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. Keywords: Expert System, Diseases of the Uterus type, web, Fuzzy Logic
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:
1. Pembentukan himpunan fuzzy.
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
2.5 Konsep Basis Data
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
Gambar 3.2 Blok Diagram Target Keputusan
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
Kod
e
Geja
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
Penyakit
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 *
Tabel 3.4 Daftar table rule
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
P5 = 0,5
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
Offset.