ISBN: 978-602-72850-3-3
SNIPTEK 2016
PENERAPAN NAIVE BAYES UNTUK DIAGNOSA PENYAKIT DIARE USIA BALITA PADA SISTEM PAKAR BERBASIS WEBSITE Elah Nurlelah
STMIK Nusa Mandiri Sukabumi Jl. Veteran II No.20A, Kota Sukabumi
[email protected]
ABSTRACT — Diarrhea is spending the stool is not normal and liquid. Large water discharge is not normal and form liquid stools with greater frequency than usual. In this study, the data will be analyzed diarrheal disease in children under five using Naive Bayes method using eight parameters such as gender, age (months), the frequency of defecation, stool consistency, the state of the eyes, the state of turgor, the desire to drink and general conditions. In order to obtain the value of information faster and more flexible, application of expert system for diagnosing diarrheal disease is made with web-based applications, so it can be accessible to the wider community, in addition to this application can also help medical workers to make decisions in the diagnosis of diarrheal diseases. Of the 140 total number of cases consisted of 84 cases of patients who contracted diarrhea and 56 cases of patients who are not infected with diarrheal diseases in children under five are obtained from UPTD Puskesmas Caringin, then obtained 17 rule resulting from interviews with experts with the number of the class is not as much as 9 rule and the number of class so much as 8 rule, so it can be concluded that the research that is implemented into a web application can help users, especially the parents in diagnosing diarrheal disease in children under five Keywords: Expert System, Naive Bayes, Diarrheal Diseases, Early Childhood INTISARI— Diare adalah pengeluaran tinja tidak normal dan cair. debit air besar tidak normal dan membentuk tinja cair dengan frekuensi yang lebih besar dari biasanya. Dalam penelitian ini, data yang akan dianalisa penyakit diare pada anak balita menggunakan metode Naive Bayes menggunakan delapan parameter seperti jenis kelamin, umur (bulan), frekuensi buang air besar, konsistensi tinja, keadaan mata, keadaan turgor, keinginan untuk minum dan kondisi umum. Dalam rangka untuk mendapatkan nilai informasi yang lebih cepat dan lebih fleksibel, aplikasi sistem pakar untuk mendiagnosa penyakit diare dibuat dengan aplikasi berbasis web, sehingga dapat diakses oleh masyarakat luas, selain aplikasi ini juga dapat membantu tenaga medis untuk membuat keputusan dalam diagnosis penyakit diare. Dari 140 jumlah total kasus terdiri dari 84 kasus pasien yang terjangkit diare dan 56 kasus pasien yang tidak terinfeksi penyakit diare pada anak balita diperoleh dari UPTD Puskesmas Caringin, maka diperoleh
52
Rusda Wajhillah
STMIK Nusa Mandiri Sukabumi Jl. Veteran II No.20A, Kota Sukabumi
[email protected]
17 aturan yang dihasilkan dari wawancara dengan para ahli dengan jumlah kelas tidak sebanyak 9 aturan dan jumlah kelas sehingga sebanyak 8 aturan, sehingga dapat disimpulkan bahwa penelitian yang diimplementasikan ke dalam aplikasi web dapat membantu pengguna, khususnya orang tua dalam mendiagnosis penyakit diare pada anakanak balita Kata kunci: Sistem Pakar, Naif Bayes, Penyakit diare, Anak Usia Dini
PENDAHULUAN Diare merupakan salah satu permasalahan global yang memiliki angka morbiditas (kesakitan) dan mortalitas (kematian) yang tinggi terutama di negara berkembang seperti Indonesia. Di Indonesia dapat ditemukan sekitar 60 juta kejadian diare setiap tahun sebagian besar (70-80%) dari penderita ini adalah anak bawah lima tahun, (Sugihartiningsih dan Hafidudin, 2016:436). Diare adalah pengeluaran tinja yang tidak normal dan cair. Buangan air besar yang tidak normal dan bentuk tinja yang cair dengan frekuensi yang lebih banyak dari biasanya. Di kalangan masyarakat penyakit diare cenderung di anggap sebagai penyakit yang remeh karena diatasi dengan cara yang mudah yaitu memberikan obat-obatan tanpa diketahui jenis diare yang dialami oleh balita serta tanpa penanganan yang dilakukan oleh tenaga medis (Destarianto et al, 2015:122). Berdasarkan data diatas dapat diketahui bahwa diare mempunyai prevalensi yang sangat tinggi dan mempunyai andil yang besar dalam meningkatkan angka kematian anak balita di Indonesia. Faktor yang mempengaruhi kejadian diare, antara lain yang paling sering adalah: ketersediaan air bersih, sanitasi buruk dan perilaku hidup tidak sehat, sedangkan secara klinis dapat disebabkan oleh infeksi, makanan dan psikologis. Naive Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan. Algoritma menggunakan teorema Bayes dan mengasumsikan semua atribut independen atau tidak saling ketergantungan yang diberikan oleh nilai pada variabel kelas (Saleh, 2015:209). Agar mendapatkan nilai informasi yang lebih cepat dan fleksibel, aplikasi sistem pakar untuk mendiagnosa penyakit diare ini dibuat dengan aplikasi berbasis web,
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
SNIPTEK 2016
ISBN: 978-602-72850-3-3
sehingga bisa diakses masyarakat secara luas, selain itu aplikasi ini dapat juga membantu para medis untuk melakukan pengambilan keputusan dalam mendiagnosa penyakit diare.
. . . . . . . . . . . . . . . . .. . . ( 3 ) Berikut adalah alur dari metode Naïve Bayes menurut Saleh (2015:211):
BAHAN DAN METODE
Start
Teori Naive Bayes Naïve Bayes merupakan sebuah pengklasifikasian probabilistik sederhana yang menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari dataset yang diberikan (Saleh, 2015:209). Naïve Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukakan oleh ilmuwan inggris Thomas Bayes, yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya. Metode Naïve Bayes juga dinilai berpotensi baik dalam mengklasifikasikan dokumen dibandingkan dengan metode pengklasifikasian lain dalam hal akurasi dan efisiensi komputasi (Saleh, 2015:208). Menurut Bustami dalam Saleh (2015:209) persamaan dari teorema Bayes adalah:
Baca Data Training
Apakah Data Numerik?
Jumlah dan Probabilitas
Mean tiap parameter
Tabel Probabilitas
Standar Deviasi Tiap parameter
Tabel Mean dan Standar Deviasi
Solusi
. . . . . . . . . . . . .. . . . . . . . . . . . (1) Dimana: X : Data dengan class yang belum diketahui H : Hipotesis data merupakan suatu class yang spesifik P(H\X) : Probabilistik hipotesis H berdasar kondisi X (posteriori probabilistik) P(H) : Probabilistik hipotesis H (prior probabilitas) P(X\H) : Probabilistik hipotesis X berdasar kondisi pada hipotesis H P(X) : Probabilitas X Untuk menjelaskan metode Naïve Bayes, perlu diketahui bahwa proses klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi sampel yang dianalisis tersebut. Karena itu, metode Naïve Bayes di atas disesuaikan sebagai berikut:
Ya
Tidak
Stop
Sumber: Saleh (2015:211) Gambar 1. Alur Metode Naïve Baiyes Adapun keterangan dari gambar diatas sebagai berikut: 1. Baca data training 2. Hitung jumlah dan probabilitas, namun apabila data numerik maka: a. Cari nilai mean dan standar deviasi dari masingmasing parameter yang merupakan data numerik. Adapun persamaan yang digunakan untuk menghitung nilai rata-rata hitung (mean) dapat dilihat sebagai berikut: ........................... .... (4) Atau . . . . . . ….. . . . . .. . . . ( 5 )
. . . .. . . ( 2 ) Dimana variable C merepresentasikan kelas, sementara variable F1 …Fn merepresentasikan karakteristik petunjuk yang dibutuhkan untuk melakukan klasifikasi. Maka rumus tersebut menjelaskan bahwa peluang masuknya sample berkarakteristik tertentu kedalam kelas C (Posterior) adalah peluang munculnya kelas C (sebelum masuk sampel tersebut, seringkali disebut prior), dikali dengan peluang kemunculan karakteristik-karakteristik sampel pada kelas C (disebut juga likelihood), dibagi dengan kemunculan karakteristik-karakteristik sampel secara global (disebut juga evidence). Karena itu rumus diatas dapat ditulis secara sederhana sebagai berikut:
di mana: µ : rata-rata hitung (mean) : nilai sample ke i n : jumlah sampel Dan persamaann untuk menghitung simpangan baku (standar deviasi) dapat dilihat sebagai berikut: ....... ..(6) Dimana: σ : standar deviasi xi : nilai x ke –i
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
53
ISBN: 978-602-72850-3-3
3. 4.
SNIPTEK 2016
µ : rata-rata hitung n : jumlah sampel b. Cari nilai probabilistik dengan cara menghitung jumlah data yang sesuai dari kategori yang sama dibagi dengan jumlah data pada kategori tersebut. Mendapatkan nilai dari tabel mean, standar deviasi dan probabilitas Solusi kemudian dihasilkan.
Penelitian Terkait Pada penelitian terkait, dilakukan peninjauan kembali berdasarkan jurnal dan peneltian-penelitian yang sebelumnya telah dilakukan, diantaranya: Penelitian dari Asnawati et al (2012) yang berjudul “Diagnosa Gejala Penyakit Diare Pada Anak Balita Menggunakan Sistem Pakar”, menjelaskan bahwa sistem pakar sangat membantu dalam menyelesaikan sebuah masalah dan dapat juga digunakan untuk mencari suatu informasi yang diperoleh dengan bantuan para ahli di bidangnya, kemudian informasi tersebut diolah dan dituangkan dalam sebuah program aplikasi agar dapat lebih mudah digunakan untuk mendeteksi penyakit diare pada anak balita, guna memberikan alternatif informasi kepada pasien mendeteksi penyakit diare pada anak balita. Kemudian menurut Wulan et al (2014) didalam penelitiannya yang berjudul “Perancangan Sistem Pakar Penentu Proses Persalinan Dengan Metode Naive Bayes Pada Kepulauan Di Daerah Terpencil Penebel Tabanan Bali”, menjelaskan bahwa metode naive bayes merupakan pendekatan statistik untuk melakukan inferensi induksi pada persoalan klasifikasi. Naive bayes memiliki asumsi bahwa hubungan antara atribut yang satu dengan atribut yang lainnya adalah bebas bersyarat untuk kelas Y. Disebut naive karena asumsi ini cukup sulit dipenuhi dalam kehidupan nyata, walau demikian ternyata metode ini memiliki tingkat akurasi yang cukup tinggi untuk sebagian besar kasus. Hal ini menjadi untuk penggunaan metode naive bayes dalam mendiagnosa penyakit diare pada balita.
Selanjutnya menurut Aziz et al (2014) didalam penelitiannya yang berjudul “Perancangan Sistem Pakar Diagnosa Penyakit Syaraf Pada Wajah Berbasis Web” menyebutkan bahwa sistem pakar berbasis web sangat mudah untuk diakses kapanpun dan dimanapun oleh masyarakat selama mereka terhubung dengan jaringan internet, dengan menggunakan sistem pakar berbasis web dapat membantu dalam memberikan informasi kepada masyarakat. Berdasarkan beberapa penelitian tersebut, maka dilakukanlah penelitian sistem pakar yang sejenis dengan Asnawati et al, yaitu tentang diagnosa penyakit diare pada anak balita. Kemudian dalam penelitian kali ini, akan diterapkan metode Naive Bayes seperti yang telah dilakukan oleh Wulan et al serta akan diimplementasikan dalam pemrograman berbasis web seperti yang telah dilakukan oleh Aziz et al (2014), karena diharapkan program ini akan lebih mudah diakses oleh para penggunanya baik oleh para tenaga medis maupun oleh para pasien. A.
Metode Pengumpulan Data
Pengumpulan data yang digunakan pada penelitian ini menggunakan data primer dengan teknik wawancara langsung terhadap pakar yang sudah memiliki pengalaman yang lama dan pengetahuan khusus dalam bidang kesehatan khusunya terhadap penyakit diare, dalam hal ini yang menjadi objek wawancara adalah dokter Puskesmas Caringin Sukabumi. B.
Pemilihan Populasi dan Sampel
Berdasarkan hasil pengumpulan data dari para pakar tenaga medis di UPTD Puskesmas Caringin, dapat diambil kesimpulan mengenai sample data pasien penyakit diare pada anak balita. Penelitian ini menggunakan sample data dengan jumlah 140 data. Berikut sample data pasien, seperti terlihat pada tabel 1 di bawah ini:
Tabel 1. Data Pasien Diare Puskesmas Caringin Jenis Kelamin
Usia (bulan)
Frekuensi BAB
Konsistensi Tinja
Perempuan
6-11
>3
Cair
Cekung
Laki-Laki
6-11
>3
Cair
Cekung
Perempuan
12-23
>3
Cair
Cekung
Laki-Laki
36-47
>3
Cair
Cekung
Perempuan
6-11
>3
Lembek
Cekung
Perempuan
12-23
>3
Cair
Cekung
54
Mata
Turgor Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat
Keinginan untuk minum
Keadaan Umum
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Hasil
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
SNIPTEK 2016
ISBN: 978-602-72850-3-3
Jenis Kelamin
Usia (bulan)
Frekuensi BAB
Konsistensi Tinja
Laki-Laki
48-59
>3
Lembek
Cekung
Laki-Laki
<6
>3
Lembek
Cekung
Laki-Laki
36-47
>3
Lembek
Cekung
Laki-Laki
Mata
12-23
>3
Cair
Cekung
Perempuan
<6
>3
Cair
Cekung
Perempuan
6-11
>3
Cair
Cekung
Perempuan
36-47
>3
Cair
Cekung
Perempuan
<6
>3
Cair
Cekung
Perempuan
<6
>3
Cair
Cekung
Perempuan
48-59
<=3
Cair
Cekung
Laki-Laki
24-35
<=3
Cair
Cekung
Perempuan
24-35
>3
Cair
Cekung
Laki-Laki
24-35
>3
Cair
Cekung
Laki-Laki
48-59
>3
Cair
Cekung
Perempuan
12-23
>3
Cair
Cekung
Perempuan
48-59
>3
Cair
Cekung
Laki-Laki
12-23
>3
Cair
Cekung
Laki-Laki
12-23
>3
Cair
Cekung
Laki-Laki
6-11
>3
Cair
Cekung
Perempuan
24-35
>3
Cair
Cekung
Laki-Laki
24-35
>3
Cair
Cekung
Perempuan
48-59
>3
Cair
Cekung
Perempuan
6-11
>3
Cair
Cekung
Perempuan
24-35
>3
Cair
Cekung
Perempuan
12-23
>3
Cair
Cekung
Perempuan
48-59
>3
Cair
Cekung
Laki-Laki
36-47
>3
Cair
Perempuan
12-23
>3
Cair
Turgor Kembali sangat Lambat Kembali Lambat Kembali sangat Lambat Kembali sangat Lambat
Keinginan untuk minum Ingin minum terus Ingin minum terus Ingin minum terus
Keadaan Umum
Hasil
Gelisah
Ya
Gelisah
Ya
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Malas minum
Gelisah
Ya
Cekung
Kembali Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat Kembali sangat Lambat
Malas minum
Gelisah
Ya
Cekung
Kembali sangat
Malas minum
Gelisah
Ya
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
55
ISBN: 978-602-72850-3-3 Jenis Kelamin
Usia (bulan)
Frekuensi BAB
SNIPTEK 2016 Konsistensi Tinja
Mata
Turgor
Keinginan untuk minum
Keadaan Umum
Malas minum Ingin minum terus
Gelisah
Ya
Sadar
Ya
Malas minum
Gelisah
Ya
Normal
Sadar
Hasil
Lambat Laki-Laki
36-47
>3
Cair
Cekung
Perempuan
48-59
>3
Lembek
Cekung
Laki-Laki
6-11
>3
Cair
Perempuan
12-23
>3
Padat
Cekung Tidak Cekung
Kembali sangat Lambat Kembali Lambat Kembali sangat Lambat Kembali segera
Tidak
dst Sumber: Data rekam medis Puskesmas Caringin (2016) Untuk keperluan penelitian selanjutnya, dari 140 data terkumpul, hanya ditampilkan 40 data seperti di atas. Tabel 2. Probabilitas Kelas Kelas Ya Tidak Ya 84 Tidak P(Ya)=84/140 0.6 P(Tidak)=56/140 Sumber: Data hasil olahan (2016)
56 0.4
Tabel di atas merupakan nilai probabilitas untuk setiap kelas berdasarkan data yang ada. Dalam membuat model Naive Bayes terlebih dahulu kita mencari probabilitas hipotesis untuk masing-masing Kelas P (H). Hipotesis yang ada yaitu pasien (balita) yang menderita penyakit diare
Atribut Total Jenis Kelamin
Usia
Frekuensi BAB Konsistensi Tinja Keadaan Mata
56
Laki-laki Perempuan <6 6-11 12-23 24-35 36-47 48-59 <= 33 >3 Cair Lembek Padat Cekung Tidak Cekung
dan pasien (balita) yang tidak menderita penyakit diare. Data yang digunakan adalah data utama yang diperoleh dari UPTD Puskesmas Caringin, dengan total data yaitu 140 data. 84 pasien (balita) yang menderita penyakit diare dan 56 pasien (balita) yang tidak menderita penyakit diare, perhitungan probabilitas yaitu seperti dibawah ini: P (Ya) = 84:140 = 0, 6 P (Tidak) = 56:140 = 0, 4 Setelah probabilitas untuk tiap hipotesis diketahui, langkah selanjutnya adalah menghitung probabilitas kondisi tertentu (probabilitas X) berdasarkan probabilitas tiap hipotesis (probabilitas H) atau dinamakan probabilitas prior. Hasil perhitungan probabilitas prior dengan menggunakan Naïve Bayes dapat dilihat pada tabel dibawah ini:
Tabel 3. Probabilitas Prior Jml Ya Kasus (Si) (S) 140 84 61 32 79 52 12 8 34 20 33 21 24 13 14 11 23 11 28 4 112 80 72 72 44 12 24 0 84 84 56 0
Tidak (Si) 56 29 27 4 14 12 11 3 12 24 32 0 32 24 0 56
P(X|Ci) Ya
Tidak
0,381 0,619 0,095 0,238 0,25 0,155 0,131 0,131 0,047 0,952 0,857 0,143 0 1 0
0,518 0,482 0,071 0,25 0,214 0,196 0,053 0,214 0,428 0,571 0 0,571 0,428 0 1
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
SNIPTEK 2016 Kembali Lambat Kembali Sangat Keadaan Turgor Lambat Kembali Segera Malas Minum Keinginan Untuk Ingin Minum Terus Minum Normal Sadar Keadaan Umum Gelisah Tidak Sadar Sumber: Hasil Pengolahan(2016) Probabilitas prior digunakan untuk menentukan kelas pada kasus baru yang terlebih dahulu dihitung probabilitas posterior nya. Jika ada kasus baru yang terlihat seperti dibawah ini: Misalnya ada data pasien dengan gejala konsistensi tinja lembek, frekuensi BAB >3, usia (bulan) 36-47, mata cekung, turgor kembali lambat, keinginan untuk minum terus, keadaan umum tidak sadar. Pasien tersebut mengalami penyakit diare atau tidak? Setelah diketahui probabilitas setiap atribut terhadap probabilitas tiap kelas atau P (X|Ci), maka langkah selanjutnya adalah menghitung nilai probabilitas akhir untuk setiap kelas: P(X|Ya)=P(Konsistensi=Lembek|Ya)*P(Frekuensi BAB= >3|Ya)*P(Usia= 36-47|Ya)*P(Mata= Cekung|Ya)*P(Turgor= Kembali Lambat|Ya)*P(Keinginan Untuk Minum= Ingin Minum Terus|Ya)*P(Keadaan Umum= Tidak Sadar|Ya) = 12/84 x 80/84 x 11/84 x 84/84 x 17/84 x 10/84 x 61/84 = 0,143 x 0,952 x 0,131 x 1 x 0,202 x 0,119 x 0,726 = 0,00031122841 P(X|Tidak)=P(Konsistensi=Lembek|Tidak)*P(Frekuensi BAB= >3|Tidak) *P(Usia= 36-47|Tidak)*P(Mata= Cekung|Tidak)*P(Turgor= Kembali Lambat|Tidak)*P(Keinginan Untuk Minum= Ingin Minum Terus|Tidak)*P(Keadan Umum= Tidak Sadar|Tidak) = 32/56 x 32/56 x 3/56 x 0/56 x 0/56 x 32/56 x 0/56 = 0,571 x 0,571 x 0,53 x 0 x 0 x 0,571 x 0 =0 Selanjutnya nilai tersebut dimasukkan untuk mendapatkan probabilitas akhir. P(X|hasil= Ya)P(Ya) = 0,6 x 0,00031122841 = 0,00018673705
ISBN: 978-602-72850-3-3 17
17
0
0,202
0
67
67
0
0,797
0
56 74 42 24 24 55 61
0 74 10 0 0 23 61
56 0 32 24 24 32 0
0 0,881 0,119 0 0 0,273 0,726
1 0 0,571 0,428 0,428 0,571 0
P(X|hasil=Tidak)P(Tidak) = 0,4 x 0 = 0 Karena nilai probabilitas akhir terbesar berada di kelas Ya, maka pendaftar tersebut mengalami penyakit diare. Dari perhitungan inilah kita dapat mengetahui apakah pasien tersebut mengalami penyakit diare atau tidak.
HASIL DAN PEMBAHASAN A. Use Case Diagram Untuk menggambarkan menu yang terdapat pada website sistem pakar penyakit diare berbasis naive bayes ini dapat dilihat pada gambar 4 dibawah ini: uc Usecase Diagram Halaman Pengguna
Halaman Utama
Halaman Konsultasi
«extend»
Mengisi form data user dan diagnosa
«include» user (pengguna) Halaman Informasi
Tampil hasil diagnosa
Sumber: Hasil perancangan (2016) Gambar 2. Use Case Diagram Diagnosa Penyakit Diare User atau pengguna sebagai actor dapat masuk ke dalam halaman utama, halaman konsultasi dengan mengisi form data user dan diagnosa lalu menampilkan hasil diagnosa penyakit diare. Selain itu pengguna juga dapat melihat halaman informasi tenatang penyakit diare.
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
57
ISBN: 978-602-72850-3-3
SNIPTEK 2016
Tabel 4. Deskripsi Use Case Diagram Diagnosa Penyakit Diare Use Case Name
Usecase Pengguna
Requirment Goal Pre-condition Post-condition Failed end condition Primary Actor Main Flow/Basic Path
A1-A5 Pengguna mendapatkan hasil diagnosa Pengguna mengisi form data pengguna dan manjawab pertanyaan konsultasi Pengguna melakukan konsultasi melalui web secara online Pengguna tidak menjawab pertanyaan konsultasi Pengguna 1. Pengguna mendaftar dengan isi form data pengguna 2. Pengguna melakukan konsultasi penyakit dengan menjawab pertanyaan konsultasi 3. Pengguna melihat hasil diagnosa -
Invariant Sumber: Hasil perancangan (2016)
B. Entity Relationship Diagram (ERD) Rancangan basis data yang dituangkan dalam ERD (Entity Relationship Diagram) yang digunakan pada sistem pakar diagnosa penyakit diare berbasis web ini dapat dilihat pada gambar 7 dibawah ini: jeniskelamin
namapasien
umurpasien
No_id
No_id
hasildignosa
namaibu alamat Frekuensi bab
1
Konsistensi tinja
Pasien
M hasil
Diagnosa
Keadaan mata Keadaan turgor Keinginan untuk minm Keadaan umum
Sumber: Hasil perancangan (2016) Gambar 4. ERD (Entity Relationship Diagram) C.
Tampilan Antar Muka Website
Tampilan antarmuka atau user interface untuk halaman konsultasi dari sistem pakar diagnosa penyakit diare menggunakan naive bayes dapat dilihat pada gambar 8 dibawah ini:
58
Sumber: Hasil perancangan (2016) Gambar 5. Form Halaman Konsultasi Sedangkan Tampilan antarmuka atau user interface untuk halaman hasil konsultasi dari sistem pakar diagnosa penyakit diare menggunakan naive bayes dapat dilihat pada gambar 6 dibawah ini:
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
SNIPTEK 2016
ISBN: 978-602-72850-3-3
REFERENSI
Sumber: Hasil perancangan (2016) Gambar 6. Form Hasil Konsultasi
KESIMPULAN
Asnawati, C. E., dan Rosdiana. (2012). Diagnosa Gejala Penyakit Diare Pada Anak Balita Menggunakan Sistem Pakar. Jurnal Media Infotama, p. 8. Aziz, E., dan D. D. (2014). Perancangan Sistem Pakar Diagnosa Penyakit Syaraf Pada Wajah Berbasis Web. Jurnal Algoritma, p. 11. Destarianto, P., dan Nugraheni, P. (2015). Desain Sistem Pakar Mengidentifikasi Diare Pada Balita. Jember: SEMNASKIT. Saleh, A. (2015). Implementasi Metode Klasifikasi Naive Bayes Dalam Memprediksi Besarnya Penggunaan LIstrik Rumah Tangga. CItec Jurnal, p. 2. Sugihartiningsih dan Hafiduddin, M. (2016). Hubungan Teknik Pemberian Susu Formula Terhadap Kejadian Diare Anak Usia 1-3 Tahun. The 3rd University Research Colloqium, pp. 2407-9189. Wulan, R., Lestari, M., dan N. W. P. S. (2014). Perancangan Sistem Pakar Penentu Proses Persalinan Dengan Metode Naive Bayes Pada Kepulauan Di Daerah Terpencil Penebel Tabanan Bali. Seminar Nasional Teknologi Informasi dan Komunikasi, pp. 2089-9813.
Dari pembuatan website penerapan metode naive bayes untuk diagnosa penyakit diare pada anak balita ini dapat disimpulkan bahwa dapat membantu para tenaga medis dan juga orang tua dalam mengetahui lebih dini penyakit diare pada anak balita tanpa harus berkonsultasi secara langsung dengan pakar atau tenaga medis. Website sistem pakar ini memberikan berbagai pengetahuan mengenai penyakit diare, diantaranya melakukan diagnosa penyakit diare, juga akan mendapatkan pengetahuan mengenai penyakit diare, saran pencegahan penyakit diare, serta tindakan pertolongan pertama yang dilakukan untuk menangani penyakit diare. Untuk penelitian lebih lanjut dapat dikembangkan dengan menambahkan gejala dan tindakan atau penanganan yang berkaitan dengan penyakit diare. Sedangkan untuk meningkatkan nilai kepercayaan dapat juga digunakan pengujian metode untuk memperoleh nilai akurasi seperti pengujian menggunakan Evaluasi Confusion Matrix dan ROC (Receiver Operating Characteristic).
Seminar Nasional Ilmu Pengetahuan dan Teknologi Komputer Nusa Mandiri
59
