BAB II DASAR TEORI. 2.1 Sistem Pakar II-1
|
|
- Susanti Hardja
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB II DASAR TEORI 2.1 Sistem Pakar Sistem pakar adalah program komputer yang mampu merepresentasikan dan memberikan penalaran atas pengetahuan pada bidang tertentu dengan tujuan untuk dapat memecahkan masalah atau memberikan saran [JAC99]. Sebuah sistem pakar dikatakan berbeda dari program konvensional karena [JAC99]: 1. Sistem pakar mensimulasikan penalaran manusia pada ranah masalah tertentu, bukan mensimulasikan ranah itu sendiri. 2. Sistem pakar melakukan penalaran atas representasi pengetahuan manusia, selain melakukan kalkulasi numerik atau temu balik informasi. 3. Sistem pakar memecahkan masalah secara heuristic atau memakai metode perkiraan. Dikatakan metode perkiraan karena tidak memerlukan data yang sempurna dan solusi yang dihasilkan dapat bervariasi kepastiannya. Pada umumnya, sistem pakar memiliki dua modul utama yang terpisah, yaitu basis pengetahuan dan mesin inferensi [JAC99]. Basis pengetahuan adalah pengetahuan pada program yang diekspresikan dalam bentuk bahasa tertentu, sedangkan mesin inferensi merupakan kode program yang melakukan penalaran/pemecahan masalah. Siklus hidup sistem pakar secara garis besar meliputi 4 tahap, yaitu [KHO98]: 1. Inisialisasi basis pengetahuan, meliputi pemilihan ranah masalah, pendefinisian tujuan pembuatan sistem pakar, dan penentuan sumber pengetahuan. 2. Akuisisi pengetahuan, meliputi identifikasi masalah, penentuan faktor-faktor yang dapat mempengaruhi struktur sistem secara keseluruhan, formalisasi, dan representasi pengetahuan, serta pemasukan pengetahuan ke dalam basis pengetahuan. 3. Verifikasi basis pengetahuan yang dilakukan untuk menjamin bahwa sistem bebas dari kesalahan internal dan memenuhi spesifikasi. 4. Validasi basis pengetahuan yang dilakukan untuk menjamin bahwa sistem memenuhi keinginan pengguna. II-1
2 II-2 Ada dua macam cara akuisisi pengetahuan, yaitu manual dan otomatis. Dalam tugas akhir ini, metode yang akan dibahas hanya akuisisi pengetahuan otomatis. 2.2 Akuisisi Pengetahuan Otomatis Akuisisi pengetahuan otomatis merupakan salah satu teknik akuisisi pengetahuan di mana pengetahuan didapatkan dari hasil ekstraksi kasus-kasus yang terjadi dengan menggunakan kakas bantu (program atau aplikasi). Munculnya akuisisi pengetahuan otomatis ini dilatarbelakangi oleh adanya bottleneck pada proses akuisisi pengetahuan secara manual, yaitu: 1. Proses akuisisi yang mahal dan lambat. Akuisisi dikatakan mahal karena keterbatasan pakar dan dikatakan lambat karena dikarenakan adanya perbedaan pemahaman antara perekayasa pengetahuan dan pakar. 2. Representasi dari sumber pengetahuan sulit dilakukan, pakar tidak dapat menuliskan pengetahuan mereka dalam kata-kata. Beberapa hal yang dilakukan dalam akuisisi pengetahuan otomatis: 1. Pengetahuan tidak didapatkan dari pakar secara langsung, melainkan dari kasus-kasus yang sudah diselesaikan oleh pakar (data dari tiap kasus dan keputusannya). 2. Peran perekayasa pengetahuan dihilangkan dan diganti dengan program yang dapat menganalisis kasus-kasus tersebut dan menghasilkan sekumpulan rule yang menghasilkan keputusan yang sama seperti pada kasus. Proses pembentukan sekumpulan rule dari sejumlah kasus pada proses akuisisi pengetahuan otomatis disebut dengan pembelajaran induksi. Dalam induksi tersebut, dilakukan penalaran dari khusus menjadi umum (dari kasus menjadi rule). Salah satu metode yang menggunakan pembelajaran induksi ini adalah Induct/RDR dan Induct/MCRDR Kedua metode ini tidak melibatkan pakar secara langsung dan hanya menggunakan kumpulan kasus yang ada untuk membentuk rule. 2.3 Induct/Multiple Classification Ripple-Down Rules (Induct/MCRDR) Induct/MCRDR merupakan metode akuisisi pengetahuan otomatis hasil pengembangan dari MCRDR (Lampiran C) untuk mengatasi keterbatasan MCRDR yang masih membutuhkan campur tangan pakar. Dengan Induct/MCRDR, basis pengetahuan dibangkitkan secara
3 II-3 otomatis menggunakan algoritma Induct sehingga tidak membutuhkan peran pakar. Metode akuisisi ini juga tidak membutuhkan bantuan perekayasa pengetahuan untuk mengatasi permasalahan klasifikasi majemuk. Proses akuisisi Induct/MCRDR dapat dilihat pada Lampiran B. Seperti telah dijelaskan pada [ARM07], Induct/MCRDR diperlukan sebagai solusi permasalahan yang dihadapi oleh penggunaan MCRDR, yaitu: 1. Induct/MCRDR digunakan untuk membangkitkan basis pengetahuan awal yang melibatkan data klasifikasi majemuk ukuran besar. Proses ini akan menghemat banyak waktu dalam proses akuisisi pengetahuan awal. Perawatan basis pengetahuan, termasuk manipulasi pengetahuan, dilakukan secara manual oleh pakar atau perekayasa pengetahuan. 2. Induct/MCRDR digunakan untuk memperbaiki basis pengetahuan MCRDR dengan melakukan pembangunan ulang pengetahuan dari awal menggunakan seluruh data yang telah diperoleh untuk menjamin basis pengetahuan yang lebih ringkas dan akurat. Hal ini dapat terjadi jika basis pengetahuan MCRDR telah mengalami banyak manipulasi sehingga pengetahuan yang terbentuk menjadi tidak ringkas dan akurat lagi Metode Induct Pengertian dari Induct yaitu suatu metode pembelajaran yang menghasilkan ruang hipotesa H dari sekumpulan instans X untuk mendefinisikan konsep target c. Setiap hipotesa h dalam H menunjukkan sebuah fungsi boolean terhadap X, yaitu h: X _ {0,1}. Tujuan pembelajaran inductive yaitu untuk memperoleh sebuah hipotesa h sedemikian sehingga h(x) = c(x) untuk semua x dalam X [MIT97]. Metode induct yang digunakan dalam Induct/MCRDR sama dengan metode induct yang digunakan pada Induct/RDR. Berikut adalah penjelasan mengenai metode Induct.
4 II-4 Gambar II-1 Induksi pada Induct/RDR [GAI92] Gambar II-1 menggambarkan analisis kesalahan untuk statistical control dari algoritma yang digunakan pada Induct. Suatu ruang kasus dibagi berdasarkan diagnosis, yaitu D0, D1, D2, dan seterusnya, dengan D0 adalah diagnosis sasaran yang digunakan Induct untuk membangkitkan sebuah kaidah. Kasus yang dicakup sebelum diubah ditunjukkan dengan elips bagian luar, sedangkan elips bagian dalam menunjukkan kumpulan kasus yang telah tereduksi saat klausa tambahan diberikan pada premis. Hal ini menunjukkan bahwa kaidah yang semakin spesifik menyebabkan semakin spesifik pula jumlah kasus yang dapat dicakup oleh kaidah tersebut. Gambar II-2 Basis pengujian statistik pada Induct [GAI92] Gambar II-2 menggambarkan basis dari pengujian statistik yang digunakan pada Induct. Diberikan himpunan semesta predikat E, Q menunjukkan data benar yang seharusnya tercakupi oleh rule yang diajukan, S menunjukkan data yang tercakupi oleh rule yang diajukan, dan C menunjukkan data benar yang tercakupi oleh rule tersebut. Bila kardinalitas E, Q, S, dan C dinyatakan dengan e, q, s, dan c, probabilitas pemilihan entitas dari E secara acak yang memenuhi Q adalah: q p =... (II-1) e
5 II-5 Probabilitas suatu rule terpilih secara acak untuk memilih s dan memperoleh sejumlah c atau lebih entitas bernilai benar dinyatakan dengan r. Nilai r merupakan penjumlahan distribusi binomial standar untuk memperoleh fungsi berikut: r r i s i =... (II-2) i = c s p (1 i p) Penggunaan r untuk mengukur kualitas suatu kaidah adalah dengan mengambil pasangan atribut-nilai yang mempunyai nilai r terkecil, yaitu pasangan atribut-nilai yang mempunyai kemungkinan paling kecil untuk terpilih secara acak. Asumsi yang digunakan dalam memilih nilai probabilitas ini adalah bahwa kualitas suatu rule semakin baik jika kemungkinan rule tersebut terpilih secara acak semakin kecil [LIT96]. Jadi, semakin kecil nilai r, maka akan semakin baik pula kualitas rule yang dihasilkan Representasi Pengetahuan Induct/MCRDR Struktur pengetahuan Induct/MCRDR berupa pohon n-ary, di mana setiap simpul merepresentasikan sebuah kaidah. Struktur ini memungkinkan setiap simpul memiliki lebih dari 1 cabang. Perkecualian hanya terjadi pada simpul daun yang tidak memiliki cabang sama sekali. Seluruh cabang yang dimiliki oleh Induct/MCRDR adalah cabang except IF-TRUE yang hanya ditelusuri bila kasus masukan memenuhi kondisi pada kaidah. Contoh representasi pengetahuan dari Induct/MCRDR dapat dilihat pada Gambar II-3. Gambar II-3 Contoh representasi pengetahuan Induct/MCRDR [ARM07] Proses Inferensi Induct/MCRDR Proses inferensi pada pohon Induct/MCRDR sama dengan proses inferensi pada pohon MCRDR. Proses tersebut dimulai dari simpul akar. Kondisi pada simpul akar (kaidah 0)
6 II-6 selalu dipenuhi oleh seluruh kasus masukan. Solusi ini menjadi solusi sementara sekaligus menjadi solusi paling umum. Setelah itu, seluruh kaidah pada tingkat pertama akan dievaluasi. Evaluasi berikutnya hanya dilakukan pada kaidah-kaidah yang dipenuhi pada tingkat sebelumnya, dan seterusnya. Proses inferensi berhenti ketika tidak ada kaidah yang dapat dievaluasi lagi, atau ketika tidak ada kaidah yang dapat memenuhi kasus masukan. Contoh inferensi Induct/MCRDR dapat dilihat pada Gambar II-4. Gambar II-4 Contoh inferensi dari Induct/MCRDR untuk kasus masukan [tear-prod = normal, astigmatism = no, age = young] Jika terdapat basis pengetahuan Induct/MCRDR seperti pada gambar II-5 yang mendapat kasus masukan [tear-prod = normal, astigmatism = no, age = young], maka solusi yang dihasilkan adalah [lens = soft]. Rule 5 dan Rule 6 pada gambar II-5 merupakan stopping rule yang menghasilkan solusi null. Penjelasan mengenai stopping rule dapat dilihat pada subbab Proses Pembelajaran Induct/MCRDR Induct/MCRDR mengadopsi seluruh konsep MCRDR (Lampiran C), dengan perbedaan terletak pada penentuan kaidah rule baru, Kaidah rule baru pada Induct/MCRDR ditentukan dengan parameter r untuk mencari klausa terbaik yang memiliki probabilitas kemungkinan terpilih secara acak paling kecil. Penghitungan nilai r dapat dilihat pada persamaan II-2. Perbedaan kedua terdapat pada kemungkinan penambahan stopping rule untuk setiap penambahan rule ke samping. Bila kondisi rule baru memiliki atribut yang berbeda dengan kondisi rule pada sibling-nya, maka penambahan stopping rule diperlukan untuk menjamin
7 II-7 hanya data bersesuaian yang memenuhi kondisi untuk memperoleh solusi dari simpul orangtua stopping rule tersebut. Berikut adalah algoritma umum untuk pembangunan pengetahuan Induct/MCRDR. BuildMCRDR(Default_Class,Attrs,Training_Set) {Menghasilkan pohon pengetahuan MCRDR dengan simpul bernilai T} type T = {Class: nilai kelas Clause: nilai klausa Cov: pohon perkecualian positif NotCov: pohon perkecualian negatif} for Class = (set of class values) if Class = Default_Class TempClause BestClause(Class,Attr,Training_Set) if r(tempclause) < r(t.clause) T.Clause TempClause T.Class Class Bentuk simpul dengan klausa T.Clause dan solusi Default_Class Covered himpunan semua entitas e dalam Training_Set dengan T.Clause(e) bernilai benar NotCovered himpunan semua entitas e dalam Training_Set dengan T.Clause(e) bernilai salah if e berada dalam Covered dan e.class = Class T.Cov BuildMCRDR(Class,Attrs,Covered) ;pada level selanjutnya if e berada dalam NotCovered dan e.class = Class T.NotCov BuildMCRDR(Class,Attrs,NotCovered) ;pada level sama if T.Class berbeda dengan T.Class simpul siblingnya for i = jumlah simpul dengan T.Class berbeda S.Clause Sib.Clause T.Clause Bentuk stopping rule dengan kondisi S.Clause dan solusi none ;pada level selanjutnya end BuildMCRDR Algoritma II-1 Algoritma BuildMCRDR untuk pembangkitan struktur MCRDR Dalam proses pembelajaran Induct/MCRDR, terdapat tiga proses utama dalam penambahan pengetahuan, yaitu : penentuan klasifikasi yang benar, penentuan lokasi, dan penentuan kondisi Penentuan Klasifikasi yang Benar Induct/MCRDR tidak memerlukan pakar dalam menentukan klasifikasi yang benar. Klasifikasi ditentukan dari dataset masukan dan diasumsikan bahwa dataset mengandung klasifikasi yang benar. Perbaikan klasifikasi dilakukan dengan mengubah dataset dan mengulang pembangkitan basis pengetahuan dari awal.
8 II-8 Jika proses penentuan klasifikasi ini dilihat berdasarkan kasus covered dan not covered seperti pada algoritma II-1, maka rule yang dibangkitkan dari data covered akan ditambahkan pada tingkatan di bawah simpul yang mempartisi. Rule yang dibangkitkan dari data not covered akan ditambahkan sebagai sibling (berada dalam satu tingkat) dari simpul yang mempartisi data tersebut Penentuan Lokasi Penentuan lokasi untuk simpul baru pada Induct/MCRDR mengacu pada aturan: 1. Seluruh rule yang menhasilkan solusi baru akan ditambahkan di bawah simpul akar. 2. Penambahan stopping rule dilakukan di bawah seluruh rule yang menghasilkan kesimpulan yang salah. Stopping rule di sini hanya bertujuan mencegah pemberian klasifikasi yang salah dengan menambahkan simpul solusi null atau none Penentuan Kondisi Induct/MCRDR menggunakan parameter nilai r (Rumus II-2) dalam menentukan kondisi, yaitu klausa terbaik untuk simpul baru yang akan ditambahkan. Kondisi penambahan simpul baru ini harus tepat, sehingga tidak ada kasus lain yang dapat dipenuhi oleh rule tersebut. Untuk memastikan kondisi tersebut, maka ditambahkan stopping rule sehingga rule yang baru hanya dipenuhi oleh kasus yang bersesuaian dan tidak oleh kasus lainnya, kecuali bila dipenuhi oleh kasus yang memberikan solusi yang sama. Stopping rule ditempatkan sebagai anak dari rule baru yang memenuhi kriteria tersebut. Kondisi stopping rule ini ditentukan dari simpul pada tingkat parent-nya, yaitu dengan cara mengurangi antara klausa simpul orangtua dengan klausa simpul-simpul pada level yang sama (simpul-simpul sibiling dari simpul orangtua), kecuali bila simpul tersebut memberikan solusi yang sama dengan simpul orangtua dari stopping rule. Sibling yang memiliki jenis atribut yang sama tetapi berbeda nilainya dapat diabaikan, karena nilai dari atribut yang berbeda tidak akan dipenuhi oleh kasus lainnya. Oleh karena itu, kondisi rule tersebut tidak perlu diperhitungkan sebagai stopping rule. Contoh dari penentuan kondisi dari stopping rule [ARM07]: kondisi_rule_1 = (atr1 = nilai1a, atr2 = nilai2a) kondisi_rule_2 = (atr1 = nilai1b, atr3 = nilai3a)
9 II-9 Penentuan kondisi stopping rule dilakukan dengan membandingkan kondisi rule 1 dan rule 2. Kondisi dari rule tersebut dapat diabaikan karena kedua rule tersebut memiliki atribut yang sama (atr1) tetapi berbeda nilainya (nilai1a dan nilai1b). 2.4 Shell Induct/MCRDR Pada [ARM07], telah dikembangkan sebuah shell Induct/MCRDR dalam bahasa pemrograman Java Format Dataset Shell Induct/MCRDR ini menerima masukan file dataset dari pengguna. Dataset ini berisi daftar atribut dan kelas yang muncul dalam suatu pengetahuan beserta dataset yang berupa daftar nilai atribut dan nilai kelas majemuknya. Berikut ini adalah format dataset masukan yang dapat diterima oleh sistem: #induct/mcrdr #names attribute att1 {nilai_att_1a,..., nilai_att_1z}... attribute att100 {nilai_att_100a,..., nilai_att_100z} class class_name {class_value_1,..., class_value_100} #data nilai_att_1a,..., nilai_att100a, class_value_1,..., class_value_50... nilai_att_1z,..., nilai_att100z, class_value_51,..., class_value_100 Gambar II-5 Format file dataset masukan Identitas file dataset masukan ditandai dengan #Induct/MCRDR. Dari identitas, dilanjutkan dengan penulisan #names yang menandai awal penulisan daftar atribut berikut jenis kelas dalam suatu dataset. Urutan penulisan harus diawali dengan daftar atribut dan diakhiri dengan satu buah daftar kelas. Format daftar atribut ditandai dengan penulisan attribute, dilanjutkan dengan nama atribut, dan diakhiri dengan nilai-nilai atribut yang dipisahkan koma dan dibatasi dengan kurung kurawal. Aturan yang sama berlaku untuk penulisan nama kelas dan nilai-nilai kelas. Perbedaan hanya terdapat pada penanda yang diawali dengan penulisan class.
10 II-10 Pendaftaran atas dataset diawali dengan tanda #data. Setiap penulisan sebuah dataset harus mengikuti urutan kemunculan atribut dan kelas seperti yang telah dituliskan sebelumnya. Untuk memisahkan antara nilai yang satu dengan yang lainnya digunakan separator koma Struktur Data Struktur Data ListAtribut dan ListData Struktur data untuk ListAtribut dan ListData adalah two dimensional array list. Bentuk array list dipilih karena kebutuhan ukuran list yang dinamis. Dibutuhkan list dua dimensi untuk dapat menyimpan dalam ruang baris dan kolom. Library two dimensional array list diperoleh dari [FOR07]. Berikut adalah sketsa struktur data dari ListAtribut dan ListData. Gambar II-6 Struktur data ListAtribut Nilai atribut Data 1 Data n Nilai kelas Gambar II-7 Struktur data ListData Pada struktur data ListData jumlah kolom nilai kelas berukuran sama dengan jumlah nilai kelas pada ListAtribut. Bila suatu data mengandung nilai_kelas_1, maka ListData akan mengisi kolom kelas pertama dengan nilai yes, sebaliknya akan diisi dengan nilai no Struktur Data Condition Condition merupakan struktur data untuk meyimpan kondisi dari suatu rule. Struktur data Condition merupakan array list yang bersifat dinamis karena jumlah kondisi rule yang tidak tetap. Setiap elemen array list akan mengandung array of string dengan elemen pertama berisi nama atribut, dan elemen kedua berisi nilai atribut.
11 II-11 Gambar II-8 Struktur data Condition Struktur Data Rules Rules merupakan struktur data yang mengandung kondisi dan sebuah solusi. Sama seperti Condition, Rules juga menggunakan array list yang bersifat dinamis karena jumlah rule yang tidak tetap. Elemen pada Rules terdiri dari Condition dan array of string yang menyimpan sebuah solusi. Array of string solusi memiliki dua elemen, dengan elemen pertama bernilai nama kelas, dan elemen kedua berisi nilai kelas. Nama kelas Nilai kelas Condition Rule n Rule 1 Gambar II-9 Struktur data Rules Struktur Data Node Node merupakan struktur data berupa simpul dari pohon, di mana setiap simpul mengandung sebuah Rules. Pohon Induct/MCRDR yang akan dibangun dalam Tugas Akhir ini bersifat dinamis karena jumlahnya yang tidak tetap. Pembangunan pohon dinamis ini menggunakan library JDOTS (Java Dynamic Object Tree System) 1.5 dari [SQU07]. Untuk membuat objek JDOTS, sebuah kelas harus didefinisikan sebagai turunan dari kelas JD_Object. Setiap simpul pada JDOTS dianggap sebagai objek pohon, dan pembangunannya dapat dilihat pada contoh berikut ini: test1_jdots t1 = new test1_jdots( "t1" ); test1_jdots t2 = new test1_jdots( "t2"); test1_jdots t3 = new test1_jdots( "t3"); test1_jdots t4 = new test1_jdots( "t4"); test1_jdots t = new test1_jdots( "t5"); t1.jd_addobject(t2); t1.jd_addobject(t3); t1.jd_addobject(t4); t4.jd_addobject(t5);
12 II-12 Maka pohon yang akan terbentuk adalah sebagai berikut: Gambar II-10 Contoh pohon dinamik JDOTS Isi tiap Node adalah sebuah Rules sebagai berikut: Node 1 Rule Node n Gambar II-11 Struktur data Node Kelas Pada Shell Induct/MCRDR Berikut adalah diagram package yang digunakan dalam pengembangan sistem Induct/MCRDR. util lib JSci jdots statistics gui Gambar II-12 Diagram package sistem Induct/MCRDR Package lib.jsci adalah kumpulan kelas yang menyimpan library dari JSci. JSci adalah Java Objects for Science [JSC07] yang berguna dalam pembangunan sistem Induct/MCRDR ini terutama untuk keperluan operasi distribusi binomial yang tidak disediakan oleh library standar Java. Operasi distribusi binomial digunakan dalam sistem Induct/MCRDR untuk
13 II-13 menghitung nilai r yang menjadi parameter pemilihan kondisi terbaik dari suatu rule. Rumus lengkap dari nilai r dapat dilihat pada Subbab Berikut adalah pembagian kelas untuk tiap package yang digunakan: Tabel II-1 Daftar kelas untuk tiap package yang digunakan dalam shell Induct/MCRDR No Nama Package Deskripsi Daftar Kelas 1. gui Berisi kelas-kelas antarmuka MainFrame.java 2. lib.jdots Berisi kelas-kelas pada library JDOTS Kelas-kelas dalam library JDOTS 3. lib.jsci Berisi kelas-kelas pada library JSci (Java Objects for Science) 4. util Berisi kelas-kelas utama sistem Induct/MCRDR Kelas-kelas dalam library JSci TwoDimArrList.java ListAttrb.java ListData.java Condition.java Rules.java Node.java MainMCRDR.java 2.5 Diagnosis Penyakit dan Pemberian Terapi oleh Pakar Secara umum, tahapan diagnosis dan pemberian terapi oleh pakar adalah sebagai berikut: 1. Anamnesis Anamnesis atau wawancara medis merupakan tahap awal dari rangkaian pemeriksaan pasien, baik secara langsung pada pasien yang bersangkutan atau secara tidak langsung melalui keluarga maupun relasi terdekatnya. Ada dua tujuan utama dalam anamnesis, yaitu mendapatkan informasi menyeluruh dari pasien yang bersangkutan (data medis organobiologis, psikososial, serta lingkungan pasien). Dari informasi ini, diharapkan dapat disimpulkan dugaan organ/sistem yang terganggu, bahkan rumusan masalah klinik. Tujuan kedua dari anamnesis adalah membina hubungan dokter pasien yang profesional dan optimal. Hubungan ini diharapkan dapat menimbulkan kepercayaan pasien terhadap dokternya dan sebaliknya. Dari anamnesis ini, biasanya didapatkan informasi berupa riwayat penyakit pasien dan keluhan pasien saat ini Adapun riwayat penyakit pasien meliputi alergi, penyakit
14 II-14 berat yang pernah diderita, operasi, diabetes, darah tinggi, darah rendah, dan lain sebagainya. 2. Pemeriksaan umum Setelah melakukan anamnesis, pakar melihat keadaan fisik pasien secara umum, gemuk atau kurus, pucat, merasa kesakitan, kesadaran turun, batuk-batuk, dan lain sebagainya. Setelah itu, dokter melakukan pengukuran tekanan darah, suhu tubuh, berat badan, dan frekuensi pernapasan jika diperlukan. 3. Pemeriksaan fisik Pemeriksaan fisik merupakan pemeriksaan mendetil sehubungan dengan keluhan pasien. Sebagai contoh, seorang pasien mengeluhkan sakit pada lengan kanan, maka pakar memeriksa lengan kanan pasien dengan menekan-nekan dengan jari tangannya. Dari aktivitas tersebut, pakar menyimpulkan terdapat nyeri tekan pada lengan kanan pasien. Hal seperti ini juga disebut inspeksi. 4. Diagnosis kerja (working diagnosis) / diagnosis sementara Dari riwayat penyakit, keluhan, dan inspeksi pasien, pakar menyimpulkan penyakit yang diderita pasien, disertai dengan pemberian terapi yang sesuai. Untuk kasuskasus yang memerlukan pemeriksaan penunjang untuk mengetahui kepastian penyakit yang diderita, tahap ini disebut sebagai diagnosis sementara. 5. Follow up / pemberian anjuran / saran untuk melakukan pemeriksaan penunjang Setelah pakar memberikan diagnosis dan terapi, biasanya pasien juga diberi anjuran sehubungan dengan terapi tersebut. Anjuran tersebut dapat berupa aktivitas yang menunjang terapi, ataupun berupa follow up (pasien diminta datang kembali pada waktu yang ditentukan). Jika hasil diagnosis merupakan diagnosis sementara, biasanya pasien diminta untuk melakukan pemeriksaan penunjang, misalnya tes kadar gula darah di laboratorium. 6. Diagnosis pasti Diagnosis pasti dilakukan berdasarkan hasil pemeriksaan laboratorium, dilanjutkan dengan pemberian terapi yang sesuai.
BAB III ANALISIS DAN PERANCANGAN SISTEM PAKAR KESEHATAN
BAB III ANALISIS DAN PERANCANGAN SISTEM PAKAR KESEHATAN Berikut ini adalah diagram proses pengembangan sistem pakar kesehatan ini: Gambar III-1 Proses pengembangan sistem pakar kesehatan Pada Gambar III-1,
Lebih terperinciBAB II INDUCT/RIPPLE-DOWN RULE (RDR)
BAB II INDUCT/RIPPLE-DOWN RULE (RDR) Bab ini berisi tentang uraian mengenai teori Ripple-Down Rules (RDR), yang meliputi RDR dengan pengembangan manual dan RDR yang menerapkan algoritma Induct untuk pengembangannya.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang I-1
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan di bidang inteligensi buatan telah melahirkan sistem pakar, sebuah sistem komputer yang meniru kemampuan pengambilan keputusan pakar pada domain tertentu.
Lebih terperinciSistem Pakar Diagnosis dan Terapi Penyakit Umum dengan Induct/MCRDR
Sistem Pakar Diagnosis dan Terapi Penyakit Umum dengan Induct/MCRDR LAPORAN TUGAS AKHIR Disusun sebagai syarat kelulusan tingkat sarjana oleh : Ray Aditya Iswara / 13504045 PROGRAM STUDI TEKNIK INFORMATIKA
Lebih terperinciExpert System. Siapakah pakar/ahli. Pakar VS Sistem Pakar. Definisi
Siapakah pakar/ahli Expert System Seorang pakar atau ahli adalah: seorang individu yang memiliki kemampuan pemahaman superior dari suatu masalah By: Uro Abdulrohim, S.Kom, MT Definisi Program komputer
Lebih terperinciAKUISISI PENGETAHUAN MENGGUNAKAN MULTIPLE CLASSIFICATION RIPPLE DOWN RULES (MCRDR)
AKUISISI PENGETAHUAN MENGGUNAKAN MULTIPLE CLASSIFICATION RIPPLE DOWN RULES (MCRDR) Diana Pratiwi¹, Ririn Dwi Agustin², Agung Toto Wibowo³ ¹Teknik Informatika,, Universitas Telkom Abstrak Proses ekstraksi
Lebih terperinci3. METODE PENELITIAN 3.1 Kerangka Pemikiran
65 3. METODE PENELITIAN 3.1 Kerangka Pemikiran Permasalahan utama yang dihadapi industri gula nasional yaitu rendahnya kinerja khususnya produktivitas dan efisiensi pabrik gula. Untuk menyelesaikan permasalahan
Lebih terperinciMENGENAL SISTEM PAKAR
MENGENAL SISTEM PAKAR Bidang teknik kecerdasan buatan yang paling popular saat ini adalah system pakar. Ini disebabkan penerapannya diberbagai bidang, baik dalam pengembangan ilmu pengetahuan dan terutama
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Penyakit paru-paru merupakan penyakit yang berhubungan dengan sistem pernapasan pada manusia yang dapat berakibat buruk apabila tidak segera ditangani. Tidak
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Dalam rangka meningkatkan derajat kesehatan penduduk salah satunya adalah menanggulangi penyakit Demam Berdarah Dengue (DBD), mulai dari tindakan
Lebih terperinciUKDW BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teknologi yang semakin pesat menyebabkan meningkatnya berbagai aplikasi yang dapat membantu manusia dalam mendeteksi penyakit. Sebagai contoh USG
Lebih terperinciGambar 3.1 Arsitektur Sistem Pakar (James Martin & Steve Osman, 1988, halaman 30)
BAB III LANDASAN TEORI 3.1. Landasan Teori 3.1.1. Konsep Dasar Sistem Pakar Sistem pakar adalah program komputer cerdas yang menggunakan pengetahuan dan prosedur-prosedur inferensi untuk menyelesaikan
Lebih terperinciSISTEM PAKAR ANALISIS PENYAKIT LUPUS ERITEMATOSIS SISTEMIK PADA IBU HAMIL MENGGUNAKAN METODE FORWARD CHAINING
SISTEM PAKAR ANALISIS PENYAKIT LUPUS ERITEMATOSIS SISTEMIK PADA IBU HAMIL MENGGUNAKAN METODE FORWARD CHAINING Sry Yunarti Program Studi Sistem Informasi STMIK Profesional Makassar yeye_rumbu@yahoo.co.id
Lebih terperinciDIAGNOSA PENYAKIT JANTUNG DENGAN METODE PENELUSURAN FORWARD CHAINNING-DEPTH FIRST SEARCH
DIAGNOSA PENYAKIT JANTUNG DENGAN METODE PENELUSURAN FORWARD CHAINNING-DEPTH FIRST SEARCH Putri Kurnia Handayani Jurusan Sistem Informasi Universitas Muria Kudus PO BOX 53 Gondangmanis Kudus e-mail : pu3_kurnia@yahoo.com
Lebih terperinciAPLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT GINJAL DENGAN METODE DEMPSTER-SHAFER
APLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT GINJAL DENGAN METODE DEMPSTER-SHAFER Aprilia Sulistyohati, Taufiq Hidayat Laboratorium Sistem Informasi dan Perangkat Lunak Jurusan Teknik Informatika Fakultas Teknologi
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1 Alur Metodologi Penelitian Adapun alur metodologi penelitian yang akan dipakai dalam menyelesaikan penelitian tugas akhir ini adalah sebagai berikut: Gambar 3.1 Alur Metodologi
Lebih terperinciBAB III METODOLOGI 3.1. Kerangka Pemikiran
31 BAB III METODOLOGI 3.1. Kerangka Pemikiran Penelitian tentang prediksi meledaknya wabah suatu penyakit sudah banyak dilakukan oleh para peneliti. Mereka mencoba mencari pola dan relasi dari data set
Lebih terperinciBAB I PENDAHULUAN. Perkembangan komputer sekarang ini sangat pesat dan salah. satu pemanfaatan komputer adalah dalam bidang kecerdasan buatan.
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan komputer sekarang ini sangat pesat dan salah satu pemanfaatan komputer adalah dalam bidang kecerdasan buatan. Di dalam bidang kecerdasan buatan, termasuk
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang 1.2 Rumusan Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Diagnosis penyakit yang diderita oleh seorang penderita harus dapat dilakukan dengan tepat dan akurat, karena kesalahan diagnosis berakibat fatal dan bisa membahayakan
Lebih terperinciKONSEP TAHAPAN PENGEMBANGAN APLIKASI SISTEM PAKAR DI PABRIK UREA
BAB VIII KONSEP TAHAPAN PENGEMBANGAN APLIKASI SISTEM PAKAR DI PABRIK UREA VIII.1 Pendahuluan Pada bab sebelumnya telah dibuat dan diuraikan pembahasan sebuah model sistem pakar panduan troubleshooting
Lebih terperinciBAB III TEORI DASAR SISTEM PAKAR DAN SISTEM KONTROL BERBASIS SISTEM PAKAR 20 BAB III TEORI DASAR SISTEM PAKAR DAN SISTEM KONTROL BERBASIS SISTEM PAKAR
SISTEM PAKAR 20 BAB III TEORI DASAR SISTEM PAKAR DAN SISTEM KONTROL BERBASIS SISTEM PAKAR 3.1 Sistem Pakar Sistem pakar adalah suatu program komputer cerdas yang menggunakan knowledge (pengetahuan) dan
Lebih terperinciBAB III METODE PENELITIAN. Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan
BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Penelitian Penelitian ini dilakukan di Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Lampung. Waktu penelitian dilakukan
Lebih terperinciBAB III ANALISA DAN PERANCANGAN SISTEM
BAB III ANALISA DAN PERANCANGAN SISTEM III.1 Analisa Analisa merupakan tahap awal yang harus dilakukan untuk memecahkan permasalahan yang sedang dihadapi. Tahap ini sangat penting karena dengan proses
Lebih terperinciANALISIS DAN PERANCANGAN PERANGKAT LUNAK
BAB IV ANALISIS DAN PERANCANGAN PERANGKAT LUNAK Bab ini membahas analisis perancangan perangkat lunak (diberi nama c2p) dari segi struktur data dan analisis aliran data. Hal-hal yang dibahas diantaranya
Lebih terperinciPengetahuan 2.Basis data 3.Mesin Inferensi 4.Antarmuka pemakai (user. (code base skill implemetation), menggunakan teknik-teknik tertentu dengan
Bab II TINJAUAN PUSTAKA 2.1 Pengertian Sistem Pakar Sistem pakar (expert system) adalah sistem yang berusaha mengapdosi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang Masalah
12 BAB 1 PENDAHULUAN 1. 1 Latar Belakang Masalah Komputer telah berkembang sebagai alat pengolah data, penghasil informasi dan turut berperan dalam pengambilan keputusan. Bahkan para ahli komputer masih
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT KULIT PADA ANAK
SISTEM PAKAR DIAGNOSA PENYAKIT KULIT PADA ANAK EVI NURFITRIANI Jurusan Teknik Informatika, Fakultas Sains dan Teknologi, Jl. A.H Nasution No.105, Bandung Abstrak: Kesehatan merupakan hal yang berharga
Lebih terperinciBAB 3 ALGORITMA C4.5. Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan.
BAB 3 ALGORITMA C4.5 Algoritma C4.5 merupakan algoritma yang digunakan untuk membentuk pohon keputusan. A. Pohon Keputusan Pohon keputusan merupakan metode klasifikasi dan prediksi yang sangat kuat dan
Lebih terperinciAnalisis dan Perancangan Perangkat Lunak. IV.1 Analisis Kebutuhan Perangkat Lunak
Bab IV Analisis dan Perancangan Perangkat Lunak Bagian ini menjelaskan tentang analisis dan rancangan sistem pendukung keputusan estimasi biaya produk pada IKM manufaktur dengan mempergunakan metode k-means
Lebih terperinciBAHASA PEMROGRAMAN. Merupakan prosedur/tata cara penulisan program.
BAHASA PEMROGRAMAN PROGRAM Kata, ekspresi, pernyataan atau kombinasinya yang disusun dan dirangkai menjadi satu kesatuan prosedur yang berupa urutan langkah untuk menyelesaikan masalah yang diimplementasikan
Lebih terperinciBAB 2 TINJAUAN TEORI. Artificial Intelligence. Jika diartikan Artificial memiliki makna buatan,
BAB 2 TINJAUAN TEORI 2.1 Kecerdasan Buatan Kecerdasan buatan adalah sebuah istilah yang berasal dari bahasa Inggris yaitu Artificial Intelligence. Jika diartikan Artificial memiliki makna buatan, sedangkan
Lebih terperinciBab 4 Hasil dan Pembahasan
Bab 4 Hasil dan Pembahasan 1.14 Hasil Implementasi Implementasi Aplikasi Sistem Pakar terdiri dari implementasi diagnosa kerusakan yang terdiri dari gejala, tempat yang diduga, diagnosa kerusakan dan pencarian
Lebih terperinciMateri Praktikum Data Mining Decision Tree Program Studi Informatika / Matematika FMIPA Universitas Syiah Kuala
Materi Decision Tree Program Studi Informatika / Matematika FMIPA Universitas Syiah Kuala Dosen Pengasuh Dr. Taufik Fuadi Abidin, M.Tech Dr. Muhammad Subianto, M.Si {tfa,subianto}@informatika.unsyiah.ac.id
Lebih terperinci(hiperglisemia) yang disebabkan oleh kekurangan hormon insulin. Sedangkan terapi dalam bidang farmakologi kedokteran mempelajari bagaimana penggunaan
(hiperglisemia) yang disebabkan oleh kekurangan hormon insulin. Sedangkan terapi dalam bidang farmakologi kedokteran mempelajari bagaimana penggunaan dan interaksi obat yang benar yaitu meliputi cara pemberian
Lebih terperinciPEMANFAATAN TEKNOLOGI KNOWLEDGE-BASED EXPERT SYSTEM UNTUK MENGIDENTIFIKASI JENIS ANGGREK DENGAN MENGGUNAKAN BAHASA PEMROGRAMAN JAVA
Yogyakarta, 22 Juli 2009 PEMANFAATAN TEKNOLOGI KNOWLEDGE-BASED EXPERT SYSTEM UNTUK MENGIDENTIFIKASI JENIS ANGGREK DENGAN MENGGUNAKAN BAHASA PEMROGRAMAN JAVA Ana Kurniawati, Marliza Ganefi, dan Dyah Cita
Lebih terperinciPengenalan Algoritma & Struktur Data. Pertemuan ke-1
Pengenalan Algoritma & Struktur Data Pertemuan ke-1 Apa itu Struktur Data? PROGRAM ALGO RITMA STRUKTUR DATA Algoritma.. deskripsi langkah-langkah penyelesaian masalah yang tersusun secara logis 1. Ditulis
Lebih terperinciSISTEM PAKAR. Entin Martiana Jurusan Teknik Informatika - PENS
SISTEM PAKAR Entin Martiana Jurusan Teknik Informatika - PENS Defenisi Sistem Pakar 1. Sistem pakar (expert system) adalah sistem yang berusaha mengapdosi pengetahuan manusia ke komputer, agar komputer
Lebih terperinciUNIVERSITAS BINA NUSANTARA
UNIVERSITAS BINA NUSANTARA Jurusan Teknik Informatika Program Studi Strata-1 Skripsi Sarjana Komputer Semester Genap Tahun 2004/2005 ANALISIS DAN PERANCANGAN SISTEM PAKAR UNTUK DIAGNOSA KERUSAKAN MONITOR
Lebih terperinciBAB I PENDAHULUAN. keluhan tersebut dapat hilang dengan sendirinya. Tentunya keluhan tersebut
BAB I PENDAHULUAN 1.1 Latar Belakang Mata merupakan indra yang paling penting dan sensitif dalam kehidupan manusia. Sering kali kita mengabaikan keluhan pada penglihatan dan menganggap keluhan tersebut
Lebih terperinciBAB I PENDAHULUAN. akan diderita. Setiap orang wajib menjaga kesehatannya masing masing, tetapi
BAB I PENDAHULUAN I.1. Latar Belakang Suatu gejala penyakit dapat merupakan indikasi dari suatu penyakit yang akan diderita. Setiap orang wajib menjaga kesehatannya masing masing, tetapi pada kenyataannya
Lebih terperinciMODEL SISTEM PAKAR TROUBLESHOOTING PROSES REAKTOR UREA DENGAN CLIPS
BAB VII MODEL SISTEM PAKAR TROUBLESHOOTING PROSES REAKTOR UREA DENGAN CLIPS VII.1 Pendahuluan Tujuan pada bab ini adalah membuat suatu contoh aplikasi sistem berbasis pengetahuan untuk membantu dalam troubleshooting
Lebih terperinciModel Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan dengan Teknik Decision Tree
Scientific Journal of Informatics Vol. 3, No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/index.php/sji e-issn 2460-0040 Model Data Mining sebagai Prediksi Penyakit Hipertensi Kehamilan
Lebih terperinciBAB I PENDAHULUAN. Sistem pakar atau Expert System biasa disebut juga dengan Knowledge Base
BAB I PENDAHULUAN I.1. Latar Belakang Sistem pakar atau Expert System biasa disebut juga dengan Knowledge Base System yaitu suatu aplikasi komputer yang ditujukan untuk membantu pengambilan keputusan atau
Lebih terperinciBAB I PENDAHULUAN. seiring dengan kebutuhan manusia yang semakin banyak dan kompleks. Hal ini yang
1 BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan komputer dewasa ini mengalami perkembangan yang sangat pesat, seiring dengan kebutuhan manusia yang semakin banyak dan kompleks. Hal ini yang
Lebih terperinciUKDW BAB I PENDAHULUAN
BAB I PENDAHULUAN 1.1 Latar Belakang Kelinci merupakan hewan pengerat yang berbulu lembut yang dapat dijadikan hewan peliharaan karena keindahannya, sebagai bahan konsumsi, dan sebagai percobaan. pada
Lebih terperinciBAB III ANALISA DAN DESAIN SISTEM
BAB III ANALISA DAN DESAIN SISTEM III.1. Analisa Sistem Analisa sistem pada penelitian ini bertujuan untuk menjelaskan sistem yang sedang berjalan yang terdiri dari input, proses, dan output sistem sehingga
Lebih terperinciBab 1 PENDAHULUAN UKDW
Bab 1 PENDAHULUAN 1.1 Latar Belakang Penyakit merupakan masalah yang sangat penting bagi manusia yang harus diselesaikan dengan baik dan benar. Dalam hal ini adalah masalah penyakit pada ikan khususnya
Lebih terperinciBAB I PENDAHULUAN UKDW
BAB I PENDAHULUAN 1.1. Latar Belakang Sistem pakar adalah sistem yang menggabungkan pengetahuan, fakta, aturan dan tehnik penelusuran untuk memecahkan masalah yang secara normal memerlukan keahlian seorang
Lebih terperinciBAB III ANALISIS DAN PERANCANGAN
BAB III ANALISIS DAN PERANCANGAN Bab ini akan membahas analisis mengenai permasalahan yang didefinisikan pada tugas akhir ini yaitu pemanfaatan pohon keputusan untuk pembelajaran kasus pola penulisan SMS.
Lebih terperinciSUMBER BELAJAR PENUNJANG PLPG
SUMBER BELAJAR PENUNJANG PLPG 2017 [TIK] BAB VIII PEMROGRAMAN BERORIENTASI OBJEK [Alfa Faridh Suni] KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN DIREKTORAT JENDERAL GURU DAN TENAGA KEPENDIDIKAN 2017 BAB VIII
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Pada bab ini akan membahas mengenai uraian singkat hasil-hasil penelitian atau analisis terdahulu yang ada hubungannya dengan permasalahan yang akan ditinjau dalam Tugas Akhir.
Lebih terperinciBAB III KONSEP DAN PERANCANGAN APLIKASI
BAB III KONSEP DAN PERANCANGAN APLIKASI 3.1 Konsep Pada bab ini penulis akan membahas konsep mengenai perangkat lunak yang digunakan serta akan dibahas mengenai tujuan, kegunaan dan untuk siapa aplikasi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sejak dilahirkan hingga tumbuh dewasa manusia diciptakan dengan kecerdasan yang luar biasa, kecerdasan juga akan berkembang dengan pesat. Kecerdasan tersebut yang dapat
Lebih terperinciSISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT SALURAN PENCERNAAN MENGGUNAKAN METODE DEMPSTER SHAFER
SISTEM PAKAR UNTUK MENDIAGNOSA PENYAKIT SALURAN PENCERNAAN MENGGUNAKAN METODE DEMPSTER SHAFER 1 Yasidah Nur Istiqomah (07018047), 2 Abdul Fadlil (0510076701) 1 Program Studi Teknik Informatika 2 Program
Lebih terperinciBAB I PENDAHULUAN. dan militer, kini telah digunakan secara luas di berbagai bidang, misalnya : Bisnis,
BAB I PENDAHULUAN I.1. Latar Belakang Perkembangan komputer dewasa ini telah mengalami banyak perubahan yang sangat pesat, seiring dengan kebutuhan manusia yang semakin banyak dan kompleks. Komputer yang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1 Latar Belakang dan Permasalahan Abnormal Psychology merupakan salah satu cabang dalam ilmu psikologi yang berupaya untuk memahami pola perilaku abnormal dan cara menolong orang-orang
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA Dalam penelitian ini akan dikembangkan suatu Sistem Pakar Identifikasi Jenis Anjing dengan Menggunakan Metode Forward Chaining dan berjalan pada piranti mobile berbasis Windows
Lebih terperinciMODEL HEURISTIK. Capaian Pembelajaran. N. Tri Suswanto Saptadi
1 MODEL HEURISTIK N. Tri Suswanto Saptadi 2 Capaian Pembelajaran Mahasiswa dapat memahami dan mampu mengaplikasikan model Heuristik untuk menyelesaikan masalah dengan pencarian solusi terbaik. 1 3 Model
Lebih terperinciPERSYARATAN PRODUK. 1.1 Pendahuluan Latar Belakang Tujuan
BAB 1 PERSYARATAN PRODUK Bab ini membahas mengenai hal umum dari produk yang dibuat, meliputi tujuan, ruang lingkup proyek, perspektif produk, fungsi produk dan hal umum yang lainnya. 1.1 Pendahuluan Hal
Lebih terperinciSISTEM PAKAR MENDIAGNOSA PENYAKIT UMUM YANG SERING DIDERITA BALITA BERBASIS WEB DI DINAS KESEHATAN KOTA BANDUNG
Jurnal Komputer dan Informatika (KOMPUTA) 65 SISTEM PAKAR MENDIAGNOSA PENYAKIT UMUM YANG SERING DIDERITA BALITA BERBASIS WEB DI DINAS KESEHATAN KOTA BANDUNG Tati Harihayati 1, Luthfi Kurnia 2 1,2 Program
Lebih terperinciBAB 1 PENDAHULUAN Latar belakang
BAB 1 PENDAHULUAN 1.1. Latar belakang Perkembangan komputer dewasa ini telah mengalami banyak perubahan yang sangat pesat, seiring dengan kebutuhan manusia yang semakin banyak dan kompleks. Komputer yang
Lebih terperinciAplikasi Metode ForwardChaining Untuk Mengidentifikasi Jenis Penyakit Pada Kucing Persia
Aplikasi Metode ForwardChaining Untuk Mengidentifikasi Jenis Penyakit Pada Kucing Persia Ferdio Grady Susanto 1, SusanaLimanto 1, dan Marcellinus Ferdinand Suciadi 1 1 Universitas Surabaya, Surabaya, Jawa
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pakar Definisi Pakar (Human Expert) adalah seseorang yang telah mempelajari fakta- fakta, buku teks, dan pengetahuan bidangnya, serta mengembangkan pengetahuan yang telah terdokumentasi
Lebih terperinciBAB 2. LANDASAN TEORI 2.1. Algoritma Huffman Algortima Huffman adalah algoritma yang dikembangkan oleh David A. Huffman pada jurnal yang ditulisnya sebagai prasyarat kelulusannya di MIT. Konsep dasar dari
Lebih terperinciBAB 1 PENDAHULUAN. Sistem Pakar (Expert System), Jaringan Saraf Tiruan (Artificial Neural Network), Visi
BAB 1 PENDAHULUAN 1.1 Latar Belakang Di era yang semakin maju ini, teknologi telah memegang peranan penting dalam kehidupan manusia sehari-hari, sehingga kemajuannya sangat dinantikan dan dinikmati para
Lebih terperinciPERTEMUAN III OBJEK DAN CLASS TUJUAN PRAKTIKUM
PERTEMUAN III OBJEK DAN CLASS TUJUAN PRAKTIKUM 1. Praktikan memahami perbedaan objek dan class pada Java. 2. Praktikan memahami konsep berorientasi objek. 3. Praktikan dapat membuat program sederhana dengan
Lebih terperinciTIPE DATA, VARIABLE, dan OPERATOR DELPHI
TIPE DATA, VARIABLE, dan OPERATOR DELPHI A. TIPE DATA Delphi merupakan bahasa pemrograman tingkat tinggi yang mendukung perancangan terstruktur dan berorientasi Object. Bahasa pemrograman ini berdasarkan
Lebih terperinciBAB I PENDAHULUAN. yaitu dengan suatu media konsultasi yang bersifat online. mengemukakan pesoalan-persoalan yang terjadi kemudian pakar akan
BAB I PENDAHULUAN I.1 Latar Belakang Media konsultasi merupakan sebuah media atau sarana untuk berkomunikasi atau berinteraksi antara seorang pakar dengan pengguna. Dalam bidang medis kegiatan konsultasi
Lebih terperinciUKDW. Bab 1 PENDAHULUAN
Bab 1 PENDAHULUAN 1.1 Latar Belakang Masalah Diabetes melitus adalah suatu penyakit gangguan kesehatan di mana kadar gula dalam darah seseorang menjadi tinggi karena kekurangan insulin atau reseptor insulin
Lebih terperinciPENGEMBANGAN SISTEM PAKAR DIAGNOSIS PENYAKIT DAN HAMA PADA TANAMAN SEMANGKA BERBASIS ANDROID
PENGEMBANGAN SISTEM PAKAR DIAGNOSIS PENYAKIT DAN HAMA PADA TANAMAN SEMANGKA BERBASIS ANDROID Imas Siti Munawaroh¹, Dini Destiani Siti Fatimah² Jurnal Algoritma Sekolah Tinggi Teknologi Garut Jl. Mayor
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Seseorang yang ingin memeriksa kesehatannya cenderung untuk berkonsultasi ke dokter ahli, namun terkadang hal ini dapat menyulitkan seseorang
Lebih terperinci1. Pendahuluan 1.1 Latar Belakang
1. Pendahuluan 1.1 Latar Belakang Penyakit demam dengue atau demam berdarah merupakan penyakit infeksi yang disebabkan oleh virus dengue dan ditularkan melalui gigitan nyamuk Aedes aegepty dan Aedes albopictus
Lebih terperinciBAB IV RANCANG BANGUN SISTEM
BAB IV RANCANG BANGUN SISTEM 4.1. Gambaran Umum Sistem Aplikasi yang dibuat dalam penelitian ini digunakan untuk memasukkan data pasien dan melakukan prediksi terhadap penyakit diabetes serta anjuran terapinya.
Lebih terperinciBAB I PENDAHULUAN 1.1 LATAR BELAKANG
BAB I PENDAHULUAN Bab ini berisi bagian pendahuluan yang mencakup latar belakang, rumusan dan batasan masalah, tujuan, metodologi pengerjaan, serta sistematika pembahasan dari Tugas Akhir ini. 1.1 LATAR
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan dunia medis terkini banyak menggunakan komputer untuk membantu diagnosis maupun pencegahan dan penanganan sutau penyakit. Penyakit diabetes dapat dijumpai
Lebih terperinciSistem Pakar Kerusakan pada Perangkat Keras (Hardware) di SMA Negeri 11 Kabupaten Tangerang
Sistem Pakar Kerusakan pada Perangkat Keras (Hardware) di SMA Negeri 11 Kabupaten Tangerang Joko Dwi Raharjo 1, M. Sofjan 2, Eksas Sugama 3 1,2 Dosen STMIK Bina Sarana Global, 3 Mahasiswa STMIK Bina Sarana
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN UNTUK MENDIAGNOSIS DIABETES MENGGUNAKAN C4.5
SISTEM PENDUKUNG KEPUTUSAN UNTUK MENDIAGNOSIS DIABETES MENGGUNAKAN C4.5 Muhammad Fakhrurrifqi 1,Anifuddin Aziz 2 Program Diploma Komsi Sekolah Vokasi UGM 1,2 mfrifqi@gmail.com 1 anifudin@ugm.ac.id 2 ABSTRAK
Lebih terperinciKonsep Dasar Pemrograman
Konsep Dasar Pemrograman I. Algoritma Pemrograman Yang Baik Ciri-ciri algoritma pemrograman yang baik adalah : 1. Memiliki logika perhitungan/metode yang tepat dalam memecahkan masalah 2. Menghasilkan
Lebih terperinciBAB 1 PENDAHULUAN. dapat mengalami gangguan kesehatan, tanpa mengenal usia, jenis kelamin, pekerjaan,
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Kesehatan merupakan harta yang tak ternilai bagi manusia, sehingga manusia rela melakukan segala cara agar dapat menjaga kesehatan secara jasmani. Siapa saja
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI. yang tepat. Sistem data mining mampu memberikan informasi yang tepat dan
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Sistem data mining akan lebih efektif dan efisiensi dengan komputerisasi yang tepat. Sistem data mining mampu memberikan informasi yang
Lebih terperinciIMPLEMENTASI DECISION TREE UNTUK MEMPREDIKSI JUMLAH MAHASISWA PENGAMBIL MATAKULIAH DENGAN MENGGUNAKAN STUDI KASUS DI JURUSAN TEKNIK INFORMATIKA ITS
IPLEENTASI DECISION TREE UNTUK EPREDIKSI JULAH AHASISWA PENGABIL ATAKULIAH DENGAN ENGGUNAKAN STUDI KASUS DI JURUSAN TEKNIK INFORATIKA ITS Romauli anullang - 5108100501 Latar Belakang Pembuatan jadwal pada
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Perkembangan teknologi komputer dan smartphones semakin hari pesat baik hardware maupun software, sehingga menjadi motivasi untuk mencoba mengembangkan suatu aplikasi
Lebih terperinciNama : Rendi Setiawan Nim :
Nama : Rendi Setiawan Nim : 41813120188 Desain Test Case Definisi Test Case Test case merupakan suatu tes yang dilakukan berdasarkan pada suatu inisialisasi, masukan, kondisi ataupun hasil yang telah ditentukan
Lebih terperinciBAB III ANALISIS. job[0] <no_mesin1 waktu_operasi1> <no_mesin2 waktu_operasi2>.. job[1] <no_mesin1 waktu_operasi1> <no_mesin2 waktu_operasi2>..
BAB III ANALISIS 3.1 Pendahuluan Dalam tugas akhir ini, permasalahan job shop scheduling diselesaikan dengan menerapkan sistem multiagent dengan kemampuan pembelajaran (learning) dan penalaran (reasoning)
Lebih terperinciBAB III ANALISIS DAN DESAIN SISTEM
BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisis Masalah Dalam mencari kepastian terjangkitnya sebuah penyakit, masyarakat harus pergi berkonsultasi ke dokter ahli untuk melakukan pemeriksaan dari gejala
Lebih terperinciBAB II LANDASAN TEORI
5 BAB II LANDASAN TEORI 2.1. METODE PENELITIAN 2.1.1. Studi Literatur Studi Literatur dilakukan dengan cara mengumpulkan data informasi yang berhubungan dengan sistem informasi berbasis web dan android
Lebih terperinciUniversitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika. Classification Decision Tree
Universitas Putra Indonesia YPTK Padang Fakultas Ilmu Komputer Program Studi Teknik Informatika Classification Decision Tree Classification Decision Tree Pengertian Pohon Keputusan Pohon keputusan adalah
Lebih terperinciBAB II LANDASAN TEORI. Landasan teori atau kajian pustaka yang digunakan dalam membangun
BAB II LANDASAN TEORI Landasan teori atau kajian pustaka yang digunakan dalam membangun sistem informasi ini, terdapat teori-teori ilmu terkait yang digunakan untuk membantu menyelesaikan permasalahan
Lebih terperinciPOHON KEPUTUSAN DENGAN ALGORITMA C4.5
POHON KEPUTUSAN DENGAN ALGORITMA C4.5 1. Pengantar Algoritma C4.5 Klasifikasi merupakan salah satu proses pada data mining yang bertujuan untuk menemukan pola yang berharga dari data yang berukuran relatif
Lebih terperinciFungsi Bahasa pemrograman adalah sebagai media untuk menyusun dan memahami serta sebagai alat komunikasi antara pemrogram dengan computer.
Pertemuan II Bahasa Pemrograman Program Kata, ekspresi, pernyataan atau kombinasinya yang disusun dan dirangkai menjadi satu kesatuan prosedur yang berupa urutan langkah untuk menyelesaikan masalah yang
Lebih terperinciBAB I PENDAHULUAN. yaitu genetik (keturunan) dan lingkungan sebagai faktor eksternal tubuh. Alergi
BAB I PENDAHULUAN I.1. Latar Belakang Alergi adalah penyakit atau kelainan yang tidak menular tetapi kecenderungan seseorang mengalami alergi akan dipengaruhi oleh dua faktor, yaitu genetik (keturunan)
Lebih terperinciAnalisis Model dan Simulasi. Hanna Lestari, M.Eng
Analisis Model dan Simulasi Hanna Lestari, M.Eng Simulasi dan Pemodelan Klasifikasi Model preskriptif deskriptif diskret kontinu probabilistik deterministik statik dinamik loop terbuka - tertutup Simulasi
Lebih terperinciBEKERJA DENGAN JAVA CLASS LIBRARY
MK. Pemrograman Berorientasi Objek BEKERJA DENGAN JAVA CLASS LIBRARY (CLASS-METHOD-OBJECT) KARMILASARI ANALOGI OBJEK DALAM DUNIA NYATA Objek di dunia nyata = Objek dalam perangkat lunak Atribut di dunia
Lebih terperinciOPERASI LOGIKA PADA GENERAL TREE MENGGUNAKAN FUNGSI REKURSIF
OPERASI LOGIKA PADA GENERAL TREE MENGGUNAKAN FUNGSI REKURSIF Lutfi Hakim (1), Eko Mulyanto Yuniarno (2) Mahasiswa Jurusan Teknik Elektro (1), Dosen Pembimbing (2) Institut Teknologi Sepuluh Nopember (ITS)
Lebih terperinciSISTEM INFORMASI TROUBLESHOOTING PADA PERSONAL COMPUTER (PC)
SISTEM INFORMASI TROUBLESHOOTING PADA PERSONAL COMPUTER (PC) Ari Widiastono 1, Nur Ain Banl 2, Liza Angriani 3 1 ariwahyu09@gmail.com, 2 nur.ain@amikumelmandiri.ac.id, 3 liza.angriani@amikumelmandiri.ac.id
Lebih terperinciBack end. Generate soal. logic. Generate plan. output. N-puzzle solved GUI. Parsing output dari solver
4 2 Modul permainan untuk user akan menampilkan graphic user interface berupa soal N-puzzle yang dapat dimainkan oleh user dan solusinya. 3 Modul untuk pengujian akan menampilkan soal yang dibangkitkan,
Lebih terperinciPembangunan Aplikasi Sistem Pakar untuk Diagnosis Penyakit Tanaman Padi
Pembangunan Aplikasi Sistem Pakar untuk Diagnosis Penyakit Tanaman Padi Rika Sofa 1, Dini Destiani 2, Ate Susanto 3 Jurnal Algoritma Sekolah Tinggi Teknologi Garut (STT-Garut) Jl. Mayor Syamsu No 2 Garut
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Di Era Globalisasi ini masalah kesehatan merupakan masalah kompleks. Datangnya penyakit merupakan hal yang tidak bisa ditolak meskipun kadang dapat dicegah atau dihindari.
Lebih terperinciMetode Deffuzifikasi Mean of Maximum (MOM) Kolik Gas (Tympani) Kolik Twisted gut Kolik Impaksi METODE PENELITIAN Kerangka Pemikiran
Metode Deffuzifikasi Mean of Maximum (MOM) Salah satu metode deffuzifikasi adalah Mean of Maximum. Pada metode ini, solusi crisp diperoleh dengan cara mengambil nilai rata-rata domain yang memiliki nilai
Lebih terperinciSISTEM PAKAR PENDETEKSI PENYAKIT MATA BERBASIS ANDROID
Jurnal Sistem dan Teknologi Informasi (JUSTIN) Vol. 1, No. 2, (2017) 57 SISTEM PAKAR PENDETEKSI PENYAKIT MATA BERBASIS ANDROID Aditiawarman 1, Helfi Nasution 2, Tursina 3 Program Studi Teknik Informatika,
Lebih terperinci