PENERAPAN SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT

PENERAPAN SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT
KANKER PADA WANITA DENGAN METODE CERTAINTY FACTOR
NASKAH PUBLIKASI
Disusun Oleh
Nama
:
Selfika Okti
Nomor Mahasiswa
:
12111012
Program Studi
:
Teknik Informatika
Jenjang
:
Strata 1
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN ILMU KOMPUTER
EL RAHMA
YOGYAKARTA
2015
PENERAPAN SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT
KANKER PADA WANITA DENGAN METODE CERTAINTY FACTOR
Selfika Okti¹
Edi Faizal²
¹Teknik Informatika STIMIK El Rahma Yogyakarta
e-mail: ¹[email protected]
²[email protected]
ABSTRAK
Expert systems in this study is an expert system-based desktop-based
application that delivers solutions in the early detection of cancer. This
identification process is done through the interaction between the user's system.
Where the system will give patients opt symptoms the illness, the system will
provide information on the disease suffered by the patient. Besides, the system
also provides the facility to edit knowledge that can be used by Knowledge
Engineer in making changes to the data in the knowledge base.
The method used in this system is using a certainty factor. Rules on the basis
of knowledge modeled as a tree by using MySQL database and use the
programming language Visual Basic 6.0 can be used as an alternative media
consultancy. Utilizing the database to store the knowledge base of the expert
system will facilitate the expansion of knowledge in the manufacturing facility.
Keywords
Expert System, Diagnosis Disease, Cancer Woman.
PENDAHULUAN
Kanker adalah pertumbuhan sel tubuh yang tidak normal (tumbuh sangat
cepat dan tidak terkontrol), menginfiltrasi, menekan jaringan tubuh sehingga akan
mempengaruhi fungsi organ tubuh. Penyebab kanker adalah tumor yang terbagi
dalam dua golongan, yaitu tumor jinak dan tumor ganas. Kanker adalah istilah
umum untuk semua jenis tumor ganas. Sel tumor pada tumor jinak bersifat
tumbuh lambat, sehingga tumor jinak pada umumnya tidak cepat membesar. Oleh
karena bersimpai maka pada umumnya tumor jinak mudah dikeluarkan dengan
cara operasi (Jong, 2002).
Sel tumor pada tumor ganas (kanker) tumbuh cepat dan tidak terkendali,
sehingga tumor ganas pada umumnya cepat menjadi besar. Setiap orang
mempunyai sel kanker di dalam tubuh.
2
Sel-sel kanker ini tidak terlihat dalam tes standard hingga mereka
berkembang biak menjadi bermilyar milyar. Ketika dokter mengatakan kepada
pasien kanker bahwa tidak ada lagi sel kanker di tubuh mereka setelah perawatan,
itu berarti bahwa tes yang dilakukan tidak mampu mendeteksi sel kanker karena
sel kanker tersebut tidak sampai pada jumlah yang dapat diprediksi (Sabella,
2009).
Keluhan pada penyakit kanker memerlukan penanganan dan perawatan
yang teliti dan frekuentif. Terdapat beberapa gejala/kumpulan gejala pada
penyakit kandungan yang sering menjadi masalah utama bagi pasien untuk
memperoleh pertolongan medis. Gejala/kumpulan gejala tersebut tidak jarang
menimbulkan persepsi/interpretasi diantara yang mengeluh (pasien) dengan yang
mendengarkan (dokter). Tidak jarang pula satu gejala medis tertentu
diekspresikan
secara
berbeda-beda,
bergantung
latar
belakang
pendidikan/sosial/budaya pasien, sehingga diperlukan teknik anamnesis yang
spesifik untuk menyamakan persepsi (Faizal, 2014).
Teknik kecerdasan buatan merupakan suatu keajaiban dari dunia komputer.
Bayang-bayang komputer akan dapat menggantikan manusia secara total
merupakan perdebatan yang tidak kunjung henti, namun di tengah berbagai
kontroversi tersebut, beberapa aplikasi dari teknik kecerdasan
buatan
telah
digunakan dalam kehidupan sehari-hari, diantaranya yang paling populer adalah
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. Oleh karena
itu sistem pakar mempunyai kemampuan untuk memecahkan masalah-masalah
praktis pada saat sang pakar berhalangan.
Implementasi sistem pakar banyak digunakan untuk kepentingan komersial
karena sistem pakar dipandang sebagai sarana penyimpanan pengetahuan pakar
dalam bidang tertentu ke dalam program komputer sedemikian rupa sehingga
dapat memberikan keputusan dan melakukan penalaran secara cerdas. Salah satu
3
implementasi sistem pakar adalah
di bidang kedokteran untuk mendiagnosa
penyakit kanker.
Pada sistem pakar ini user menyampaikan fakta atau informasi (gejala
penyakit) pada sistem pakar untuk diolah menjadi sebuah data sehingga akan
menghasilkan diagnosa dari sistem disertai dengan kesimpulan yang berisi
treatment action atau perawatan yang harus dilakukan untuk penanganan penyakit
tersebut. Aplikasi ini diharapkan dapat membantu kalangan medis untuk
mendiagnosa penyakit dari gejala yang dirasakannya.
METODE PENELITIAN
Pada penelitian ini yang menjadi subyek adalah membuat sistem untuk
mengidentifikasi penyakit kanker. Langkah penelitian yang akan dilakukan adalah
sebagai berikut:
1.
Kecerdasan Buatan (Artificial intelligence)
Kecerdasan buatan atau artificial intelligence merupakan salah satu bagian
ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan
seperti dan sebaik yang dilakukan oleh manusia (Kusumadewi, 2003).
Aplikasi kecerdasan buatan terdiri dari dua bagian utama yang harus dimiliki
(Gambar 1), diantaranya :
1. Basis Pengetahuan (Knowledge-Base), berisi fakta-fakta, teori, pemikiran dan
hubungan antara satu dengan lainnya.
2. Motor Inferensi (Inference Engine), yaitu kemampuan menarik kesimpulan
berdasarkan pengalaman.
Gambar 1 Konsep Kecerdasan Buatan
4
2.
Pengertian 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 (Kusumadewi,
2003).
Seorang pakar adalah orang yang mempunyai keahlian dalam bidang tertentu,
yaitu pakar yang mempunyai knowledge atau kemampuan khusus. Knowledge
dalam sistem pakar adalah seorang ahli (Suyoto, 2004).
Dalam sistem pakar user menyampaikan fakta atau informasi untuk sistem
pakar dan kemudian menerima saran dari pakar atau jawaban ahlinya. Bagian
dalam sistem pakar terdiri dari dua komponen utama seperti pada Gambar 2, yaitu
knowledge base yang berisi knowledge dan mesin inferensi yang menggambarkan
kesimpulan. Kesimpulan tersebut merupakan respon dari sistem pakar atas
permintaan user.
Gambar 2 Konsep dasar fungsi sistem pakar
Ada beberapa alasan mendasar mengapa sistem pakar dikembangkan untuk
menggantikan seorang pakar.
a. Dapat menyediakan kepakaran setiap waktu dan di berbagai lokasi.
b. Seorang pakar akan pensiun atau pergi.
c. Seorang pakar adalah mahal
Tujuan dari sebuah sistem pakar adalah untuk mentransfer kapakaran yang
dimiliki seorang pakar ke dalam komputer, dan kemudian kepada orang lain
(nonexpert).
5
3.
Arsitektur Sistem Pakar
Turban (1995), sistem pakar disusun oleh dua bagian utama, yaitu lingkungan
pengembangan
(development
environment)
dan
lingkungan
konsultasi
(consultation environment).
Komponen-komponen sistem pakar dalam kedua bagian tersebut dapat dilihat
dalam Gambar 3.
Gambar 3 Arsitektur sistem pakar (Turban, 1995)
Komponen-komponen yang terdapat dalam sistem pakar, yaitu antarmuka
pengguna (user interface), basis pengetahuan (knowledge-base), akuisisi
pengetahuan (knowledge acquisition) dan mesin inferensi, workplace, fasilitas
penjelasan, perbaikan pengetahuan (Kusumadewi, 2003).
4.
Metode Inferensi Forward Chaining dan Backward Chaining
Suatu perkalian inferensi yang menghubungkan suatu permasalahan dengan
solusinya disebut dengan rantai (chain). Suatu rantai yang dicari atau
dilewati/dilintasi dari suatu permasalahan untuk memperoleh solusinya disebut
dengan forward chaining.
6
Cara lain menggambarkan forward chaining ini adalah dengan penalaran dari
fakta menuju konklusi yang terdapat dari fakta.
a. Forward chaining (Runut Maju)
Forward chaining seperti pada Gambar 4 disebut juga penalaran dari bawah
ke atas karena penalaran dari evidence (fakta) pada level bawah menuju konklusi
pada level atas didasarkan pada fakta . Metode runut maju cocok digunakan untuk
menangani masalah pengendalian (controlling) dan peramalan (prognosis)
(Suyoto, 2004).
Gambar 4 Forward Chaining
b. Backward Chaining (Runut Balik)
Runut balik juga disebut sebagai goal-driven reasoning, merupakan cara yang
efisien untuk memecahkan masalah yang dimodelkan sebagai masalah pemilihan
terstruktur. Tujuan dari inferensi ini adalah mengambil pilihan terbaik dari banyak
kemungkinan. Metode runut balik seperti Gambar 5 ini cocok digunakan untuk
memecahkan masalah diagnosis.
Gambar 5 Backward Chaining
7
c. Metode Ketidakpastian (Uncertainty)
Ketidakpastian dapat dianggap sebagai suatu kekurangan informasi yang
memadai untuk membuat suatu keputusan. Ketidakpastian merupakan suatu
permasalahan karena menghalangi dalam membuat suatu keputusan yang terbaik
bahkan dapat menghasilkan suatu keputusan yang buruk.
Beberapa teori ketidakpastian antara lain probabilitas klasik, probabilitas
Bayes, teori Hartley yang berdasar pada himpunan klasik, teori Shanon yang
didasarkan pada peluang, teori Dempster-Shafer, teori Fuzzy Zadeh dan Certainty
Factor.
Faktor Kepastian (Certainty Factor) menunjukkan ukuran kepastian terhadap
suatu fakta atau aturan. Secara umum notasi faktor kepastian seperti pada
persamaan (Gambar 1).
CF(h,e) = M B (h,e) – M D (h,e)
Keterangan:
CF(H,E)
MB(h,e)
MD(h,e)
: factor kepastian
: ukuran kepercayaan terhadap hipotesis h, jika diberikan
evidence e ( antara 0 dan 1).
: ukuran ketidakpercayaan terhadap evidence h, jika diberikan
evidence e ( antara 0 dan 1).
Ada tiga hal yang mungkin terjadi dalam penerapan faktor kepastian, seperti pada
Gambar 6.
Gambar 6 Kombinasi aturan ketidakpastian
1. Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis
(Gambar 6 a). Jika e1 dan e2 adalah observasi maka,
8
2. CF dihitung dari kombinasi beberapa hipotesis (Gambar 6 b). Jika h1 dan h2
adalah hipotesis maka,:
MB[h1  h2, e] = min (MB[h1, e], MB[h2, e])
MD[h1 h2, e] = max (MD[h1, e], MD[h2, e])
3.
Beberapa aturan saling bergandengan, ketidakpastian dari suatu aturan
menjadi input untuk aturan ynag lainnya (Gambar 4 c), maka :
MB[h, s] = MB’[h, s] * max (0, CF[s, e])
Dengan MB’[h, s] adalah ukuran kepercayaan h berdasarkan keyakinan penuh
terhadap validitas s.
HASIL DAN PEMBAHASAN
Pada penelitian ini tahap-tahap yang dilakukan adalah mengidentifikasi
masalah dan kebutuhan serta proses pengetahuan. Identifikasi dilakukan dengan
mengkaji situasi dan memutuskan dengan pasti tentang masalah yang akan
dikomputerisasikan yaitu mendiagnosa penyakit kanker berdasarkan gejala awal.
Kondisi ini akan lebih mudah menggunakan metode inferensi forward chaining.
Bahan pengetahuan diperoleh dari beberapa cara antara lain, mendapat
pengetahuan dari pakar kesehatan terutama pakar penyakit kanker, buku, laporan,
dan literatur terkait yang membahas penyakit kanker.
5.
Basis Pengatahuan (knowledge base) dan Basis Aturan (rule base)
Dalam pembuatan expert system, langkah-langkah selanjutnya yang
digunakan adalah menentukan basis pengetahuan (knowledge base). Basis
pengetahuan yang digunakan dalam penelitian ini adalah data penyakit, data
gejala, data solusi dan aturan penyakit kanker serta keterangan lain yang
9
mendukung. Adapun tabel yang memuat tentang data penyakit, gejala dan solusi
disajikan pada Tabel 1, 2 dan Tabel 5.
Tabel 1 Data penyakit
Kode
Penyakit
P001
Kanker Payudara
P002
Kanker Leher rahim
P003
Kanker Indung telur
.....
P006
Kode
G001
G002
G003
G004
G005
........
G034
Kode
S001
S002
S003
S004
S005
.........
S046
............
Kanker Vagina
Definisi
Kanker Payudara adalah suatu penyakit dimana terjadi
pertumbuhan berlebihan atau perkembangan tidak
terkontrol dari sel-sel (jaringan) payudara.
Kanker leher rahim adalah tumor ganas yang tumbuh di
daerah leher rahim (serviks), yaitu suatu daerah pada
organ reproduksi wanita.
Kanker Indung telur adalah terjadinya pertumbuhan selsel tak lazim (kanker) pada satu atau dua bagian indung
telur.
............
Kanker Vagina adalah tumor ganas pada vagina. Vagina
adalah saluran sepanjang 7,5-10 cm, ujung atasnya
berhubungan dengan serviks (leher rahim).
Tabel 2 Data gejala
Gejala
Benjolan di sekitar Payudara.
Puting susu mengkerut kedalam.
Puting susu berwarna kecoklatan.
Oedema (bengkak disekitar puting).
Keluar cairan dari puting susu ketika tidak lagi menyusui.
...........
Nyeri pada panggul.
Tabel 3 Data solusi
Solusi
Radical Mastectomy.
Total Mastectomy.
Modified Radical Mastectomy.
Radiotherapy (Penyinaran/radiasi).
Terapi Hormon.
.............
Kemoterapi.
10
MB
MD
0,70
0,62
0,65
0,80
0,61
.....
0,80
0,20
0,12
0,15
0,30
0,11
....
0,30
Dari basis pengetahuan yang sudah dikelompok-kelompokan tersebut
kemudian
digunakan
sebagai
input
dalam
memberikan
analisis
untuk
mengidentifikasi penyakit kanker. Pembentukan aturan gejala penyakit kanker
disajikan pada Tabel 3. Sedangkan relasi antara penyakit dan solusinya di sajikan
pada Tabel 4.
Tabel 4 Aturan gejala dan penyakit
Aturan
Goal
IF Benjolan di sekitar Payudara (G001) AND Puting susu mengkerut kedalam
P001
(G002) AND Puting susu berwarna kecoklatan (G003) AND Oedema (bengkak)
(G004) AND Keluar cairan dari puting susu ketika tidak lagi menyusui (G005)
AND Konsumsi obat kesuburan (G011) THEN Kanker Payudara (P001)
IF Darah berbau amis keluar dari vagina (G007) AND Perdarahan vagina saat
menopause atau pada saat menstruasi (G006) AND Nyeri pada saat buang air kecil
P002
dan hubungan seksual (G008) AND Nyeri, perdarahan setelah melakukan
hubungan seksual (G009) AND Teraba sebagai benjolan pada atau di sekitar
lubang vagina (G010) THEN Kanker Leher rahim (P002)
.......
.........
IF Keluar cairan encer dari vagina (G021) AND Nyeri, perdarahan setelah
P006
melakukan hubungan seksual (G009) AND Teraba sebagai benjolan pada atau di
sekitar lubang vagina (G010) AND Nyeri ketika berkemih (G025) AND Sembelit
(G027) AND Nyeri pada panggul (G034) THEN Kanker Vagina (P006)
Tabel 5 Relasi penyakit dan solusi
Kode_Penyakit Kode_Solusi
P001
S001
S002
S003
S004
S005
S006
S007
S008
S009
S010
S011
S012
S013
........
P002
P003
.............
11
Tabel 5 Lanjutan
P006
6.
S031
S032
S033
S034
S035
S036
S037
S038
S039
S040
S041
S042
S043
S044
S045
S046
Mesin Inferensi
Mesin inferensi adalah bagian dari sistem pakar yang melakukan penalaran
dengan menggunakan isi daftar aturan berdasar urutan dan pola tertentu.
Representasi berbasis aturan yang memiliki pola IF kondisi THEN aksi, tabel
pakar memberi beberapa keuntungan yaitu kemudahan dalam modifikasi, baik
perubahan, penambahan, maupun penghapusannya.
Penelusuran dilakukan
dengan memasukkan
gejala awal
terhadap
kemungkinan gejala penyakit yang dialami. Pada Gambar 7 ditampilkan contoh
graf penelusuran dan struktur pelacakan diagnosa penyakit kanker dengan
menggunakan metode forward chaining.
Gambar 7 Graf penelusuran penyakit kanker payudara
12
7.
Implementasi sistem
Pada penelitian ini implementasi sistem dilakukan dengan menggunakan
bahasa pemrograman
microsoft visual basic. Beberapa tampilan serta fungsi
aplikasi sistem pakar yang dikembangkan dalam penelitian akan dijabarkan dalam
bentuk aplikasi.
a.
Menu Utama
Menu ini merupakan tampilan menu utama expert sytem untuk mendiagnosa
penyakit kanker pada wanita yang terdiri dari empat menu yaitu, menu Admin,
Pakar, User dan Informasi.
Gambar 8 Tampilan menu utama
b. Menu Admin
Menu Admin adalah menu yang dapat di akses oleh administrator sistem.
Menu Admin terdiri dari empat sub menu yaitu, login, logout, user manager dan
keluar.
1. Sub menu login
Gambar 9 Tampilan sub menu login
13
Pada tampilan Gambar 9 terlihat form login yang muncul ketika pengguna
sistem memilih menu login. Sub Menu ini berfungsi untuk menutup akses
administrator sehingga database tidak bisa diubah dengan tujuan agar
keamanan data pakar dapat terjaga.
2. Sub menu user manager
Gambar 10 Tampilan sub menu user manager
Sub Menu ini berfungsi untuk membuat dan mengubah data user yang
bertindak sebagai administrator aplikasi.
c.
Menu Pakar
Menu pakar akan aktif jika user adalah seorang administrator/pakar. Jika
user sebagai pemakai (tidak melakukan login) maka menu ini tidak aktif. Menu
pakar yang dapat diakses terdiri dari sub menu basis pengetahuan dan basis
aturan.
Gambar 11 Tampilan masukan data penyakit
14
Pada Gambar 11 berfungsi untuk melakukan penambahan, penghapusan dan
pengeditan data penyakit serta definisi penyakit tersebut.
a. Input data gejala.
Gambar 12 Tampilan masukan data gejala.
Pada Gambar 12 berfungsi untuk melakukan penambahan, penghapusan dan
pengeditan data gejala serta nilai MB dan MD.
15
b. Input data solusi
Gambar 13 Tampilan masukan data solusi
Pada Gambar 13 berfungsi untuk melakukan penambahan, penghapusan dan
pengeditan data solusi.
16
1. Sub menu basis aturan
Basis aturan adalah aturan/rule dalam melakukan diagnosa penyakit kanker
pada wanita.
Gambar 14 Tampilan form basis aturan
Pada Gambar 14 adalah tampilan sub menu basis aturan. Sub menu ini
digunakan oleh pakar untuk men-set basis aturan yang telah tersedia didalam
database.
17
d. Manu User
Menu user terdiri dari sub menu diagnosa dengan metode pelacakan
menggunakan forward chaining. Pencocokan fakta atau pernyataan dimulai dari
gejala terlebih dahulu. Dengan kata lain penalaran dimulai dari fakta terlebih
dahulu untuk menguji kebenaran hipotesis. Sebagai Contoh untuk penelusuran/
diagnosa penyakit kanker vagina, tahapannya adalah sebagai berikut:
1. Tahap 1, inputkan gejala Nyeri, perdarahan setelah melakukan hubungan
seksual (G009), dengan nilai MB yaitu 0,92 dan nilai MD 0,01 lalu klik Ya
jika data sudah benar atau klik Tidak jika datanya salah seperti pada Gambar
16.
Gambar 16 Diagnosa tahap 1
Pada Gambar 16 terlihat bahwa gejala tersebut adalah gejala umum yang
dimiliki oleh 3 macam penyakit.
2. Tahap 3, selanjutnya inputkan gejala lain yaitu Sembelit (G027), beserta nilai
MB yaitu 0,61 dan nilai MD 0,12, kemudian klik tombol Ya jika data sudah
benar.
18
Gambar 18 Diagnosa tahap 3
Pada Gambar 18 terlihat bahwa penyakit sudah dapat ditentukan, karena gejala
yang dimasukkan tadi merupakan gejala khusus yang tidak dimiliki oleh
penyakit lain dan proses diagnosa selesai.
3. Jika user memerlukan printout maka user bias mencetak hasil diagnosa tersebut
menggunakan tombol Print. Tampilan form hasil diagnosa penyakit beserta
nilai CF seperti terlihat pada Gambar 20.
Gambar 20 Hasil diagnose
19
d. Menu Informasi
Menu informasi terdiri dari dua sub menu yaitu, sub menu program dan sub
menu about.
1. Sub menu program
Gambar 21 Tampilan sub menu program
Pada Gambar 21 diatas adalah tampilan sub menu program yang berisi tentang
informasi dari aplikasi.
2. Sub menu about
Gambar 22 Tampilan sub menu about
Pada Gambar 22 adalah tampilan sub menu about yang berisi tentang informasi
pembuat program.
8.
Pengujian sistem
Pengujian merupakan tahap yang utama dalam pembuatan suatu aplikasi
perangkat lunak. Pengujian ini dilakukan untuk mengetahui hasil yang didapat
dari perangkat lunak yang telah dibuat.
Pengujian sistem dilakukan dengan melakukan tes untuk mengukur
kemampuan sistem dalam melakukan diagnosa. Proses pengujian sistem
dilakukan dengan menggunakan sampel data acak gejala-gejala yang dialami
pasien terduga mengidap penyakit kanker. Langkah pengujian dilakukan dengan
mengadakan diagnosa menggunakan sistem seperti dijelaskan pada bagian
sebelumnya.
20
Perhitungan nilai CF penyakit kaker vagina secara manual akan dilakukan
berdasarkan data yang disajikan dalam Tabel 6.
Tabel 6 Nilai MB dan MD
Kode
Gejala
G009 Nyeri, perdarahan setelah melakukan hubungan seksual
G010 Teraba sebagai benjolan pada atau di sekitar lubang vagina
G027 Sembelit
MB
0,92
0,78
0,61
MD
0,01
0,05
0,12
= MB – MD
= 0, 92 – 0,01
= 0,91
CF gejala 2 = [MBLama+MB(1–MBLama)]– [MDLama+MD(1–MDLama)]
= [0,92+0,78*(1–0,92)] – [0,01+0,05*(1–0,01)]
= 0,9824–0,0595
= 0,9229
CF gejala 3 = [MBLama+MB(1–MBLama)]– [MDLama+MD(1–MDLama)]
= [0,9824 +0,61*(1–0, 9824)] – [0,0595 +0,12*(1–0,0595)]
= 0,993136– 0,17236
= 0,820776 (pembulatan 0,82)
Berdasarkan perhitungan diatas, nilai CF dari penyakit kanker vagina
CF gejala 1
(P006) adalah 0, 82 atau 82 %.
KESIMPULAN
Berdasarkan hasil penelitian dan pembahasan maka dapat ditarik beberapa
kesimpulan.
1. Dari penelitian dihasilkan sebuah perangkat lunak (software) baru tentang
sistem pakar diagnosa penyakit kaker pada wanita menggunakan certainty
factor, dengan menggunakan bahasa pemrograman Visual Basic 6.0 dapat
digunakan sebagai alternatif media konsultasi.
2. Perangkat lunak yang telah dihasilkan mampu dipakai untuk membantu dalam
mendiagnosa penyakit kanker pada wanita serta memberikan informasi dan
solusi yang tepat.
21
SARAN
Saran-saran yang dapat penulis sampaikan berkaitan dengan diagnosa pada
aplikasi sistem pakar ini, antara lain :
1. Sistem ini hanya dapat digunakan untuk diagnosa 6 penyakit kanker pada
wanita. Untuk penelitian selanjutnya dapat dikembangkan sistem yang dapat
mendiagnosa penyakit yang lebih banyak dengan menambahkan data
kepakaran.
2. Sistem ini belum menampilkan gambar penyakit, untuk penelitian selanjutnya
diharapkan bisa menampilkan gambar tersebut sehingga informasi yang
diberikan lebih mudah dipahami pengguna.
DAFTAR PUSTAKA
Faizal, E., 2014, Penerapan Teori Dampster-Shafer pada Sistem Cerdas untuk
Mendeteksi Gangguan Kesehatan Kandungan, Jurnal Fahma, Vol 12 /
No. 3, ISSN 1693-227, Yoyakarta.
Fathansyah, 2007, Basis Data, Informatika, Bandung.
Giarratano dan Riley, G., 1994, Expert System Principle and Programming, 2 ed,
Pws Publishing Company, Boston.
Jong, W.D., 2002, Kanker, apakah itu?, Arcan, Jakarta.
Kusrini, 2006, Sistem Pakar: Teori dan Aplikasi, Penerbit Andi offset,
Yogyakarta.
Kusumadewi, S., 2003, Artificial Intelence : Teknik dan Aplikasinya, Penerbit
Graha Ilmu, Yogyakarta.
Sabella, R., 2009, Cara Pinter Atasi Kanker, Cable book, Klaten.
Sari, N. A., 2013, Sistem Pakar Mendiagnosa Penyakit Demam Berdarah
Menggunakan Metode Certainty Factor, Jurnal Pelita Informatika Budi
Darma Vol IV No 3, ISSN 2301-9425, Medan.
Suyoto, 2004, Intelegensi Buatan : Teori dan Pemrograman, Gava Media,
Yogyakarta.
Tama, M. M., 2009, Sistem Pakar Diagnosa Penyakit Kanker dengan
Penerapan Dempster Shafer Teori, Skripsi S1, Universitas Ahmad Dahlan,
Yogyakarta.
Turban, E., 1995, Decision Support System and Expert System, Prentice Hall
International, New Jersey.
22