0.10]

[0.10] GM16 [0.10] GM17 [0.10]

[0.08]

81.420 % 81.420 % PG05 (Mata Lelah)

Tabel 7 hasil dari pengujian yang dilakukan dari jawaban user pada gejala-gejala yang tersedia. Pengujian dilakukan by system dan manual dan didapatkan hasil yaitu nilai dengan kepastian tertinggi terdapat pada diagnosa penyakit hipermetropi dengan nilai yang didapat 88.432% dan terkecil terdapat pada diagnosa penyakit presbiopi dengan nilai 61.702% maka disimpulkan dari 40 pengujian yang dilakukan mendapat nilai persentase rata-rata 74.295% artinya mendapat tingkat kepastian kemungkinan.

3.2 Rancangan dan Implementasi Aplikasi

Perancangan sistem sebagai bentuk sistem pakar untuk mendiagnosis penyakit mata. Alur kerja sistem digambarkan menggunakan use case untuk menentukan siapa saja yang terlibat dalam pengoperasian aplikasi.

Gambar 2. Use case User

Gambar 2 use case sebagai alur kerja sistem pada user yaitu melihat daftar penyakit, melihat hasil yang dimana user diminta untuk mengisi data diri, mengisi daftar gejalanya, dah hasil yang keluar, dan dapat dicetak sebagai output dari sistem tersebut.

(7)

Gambar 3. Use case Admin

Tahap ini memberikan gambaran interface/antarmuka aplikasi yang diimplementasikan ke dalam aplikasi berdasarkan metode yang digunakan menjadi logika bahasa pemrograman. Berikut desain antarmuka aplikasi sistem pakar penyakit mata.

Gambar 4. Halaman Utama

Gambar 4 halaman utama dari aplikasi sistem pakar yang digunakan, user dapat masuk pada menu konsultasi untuk melakukan input data untuk pengecekan gejala yang diderita dan memperoleh hasil kesimpulan.

Gambar 5. Halaman Input Biodata

Gambar 5 halaman input bioadata user akan diarahkan untuk mengisi data diri terlebih dahulu sebelum mengisi jawaban-jawaban terhadap gejala-gejala yang diderita oleh user.

Gambar 6. Halaman Input Gejala

(8)

Gambar 6 halaman dimana user memasukan gejala-gejala yang diderita. User menjawab pertanyaan sesuai dengan gejala yang dialaminya dengan memilih iya dan tidak pada gejala yang diderita.

Gambar 7. Halaman Hasil Konsultasi

Gambar 7 halaman hasil konsultasi dari yang di masukan, hasil dari diagnosa memberikan kesimpulan terkait penyakit yang diderita, pengobatan, serta pencegahan untuk menghindari berkembangannya penyakit menjadi lebih parah berdasar dari nilai kepastian certainty factor pada diagnosa yang dihasilkan.

Gambar 8. Halaman Cetak

Gambar 8 halaman cetak menampilkan ringkasan dari hasil diagnosa yang telah dilakukan dimana user dapat mencetak halaman hasil agar dapat digunakan sebagai dokumentasi dari hasil diagnosa yang telah dilakukan.

3.3 Hasil Perbandingan 2 Metode

Selanjutnya dilakukan perbandingan dengan menggunakan persentase untuk metode gabungan certainty factor dan forward chaining dengan forward chaining dan naive bayes.

Tabel 8. Prioritas Keputusan Kedua Metode Gabungan (Penyakit Mata)

Penyakit Mata

Total Perhitungan Metode FC & CF

(Perhitungan 1 &

3)

Metode FC &

NB (Perhitungan 4) Miopi

Hipermetropi Astigmatisme

Presbiopi Mata Lelah

70.08% 37.58%

74.85% 6.17%

71.66% 9.07%

76.17% 37.36%

71.72% 15.24%

Mata Kering 70.04% 14.85%

Buta Warna 74.71% 23.93%

Tabel 8 hasil perbandingan metode gabungan FC dan CF dengan FC dan NB bisa dilihat bahwa nilai lebih akurat pada tabel berikut:

Tabel 9. Keterangan Nilai Persentase

Tingkat Kepastian Nilai

Persentase Sangat berkemungkinan atau sangat yakin 100%

Kemungkinan besar 80%-99%

Kemungkinan 51%-79%

(9)

Tingkat Kepastian Nilai Persentase Kemungkinan kecil atau sedikit

kemungkinan

0%-50%

Tabel 9 merupakan Nilai persentase di antara 0% sampai 100%. Digunakan untuk menunjukkan suatu kesimpulan untuk hasil dari jenis penyakit yang didapatkan user melalui pendeteksian gejala-gejala.

Gambar 9. Hasil Perbandingan 2 Metode

Grafik 1 diatas menunjukan hasil perbandingan dari metode gabungan antara CF dan FC dengan FC dan NB pada penyakit mata. Hasil tertinggi pada fc dan cf adalah 76,17 % dan nilai terendah 70.04 % pada metode fc dan nb tertinggi yaitu 37.58 % dan terendah 6,17 %. Hasil perbandingan metode fc dan cf mengumpulkan gejala suatu penyakit pada 40 data yang diujikan memberikan kesimpulan dari penyakit yang diderita oleh user dan metode fc dan nb, dijadikan acuan untuk menghitung nilai probabilitas gejala yang sering muncul pada setiap penyakit dengan melihat efektifitas dari hasil yang diberikan.

4. KESIMPULAN

Hasil penelitian pada diagnosa penyakit mata menerapkan metode forward chaining (FC) dan certainty factor (CF) menampilkan nilai rata-rata dengan persentase cukup tinggi yaitu 74.295 % dari 40 pengujian yang dilakukan secara manual dan by system dengan tingkat kepastian kemungkinan sehingga memungkinkan aplikasi untuk dipakai sebagai media untuk mendiagnosa penyakit mata untuk mempermudah orang-orang dalam melakukan pengecekan kesehatan pada mata. Dengan adanya website ini diharapkan bisa membantu dokter dan masyarakat untuk melakukan diagnosa terhadap pada mata. Website ini juga dapat dapat membantu user terutama pada rentang umur 7 – 55 tahun untuk mendiagnosa gejala-gejala yang dialami, serta dapat memberikan saran bagaimana cara pengobatan, dan solusi pencegahan.

REFERENCES

[1] N. Rubiati, J. S. Informsi, J. S. Informasi, F. Chaining, and P. Mata, “SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT MATA MENGUNAKAN METODE FORWARD CHAINING,” vol. 12, pp. 57–69, 2021.

[2] Y. Syafitri, “Penggunaan Metode Certainty Factor untuk Mengdiagnosa Penyakit Ayam Broiler,” J. Teknol. dan Inform., vol. 1, no. 1, pp. 1–12, 2020.

[3] S. Nurajizah and M. Saputra, “Sistem Pakar Untuk Diagnosa Penyakit Berbasis Android,” J. PILAR Nusa Mandiri, vol.

14, no. 1, pp. 7–14, 2018.

[4] B. P. Putra, Y. Yunus, and Sumijan, “Sistem Pakar Untuk Mendiagnosis Penyakit Mata dengan Metode Forward Chaining,” J. Inf. dan Teknol., vol. 3, pp. 128–133, 2021, doi: 10.37034/jidt.v3i3.122.

[5] E. F. Wati, L. Hakim, and A. P. Sari, “Sistem Pakar Untuk Mendiagnosa Penyakit Mata Pada Manusia Dengan Metode Forward Chaining,” J. Inf. Syst. Applied, Manag. Account. Res., vol. 2, no. 4, 2018.

[6] T. E. Suharningsih, I. G. P. S. Wijaya, and A. Y. Husodo, “Sistem Pakar Berbasis Web UNtuk Mendiagnosa Penyakit Mata Merah dengan Metode Decision Tree dengan Forward Chaining,” J. Teknol. Informasi, Komputer, dan Apl. (JTIKA ), vol. 1, no. 1, pp. 57–64, 2019.

[7] E. Putra, B. Prayitno, Y. Asri, and A. Dahroni, “Sistem Pakar Untuk Mendiagnosis Penyakit Mata Dengan Menggunakan Metode Certainty Factor,” Kilat, vol. 8, no. 1, pp. 17–25, 2019, doi: 10.33322/kilat.v8i1.367.

[8] S. Rahmatullah, D. S. Purnia, and A. Suryanto, “Sistem Pakar Diagnosa Penyakit Mata Dengan Metode Menggunakan Forward Chaining,” J. Sentra Penelit. Eng. dan Edukasi, vol. 10, no. 2, pp. 1–7, 2018.

[9] N. Sari, M. Nasution, and M. H. Munandar, “Sistem Pakar Untuk Mendiagnosa Penyakit Mata Manusia Dengan 0,00%

20,00%

40,00%

60,00%

80,00% 70,08% 74,85% 71,66% 76,17% 71,72% 70,04% 74,71%

37,58%

6,17% 9,07%

37,36%

15,24% 14,85%23,93%

Perbandingan CF & FC dengan FC & NB

Metode FC & CF… Metode FC & NB…

(10)

Mengggunakan Metode Certainty Factor Berbasis Web,” J. Tek. Inform. UNIKA St. Thomas, vol. 06, pp. 171–177, 2021, doi: 10.54367/jtiust.v6i1.1275.

[10] E. Melani et al., “Aplikasi Sistem Pakar Berbasis Android Untuk Mendiagnosis Penyakit Mata Merah,” pp. 139–143, 2021.

[11] H. Fahmi, “Sistem Pakar Untuk Mendiagnosa Penyakit Mata Katarak Dengan Menggunakan Metode Certainty Factor Berbasis Web,” Matics, vol. 11, no. 1, p. 27, 2019, doi: 10.18860/mat.v11i1.7673.

[12] L. Marlinda, “SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT MATA DENGAN MENGGUNAKAN METODE CERTAINY FACTOR JISAMAR ( Journal of Information System , Applied , Management , Accounting and Researh ) e-ISSN : 2598-8719 ( Online ) p-ISSN : 2598-8700 ( Printed ) JISAMAR ( Journal of Information ,” vol. 3, no.

4, pp. 28–36, 2019.

[13] Y. Permana, I. G. P. S. Wijaya, and F. Bimantoro, “Sistem Pakar Berbasis Android Untuk Mendiagnosa Penyakit Mata Dengan Menggunakan Metode Certainty Factor,” J. Comput. Sci. Informatics Eng., vol. 1, no. 1, p. 1, 2018, doi:

10.29303/jcosine.v1i1.11.

[14] F. Ramadhana, A. A. Nababan, and G. Mata, “Jurnal Sistem Informasi dan Teknologi Jaringan Sistem Pakar Diagnosa Penyakit Mata Pada Manusia Dengan Metode Certainty Factor,” vol. 2, pp. 36–40, 2021.

[15] Sulistyowati and dan R. R. Nugroho, “Sistem Pakar Berbasis Web Untuk Diagnosis Penyakit Mata dengan Metode Forward Chaining,” pp. 219–224, 2021.

[16] D. Deslianti, “IMPLEMENTASI METODE CERTAINTY FACTOR DALAM MENDIAGNOSIS PENYAKIT PADA MATA MANUSIA,” vol. 3, pp. 456–465, 2020.

[17] A. F. Adam, I. Fitri, and N. D. Nathasia, “Analisis Perbandingan Implementasi Tiga Metode Untuk Mendiagnosis Penyakit Mata Pada Manusia,” vol. 8, no. 4, 2021.