aplikasi sistem pakar untuk diagnosis awal

APLIKASI SISTEM PAKAR UNTUK DIAGNOSIS AWAL
DEMAM BERDARAH DENGAN METODE FUZZY
INFERENCE SYSTEM PADA PERANGKAT MOBILE
BERBASIS ANDROID
Alan Darmasaputra
Binus University, Jakarta, DKI Jakarta, Indonesia
Christian Simon
Binus University, Jakarta, DKI Jakarta, Indonesia
dan
Christianto Sumarno
Binus University, Jakarta, DKI Jakarta, Indonesia
Abstrak
Penelitian aplikasi sistem pakar bertujuan untuk diagnosis demam berdarah pada perangkat
mobile ini bertujuan untuk menerapkan aplikasi sistem pakar yang dapat menyajikan hasil
diagnosis demam berdarah yang cepat dan mudah untuk digunakan pada perangkat mobile.
Adapun metode pengembangan yang digunakan meliputi tahapan-tahapan yaitu, pengumpulan
data, perencanaan sistem, analisis data, perancangan sistem, konstruksi program, pengujian
program, dan perbaikan. Hasil yang didapatkan pada penelitian ini adalah aplikasi sistem pakar
dapat diterapkan pada perangkat mobile dan berguna untuk diagnosis awal demam berdarah lebih
cepat dibandingkan dengan uji laboratorium. Simpulan dari penelitian ini adalah aplikasi sistem
1 2 pakar berbasis Android ini mudah dan praktis untuk digunakan dan aplikasi sistem pakar ini
dapat memberikan diagnosis awal demam berdarah sehingga penanganan penyakit menjadi lebih
cepat.
Kata Kunci : Sistem Pakar, Diagnosis, Demam Berdarah, Fuzzy Inference System, Mobile,
Android
1. Pendahuluan
Kesehatan merupakan harta yang tak ternilai bagi manusia, sehingga manusia rela
melakukan segala cara agar dapat menjaga kesehatan secara jasmani. Siapa saja dapat mengalami
gangguan kesehatan, tanpa mengenal usia, jenis kelamin, pekerjaan, maupun waktu.
Penyakit demam berdarah dengue (DBD) adalah salah satu jenis gangguan kesehatan
yang mengganggu produktivitas setiap orang bahkan dapat menyebabkan kematian. Gejala
penyakit demam berdarah selama ini hanya didiagnosis masyarakat awam berdasarkan cirri-ciri
fisik yang diketahui tanpa didukung oleh fakta dan pertimbangan medis lainnya. Akibatnya tak
jarang penyakit-penyakit tersebut ditangani dengan cara yang salah dan kesembuhan pun urung
diraih. Alternatif yang dapat dilakukan untuk mendapatkan hasil diagnosis yang lebih baik adalah
pemeriksaan laboratorium, akan tetapi cara ini relatif mahal dan butuh waktu lama untuk
mengetahui hasilnya, selain itu tidak semua daerah di Indonesia memiliki laboratorium diagnosis
dengan fasilitas yang memadai.
Cara yang lebih baik adalah berkonsultasi kepada pakar atau dokter ahli. Namun dengan
kemudahan dengan adanya para pakar atau dokter ahli, terkadang terdapat pula kelemahan seperti
jam kerja (praktek) terbatas, jarak antara dokter dan penderita, serta banyaknya pasien sehingga
3 harus menunggu antrian. Dalam hal ini, masyarakat awam selaku pemakai jasa lebih
membutuhkan seorang pakar yang bisa memudahkan dalam mendiagnosis penyakit lebih dini
agar dapat melakukan pencegahan lebih awal yang sekiranya membutuhkan waktu jika
berkonsultasi dengan dokter ahli. Karena hal tersebutlah maka dibutuhkan suatu alat bantu yang
dapat mendiagnosis penyakit berupa suatu sistem pakar yang dapat dijalankan pada platform
mobile.
Perkembangan teknologi mobile yang semakin pesat, baik dari segi perangkat lunak
(software) maupun perangkat keras (hardware), memudahkan masyarakat, khususnya pengguna
handphone atau smartphone, memperoleh informasi di manapun secara praktis dan cepat. Sistem
pakar merupakan salah satu cabang kecerdasan buatan yang mempelajari bagaimana mengadopsi
cara seorang pakar berpikir dan bernalar dalam menyelesaikan suatu permasalahan, dan membuat
suatu keputusan maupun mengambil kesimpulan dari sejumlah fakta yang ada. Dasar dari sistem
pakar adalah bagaimana memindahkan pengetahuan yang dimiliki oleh seorang pakar ke dalam
komputer, dan bagaimana membuat keputusan atau mengambil kesimpulan berdasarkan
pengetahuan itu. Permasalahan yang akan dibahas dalam penulisan skripsi ini adalah bagaimana
merancang suatu sistem pakar yang dapat digunakan untuk mendiagnosis penyakit demam
berdarah berdasarkan gejala yang dirasakan user, sehingga user menemukan solusi atas
permasalahan yang dihadapi.
4 2. Metodologi
Ruang lingkup dari penelitian ini dibatasi pada:
• Perancangan, pembuatan, dan pengujian aplikasi sistem pakar yang mampu membantu
mendiagnosis penyakit demam berdarah dengue yang diderita masyarakat melalui
perangkat mobile berbasis Android dengan metode fuzzy inference Sugeno berdasarkan
empat gejala utama, yaitu: suhu tubuh, bercak-bercak, pendarahan, dan uji torniquet..
• Perancangan dan pembuatan sistem administrasi berbasis web, sebagai sarana untuk
melakukan kontrol dan pengawasan terhadap aplikasi berbasis mobile.
2.1. Perancangan
Pengguna menjalankan aplikasi diagnosis demam berdarah yang ada pada mobilephone
bersistem operasi Android. Lalu pengguna menjawab pertanyaan-pertanyaan yang diberikan oleh
aplikasi untuk mendapatkan data yang nanti akan diproses. Setelah dimasukkan dan dikumpulkan
maka aplikasi akan memproses untuk mendiagnosis apakah pengguna menderita demam berdarah
atau tidak. Pengguna juga dapat melakukan update aplikasi agar tetap menerima pengetahuan
terbaru guna pengembangan lebih lanjut. Pengguna juga melakukan pengiriman data hasil
diagnosis.
Input jawaban merupakan input yang diberikan oleh pengguna aplikasi. Input jawaban ini
dapat berupa angka dan pilihan jawaban. Selanjutnya jawaban ini akan diolah untuk mengelola
semua nilainya sesuai dengan fungsi keanggotaan sehingga nilai tersebut menjadi nilai fuzzy.
Ada 3 fungsi keanggotaan yang terdapat dalam aplikasi dari setiap kriteria. Lalu setelah
mendapatkan nilai fuzzy dari setiap fungsi keanggotaan tiap kategori, nilai tersebut dimasukkan
ke dalam aturan-aturan(rules) yang ada. Setelah mendapatkan nilai fuzzy akhir dari proses
5 fuzzifikasi, lalu nilai tersebut digunakan untuk dijadikan pertimbangan keputusan hasil diagnosis
akhir. Input jawaban, nilai fuzzy, serta hasil diagnosis dimasukkan ke dalam database.
Struktur data yang digunakan adalah himpunan fuzzy. Data dibedakan atas kriteria dan
parameter. Kriteria adalah gejala klinis penyakit DBD, yaitu demam, bercak di kulit, pendarahan
spontan, dan uji tornikuet. Kriteria klinis diidentifikasikan sebagai data fuzzy. Masing-masing
kriteria mencerminkan keanggotan ini direpresentasikan dalam membership function(mf). Nilai
fungsi keanggotaan masing-masing gejala klinis diperoleh berdasarkan wawancara dengan pakar.
Basis aturan yang digunakan dalam pembuatan aplikasi ini, digunakan untuk perhitungan
data fuzzy dengan kaidah aturan IF THEN. Aturan dibuat berdasarkan pendapat dan penelitian
pakar. Ada 4 kriteria yang masing-masing terdiri dari 3 parameter sehingga jumlah aturan yang
akan terbentu sebanyak 81 aturan.
Metode defuzzifikasi yang digunakan adalah metode weighted average. Pada metode ini
setiap membership function yang terbentuk dikalikan dengan nilai hasil dari rule yang ada dan
semuanya dijumlahkan, lalu nilai tersebut dibagi dengan jumlah semua membership function.
2.2. Implementasi
Program ini dapat dijalankan dengan konfigurasi minimal perangkat mobile dengan
sistem operasi Android OS, version 2.2 (Froyo), CPU: 800 MHz ARM 11 processor, Adreno 200
GPU, Qualcomm MSM7227 chipset, Jaringan 2G GSM 850 / 900 / 1800 / 1900, 3G HSDPA 900
/ 2100, ukuran layar 320 x 480 pixels, dan ukuran memori internal 158 MB.
6 2.3 Evaluasi
Pengujian program dilakukan dengan pengujian akurasi dengan menggunakan data pasien
yang terjangkit Demam Berdarah Dengue (DBD). Data pasien yang diuji terdiri dari 28 data yang
belum tervalidasi dan 20 data yang sudah tervalidasi. Validasi adalah meneliti kebenaran data
dalam kondisi khusus. Dalam hal ini kondisi khusus tersebut adalah aturan (rule base) yang
diperoleh dari pakar. Validasi dilakukan dengan cara meneliti konsistensi data terhadap aturan
tersebut. Menurut pendapat pakar dijumpai demam tinggi yang mendadak disertai salah satu
manifestasi pendarahan dapat dijadikan kesimpulan klinis penyakit DBD Hasil diagnosis data
tersebut diperbandingkan dengan hasil pengujian berdasarkan sistem.
Pengujian 14 kasus DBD sesuai catatan medis (nomor 1–14), disimpulkan 13 kasus DBD
oleh sistem. Pengujian 14 kasus bukan DBD sesuai catatan medis (nomor 14 – 28), disimpulkan 9
kasus bukan DBD oleh sistem. Dari total 28 kasus yang diuji maka 22 kasus (78.50%) tepat
disimpulkan oleh model. Akurasi pengambilan kesimpulan secara lengkap dapat dilihat pada
tabel berikut.
Tabel 1 - Perbandingan Diagnosis Sistem Dengan Diagnosis Pakar Sebelum Validasi
Kasus
Hasil diagnosis
pakar
DBD
Tidak DBD
Total
14
14
28
Kesimpulan sistem
yang tepat (Sesuai
diagnosis pakar)
13
9
28
Tingkat Akurasi
(%)
92.85
64.20
78.50
Pengujian dengan data testing setelah proses validasi dilakukan dengan cara melakukan
entri data testing sebanyak 20 sampel. Pengujian 10 kasus DBD sesuai catatan medis (nomor 1–
10), disimpulkan 10 kasus DBD oleh sistem. Pengujian 10 kasus bukan DBD sesuai catatan
7 medis (nomor 10 – 20), seluruhnya disimpulkan kasus bukan DBD oleh sistem. Dari total 20
kasus yang diuji maka 10 kasus (100%) tepat disimpulkan oleh model. Akurasi pengambilan
kesimpulan secara lengkap dapat dilihat pada tabel berikut.
Tabel 2 - Perbandingan Diagnosis Sistem Dengan Diagnosis Pakar Setelah Validasi
Kasus
Hasil diagnosis
pakar
DBD
Tidak DBD
Total
10
10
20
Kesimpulan sistem
yang tepat (Sesuai
diagnosis pakar)
10
10
20
Tingkat Akurasi
(%)
100.00
100.00
100.00
3. Simpulan
Setelah
menyelesaikan
perancangan
dan
pengembangan
sistem,
serta
melalui
implementasi dan evaluasi sistem, kami memperoleh kesimpulan sebagai berikut:
1. Aplikasi sistem pakar untuk diagnosis demam berdarah dapat diimplementasikan pada
perangkat mobile berbasis Android.
2. Aplikasi sistem pakar berbasis Android ini mudah untuk digunakan.
3. Aplikasi sistem pakar ini dapat memberikan diagnosis awal demam berdarah sehingga
penanganan penyakit menjadi lebih cepat dibandingkan uji laboratorium.
8 Daftar Pustaka
[1] Baken, S. (2005). PHP 5 Power Programming. Melbourne: Pearson Education Australia.
[2] Connolly, T. M., & Begg, C. E. (2005). Database Systems: A Practical Approach to Design,
Implementation and Management (4th Edition). Harlow: Addison-Wesley.
[3] December, J. (2007). The World Wide Web Unleashed (4th Edition). New York: Sams
Publishing.
[4] Deitel P.J., & Deitel H.M. (2012). Java: How To Program. New York: Prentice-Hall
[5]
EllisLab.
2011.
CodeIgniter
User
Guide.
Retrieved
12-07-2011
from
http://codeigniter.com/user_guide/
[6]
Google.
2011.
What
Is
Android?.
Retrieved
07-28-2011
from
http://developer.android.com/guide/basics/what-is-android.html
[7] Handayani, L., & Sutikno, T. (2008). Sistem Pakar untuk Diagnosis Penyakit THT Berbasis
Web dengan “e2gLite Expert System Shell”, Jurnal Teknologi Industri XII, (1), 19-26.
[8] Hwaci - Applied Software Research. 2011. About SQLite. Retrieved 08-14-2011 from
http://www.sqlite.org/about.html
[9] Ignizio, J.P. (1991). Introduction to Expert System: The Development and Implementation of
Rule-Based Expert System. Singapore: McGraw-Hill Book Co.
[10] Jang J.S.R., Sun C.T., & Mizutami. E. (1997). Neuro-Fuzzy and Soft Computing. London:
Prentice-Hall.
[11] Kusumadewi, S., & Purnomo, H. (2004). Aplikasi Logika Fuzzy Untuk Mendukung
Keputusan. Graha Ilmu: Yogyakarta.
[12] Kusumadewi, S. (2003). Artificial Intelligence (Tehnik dan aplikasinya). Graha Ilmu:
Yogyakarta.
9 [13]
Microsoft.
2011.
Model-View-Controller.
Retrieved
12-15-2011
http://msdn.microsoft.com/en-us/library/ff649643.aspx
[14]
Oracle.
2011.
What
Is
MySQL?.
Retrieved
01-30-2012
from
http://dev.mysql.com/doc/refman/5.1/en/what-is-mysql.html
[15] O’ Brien, J. A. (2003). Management Information Systems (6th Edition). New York: McGrawHill.
[16] Pressman, R. S. (2010). Software Engineering: A Practitioner’s Approach (7th Edition). New
York: McGraw-Hill.
[17] Rich, E., & Knight, K. (1991). Artificial Intelligence. New York: McGraw-Hill.
[18] Turban, E. (2003). Decision Support and Expert System. New York: MacMillan Publishing
Company.
[19] VonAltrock, C. (1995). Fuzzy Logic & Neuro Fuzzy Applications Explained. New Jersey:
Prentice-Hall.
[20]
W3C.
2004.
Web
Service
Glossary.
Retrieved
http://www.w3.org/TR/2004/NOTE-ws-gloss-20040211/
01-30-2012
from
EXPERT SYSTEMS APPLICATION FOR EARLY
DIAGNOSING OF DENGUE FEVER USING FUZZY
INFERENCE SYSTEM METHOD ON ANDROID
BASED MOBILE DEVICES
Alan Darmasaputra
Binus University, Jakarta, DKI Jakarta, Indonesia
Christian Simon
Binus University, Jakarta, DKI Jakarta, Indonesia
and
Christianto Sumarno
Binus University, Jakarta, DKI Jakarta, Indonesia
Abstract
The research of expert system applications for diagnosis of dengue fever aimed at mobile devices
is intended to apply expert system application to present the results of the rapid diagnosis of
dengue fever and easy to use on mobile devices. The methods used include the development
stages, namely, data collection, system planning, data analysis, system design, program
construction, program testing, and repair. The results obtained in this study are the application of
expert systems can be applied to mobile devices and useful for early diagnosis of dengue fever
faster than laboratory testing. The conclusions of this study is the Android-based expert system
1 2 application is easy and practical to use and application of expert systems can provide early
diagnosis so that treatment of dengue illness become faster.
Keywords : Expert System, Diagnosis, Dengue Fever, Fuzzy Inference System, Mobile,
Android
1. Preface
Health is a priceless treasure for man, so man is willing to do everything possible to
maintain physical health. Anyone can experience health problems, regardless of age, sex,
occupation, and time.
Dengue hemorrhagic fever (DHF) is one type of health problems that interfere with the
productivity of each person can even cause death. Symptoms of dengue fever during the ordinary
people are only diagnosed by physical traits that are known without the support of facts and other
medical considerations. Not infrequently results of those illnesses are handled in the wrong way
and relief was nevertheless achieved. Alternatives that can be done to get a better diagnosis are
laboratory tests, but this way is relatively expensive and take too long to know the results, but it's
not all regions in Indonesia have the diagnosis laboratories with adequate facilities.
A better way is to consult an expert or specialist. But with the ease in the presence of
experts or specialists, sometimes there are also disadvantages such as hours of work (practice) is
limited, the distance between doctor and patient, and so many patients have to wait for the queue.
In this case, the common people as service users more in need of an expert who can facilitate the
early diagnosis of disease prevention in order to perform earlier that it should take if you consult
3 with a healthcare provider. Because of them that it is needed a tool that can diagnose the disease
in the form of an expert system that can run on mobile platforms.
Development of mobile technologies is rapidly increasing, both in terms of software
(software) and hardware (hardware), facilitate the public, especially users of mobile or
Smartphone, obtain any information on a practical and fast. Expert system is one branch of
artificial intelligence that studies how to adopt the way an expert thought and reasoning in
solving a problem, and make a decision or conclusion of a number of facts. The basis of expert
systems is how to move the knowledge possessed by an expert into a computer, and how to make
decisions or draw conclusions based on that knowledge. Issues to be discussed in the writing of
this thesis is how to design an expert system that can be used to diagnose dengue fever symptoms
are perceived by the user, so users find solutions to problems faced.
2. Methodology
The scope of this study is limited to:
• Designing, manufacturing, and testing of expert system applications that can help
diagnose dengue fever suffered by the public through Android-based mobile devices
with Sugeno fuzzy inference method based on four main symptoms, namely: the
temperature of the body, blotches, bleeding, and tourniquet test.
• Design and manufacture of web-based administration system, as a means to exercise
control and supervision of mobile-based applications.
4 2.1. Design
Users run applications that have a diagnosis of dengue fever in the mobilephone Android
operating system. Then the user to answer questions provided by the application to obtain data
that will be processed. Once collected it is entered and the application will proceed to diagnose
whether the user is suffering from dengue fever or not. Users can also update the application in
order to continue receiving the latest knowledge for further development. Users also perform data
transmission diagnosis.
Input is input the answers given by the user application. Input this answer may be a
number and choice of answers. Further answers will be treated to manage all of its value in
accordance with the membership function so that the value is a fuzzy value. There are three
membership functions contained in the application of each criterion. Then after getting the value
of each fuzzy membership function of each category, the value is incorporated into the rules
(rules) that exist. After getting the fuzzy end of the fuzzification process, then that value is used
to be considered making the final diagnosis. Input response, fuzzy values, and the diagnosis
entered into the database.
Data structure used is a fuzzy set. Data are differentiated based on the criteria and
parameters. Criteria were clinical symptoms of dengue fever including fever, skin rash,
spontaneous bleeding, and tourniquet test. Clinical criteria identified as fuzzy data. Each criterion
is represented in the membership reflects the membership function (mf). Membership function
value of each clinical symptom is obtained based on interviews with experts.
Rule base used in making this application, used for the calculation data with the rules of
fuzzy IF THEN rules. Rules are made based on expert opinion and research. There are four
5 criteria, each of which consists of three parameters so that the number of rules that will form as
much as 81 rules.
Defuzzification method used is weighted average method. In this method, each
membership function is formed multiplied by the result of a rule that exists and everything added
up, then the value is divided by the sum of all the membership function.
2.2. Implementation
This program can be run with minimal configuration of mobile devices with the Android
operating system, version 2.2 (Froyo), CPU: 800 MHz ARM 11 processor, Adreno 200 GPU,
Qualcomm MSM7227 chipset, 2G GSM Network 850 / 900 / 1800 / 1900, 3G HSDPA 900 /
2100, 320 x 480 pixels of resolution, and internal memory of 158 MB.
2.3 Evaluation
Testing program carried out by testing the accuracy by using data of patients who
contracted Dengue Hemorrhagic Fever (DHF). Data of patients who tested consisted of 28 data
has not been validated and the data that has been validated 20. Check the accuracy of data
validation is under special conditions. In this special condition is the rule (rule base) obtained
from experts. Validation is done by examining the consistency of the data to the rule. According
to expert opinion found that a sudden high fever accompanied by one of the manifestations of
bleeding may be the conclusion of clinical diagnosis of DHF data results are compared with test
results based on the system.
Testing 14 dengue cases according to medical records (numbers 1-14), concluded 13
cases of dengue fever by the system. 14 cases of dengue testing is not appropriate medical
6 records (numbers 14-28), 9 cases are not concluded by the system DBD. Of the total 28 cases that
tested the 22 cases (78.50%) just concluded by the model. Complete accuracy of conclusions can
be seen in the following table.
Table 1 - Comparison Expert System Diagnosis With Prior Validation Data
Cases
DBD
Non DBD
Total
Prior Validation
Data
14
14
28
Expert System
Diagnosis
13
9
28
Accuracy (%)
92.85
64.20
78.50
Testing with data after the validation process has been done by performing data entry
testing as many as 20 samples. Testing 10 dengue cases according to medical records (numbers
1-10), 10 dengue cases concluded by the system. 10 cases of dengue testing is not appropriate
medical records (numbers 10-20), all concluded cases by the system rather than DBD. Of the
total 20 cases that tested the 10 cases (100%) just concluded by the model. Complete accuracy of
conclusions can be seen in the following table.
Table 2 - Comparison Expert System Diagnosis With After Validation Data
Cases
DBD
Non DBD
Total
Prior Validation
Data
10
10
20
Expert System
Diagnosis
10
10
20
Accuracy (%)
100.00
100.00
100.00
7 3. Summary
After completing the design and development of the system, as well as through the
implementation and evaluation of the system, we obtain the following conclusion:
1. The expert system application for diagnosing dengue fever can be implemented on
Android based mobile devices.
2. This expert system application is easy to use.
3. This expert system application could give early diagnosis of dengue fever so that
treatment of dengue illness become faster than lab tests.
8 Daftar Pustaka
[1] Baken, S. (2005). PHP 5 Power Programming. Melbourne: Pearson Education Australia.
[2] Connolly, T. M., & Begg, C. E. (2005). Database Systems: A Practical Approach to Design,
Implementation and Management (4th Edition). Harlow: Addison-Wesley.
[3] December, J. (2007). The World Wide Web Unleashed (4th Edition). New York: Sams
Publishing.
[4] Deitel P.J., & Deitel H.M. (2012). Java: How To Program. New York: Prentice-Hall
[5]
EllisLab.
2011.
CodeIgniter
User
Guide.
Retrieved
12-07-2011
from
http://codeigniter.com/user_guide/
[6]
Google.
2011.
What
Is
Android?.
Retrieved
07-28-2011
from
http://developer.android.com/guide/basics/what-is-android.html
[7] Handayani, L., & Sutikno, T. (2008). Sistem Pakar untuk Diagnosis Penyakit THT Berbasis
Web dengan “e2gLite Expert System Shell”, Jurnal Teknologi Industri XII, (1), 19-26.
[8] Hwaci - Applied Software Research. 2011. About SQLite. Retrieved 08-14-2011 from
http://www.sqlite.org/about.html
[9] Ignizio, J.P. (1991). Introduction to Expert System: The Development and Implementation of
Rule-Based Expert System. Singapore: McGraw-Hill Book Co.
[10] Jang J.S.R., Sun C.T., & Mizutami. E. (1997). Neuro-Fuzzy and Soft Computing. London:
Prentice-Hall.
[11] Kusumadewi, S., & Purnomo, H. (2004). Aplikasi Logika Fuzzy Untuk Mendukung
Keputusan. Graha Ilmu: Yogyakarta.
[12] Kusumadewi, S. (2003). Artificial Intelligence (Tehnik dan aplikasinya). Graha Ilmu:
Yogyakarta.
9 [13]
Microsoft.
2011.
Model-View-Controller.
Retrieved
12-15-2011
http://msdn.microsoft.com/en-us/library/ff649643.aspx
[14]
Oracle.
2011.
What
Is
MySQL?.
Retrieved
01-30-2012
from
http://dev.mysql.com/doc/refman/5.1/en/what-is-mysql.html
[15] O’ Brien, J. A. (2003). Management Information Systems (6th Edition). New York: McGrawHill.
[16] Pressman, R. S. (2010). Software Engineering: A Practitioner’s Approach (7th Edition). New
York: McGraw-Hill.
[17] Rich, E., & Knight, K. (1991). Artificial Intelligence. New York: McGraw-Hill.
[18] Turban, E. (2003). Decision Support and Expert System. New York: MacMillan Publishing
Company.
[19] VonAltrock, C. (1995). Fuzzy Logic & Neuro Fuzzy Applications Explained. New Jersey:
Prentice-Hall.
[20]
W3C.
2004.
Web
Service
Glossary.
Retrieved
http://www.w3.org/TR/2004/NOTE-ws-gloss-20040211/
01-30-2012
from