Sistem Pakar Diagnosa Dampak Penggunaan Softlens Menggunakan Metode Backward Chaining

Mukhtar, Sistem Pakar Diagnosa Dampak Penggunaan Softlens Menggunakan Metode Backward Chaining 21

Sistem Pakar Diagnosa Dampak Penggunaan Softlens Menggunakan Metode Backward Chaining Nurmala Mukhtar1, Samsudin2 Jurusan Sistem Informasi, Fakultas Teknik dan Ilmu Komputer, Universitas Islam Indragiri Jl. Parit 1, Tembilahan Hulu, Tembilahan, Riau E-mail: [email protected], [email protected] Masuk: 25 Mei 2014; Direvisi: 6 Juli 2014; Diterima: 15 Juli 2014

Abstract. Contact lens is a type of lenses made of "soft" materials, i.e. silicon hydrogen, so it is called softlens. The use of softlens for long period can potentially cause eye irritation and infection. Therefore, an expert system is required to help diagnose the impact of softlens usage. The development of this system uses backward chaining method. This method works by determining the illness suffered by the softlens users, then the causes of the disease will be elaborated. From the research, it can be concluded that this expert system can help softlens users diagnose the impact of softlens usage based on symptoms experienced, and to know the solutions to the problems. Keywords: backward chaining, expert system, softlens usage impact. Abstrak. Softlens adalah sejenis lensa yang dibuat dari bahan yang bersifat “lunak”, yaitu silicon hydrogen. Penggunaan softlens dalam jangka waktu lama dapat berpotensi menyebabkan iritasi mata, mata merah dan infeksi. Untuk itu diperlukan sebuah sistem pakar untuk membantu mendiagnosa dampak penggunaan softlens. Pembangunan sistem pakar diagnosa dampak penggunaan softlens ini menggunakan metode backward chaining atau runut balik. Metode runut balik bekerja dengan cara menentukan penyakit yang diderita oleh pengguna softlens kemudian akan dijabarkan sebab-sebab penyakit tersebut. Dari hasil penelitian dapat disimpulkan bahwa sistem pakar ini mempermudah pengguna soflens untuk melakukan diagnosa dampak penggunaan softlens berdasarkan gejala yang dialami, dan mengetahui cara penanggulangannya. Kata kunci: backward chaining, sistem pakar, dampak penggunaan softlens. 1. Pendahuluan Konsultasi terhadap seseorang yang memiliki keahlian (expertise) di bidang tertentu dalam menyelesaikan suatu permasalahan merupakan pilihan tepat guna untuk mendapatkan jawaban, saran, solusi, keputusan serta kesimpulan terbaik. Salah satu expertise yang menjadi tujuan masyarakat untuk berkonsultasi adalah dokter spesialis mata (ophthalmologist). Ophthalmologist selalu menangani pasien penderita penyakit mata antara lain gangguan akibat menggunakan softlens. Softlens atau lensa kontak adalah salah satu alat kedokteran yang bertujuan sebagai pengganti kacamata bagi penderita yang memiliki penglihatan kurang. Namun seiring perkembangan zaman dan teknologi, softlens yang awalnya berfungsi sebagai pengganti kacamata untuk penderita gangguan mata kini berubah menjadi atribut mode atau style. Banyak dari kalangan remaja wanita maupun pria menggunakan softlens hanya untuk kepentingan gaya semata tanpa mengetahui akibat apa yang akan ditimbulkan oleh softlens yang terbuat dari plastik mengandung air. Jika konsumen menggunakannya dalam waktu relatif lama maka softlens akan menyerap air di permukaan mata, hal inilah yang dapat menyebabkan mata perih dan gangguan lainnya. Penelitian tentang pembuatan sistem pakar menggunakan metode Forward Chaining berguna untuk membantu ketergantungan masyarakat terhadap para medis, memberikan informasi tentang diagnosa dampak dari penggunaan softlens pada mata yang mudah dipahami oleh masyarakat, dengan demikian program ini akan memberikan pembelajaran kepada masyarakat akan pentingnya teknologi informasi yang biasa dimanfaatkan sebagai penyedia

22 Jurnal Buana Informatika, Volume 6, Nomor 1, Januari 2015: 21-30

informasi tentang berbagai macam penyakit dan solusi pengobatan. Sistem pakar ini tidak berarti menggantikan kedudukan dokter, tetapi hanya dalam pengambilan keputusan, karena mungkin bisa terdapat banyak alternatif yang harus dipilih secara tepat. 2. Tinjauan Pustaka Kecerdasan buatan berasal dari bahasa Inggris “Artificial Intelligence” atau singkatan AI, yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan. Kecerdasan buatan yang dimaksud di sini merujuk pada mesin yang mampu berpikir, menimbang tindakan yang akan diambil dan mampu mengambil keputusan seperti yang dilakukan oleh manusia (Sutojo dkk, 2010). Jadi, kecerdasan buatan adalah cabang ilmu komputer yang bertujuan untuk membuat sebuah komputer dapat berpikir dan bernalar seperti manusia. Kecerdasan buatan dapat membantu manusia dalam membuat keputusan, mencari informasi secara lebih akurat, atau membuat komputer lebih mudah digunakan dengan tampilan yang menggunakan bahasa natural sehingga mudah dipahami. Salah satu bagian dari sistem kecerdasan buatan adalah sistem pakar dimana sistem pakar adalah bagian dari ilmu kecerdasan buatan yang secara spesifik berusaha mengadopsi kepakaran seseorang di bidang tertentu ke dalam suatu sistem atau program komputer (Handojo dan Irawan, 2009). 2.1. Struktur Sistem Pakar Ada dua bagian utama yang dibutuhkan dalam membuat aplikasi kecerdasan buatan yaitu basis pengetahuan (knowledge base) dan mesin inferensi (Inference Engine) (Puspita dkk, 2013). Lingkungan pengembangan dimasukkan untuk pengembangan pakar ke dalam lingkungan sistem pakar, sedangkan lingkungan konsultasi digunakan oleh pengguna yang bukan pakar guna memperoleh pengetahuan pakar (Lempao, 2011). Istilah sistem pakar berasal dari istilah knowledge-based expert system. Istilah ini muncul karena untuk memecahkan masalah, sistem pakar menggunakan pengetahuan seorang pakar yang dimasukkan ke dalam komputer. Seseorang yang bukan pakar menggunakan sistem pakar untuk meningkatkan kemampuan pemecahan masalah, sedangkan seorang pakar menggunakan sistem pakar untuk knowledge assistant. (Sutojo dkk, 2010). Tujuan utama sistem pakar bukan untuk menggantikan kedudukan sorang ahli maupun pakar, tetapi untuk memasyarakatkan pengetahuan dan pengalaman pakar-pakar yang ahli di bidangnya (Saputra, 2011). Sistem pakar disusun oleh dua bagian utama, yaitu lingkungan pengembangan (development environment) dan lingkungan konsultasi (consultation environment). Komponenkomponen sistem pakar (Rachmawati dkk, 2012) dapat dilihat pada Gambar 1. LINGKUNGAN KONSULTASI

LINGKUNGAN PENGEMBANGAN

Basis pengetahuan Fakta dan Aturan

Pemakai Fakta tentang Kejadian tertentu Antar Muka

Aksi yang direkomendasikan

Knowledge Engineer

Fasilitas Penjelasan

Akuisisi Pengetahuan

Mesin Inferensi Pakar

Workplace

Perbaikan Pengetahuan

Gambar 1. Struktur Sistem Pakar


2.2. Representasi Pengetahuan Sistem Pakar Terdapat beberapa teknik representasi pengetahuan yang biasa digunakan dalam pengembangan suatu sistem pakar yaitu: (1) rule-based knowledge, (2) frame-based knowledge, (3) object-based knowledge dan (4) case-base reasoning (Ramadhan, 2011). Salah satu metode yang paling umum untuk merepresentasikan pengetahuan adalah dalam bentuk tipe aturan (rule) if…then (jika…maka) (Maradesa, 2012). Knowledge Base (Basis Pengetahuan) merupakan hasil akuisisi dan representasi pengetahuan dari seorang pakar. Basis pengetahuan berisi pengetahuan-pengetahuan dalam penyelesaian masalah. Ada dua bentuk basis pengetahuan yang umum digunakan, yaitu: (1) Penalaran Berbasis Aturan (Rule Based Reasoning) yaitu pengetahuan direpresentasikan dengan menggunakan aturan berbentuk: If-Then. Penalaran ini digunakan jika terdapat sejumlah pengetahuan pakar pada suatu permasalahan tertentu, dan pakar dapat melakukan penyelesaian secara berurutan. (2) Penalaran Berbasis Kasus (Cased Based Reasoning) yaitu basis pengetahuan akan berisi solusi-solusi yang telah dicapai sebelumnya, kemudian diturunkan suatu solusi untuk keadaan yang terjadi sekarang (Hartati dan Iswanti, 2008). Inference Engine (Mesin Inferensi) mengarahkan pencarian melalui basis pengetahuan, proses yang akan dilibatkan aplikasi aturan inferensi disebut pencocokan pola. Program diagnosa memutuskan aturan mana yang diinvestigasi, diagnosa yang mana yang dieliminasi dan atribut mana yang disesuaikan (Fadhilah dkk, 2012). 2.3. Mesin Inferensi Sistem Pakar Secara umum mesin inferensi yang utama pada sistem pakar dapat dibedakan menjadi dua (Minarni dan Hidayat, 2013) yaitu runut maju dan runut balik. Runut maju (forward chaining) merupakan pendekatan yang dimotori 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 (Reisa dkk, 2013) dapat dilihat pada Gambar 2. Observasi A

Aturan R1

Fakta C

Aturan R3

Kesimpulan 1

Aturan R4

Kesimpulan 2

Fakta D Observasi B

Aturan R2 Fakta E

Gambar 2. Proses Forward Chaining (Maradesa, 2012)

Runut balik (backward chaining) merupakan strategi pencarian yang arahnya kebalikan dari runut maju (forward chaining) (Dahria, 2012). Percobaan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain, penalaran dimulai dari hipotesis terlebih dahulu dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan. Proses pencarian dimulai dari tujuan, yaitu kesimpulannya merupakan solusi yang ingin dicapai, kemudian dari kaidah-kaidah yang diperoleh, masingmasing kesimpulan Backward Chaining jalur yang mengarah ke kesimpulan tersebut merupakan solusi yang dicari, jika tidak sesuai maka kesimpulan tersebut bukan merupakan solusi yang dicari. Backward Chaining memulai proses pencarian dengan suatu tujuan sehingga strategi ini disebut juga goal-driven terlihat pada Gambar 3. Observasi

Aturan

Fakta C

Aturan Tujuan Kesimpulan

Fakta D Observasi

Aturan

Aturan

Gambar 3. Proses Backward Chaining (Erhet, 2013)


Kaidah menyediakan cara formal untuk merepresentasikan rekomendasi, arahan, atau strategi. Kaidah produksi dituliskan dalam bentuk jika-maka (if-then). Kaidah if-then menghubungkan anteseden dengan konsekuensi yang mengakibatkannya. Berbagai struktur kaidah if-then yang menghubungkan objek atau atribut sebagai berikut: (1) IF premis THEN konklusi (2) IF masukan THEN keluaran (3) IF kondisi THEN tindakan (4) IF anteseden THEN konsekuen (5) IF data THEN hasil (6) IF tindakan THEN tujuan (7) IF aksi THEN reaksi IF sebab THEN akibat (8) IF gejala THEN diagnosa. Premis mengacu pada fakta yang harus benar sebelum konklusi tertentu dapat diperoleh. Masukan mengacu pada data yang harus tersedia sebelum keluaran dapat diperoleh. Kondisi mengacu pada keadaan yang harus berlaku sebelum tindakan dapat diambil. Anteseden mengacu pada situasi yang terjadi sebelum konsekuen dapat diamati. Data mengacu pada informasi yang harus tersedia sehingga sebuah hasil dapat diperoleh. Tindakan mengacu pada kegiatan yang harus dilakukan sebelum hasil dapat diharapkan. Aksi mengacu pada kegiatan yang menyebabkan munculnya efek dari tindakan tersebut. Sebab mengacu pada keadaan tertentu. Gejala mengacu pada keadaan yang menyebabkan adanya kerusakan atau keadaan tertentu yang mendorong adanya pemeriksaan (Ramadhan, 2011). Sebelum sampai pada bentuk kaidah produksi, terdapat langkah-langkah yang harus ditempuh dari pengetahuan yang didapatkan dalam domain tertentu. Langkah-langkah tersebut adalah menyajikan pengetahuan yang berhasil didapatkan dalam tabel keputusan (decision table) yang merupakan suatu cara untuk mendokumentasikan pengetahuan. Tabel keputusan merupakan matrik kondisi yang dipertimbangkan dalam pendeskripsian kaidah. Kaidah yang disajikan dalam bentuk kaidah produksi disusun dari tabel keputusan. Pembuatan suatu kaidah dilakukan dengan beberapa tahapan. Meskipun kaidah secara langsung dapat dihasilkan dari tabel keputusan tetapi untuk menghasilkan kaidah yang efisien terdapat suatu langkah yang harus ditempuh yaitu membuat pohon keputusan terlebih dahulu (Hartati dan Iswanti, 2008). Kemudian dari tabel keputusan dibuat pohon keputusan (decision tree) merupakan metode klasifikasi dan prediksi yang kuat. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang mempresentasikan aturan. Aturan dapat dengan mudah dipahami dengan bahasa alami. Dan mereka juga dapat diekspresikan dalam bentuk bahasa basis data seperti Structured Query Language untuk mencari record pada kategori tertentu. Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel masukan dengan sebuah variabel target. Karena pohon keputusan memadukan antara eksplorasi data dan permodelan, maka pohon keputusan sangat bagus sebagai langkah awal dalam proses permodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain. Pohon keputusan adalah struktur flowchart yang menyerupai tree (pohon), dimana setiap simpul internal menandakan suatu tes pada atribut, setiap cabang merepresentasikan hasil tes, dan simpul daun merepresentasikan kelas atau distribusi kelas. Alur pada pohon keputusan ditelusuri dari simpul akar ke simpul daun yang memegang prediksi kelas untuk contoh tersebut. Pohon keputusan mudah untuk dikonversi ke aturan klasifikasi (classification rules) (Syahril, 2011). Ada sepuluh komplikasi yang biasa timbul akibat pemakaian softlens yaitu: noda kornea, blepharitis, reaksi alergi, sindrom mata kering, corneal edema, infeksi mata, infitrates, mocrobila keratitis, vaskularisasi kornea, dan giant papilary conjunctivitas. 3. Metodologi Pengembangan Sistem Dalam metodologi penelitian menggunakan model waterfall yang terdiri dari beberapa fase dalam pengembangan sistem yaitu perencanaan, analisis, desain sistem, pengujian dan implementasi, serta pemeliharaan. Pada fase desain sistem pakar ada beberapa tools yang digunakan untuk membangun sistem ini, alat yang digunakan dengan menggunakan model pendekatan terstruktur.


3.1. Kontek Diagram Kontek diagram menggambarkan desain sistem secara keseluruhan atau secara umum dimana sistem ini terdiri dari entitas pakar dan admin, masukan kemudian diproses oleh sistem dan menghasilkan keluaran seperti terlihat pada Gambar 4. Data Pasien Diagnosa Sistem Pakar Mendiagnosa Dampak Softlens Mata

Pakar

Admin Data Penyakit Data Gejala Data Pengetahuan

Laporan Hasil Diagnosa

Gambar 4. Kontek Diagram

3.2. Data Flow Diagram level 0 Data flow diagram level 0 menggambarkan orang yang menggunakan sistem selanjutnya diproses oleh sistem kemudian data disimpan pada data store, dari data yang telah disimpan tersebut dapat dipanggil kembali sesuai dengan keperluan pengguna sistem, seperti yang terlihat pada Gambar 5. Data Penyakit

Admin

Data Penyakit Data Gejala Data Pengetahuan

1.0 Intput Data Master

Data Gejala

Data Pengetahuan

Data Pasien Pakar

Data Diagnosa

2.0 Mendiagnosa

Data Penyakit Data Gejala Data SolusiData DIagnosa

Diagnosa

Data Pasien

Laporan Hasil Diagnosa

3.0 Laporan Hasil Diagnosa

Gambar 5. DFD Level 0

3.3. Entity Relationship Diagram (ERD) Entity Relationship Diagram menggambarkan ketergantungan antara entitas-entitas yang ada sehingga dilakukan keterhubungan, ERD ini jika diimplementasikan pada program akan menjadi tabel-tabel yang saling berhubungan pada SQL (Structure Query Language), seperti terlihat pada Gambar 6. 4. Basis Aturan 4.1. Basis Pengetahuan Dalam mempresentasikan pengetahuan yang berupa fakta-fakta gejala, jenis gangguan softlens serta solusi menggunakan kaidah produksi yang ditulis dalam bentuk jika-maka (IfThen). Kaidah jika-maka menghubungkan antara gejala-gejala penggunaan softlens dan dampak penggunaan softlens.


Kode_Penyakit

Nama_Penyakit

ID

Tgl_diagnosa

Desk

Alamat

Jenkel

Nama

Kode_penyakit

1

ID

Kode_Pasien

1

PENYAKIT

Kode_Gejala

PASIEN

menyerang

Kode_gejala

1

1

1 ID jwb

mendiagnosa

fakta

m 1

Memiliki

Kode_pasien

GEJALA

1 Tidak

1

m

Fakta_Tidak

DATA PENGETAHUAN

Nama_Gejala ID

Solusi

Kode_Gejala

Kode_Gejala

Kode_Pengetahuan

ID Kode_penyakit

Ya

Fakta_Ya

pertanyaan

Gambar 6. Rancangan ERD

Proses yang dilakukan pada fase basis pengetahuan dipresentasikan dengan langkahlangkah berikut yaitu: (1) Menentukan tabel basis pengetahuan, (2) Menyusun rules (aturan gejala), (3) Menentukan tabel keputusan dan (4) Membuat pohon keputusan. Proses ini terlihat pada Tabel 1, 2 dan 3. Tabel 1. Basis Pengetahuan Data Penyakit Kode D001 D002 D003 D004 D005

Dampak Noda Kornea Blepharitis Reaksi Alergi Sindrom mata kering Corneal Edema

Kode D006 D007 D008 D009 D010

Dampak Infeksi mata Infitrates Mocrobila Keratitis Vaskularisasi Kornea Giant Papilary Conjunctivitas

Tabel 2. Aturan Gejala No 1 2

3 4 5

6 7 8 9 10

Aturan Gejala Penyakit IF Noda kornea (D001) THEN Penderita merasa tidak nyaman (G001) AND Sensitif pada cahaya / photopobia (G002) AND Ada noda pada kornea (G003) IF Blepharitis (D002) THEN Ada noda pada kornea (G003) ANDTimbul rasa gatal (G004) AND Kelopak mata seperti terbakar (G006) AND Timbul kerak di sekitar kelopak mata (G007) AND Pembuluh darah tampak jelas (G008) AND Kelopak mata saling menempel (G009) IF Reaksi alergi (D003) THEN Timbul rasa gatal (G004)AND Pembengkakan kelopak mata (G005) AND Mata merah (G021) IF Sindrom mata kering (D004) THEN Mata seperti terbakar (G10) AND Air mata sering keluar (G011) AND Cairan di mata berlebihan(G012) IF Corneal Edema (D005) THEN Penderita merasa tidak nyaman (G001)AND Sensitif pada cahaya / photopobia (G002) AND Ada noda pada kornea (G003)AND Pembuluh darah tampak jelas(G008) AND Penglihatan berkabut (G013) AND Ada krista di kornea (G014) AND Mata merah (G021) IF Ada noda pada kornea (G003) AND Kelopak mata saling menempel (G009) AND Cairan mata berlebihan(G012) AND Penglihatan berkabut (G013) AND Mata merah (G021) THEN Infeksi mata (D006) IF Infitrates (D007) THEN Sensitif pada cahaya atau photopobia (G002) AND Penglihatan berkabut(G013) AND Timbul noda putih pada mata (G016) AND Mata merah (G021) IF Macrobila Keratitis (D008) THEN Sensitif pada cahaya / photopobia (G002)AND Air mata berlebihan (G012) AND Penglihatan berkurang(G015) AND Merasa sakit di mata(G017) AND Bernanah (G018) AND Mata merah (G021) IF Vaskularisasi Kornea (D009) THEN Pembuluh darah tampak jelas (G008) AND Penglihatan berkurang (G015) IF Giant Papilary Conjunctivitas (D010) THEN Timbul rasa gatal (G004) AND Pembengkakan kelopak mata(G005) AND Penglihatan berkurang (G015) AND Gerakan lensa berlebihan (G019) AND Tidak memakai lensa biasa (G020)


Tabel 3. Tabel Keputusan G001 G002 G003 G004 G005 G006 G007 G008 G009 G010 G011 G012 G013 G014 G015 G016 G017 G018 G019 G020 G021

D001   

D002

 

D003

D004

D005   

D006

D007

D008





D009

D010



 

 

   



 

    

 

  





     









4.2. Pohon Keputusan Meskipun kaidah secara langsung dapat dihasilkan dari tabel keputusan tetapi untuk menghasilkan kaidah yang efisien terdapat suatu langkah yang harus ditempuh yaitu membuat pohon keputusan. Pohon keputusan yang dibuat harus sesuai dengan metode yang digunakan yaitu backward chaining. Terlihat pada Gambar 7.

Gambar 7. Pohon Keputusan

5. Pengujian Sistem Pengguna program ini dapat mengidentifikasi informasi yang terkait dengan sistem pakar mendiagnosa dampak penggunaan softlens, untuk lebih jelas dapat dilihat pada proses berikut. 5.1. Mendiagnosa dampak penggunaan Softlens Jika melakukan diagnosa maka pengguna masuk ke form diagnosa mengisi data pasien jika sudah selesai maka lanjut menekan tombol diagnosa lalu pilih jenis penyakit dan selanjutnya akan masuk ke form pertanyaan. Terlihat pada Gambar 8.


Gambar 8. Interface Diagnosa

5.2. Form Pertanyaan Form pertanyaan ini akan menentukan gejala apa saja yang terdapat dari penyakit pada penderita pengguna softlens. Terlihat pada Gambar 9.

Gambar 9. Interface Pertanyaan

5.3. Form Hasil Diagnosa Form ini merupakan tahap akhir dari proses pertanyaan yang berisikan solusi dan keterangan mengapa terkena penyakit tersebut. Terlihat pada Gambar 10.

Gambar 10. Interface Hasil Diagnosa


5.4. Uji Kelayakan Sistem Sebelum dilakukan penyebaran kuesioner kepada pengguna terlebih dahulu dilakukan validasi oleh pakar softlens yaitu bapak A. Raju, dimana tempat bertugas pada Optic Queen Tembilahan-Inhil, Riau. Di dalam pengembangan sistem pakar diagnosa dampak penggunaan softlens pengujian dilakukan terhadap kemampuan sistem pakar ini dalam melakukan diagnosa. Pengujian ini dilakukan dengan menggunakan kuisioner terhadap pihak-pihak pengguna sistem pakar ini. Yang menjadi indikator yang diuji dapat dilihat pada Tabel 4 berikut ini. Tabel 4. Indikator Uji Kelayakan Sistem No 1

2

Indikator Correctness (Kebenaran)

Reliability (Reliabilitas)

Kriteria Completeness (Kelengkapan)  Sistem pakar ini sudah mampu melakukan proses pengolahan data (simpan, edit, hapus, dan tampil data) Consistency (Konsistensi)  Sistem pakar ini sudah memiliki desain tampilan atau laporan yang sesuai dengan yang sebenarnya Accuracy (Ketelitian)  Sistem pakar ini sudah mampu melakukan proses pengolahan data secara tepat Error Tolerance (Toleransi Kesalahan)  Sistem pakar ini masih sudah mampu meminimalisir kesalahan baik dalam proses login maupun pengolahan data (simpan, edit, hapus, dan tampil data) Simplicity (Kesederhanaan)  Informasi, menu-menu, dan tombol-tombol yang ada pada sistem pakar ini bisa dipahami tanpa adanya kesulitan

Nomor Item X1

X2 X3 X4

X5

Untuk kepentingan penggunaan sistem ini diambil sampel calon pengguna sistem pakar dampak penggunaan softlens yaitu: 25 koresponden yang dilakukan pengujian. Hasil uji reliabilitas mencerminkan dapat dipercaya dan tidaknya suatu instrument penelitian berdasarkan tingkat kemantapan dan ketetapan suatu alat ukur dalam pengertian bahwa hasil pengukuran yang didapatkan merupakan ukuran yang benar dari sesuatu yang diukur. Dalam penelitian ini uji reliabilitas dilakukan dengan menggunakan software SPSS 15.0 for Windows. 5.4.1. Correctnes (Kebenaran) Uji-t Satu Sampel Uji-t Satu Sampel ini menguji tingkat kebenaran dari sistem pakar ini. Dari Tabel 5 dan 6 dapat dilihat nilai uji statistik t yang didapat t = 25.163 dengan derajat kebebasan = n-1 = 25-1 = 24. Nilai P-Values (untuk 2-tailed) = .000 jelas lebih kecil dari =0.05, sehingga dapat disimpulkan bahwa tingkat kebenaran (correctness) sistem pakar ini memenuhi atau dapat dipercaya/benar, atau lebih adalah tidak benar. Tabel 5. One-Sample Statistics Correctnes (Kebenaran) Correctness (Kebenaran)

N 25

Mean 7.56

Std. Deviation 1.502

Std. Error Mean .300

Tabel 6. One-Sample Test Correctnes (Kebenaran) Test Value = 0

Correctness (Kebenaran)

T

Df

Sig. (2-tailed)

Mean Difference

25.163

24

.000

7.560

95% Confidence Interval of the Difference Lower Upper 6.94 8.18

5.4.2. Reliability (Reliabilitas) Uji-t Satu Sampel Dari Tabel 7 dan 8 dapat dilihat nilai uji statistik t yang didapat t = 28.989 dengan derajat kebebasan = n-1 =25-1 =24. Nilai P-Values (untuk 2-tailed) = .000 jelas lebih kecil dari =0.05, sehingga dapat disimpulkan bahwa untuk tingkat reliabilitas (reliability) sistem pakar ini memenuhi atau dapat dipercaya/benar. Tabel 7. One-Sample Statistics Reliability (Reliabilitas) Reliability (Reliabiilitas)

N 25

Mean 10.68

Std. Deviation 1.842

Std. Error Mean .368


Tabel 8. One-Sample Test Reliability (Reliabilitas) Test Value = 0

Reliability (Reliabiilitas)

T

Df

Sig. (2-tailed)

Mean Difference

28.989

24

.000

10.680

95% Confidence Interval of the Difference Lower Upper 9.92 11.44

6. Kesimpulan dan Saran Dari hasil penelitian didapat beberapa kesimpulan diantaranya sebagai berikut: (1) Dari pengujian yang dilakukan bahwa sistem pakar diagnosa dampak penggunaan softlens ini dapat diterapkan dan diterima oleh pengguna. (2) Dengan adanya sistem pakar ini akan mempermudah orang awam untuk melakukan diagnosa dampak softlens dan cara penanggulangannya. (3) Implementasi dalam inferensi menggunakan metode backward chaining sehingga dapat dengan mudah mengetahui gejala-gejala yang dialami pasien dalam mendiagnosa dampak penggunaan softlens. Saran untuk penelitian berikutnya adalah perlu dikembangkan lagi menggunakan metode lain seperti certainty factor guna menggambarkan tingkat kepastian pakar terhadap masalah yang sedang dihadapinya. Referensi Dahria, Muhammad. 2012. Implementasi Inferensi Backward Chaining untuk Mengetahui Kerusakan Monitor Komputer. Medan: STMK Triguna Dharma. Erhet, Rudi. 2012. Sistem Pakar Mendiagnosa Penyakit Kulit. Universitas Islam Indragiri: Tembilahan. Fadhilah, A.N., Dini Destiani, dan Dhami Johar. 2012. Perancangan Aplikasi Sistem Pakar Penyakit Kulit pada Anak dengan Metode Expert System Development Life Cycle. Jurnal Algoritma, ISSN. 2302-7339, Vol. 09, No. 13. Handojo, A. dan M. Isa Irawan. 2009. Perancangan dan Pembuatan Aplikasi Sistem Pakar untuk Permasalahan Tindak Pidana terhadap Harta Kekayaan. Universitas Kristen Petra. Hartati, Sri dan Sari Iswanti. 2008. Sistem Pakar dan Pengembangannya. Graha Ilmu: Yogyakarta. Lempao, Conny Theodora. 2011. Sistem Pakar untuk Mendiagnosa Kecendrungan Prilaku Abnormal. Yogyakarta: Sekolah Tinggi Manajemen Informatika dan Komputer AMIKOM. Maradesa, Edar. 2012. Penerapan Metode Backward Chaining untuk Diagnosa Penyakit Katarak. Gorontalo: Universitas Negeri Gorontalo. Minarni dan Rahmat Hidayat. 2013. Rancang Bangun Aplikasi Sistem Pakar untuk Kerusakan Komputer dengan Metode Backward Chaining. Jurnal TEKNOIF, Vol.1, No.1. Puspita, M., Zaenal Wafa, dan Afhal Syafnur. 2013. Aplikasi Sistem Pakar Web dalam Menganalisa Sakit Jiwa. Padang: Universitas Putra Indonesia. Rachmawati, Dhani Johar, dan Ate Susanto. 2012. Aplikasi Sistem Pakar Diagnosa Penyakit Asma. Garut: Sekolah Tinggi Teknologi. Ramadhan, Mukhlis. 2011. Sistem Pakar dalam Mengidentifikasi Penyakit Kanker pada Anak Sejak Dini dan Cara Penanggulangannya. Medan: STMK Triguna Dharma. Reisa, R., Jusak dan Dantjawati. 2013. Sistem Pakar untuk Diagnosa Penyakit Mata. Surabaya: STIKOM. Saputra, Andri. 2011. Sistem Pakar Identifikasi Penyakit Paru-paru pada Manusia Menggunakan Pemrograman Visual Basic 6.0. Jurnal Tekonomatika, Vol 1, No. 3. Sutojo, T., Edy Mulyanto, dan Vincent Suhartono. 2010. Kecerdasan Buatan. Yogyakarta: Andi. Syahril, Muhammad. 2011. Konversi Data Training tentang Penyakit Hipertensi menjadi Bentuk Pohon Keputusan dengan Teknik Klasifikasi Menggunakan Tools Rapid miner 4.1. Jurnal SAINTIKOM, Vol.10, No.2.

Sistem Pakar Diagnosa Dampak Penggunaan Softlens Menggunakan Metode Backward Chaining

Recommend Documents