Makalah Seminar Tugas Akhir SISTEM PAKAR UNTUK DETEKSI PENYALAHGUNAAN NARKOBA BERDASARKAN GEJALA YANG DIALAMI Devi Noviandari1, R.Rizal Isnanto2, Maman Somantri2 Abstrak The research was conducted in the National Narcotics Board. Research is underway to create an expert system that can mimic the way of thinking an expert / doctor who used to deal with drug cases. From interviews with experts, experts can easily tell if someone is abusing drugs. However, to determine the feasibility of someone using drugs, the numbers of certain types of further research needs to be done. Expert systems created using 20 samples of drug abusers reported psychiatric examination that contains a person's background using drugs. The approval of experts, from 20 samples can be used as reference to calculate the probability to obtain a figure likely to abuse drugs type of heroin, marijuana, methamphetamine and ecstasy. This research has produced an Expert System application For Detection Of Drug Abuse Based On The Symptoms Experienced by applying the bayesian probability methods that aim to resolve the uncertainty of the expert system. From the test results obtained the success of the system is 95% and the error rate of 5%. Percentage rate of the feasibility of someone using drugs generated a specific type of system is equal to the calculated manually using bayesian probability methods. So that the accuracy of the calculation results are in line with expectations. Key words: Expert System, the National Narcotics Board, the probability of Bayes, a psychiatric examination report.
Dengan demikian, sistem yang dibuat ini ditujukan bagi seseorang yang diduga kuat atau dicurigai sebagai pengguna salah satu atau lebih jenis narkoba (ganja, sabu, heroin maupun ekstasi). Oleh sebab itu, sistem tidak digunakan untuk pengguna yang tidak memiliki riwayat penyalahgunaan narkoba sama sekali. Hal ini diakibatkan oleh adanya gejala-gejala yang disebutkan boleh jadi sering dijumpai pada orang yang bukan pengguna narkoba. Penelitian ini dilakukan dengan menggunakan rumus probabilitas klasik untuk menghitung probabilitas dari masing-masing jenis narkoba dan teorema bayes untuk mengatasi ketidakpastian data apabila terjadi gejala yang sama pada jenis narkoba yang berbeda. Sistem ini terdiri dari 3 pengguna yang berinteraksi langsung dengan sistem yaitu administrator, pakar dan user. Sistem dilengkapi dengan proses autentifikasi pengguna agar menjamin keamanan sistem dan memastikan apakah pengguna tersebut berhak masuk kedalam sistem.
I. PENDAHULUAN 1.1 Latar Belakang Semakin pesatnya kemajuan teknologi mendorong para ahli untuk mengembangkan komputer agar dapat membantu pekerjaan manusia. Cabang ilmu komputer yang dikembangkan adalah kecerdasan buatan (Artificial Intelligence). Kecerdasan buatan membuat sebuah komputer yang dapat membantu manusia dalam membuat keputusan, mencari informasi secara lebih akurat dan membuat komputer lebih mudah digunakan. Salah satu bagian dari kecerdasan buatan yaitu sistem pakar dimana sistem pakar merupakan program komputer yang meniru proses pemikiran dan pengetahuan pakar dalam menyelesaikan suatu masalah tertentu. Sistem pakar mulai dikembangkan oleh Bruce Buchanan dan Edward Shortliffe di Stanford University pertengahan tahun 1970 yang diberi nama MYCIN. Sistem ini merekam diagnosadiagnosa yang berkaitan dengan infeksi pada darah dan pengobatan-pengobatan yang performansinya setaraf dengan seorang pakar.[1] Pada Tugas Akhir ini dirancang sebuah sistem yang meniru cara berfikir seorang pakar/dokter yang biasa menangani kasus-kasus narkoba. Seorang pakar biasa diminta tolong oleh keluarga ataupun pihak kepolisian atau suatu instansi terkait terhadap seseorang yang diduga kuat atau dicurigai sebagai pengguna narkoba.
1. Mahasiswa Teknik Elektro Universitas Diponegoro 2. Dosen Teknik Elektro Universitas Diponegoro
1.2 Tujuan Tujuan dari pembuatan tugas akhir ini adalah : 1. Merancang dan membuat aplikasi sistem pakar untuk mendiagnosis penggunaan jenis narkoba berdasarkan gejala yang dialami. 2. Menerapkan metode probabilitas bayes dalam mendapatkan kesimpulan pada aplikasi ini. 3. Menganalisa kinerja sistem pakar menggunakan metode probabilitas bayes.
1
1.
1.3 Batasan Masalah Batasan masalah yang diberikan pada tugas akhir ini adalah sebagai berikut : 1. Sistem pakar ini menggunakan bahasa pemrograman PHP dan basisdata MySQL. 2. Sumber pengetahuan diagnosis diperoleh dari hasil penelitian di BNN, berdasarkan dokter dan sampel penyalahguna narkoba yang terdiri dari 20 orang. 3. Sistem ini ditujukan kepada pengguna yang memiliki riwayat penyalahgunaan narkoba. 4. Masukan berupa gejala-gejala yang biasa di alami oleh pengguna narkoba. 5. Keluaran berupa diagnosis kemungkinan jenis narkoba yang digunakan. 6. Aplikasi yang dibangun hanya difokuskan pada gejala subjektif yang dialami pengguna. 7. Sistem ini dapat berjalan pada sebuah halaman web yang hanya bisa diakses melalui localhost.
Fakta-fakta pada lingkup permasalahan tertentu. Teori-teori pada lingkup permasalahan tertentu. Prosedur-prosedur dan aturan-aturan berkenaan dengan lingkup permasalahan tertentu. Strategi-strategi global untuk menyelesaikan masalah. Meta-knowledge (pengetahuan tentang pengetahuan).
2. 3. 4. 5.
Knowledge-base Fakta Pengguna Keahlian Mesin Inferensi
Gambar 2.1 Konsep dasar fungsi sistem pakar
Pada Gambar 2.1 menggambarkan konsep dasar suatu sistem pakar knowledge-base. Pengguna menyampaikan fakta atau informasi untuk sistem pakar dan kemudian menerima saran dari pakar atau jawaban ahlinya. Bagian dalam sistem pakar terdiri dari 2 komponen utama, yaitu knowledge-base yang berisi knowledge dan mesin inferensi yang menggambarkan kesimpulan. Kesimpulan tersebut merupakan respon dari sistem pakar atas permintaan pengguna.
II. LANDASAN TEORI 2.1 Sistem Pakar
Secara umum sistem pakar (Expert System) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Dengan sistem pakar ini, orang awampun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat dilakukan oleh para ahli. Bagi para ahli, sistem pakar ini juga akan membantu aktivitasnya sebagai asisten yang sangat berpengalaman.[4] Ada beberapa alasan mendasar mengapa sistem pakar dikembangkan untuk menggantikan seorang pakar, di antaranya[1] adalah: 1. Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi. 2. Secara automatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar. 3. Seorang pakar akan pensiun atau pergi. 4. Seorang pakar adalah mahal. 5. Kepakaran dibutuhkan juga pada lingkungan yang tidak bersahabat (hostile environment).
2.1.2
Basis Pengetahuan (Knowledge-base) Ada dua bentuk pendekatan basis pengetahuan yang sangat umum digunakan [4], yaitu: a) Penalaran Berbasis Aturan (Rule-Based Reasoning). Pada penalaran berbasis aturan, pengetahuan disajikan dengan menggunakan aturan berbentuk if-then. Bentuk ini digunakan apabila kita memiliki sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan si pakar dapat menyelesaikan masalah tersebut secara berurutan. Disamping itu, juga digunakan apabila dibutuhkan penjelasan tentang jejak (langkah–langkah) pencapaian solusi. b) Penalaran Berbasis Kasus (Case-Based Reasoning). Pada penalaran berbasis kasus, basis pengetahuan akan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian akan diturunkan suatu solusi untuk keadaan yang terjadi sekarang (fakta yang ada). Bentuk ini akan digunakan apabila pengguna menginginkan untuk mengetahui lebih banyak lagi pada kasuskasus yang hampir sama. Selain itu, bentuk ini
2.1.1
Konsep Dasar Sistem Pakar Menurut Efraim Turban[1] menyebutkan konsep dasar sistem pakar mengandung keahlian, ahli, pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan. Contoh bentuk pengetahuan yang termasuk keahlian adalah:
2
terutama pada kerja otak (susunan syaraf pusat). Pengaruh narkoba adalah mengubah suasana hati atau perasaan penggunanya, seperti rasa nyaman, tenang, rileks, riang, dan kantuk, bergantung jenis narkoba yang dipakai. Narkoba juga sering menimbulkan ketergantungan sehingga berdampak pada masalah kesehatan, hubungan sosial, pendidikan, keuangan, dan hukum.
juga digunakan apabila kita telah memiliki sejumlah situasi atau kasus tertentu dalam basis pengetahuan. 2.1.3
Mesin Inferensi Menurut Turban[1] menyebutkan mesin inferensi adalah program komputer yang memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace, dan untuk merumuskan kesimpulan. Terdapat dua pendekatan untuk mengontrol inferensi dalam sistem pakar berbasis aturan, yaitu: 1. Pelacakan ke depan (forward chaining) Pelacakan kedepan adalah pendekatan yang terkendali-data (data-driven). Dalam pendekatan ini pelacakan dimulai dari informasi masukan, dan selanjutnya mencoba menggambarkan kesimpulan. Pelacakan ke depan mencari fakta yang sesuai dengan bagian if dari aturan if-then. Gambar 2.2 menunjukkan proses forward chaining.
III. PERANCANGAN SISTEM 3.1 Kebutuhan Sistem Perancangan Tugas Akhir ini diperlukan adanya pencarian pengetahuan kepakaran mengenai penyalahgunaan narkoba. Pencarian pengetahuan kepakaran diperoleh dengan cara: 1. Melakukan wawancara dengan pakar, dalam hal ini dokter yang biasa menangani kasus penyalahgunaan narkoba di BNN (Badan Narkotika Nasional). 2. Membaca buku-buku yang berkaitan dengan narkoba. 3. Mengumpulkan informasi dari internet tentang penyalahgunaan narkoba. Dari hasil wawancara dengan pakar, dapat diketahui bahwa pakar (dokter yang biasa menangani kasus penyalahgunaan narkoba) dengan mudah dapat mengetahui bahwa seseorang menyalahgunakan narkoba jenis tertentu. Akan tetapi untuk mengetahui angka kemungkinan seseorang menggunakan narkoba jenis tertentu perlu dilakukan penelitian lebih lanjut. Untuk itu penulis menggunakan 20 sampel laporan pemeriksaan psikiatri penyalahguna narkoba yang berisi latar belakang seseorang menggunakan narkoba. Atas persetujuan pakar, dari 20 sampel dapat dijadikan rujukan untuk menghitung nilai probabilitas sehingga diperoleh angka kemungkinan seseorang menyalahgunakan narkoba jenis tertentu.
Gambar 2.2 Proses Forward Chaining
2. Pelacakan ke belakang (backward chaining) Pelacakan ke belakang adalah pendekatan terkendali-tujuan (goal driven). Dalam pendekatan ini, pelacakan dimulai dari tujuan selanjutnya dicari aturan yang memiliki tujuan tersebut untuk kesimpulannya. Gambar 2.3 menunjukkan proses backward chaining.
3.2 Perancangan Proses Perancangan proses akan menjelaskan gambaran sistem dan arus data yang digunakan. Gambaran sistem dan arus data ini selanjutnya dapat digunakan untuk mempermudah pembuatan sistem. Penggambaran sistem dan arus data dibuat dengan menggunakan Data Flow Diagram (DFD). Gambar 2.3 Proses Backward Chaining
1. Diagram Konteks Pembuatan DFD Level 0 ini bertujuan untuk memberikan gambaran umum Sistem Pakar Narkoba dan memperlihatkan bagaimana proses di dalam sistem tersebut berinteraksi dengan lingkungannya dapat ditunjukkan pada Gambar 3.1.
2.2 Narkoba
Narkoba merupakan singkatan dari narkotika, psikotropika dan bahan adiktif lainnya [10]. Narkoba adalah obat, bahan atau zat, bukan makanan, yang jika masuk ke dalam tubuh manusia, berpengaruh
3
Probabilitas Bayes diterapkan untuk menentukan hasil diagnosis yang berupa persentase jenis narkoba yang digunakan oleh penyalahguna narkoba. Berikut contoh perhitungan probabilitas bayes pada diagnosis penyalahguna narkoba.
User
Login user, Data user, Data gejala, Data buku tamu
Administrator
Login admin, Data home, Data berita, Data tips, Data jenis narkoba, Data rehabilitasi, Data kontak Data buku tamu, Data admin
Konfirmasi Login, Info home, Info berita, Info tips, Info jenis narkoba, Info rehabilitasi, Info kontak, Info buku tamu, Info admin, Info daftar pengguna, Info hasil diagnosis
Konfirmasi login user, Hasil diagnosis, Info home, Info berita, Info tips, Info jenis narkoba, Info rehabilitasi, Info kontak. Info buku tamu. Info user, Cetak laporan
Sistem Pakar Narkoba
Login pakar, Data narkoba, Data gejala, Data aturan narkoba
2. Mesin Inferensi Mesin inferensi merupakan pola pikir yang digunakan untuk merepresentasikan basis pengetahuan sehingga dihasilkan informasi yang diperlukan dan dimengerti oleh pengguna. Metode yang digunakan dalam perancangan mesin inferensi ini yaitu metode pelacakan kedepan (forward chaining).
Pakar
Konfirmasi login pakar, Info narkoba, Info gejala, Info aturan narkoba.
Mulai
Pilih Gejala
Gambar 3.1 Diagram Konteks
Submit Tidak
3.3 Perancangan Sistem Pakar Pada tahap ini dilakukan proses perancangan sistem pakar. Perancangan sistem pakar terdiri dari 2 komponen utama dalam pembentukan sistem pakar yang berupa basis pengetahuan dan mesin inferensi. 1. Basis Pengetahuan Basis pengetahuan terdiri dari 2 sumber pengetahuan: fakta dan aturan. Fakta didapat dari 20 sampel laporan pemeriksaan psikiatri penyalahguna narkoba yang berisi gejala-gejala yang dialami oleh pengguna. Sedangkan aturan yang dipakai dengan memperhatikan nilai probabilitas klasik yang didapat dari hasil perhitungan sampel penyalahguna narkoba. Rumus umum untuk probabilitas klasik adalah: P(A) = n (A) (3.1) n Dimana: A = Gejala P(A)= Peluang gejala n = Total banyaknya gejala n (A)= Banyaknya hasil mendapatkan A
Jumlah Gejala >=3
Baca basisdata sesuai gejala
Kelompokkan sesuai jenis narkoba
Hitung perbandingan probabilitas
Ubah dalam bentuk persentase
Akhir
Simpan hasil diagnosis Tampilkan hasil diagnosis
Data Baru?
Tidak
Ya
Masukkan basisdata
Perbaharui basisdata
Gambar 3.2 Diagram alir mesin inferensi
Dalam mesin inferensi, sistem akan membaca masukan pengguna berupa masukan gejala yang dialami. Data gejala yang dimasukkan harus berjumlah > 3. Tiap masukan gejala memiliki kode gejala yang kemudian dilacak oleh sistem didalam tabel gejala. Dari id gejala tersebut sistem akan mengelompokkan sesuai jenis narkoba. Kemudian sistem akan menghitung perbandingan untuk setiap probabilitas per jenis narkoba berdasarkan basis pengetahuan yang digunakan. Lalu sistem menggunakan teorema bayes untuk mengubah hasil dalam bentuk presentase, sehingga dapat diperoleh hasil diagnosis. Diagram alir mesin inferensi dapat dilihat pada Gambar 3.2.
Untuk mengatasi ketidakpastian data pada sistem pakar ini menggunakan teorema Bayes yang dinyatakan: P(H|E) = P(E|H). P(H) (3.2) P(E) Dimana: P(H|E) : probabilitas hipotesis H jika diberikan evidence E P(E|H) : probabilitas munculnya evidence E jika diketahui hipotesis H P(H) : probabilitas hipotesis H tanpa memandang evidence apapun P(E) : probabilitas evidence E
4
IV. PENGUJIAN SISTEM 2. Diagnosis Saat proses diagnosis pengguna akan diminta oleh sistem untuk memasukkan data gejala. Data gejala akan diproses oleh sistem, dengan syarat pengguna memasukkan gejala > 3. Jika gejala yang dimasukkan tidak memenuhi syarat tersebut akan menampilkan peringatan yang ditunjukkan pada Gambar 4.4.
4.1.1 Pengujian Sistem Pada Pengguna 1. Login akun pengguna Login dibutuhkan untuk mengakses sistem. Fungsi login adalah untuk melakukan proses autentifikasi apakah pengguna telah terdaftar dalam sistem. Autentifikasi penting bagi sistem karena untuk menghindari terjadinya penyalahgunaan penggunaan sistem yang dilakukan oleh pengguna luar sistem. Form Login ditunjukkan pada Gambar 4.1.
Gambar 4.4 Pesan Peringatan Proses Diagnosis
4.1.2
Pengujian Sistem Pada Administrator Pakar 1. Menu Administrasi Aturan Narkoba Halaman administrasi aturan narkoba digunakan untuk melakukan proses menambah, mengubah dan menghapus data aturan narkoba. Data aturan narkoba terdiri dari data jenis narkoba, data gejala dan data probabilitas. Halaman ini hanya digunakan oleh pakar. Halaman administrasi aturan narkoba ditunjukkan pada Gambar 4.5.
Gambar 4.1 Form Login
Bagi pengguna yang belum terdaftar dapat melakukan registrasi pendaftaran terlebih dahulu. Untuk melakukan registrasi pendaftaran, pengguna dapat memilih Daftar. Pengguna diminta memasukan Nama Lengkap, Nama Panggilan, Jenis Kelamin, Tanggal Lahir, Alamat, Pekerjaan, Username, Password dan Konfirmasi Password. Jika ada salah satu data yang kosong maka sistem akan menampilkan peringatan yang ditunjukkan pada Gambar 4.2.
Gambar 4.5 Tampilan administrasi aturan narkoba
Proses penambahan data baru kedalam sistem akan gagal, apabila pakar lupa untuk memasukkan data gejala dan probabilitas kedalam menu administrasi aturan narkoba. Tampilan peringatan data belum lengkap dapat ditunjukkan pada Gambar 4.6.
Gambar 4.2 Pesan Kesalahan bulan belum diisi
Pengguna harus mengisi Password minimal 5 karakter, jika tidak maka akan menampilkan peringatan yang ditunjukkan pada Gambar 4.3.
Gambar 4.6 Pesan Peringatan Data Belum Lengkap
Jika pakar menambahkan data baru tetapi data yang dimasukkan tidak lengkap hanya memasukkan salah satu data antara data gejala atau data probabilitas, sistem akan mendeteksi masukan data. Tampilan peringatan data baru gagal ditambahkan dapat ditunjukkan pada Gambar 4.7.
Gambar 4.3 Pesan Kesalahan Password
5
Gambar 4.7 Pesan Peringatan Data Baru Gagal Ditambahkan
3.
4.1.3 Pengujian Sistem Pada Administrator 1. Menu Login Administrator Halaman ini digunakan oleh admin dan pakar, oleh karena itu perlu dibuat sistem keamanan untuk memverifikasi pengguna yang akan masuk ke halaman administrator. Hal ini dilakukan untuk mencegah pengguna selain admin dan pakar masuk dan merubah isi dari sistem pakar narkoba ini tanpa izin dari admin. Tampilan form login dapat dilihat pada Gambar 4.8.
4.
5.
6. Gambar 4.8 Tampilan Form Login
Data yang dimasukkan admin ke dalam form login akan dicocokkan dengan data yang ada di tabel admin. Apabila admin memasukkan username atau password yang tidak sesuai dengan data yang ada di tabel admin, maka pada form login akan tampil pesan kesalahan dapat dilihat pada Gambar 4.9.
pemrograman web dengan PHP akan memberikan fleksibelitas dalam pengaksesan data. Aplikasi ini dapat menghasilkan laporan hasil diagnosis yang siap cetak dalam format pdf. Konsep rekayasa perangkat lunak dianalisis dengan pendekatan pemrograman terstruktur yang memberikan kemudahan dalam memahami sistem. Pengembangan antarmuka dilengkapi dengan fasilitas menu yang berisi informasi jenis narkoba, berita, tips dan rehabilitasi sehingga memberikan informasi tambahan bagi pengguna. Aplikasi sistem pakar ini mempunyai hak akses yang dibedakan menjadi tiga yaitu: administrator yang mempunyai hak akses penuh, pakar dan user yang memiliki hak akses terbatas sesuai dengan kepentingan status masing-masing. Nilai persentase kemungkinan seseorang menggunakan narkoba jenis tertentu yang dihasilkan dari sistem ini sama dengan hasil perhitungan secara manual dengan menggunakan metode probabilitas bayes. Sehingga keakuratan hasilnya sudah sesuai dengan perhitungan yang diharapkan. Hasil pengujian sistem yang dilakukan terhadap sampel 20 orang pengguna narkoba diperoleh nilai keberhasilan sebesar 95% dan nilai error sebesar 5%. Nilai error disebabkan gejala yang dimasukkan memiliki kesamaan antara jenis narkoba yang dituju dengan narkoba jenis lain yang angka probabilitasnya lebih besar.
5.2 Saran 1. Sistem ini menerapkan konsep rekayasa perangkat lunak untuk pendekatan terstruktur. Namun akan lebih baik apabila dalam pengembangan selanjunya menggunakan pendekatan berorientasi objek seperti UML (Unified Modeling Language) sebagai bahasa pendukung agar dapat meningkatkan produktivitas sistem karena memiliki reusability yang lebih tinggi. 2. Penentuan persentase sistem ini dilakukan masih lingkup versi penulis, maka dari itu diharapkan dapat dikembangkan pada lingkup yang lebih luas, misalnya dari para pakar langsung diuji coba dengan penyalahguna narkoba. 3. Sistem hanya dapat mengidentifikasi jenis narkoba yang disalahgunakan berdasarkan gejala yang dimasukkan. Namun akan lebih baik apabila dalam pengembangan selanjutnya sistem dapat membedakan antara pengguna narkoba pemula, pengguna narkoba dosis sedang serta pengguna narkoba dosis tinggi. Dan juga diharapkan sistem tersebut dapat mengetahui berapa dosis yang dipakai pada seorang pengguna narkoba.
Gambar 4.9 Pesan Kesalahan pada Form Login V. PENUTUP 5.1 Kesimpulan 1. Sistem pakar ini menggunakan data masukan berupa gejala-gejala yang biasa dialami pengguna narkoba sehingga dapat mengidentifikasi jenis narkoba yang disalahgunakan. Data yang digunakan bukan dari pakar melainkan hasil analisis penulis terhadap 20 sampel laporan pemeriksaan psikiatri penyalahguna narkoba. 2. Aplikasi sistem pakar deteksi penyalahgunaan narkoba dapat diimplementasikan dengan menggunakan metode probabilitas bayes untuk menyelesaikan ketidakpastian. Pemilihan bahasa
6
[18] Yakub, S., Sistem Pakar Deteksi Penyakit Diabetes Mellitus Dengan Menggunakan Pendekatan Naïve Bayesian Berbasis Web, Skripsi, Jurusan Teknik Informatika Fakultas Sains Dan Teknologi UIN, Malang, 2008, http://lib.uinmalang.ac.id/thesis/fullchapter/04550034suardin-yakub.ps, Maret 2012. [19] ---, Jurnal Data Pencegahan, Pemberantasan Penyalahgunaan dan Peredaran Gelap Narkoba (P4GN), Badan Narkotika Nasional, Jakarta, 2012. [20] ---, Materi Advokasi Pencegahan Narkoba, Badan Narkotika Nasional, Jakarta, 2005. [21] ---, Pedoman Pencegahan Penyalahgunaan Narkoba Bagi Remaja, Badan Narkotika Nasional, Jakarta, 2004. [22] ---, Petunjuk Teknis Advokasi Bidang Pencegahan Penyalahgunaan Narkoba Bagi Lembaga/ Instansi Pemerintah, Badan Narkotika Nasional, Jakarta, 2008.
4. Hasil diagnosis hanya dapat mengidentifikasi jenis narkoba, persentase, gejala yang dimasukkan dan solusi. Namun akan lebih baik apabila dalam pengembangan selanjutnya ditambahkan tempat rehabilitasi sesuai dengan jenis narkoba yang disalahgunakan. DAFTAR PUSTAKA [1] [2]
[3] [4] [5] [6]
[7] [8]
[9]
[10]
[11]
[12]
[13] [14] [15] [16] [17]
Arhami, M., Konsep Dasar Sistem Pakar, Andi Offset, Jogjakarta, 2005. Aribowo, A.S., Pengembangan Sistem Cerdas Menggunakan Penalaran Berbasis Kasus (Case Based Reasoning) Untuk Diagnosa Penyakit Akibat Virus Eksantema, Telematika vol.7, no.1, Juli 2010, http://repository.upnyk.ac.id/1969/2/2_Tele matika_Juli_2010_final_AGUS_SASMITO.pdf, Januari 2012. Hakim, L., Membongkar Trik Rahasia Para Master PHP, Lokomedia, Jogjakarta, 2008. Kadir, A., Belajar Database Menggunakan Mysql, Andi Offset, Jogjakarta, 2008. Kusrini., Sistem Pakar Teori dan Aplikasi, Andi Offset, Jogjakarta, 2006. Kusumadewi, S., Artificial Intelegence (Teknik dan Aplikasinya), Graha Ilmu, Jogjakarta, 2003. Munir, R., Matematika Diskrit, Informatika, Bandung, 2010. Nugroho, B., Membuat Aplikasi Sistem Pakar dengan PHP dan Editor Dreamweaver, Jogjakarta, Gava Media, 2008. Pal, Shankar K. And Shiu, Simon C.K., Foundations of Soft Case Based Reasoning, Willey & Sons, Inc. Canada, pp 64 – 67, 2004. Polina, A.M. dan Siang, JJ., Cara Cepat Menyusun Skripsi Jurusan Informatika/Komputer, ANDI, Jogjakarta, 2005. Pugas, Diana. O., Sistem Informasi Geografis Berbasis Web Untuk Pemetaan Pariwisata Kota Sawahlunto Menggunakan Arcview 3.3, Tugas Akhir D3, Jurusan Komputer & Sistem Informasi FMIPA UGM, Jogjakarta, 2009. Shalahuddin, M dan Rosa A.S., Modul Pembelajaran Rekayasa Perangkat Lunak, Modula, Bandung, 2011. Sutarman., Membangun aplikasi web dengan PHP dan MySQL, Graha Ilmu, Jogyakarta, 2003. Suyanto., Artificial Intelligence, Informatika, Bandung, 2007. Syafii, M., Membangun Aplikasi Berbasis PHP dan MySQL, Andi Offset, Jogjakarta, 2004. Undang-Undang No.5 tahun 1997 tentang Psikotropika. Undang-Undang No.35 tahun 2009 tentang Narkotika.
BIODATA Devi Noviandari, lahir di Jakarta tanggal 16 Desember 1987. Saat ini sedang menyelesaikan studi Strata-1 di Jurusan Teknik Elektro Fakultas Teknik Universitas Diponegoro Semarang dengan mengambil konsentrasi Komputer dan Informatika. Menyetujui, Dosen Pembimbing I
R. Rizal Isnanto, S.T., M.M., M.T. NIP. 197007272000121001
Dosen Pembimbing II
Maman Somantri S.T., M.T. NIP. 197406271999031002
7
