SISTEM PAKAR UNTUK MENDIAGNOSIS GANGGUAN PERILAKU DAN SIFAT PADA ANAK MENGGUNAKAN METODE FUZZY EXPERT SYSTEM (STUDI KASUS LEMBAGA PSIKOLOG “DR. SOETOMO”)
Donny Priyo SJ.1) Dr Jusak.2) Julianto Lemantara, S.Kom, OCA., MCTS.3) 1)
Mahasiswa SI / Jurusan Sistem Informasi STIKOM Surabaya 2) Dosen SI / Jurusan Sistem Informasi STIKOM Surabaya 3) Dosen SI / Jurusan Sistem Informasi STIKOM Surabaya 1) Email :
[email protected] 2)
[email protected] 3)
[email protected]
Abstract : Expert systems in general are trying to adopt a system of human knowledge into a computer, so the computer can resolve the issue as was done by experts. Another definition of an expert system is a system designed and implemented by specific programming language to be able to resolve the issue as was done by the experts. Hopefully with this system, ordinary people can solve certain problems better 'bit' tricky or complicated though 'without' the help of experts in the field. As for the experts, this system can be used as an inexperienced assistant. Applications developed aimed to determine the types of developmental disorders in children under 10 years old with only observe the symptoms experienced. Diagnostic test results from 10 data obtained from the Institute of Psychologists' Dr. Soetomo "indicates that the system is able to identify the type and nature of behavioral disorders in children with the diagnosis accuracy of 90%, which is only 1 data are the results of the diagnosis does not fit. This system also can provide knowledge in the form of a description, the causes, and ways of handling the behavior and properties of the interference experienced by the child. Keyword : Expert System, Nature of Behavioral Disorder in Children
1. Pendahuluan Gangguan perilaku dan sifat pada anak adalah masalah yang dihadapi oleh orang tua dalam menghadapi perkembangan anaknya. Gangguan perilaku tersebut antara lain, gangguan konsentrasi, gangguan belajar, gangguan emosi, keterlambatan bicara, hiperaktif/ Attention Deficit and Hyperactivity Disorder (ADHD) dan Autisme. Masalah gangguan perilaku ini tidak boleh dianggap sebagai masalah kecil. Karena perilaku anak
yang menyimpang dapat menghambat proses pembelajaran anak tersebut dan berdampak buruk pada perkembangan sosialnya. Orang tua yang anaknya mempunyai gangguan perilaku juga merasa resah karena minimnya pengetahuan tentang gangguan perilaku dan sifat anak. Biaya terapi yang harus dikeluarkan penderita gangguan perilaku juga terbilang mahal dan membutuhkan waktu yang lama tergantung dari seberapa parah atau tidaknya gangguan yang di derita.
Belum ditemukan data penderita gangguan perilaku (salah satu contohnya autis) yang akurat di Indonesia, namun dalam suatu wawancara di Koran Kompas; Dr. Melly Budhiman, seorang Psikiater Anak dan Ketua dari Yayasan Autisme Indonesia menyebutkan adanya peningkatan yang luar biasa. “Bila sepuluh tahun yang lalu jumlah penyandang autisme diperkirakan satu per 5.000 anak, sekarang meningkat menjadi satu per 500 anak” (Kompas, 2000). Tahun 2000 yang lalu, Dr. Ika Widyawati; staf bagian Psikiatri Fakultas Kedokteran Universitas Indonesia memperkirakan terdapat kurang lebih 6.900 anak penyandang autisme di Indonesia. Jumlah tersebut menurutnya setiap tahun terus meningkat. Hal ini sungguh patut diwaspadai karena jika penduduk di Indonesia saat ini mencapai lebih dari 180 juta, kira-kira berapa orang yang terdata sungguh-sungguh menyandang austime beserta spektrumnya? Saat ini, jumlah perbandingan tersebut semakin padat, 1:100, menurut informasi yang dirilis situs detikhealth.com (Agustus 2009). Tujuan dari tugas akhir ini adalah membuat sebuah program komputer yaitu sistem pakar yang digunakan untuk membantu pakar/psikolog anak untuk menentukan jenis gangguan perkembangan pada anak dengan menggunakan metode Fuzzy Expert System. Dengan adanya sistem pakar ini, diharapkan mampu menghasilkan cara mendiagnosis gangguan perilaku dan sifat pada anak, mengetahui penyebab dan cara untuk menangani gangguan perilaku dan sifat yang di alami seorang anak seperti halnya yang di lakukan seorang pakar atau psikolog anak.
2. Sistem Pakar Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut Sistem pakar memberikan nilai tambah pada teknologi untuk membantu dalam menangani era informasi yang semakin canggih (Kusrini, 2006). Konsep dasar suatu sistem pakar mengandung beberapa unsur, diantaranya adalah keahlian, ahli, pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan. Keahlian merupakan salah satu penguasaaan pengetahuan di bidang tertentu yang didapatkan baik secara formal maupun non formal. Ahli adalah seseorang yang mempunyai pengetahuan tertentu dan mampu menjelaskan suatu tanggapan dan mempunyai keinginan untuk belajar memperbaharui pengetahuan dalam bidangnya. Pengalihan keahlian adalah mengalihkan keahlian dari seorang pakar dan kemudian dialihkan lagi ke orang yang bukan ahli atau orang awam yang membutuhkan. Sedangkan inferensi, merupakan suatu rangkaian proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan. Kemampuan menjelaskan, merupakan salah satu fitur yang harus dimiliki oleh sistem pakar setelah tersedia program di dalam komputer (Turban, 1995). Tujuan pengembangan sistem pakar sebenarnya tidak untuk menggantikan peran para pakar, namun untuk mengimplementasikan pengetahuan para pakar ke dalam bentuk perangkat lunak, sehingga dapat digunakan oleh banyak orang dan tanpa biaya yang besar. Untuk membangun sistem yang difungsikan untuk menirukan seorang pakar manusia harus
bisa melakukan hal-hal yang dapat dikerjakan oleh para pakar. Sistem pakar mempunyai 3 bagian utama, yaitu user interface, interface engine, dan knowledge base. Hubungan ketiga bagian tersebut dapat dinyatakan seperti Gambar 1.
User
User Interface
Inference Engine
Knoledge Base
Gambar 1. Bagian Utama Sistem Pakar 1. User Interface berfungsi sebagai media pemasukan pengetahuan kedalam knowledge base dan melakukan komunikasi dengan user. 2. Inference Engine merupakan bagian dari sistem pakar yang melakukan penalaran dengan menggunakan isi knowledge base berdasarkan urutan tertentu. Mekanisme inferensi berfungsi untuk mensimulasikan strategi penyelesaian masalah dari seorang pakar. Selama proses penalaran, mekanisme inferensi menguji aturan-aturan dari basis pengetahuan satu persatu. 3. Knowledge Base merupakan suatu database yang menangani informasi khusus dan aturan tentang subyek tertentu yang diperlukan untuk membuat fakta-fakta dan teknik dalam menerangkan masalah yang disusun dalam urutan yang logis. Knowledge base terdiri dari dua bagian : a. Fakta Fakta adalah suatu kenyataan atau kebenaran yang diketahui. Fakta menyatakan hubungan antara dua objek atau lebih. b. Aturan Dalam menerangkan masalah digunakan suatu aturan untuk menentukan hal apa yang harus dilakukan dalam situasi tertentu dan
aturan tersebut terdiri dari dua bagian yaitu if dan then, dimana if merupakan kondisi yang mungkin benar atau yang mungkin salah, sedangkan then merupakan tindakan yang dilakukan jika kondisi benar. Ada beberapa keuntungan yang diperoleh dengan mengembangkan sistem pakar (Kusrini, 2006), antara lain : 1. Membuat seorang yang awam dapat bekerja seperti layaknya seorang pakar. 2. Dapat bekerja dengan informasi yang tidak lengkap atau tidak pasti. 3. Meningkatkan output dan produktivitas. 4. Meningkatkan kualitas. 5. Menyediakan nasihat atau solusi yang konsisten dan dapat mengurangi tingkat kesalahan. 6. Membuat peralatan yang kompleks dan mudah dioperasionalkan karena sistem pakar dapat melatih pekerja yang tidak berpengalaman. 7. Sistem tidak dapat lelah atau bosan 8. Memungkinkan pemindahan pengetahuan ke lokasi yang jauh serta memperluas jangkauan seorang pakar, dapat diperoleh atau dipakai dimana saja. Ada beberpa kelemahan yang diperoleh dengan mengembangkan sistem pakar, antara lain : 1. Daya kerja dan produktivitas manusia menjadi berkurang karena semuanya dilakukan secara otomatis oleh sistem. 2. Pengembangan perangkat lunak sistem pakar lebih sulit dibandingkan dengan perangkat lunak konvensional. 3. Biaya pembuatan mahal, karena seorang pakar membutuhkan pembuat aplikasi untuk membuat sistem pakar yang diinginkan.
3. Fuzzy Expert System Expert system di dalam bekerja berdasarkan rule based yang disimpan di dalam database. Bentuk umum rule based yang dipakai dalam expert system adalah if A then B atau jika A maka B, dimana A disebut sebagai premis dan B disebut sebagai konklusi. Didalam pengerjaan dengan metode rule based akan banyak ditemui kelemahankelemahan yaitu: 1. Membutuhkan pencocokan yang benar-benar pas, contohnya jika sakit kepala dan suhu badan naik maka terkena demam. Jika diberi pernyataan sakit kepala saja, maka rule diatas tidak dapat memberi kesimpulan apakah terkena demam atau tidak. 2. Seringkali sulit untuk menghubungkan rule-rule yang berhubungan dengan sebuah inference chain (otak dari system pakar untuk melakukan pengecekan dari rule yang satu ke rule lainnya). 3. Bisa menjadi sangat lambat jika menampung banyak rule. 4. Tidak cocok untuk permasalahan tertentu. Untuk mengatasi kekurangan dari sistem pakar yang berbasis rule, maka dikembangakn suatu sistem pakar yang berbasis fuzzy sebagai pengolahannya sehingga sistem tersebut dikenal dengan nama fuzzy expert system. Fuzzy expert system adalah suatu sistem pakar yang menggunakan perhitungan fuzzy dalam mengolah knowledge untuk menghasilkan konsekuensi, premis dengan konklusi atau kondisi dengan akibat sehingga menhasilkan informasi yang memiliki keakuratan kepada end user atau pengguna. Bentuk umum fuzzy expert system hampir sama dengan bentuk rule based pada expert system yaitu if A then
B dimana A dan B adalah fuzzy sets (Klir, 1995). 4. Certainty Factor Dalam menghadapi suatu permasalahan sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini dapat berupa probabilitas atau kebolehjadian yang tergantung dari hasil suatu kejadian. Hasil yang tidak pasti disebabkan oleh dua faktor, yaitu aturan yang tidak pasti dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh sistem. Hal ini sangat mudah dilihat pada sistem diagnosis penyakit, dimana pakar tidak dapat mendefinisikan hubungan antara gejala dengan penyebabnya secara pasti, dan pasien tidak dapat merasakan suatu gejala dengan pasti pula. Pada akhirnya akan ditemukan banyak kemungkinan diagnosis. Pakar sering membuat perkiraan saat memecahkan masalah. Informasi yang didapatkan sering hanya merupakan perkiraan dan tidak lengkap, sehingga dibutuhkan suatu cara untuk menyarakan informasi yang tidak pasti. Certainty Factor (CF) digunakan untuk menyatkan tingkat keyakinan pakar dalam suatu pernyataan (Levine, 1988). Certainty Factor dinilai dengan angka dalam rentang -1 (yakin negatif) sampai 1 (yakin positif). Pemberian nilai untuk pembagian tingkat keyakinan dapat dilihat pada Tabel 1. Tabel 1. Tingkat Keyakinan CF Uncertain Term / Kondisi Nilai Tidak Pasti Definitely not / Pasti Tidak -1.0 Almost certainly not / Hampir -0.8 pasti tidak Probably not / kemungkinan -0.6 besar tidak Maybe not / Kemungkinan -0.4 tidak
Unknown / Tidak tahu Maybe / Kemungkinan Probably / Kemungkinan Besar Almost Certainly / Hampir pasti Definitely / Pasti
-0.2 to 0.2 0.4 0.6 0.8 1.0
Aturan untuk penghitungan Certainty Factor (CF) : Rule Kombinasi IF Evidence 1 (E1) CF (E1) THEN Hipotesis (H) IF Evidence 2 (E2) CF (E2) THEN Hipotesis (H) CF(CF1, CF2) = CF1 + CF2 * (1-CF1) nilai CF1 dan CF2 > 0 CF(CF1, CF2) = CF1 + CF2 * (1+CF1) nilai CF1 dan CF2 < 0 CF(CF1, CF2) = (CF1 + CF2) / (1min{|CF1|,|CF2|}) nilai CF1 atau CF2 > 0 5. Jenis-Jenis Gangguan Perilaku dan Sifat Menurut Prayitno dan Amti (2005) jenis-jenis gangguan perilaku dan sifat adalah sebagai berikut : 1. Hiperaktif atau ADHD (Attention Deficit Hiperactivity Disorder) Anak hiperaktif adalah anak yang mengalami gangguan pemusatan perhatian dengan hiperaktivitas atau attention deficit and hyperactivity disorder (ADHD). Kondisi ini juga disebut sebagai gangguan hiperkinetik. Dahulu kondisi ini sering disebut minimal brain dysfunction syndrome. Gangguan hiperkinetik adalah gangguan pada anak yang timbul pada masa perkembangan dini (sebelum berusia 7 tahun) dengan ciri utama tidak mampu memusatkan perhatian, hiperaktif dan impulsif. Ciri perilaku ini mewarnai berbagai situasi dan dapat berlanjut hingga dewasa. 2. Autisme Autisme adalah suatu kondisi
mengenai seseorang sejak lahir ataupun saat masa balita, yang membuat dirinya tidak dapat membentuk hubungan sosial atau komunikasi yang normal. Seorang anak yang menderita autisme mulai tampak sejak lahir atau saat masih kecil, biasanya sebelum anak berusia 3 tahun. 3. Disleksia (Dyslexia) Disleksia (dyslexia) timbul karena masalah dalam proses pengolahan informasi di otak, terutama pada bagian yang menjadi pusat bahasa. Gejala disleksia bisa dideteksi sejak anak berusia dini, misalnya pada usia prasekolah atau sekolah dasar (Shodiq, 1996). 4. Diskalkulia (Dyscalculia) Diskalkulia dikenal juga dengan istilah "math difficulty" karena menyangkut gangguan pada kemampuan kalkulasi secara matematis.Kesulitan ini dapat ditinjau secara kuantitatif yang terbagi menjadi bentuk kesulitan berhitung (counting) dan mengkalkulasi (calculating). Anak yang bersangkutan akan menunjukkan kesulitan dalam memahami prosesproses matematis. 5. Dispraksia (Dyspraxia) Dispraksia berasal dari kata “dys”, yang artinya tidak mudah atau sulit dan “praxis”, yang berarti bertindak, melakukan. Nama lain dispraksia adalah Developmental Coordination Disorder (DCD), Dulunya dikenal sebagai Clumsy Child Syndrome. Dispraksia adalah gangguan atau ketidakmatangan anak dalam mengorganisasikan gerakan. 6. Perancangan Sistem Secara garis besar perencanaan sistem pakar dibagi menjadi empat tahapan utama, yaitu dapat dilihat pada Gambar 2.
System Flow Maintenance Data
Perencanaan Pembuatan Rule-Rule
Admin
System
Mulai
Validasi password
Orang Tua
Form Login
Perencanaan Sistem Pakar
password valid ? Input Password Tidak
Menu Utama
Memilih menu
Maintenance data Orang Tua ?
Perencanaan Basis Data
Perencanaan User Interface
Ya
Menampilkan Menu
Ya
Maintenance data Orang Tua
Input data Orang Tua
Ya
Maintenance data Anak
Input data Anak
Ya
Maintenance data Gangguan Perilaku dan sifat
Ya
Maintenance data Gejala
Simpan data Orang Tua
Orang Tua
Simpan data Anak
Anak
Tidak
Maintenance Data anak ?
Tidak
Gambar 2. Diagram Analisis dan Perancangan Sistem
Maintenance Data Gangguan?
Input data Gangguan
Simpan data gangguan Perilaku dan sifat
Gangguan Perilaku dan sifat pada anak
Tidak A Maintenance Data Gejala ?
Input data Gejala Simpan data gejala
7. Perencanaan Sistem Pakar 7.1 Sisflow Maintenance data System flow untuk admin menggambarkan tentang proses acquisition pengetahuan dari seorang pakar. Pengetahuan dari seorang pakar direpresentasikan dalam bentuk fuzzy database dan rule fuzzy. Dalam melakukan maintenance data, admin harus melakukan pengisian beberapa data yang diperlukan seperti tentang data nilai certainty factor, agar nantinya dapat menghasilkan suatu output yang diharapkan. Selain itu admin juga dapat melakukan perubahan terhadap data yang telah ada sebelumnya. System flow untuk maintenance data dapat dilihat pada Gambar 3.
Gejala
Tidak
Maintenance data Rule Base ?
Tidak
Ya
Maintenance data Rule Base
A
Input data Rule Base
Simpan data Rule Base
RuleBase
Selesai DetilRule
Gambar 3. Sisflow Maintenance Data 7.2 Sisflow Diagnosis dan Melihat History Diagnosis System flow untuk diagnosis menjelaskan tentang proses diagnosis yang dilakukan oleh user. Proses diagnosis dilakukan dengan cara login terlebih dahulu, setelah itu proses konsultasi dilakukan dengan cara menjawab pertanyaan yang diberikan oleh sistem. Setelah menjawab semua pertanyaan yang diberikan, sistem akan menampilkan kesimpulan mengenai gangguan perilaku dan sifat apa yang diderita anak dan informasi berupa deskripsi, penyebab, dan cara penanganan berdasarkan data yang ada di dalam database. Laporan history diagnosis bisa di akses oleh user apabila user tersebut sebelumnya sudah pernah melakukan diagnosis. System flow diagnosis dan melihat history diagnosis dapat dilihat pada Gambar 4.
1
System Flow Diagnosis dan Melihat History Diagnosis User
Jawaban
System
Pertanyaan
Pertanyaan Data Gejala
Jawaban
Data Gangg uan
Mulai
Pakar Validasi user dan password
User Data Orang Tua
Anak
Data Anak
Sistem Pakar Diag nosis Gangg uan Prilaku & Sifat Anak
Laporan Hasil Diag nosis
Data Rule Base Input Password
Form Login
Laporan History Diag nosis
Hasil diag nosis User dan password valid ?
Tidak
Laporan Rekap Pasien Ya
Menu Utama
Memilih Menu
Gambar 5 Context Diagram
Menampilkan Menu
Melihat History Diagnosis?
Melakukan Diagnosis?
Tidak
Gejala Ya
Ya
Sudah Pernah melakukan diagnosis sebelumnya?
Form Diagnosis
Tidak
RuleBase
DetilRule
Memproses hasil jawaban user
Memilih gejala pada interface form diagnosis sesuai kondisi yang paling mendekati yang di alami oleh anak
Ya
Meminta History Diagnosis
Mencari History Diagnosis
B
Laporan hIstory Diagnosis
A
Simpan Hasil Diagnosis
Informasi History diagnosis
Ya
Cetak History Diagnosis?
Menampilkan History Diagnosis
HasilDIagnosis
Diagnosis
DetilDiagnosis
7.4 Conceptual Data Model (CDM) CDM digunakan untuk menggambarkan secara detail struktur basis data dalam bentuk logik. Struktur ini independent terhadap semua software maupun struktur data storage tertentu yang digunakan dalam aplikasi ini. CDM terdiri dari objek yang tidak di implementasikan secara langsung ke dalam basis data yang sesungguhnya. Diagram untuk CDM dapat dilihat pada Gambar 3.8.
Tidak
hasil diagnosis dan Informasi gangguan
Cetak Hasil diagnosis?
Selesai
Laporan hasil diagnosis dan Informasi gangguan
OrangTua KodeOrang Tua NamaOrang Tua Alamat NoTlp NoHP Email
Membuat laporan hasil diagnosIs dan informasi gangguan yang di alami anak
B
Ya Mencetak hasil diagnosis dan Informasi gangguan
Mempunyai
Gangguan
A
Mencetak history diagnosis
melakukan
Gangg uan KodeGang g uan NamaGang g uan Deskripsi Penyebab Penang anan
Gambar 4. Sisflow Diagnosis dan Melihat History Diagnosis 7.3 Data Flow Diagram (DFD) Pembuatan DFD pada aplikasi ini untuk menjelaskan aliran informasi dan transformasi data baik pemasukan data oleh pakar hingga keluaran data yang dapat dilihat oleh user. Untuk aplikasi sistem pakar pembuatan hanya sampai pada context diagram. Context diagram dari DFD untuk aplikasi sistem pakar ini dapat dilihat pada Gambar 5.
Anak KodeAnak NamaAnak Umur Gender Pass
Mempunyai
HasilDiag nosis Nilai
Diag nosis KodeDiagnosis TglDiag nosis
Menghasilkan Mempunyai
Gejala KodeGejala NamaGejala CF
DetilDiag nosis Keterangan Menghasilkan
DetilRule Mempunyai
RuleBase KodeRuleBase JmlGejala
Mempunyai
Mempunyai
Gambar 5 Entity Relationship Diagram – Conceptual Data Model 7.5 Physical Data Model (PDM) PDM merupakan penggambaran secara detail basis data dalam bentuk fisik. Penggambaran rancangan PDM memperlihatkan struktur penyimpanan data yang benar pada basis data yang digunakan sesungguhnya. Diagram
untuk PDM dapat dilihat pada Gambar 6. ORANGTUA KODEORANGTUA varchar(10) NAMAORANGTUA varchar(50) ALAMAT varchar(75) NOTLP varchar(15) NOHP varchar(15) EMAIL varchar(30)
KODEORANGTUA = KODEORANGTUA
ANAK KODEANAK KODEORANGTUA NAMAANAK UMUR GENDER PASS
varchar(10) varchar(10) varchar(50) numeric(2) varchar(9) varchar(6)
KODEANAK = KODEANAK
DIAGNOSIS KODEDIAGNOSIS varchar(10) KODEANAK varchar(10) TGLDIAGNOSIS date HASILDIAGNOSIS KODEDIAGNOSIS varchar(10) KODEGANGGUAN varchar(10) NILAI numeric(4,2)
KODEDIAGNOSIS = KODEDIAGNOSIS
Gambar 8 Form Generate rules KODEDIAGNOSIS = KODEDIAGNOSIS
DETILDIAGNOSIS KODEDIAGNOSIS varchar(10) KODEGEJALA varchar(10) KETERANGAN varchar(15)
DETILRULE KODEGEJALA KODERULEBASE KODEGANGGUAN = KODEGANGGUAN
varchar(10) varchar(10)
KODEGEJALA = KODEGEJALA
KODERULEBASE = KODERULEBASE KODEGEJALA = KODEGEJALA
RULEBASE KODERULEBASE KODEGANGGUAN JM LGEJALA
GANGGUAN KODEGANGGUAN NAMAGANGGUAN DESKRIPSI PENYEBAB PENANGANAN
varchar(10) varchar(255) varchar(3500) varchar(3500) varchar(3500)
varchar(10) varchar(10) numeric(2) GEJALA
KODEGANGGUAN = KODEGANGGUAN
KODEGEJALA NAMAGEJALA CF
varchar(10) varchar(255) numeric(3,2)
Gambar 6 Entity Relationship Diagram – Physical Data Model 8. Hasil dan Pembahasan Form user login muncul ketika aplikasi pertama kali di jalankan atau bisa juga dengan memilih login pada menustrip sistem. Untuk user admin/pakar hanya cukup memasukkan password, sedangkan user orang tua harus memasukkan user id anak dan password. Form user Login dapat dilihat pada Gambar 7.
Gambar 7 Form Login Form generate rules digunakan untuk menambahkan dan menghitung data gejala yang dimiliki oleh setiap gangguan. Form generate rule dapat dilihat pada Gambar 8.
Form diagnosis bisa digunakan oleh pakar maupun user. Pakar bisa mencoba melakukan diagnosis setelah selesai maintenance master data rule base. Sedangkan user menggunakan form diagnosis untuk mengetahui gangguan perilaku dan sifat apa yg di alami oleh anaknya. Form diagnosis dapat dilihat pada Gambar 9.
Gambar 9 Form Diagnosis Form laporan hasil diagnosis hanya bisa di akses jika user sudah melakukan diagnosis pada proses sebelumnya. Pada form laporan hasil diagnosis hanya terdapat crystal report saja yang menampilkan hasil diagnosis, kesimpulan, dan detil diagnosis. Form laporan hasil diagnosis dapat dilihat pada Gambar 10.
Gambar 10 Form Laporan Hasil Diagnosis 9. Kesimpulan Berdasarkan hasil implementasi dan evaluasi, maka kesimpulan dari Tugas Akhir ini adalah sebagai berikut : 1. Sistem Pakar untuk Mendiagnosis Gangguan Perilaku dan Sifat pada Anak mampu melakukan identifikasi dengan ketepatan hasil diagnosis sebesar 90%, yang mana dari 10 data hasil uji coba hanya 1 data yang hasilnya kurang tepat. 2. Sistem Pakar untuk Mendiagnosis Gangguan Perilaku dan Sifat pada Anak telah berhasil diimplementasikan dengan menggunakan metode fuzzy expert system kepada 10 orang anak yang mengalami gangguan perilaku dan sifat di Lembaga Psikologi Dr. Soetomo, sehingga nantinya sistem pakar ini dapat dioperasikan sebagai alat bantu untuk mendiagnosis gangguan perilaku dan sifat pada anak. 3. Sistem Pakar untuk Mendiagnosis Gangguan Perilaku dan Sifat pada Anak mampu memberikan informasi meliputi deskripsi gangguan perilaku dan sifat, penyebabnya, dan penanganan berdasarkan jenis gangguan perilaku dan sifat yang dialami anak dalam bentuk suatu laporan.
10. Daftar Pustaka Ignizio, J.P. 1991. Introduction to Expert System: The Development and Implementation of Rule-Based Expert System. Singapore: McGraw-Hill Book Co. Intan, R., Mukaidono, M. 2002. On Knowledge-based Fuzzy Sets, International Journal of Fuzzy Systems, Vol. 4(2) Tahun 2002 Intan, R. 2004. Rarity-based Similarity Relations in a Generalized Fuzzy Information System, IEEE Conference on Cybernetics and Intelligent Systems (CIS 2004), Singapore, 1-3 Dec 2004. Klir, G.J., Yuan, B. 1995. Fuzzy Sets and Fuzzy Relation: Theory and Applications. New Jersey: Prentice Hall. Kusrini. 2006. Sistem Pakar Teori dan Aplikasi, Yogyakarta: Andi Offset. Le Fanu, J. 2002. Deteksi Dini Gangguan Perkembangan pada Anak. London: James Le Fanu. Levine, Robert I. 1998. A comprehensive guide to AI and expert systems using turbo pascal international edition. Singapore : McGraw-Hill Book Co. Prayitno dan Erman Amti. 2005. Dasardasar Bimbingan dan Konseling. Jakarta: Rineka Cipta. Shodiq, M. 1996. Pendidikan Bagi Anak Disleksia. Jakarta: Dirjen Dikti Depdikbud PPTA. Turban, Efraim. 1995. Decision support and expert systems Management support systems (fourth edition). Prentice-Hall International.
