Eko Rio Pramudyo Mahasiswa Informatika, FT UMRAH,
|
|
- Siska Pranoto
- 6 tahun lalu
- Tontonan:
Transkripsi
1 SISTEM PAKAR DIAGNOSA PENYAKIT INFEKSI SALURAN PERNAFASAN AKUT (ISPA) DENGAN MENGGUNAKAN METODE SUGENO DAN NAIVE BAYES (STUDI KASUS RUMAH SAKIT OTORITA BATAM) Eko Rio Pramudyo Mahasiswa Informatika, FT UMRAH, Martaleli Bettiza, S.Si., M.Sc Dosen Informatika, FT UMRAH, Sulfikar Sallu, S.Kom., M.Kom Dosen Informatika, FT UMRAH, I. PENDAHULUAN Kemajuan teknologi semakin berkembang pesat di segala bidang kehidupan, menjadikan pola makan tidak teratur, kurang olahraga, jam kerja berlebihan, tidur yang tidak cukup serta konsumsi makanan cepat saji sudah menjadi kebiasaan lazim yang berpotensi menimbulkan berbagai macam penyakit. Infeksi yang terjadi lebih sering disebabkan oleh virus meski bakteri juga bisa menyebabkan kondisi ini. Kondisi ini menyebabkan fungsi pernapasan menjadi terganggu. Jika tidak segera ditangani, ISPA dapat menyebar ke seluruh sistem pernapasan tubuh. Secara anatomik, ISPA dikelompokkan menjadi ISPA atas misalnya batuk, pilek, faringitis, dan ISPA bawah seperti bronkitis, bronkiolitis, pneumonia, ISPA atas jarang menyebabkan kematian walaupun insidennya jauh lebih tinggi daripada ISPA bawah. Kehadiran sistem pakar diagnosa penyakit Infeksi Saluran Pernapasan Akut (ISPA) yang berbasis web ini memberikan kemudahan dalam proses diagnosa, jenis penyakit dan cara mengatasinya. Maka dalam hal ini penulis ingin membuat suatu sistem pakar yang bisa membantu untuk melaksanakan diagnosis penyakit Infeksi Saluran Pernapasan Akut (ISPA). Dalam penelitian kali ini, algoritma yang digunakan penulis adalah Metode Sugeno dan Naive Bayes. Kelebihan Metode Naive Bayes sendiri adalah mudah di implementasi serta memberikan hasil yang baik untuk banyak kasus, sama halnya dengan Sistem fuzzy Sugeno memperbaiki kelemahan yang dimiliki oleh sistem fuzzy murni untuk menambah suatu perhitungan matematika sederhana sebagai bagian THEN. Pada perubahan ini, sistem fuzzy memiliki suatu nilai rata-rata tertimbang (Weighted Average Values) di dalam bagian aturan fuzzy IF-THEN. (Kusumadewi, 2010). Berdasarkan uraian latar belakang diatas, maka penulis tertarik untuk mengambil judul yaitu Sistem Pakar Diagnosa Penyakit Infeksi Saluran Pernapasan Akut (ISPA) dengan Menggunakan Metode Sugeno dan Naive Bayes". 1
2 II. TINJAUAN PUSTAKA 2.1 Kajian Terdahulu Dalam penelitian ini akan dicantumkan beberapa hasil penelitian terdahulu antara lain sebagai berikut : Pindan Jati Kusuma (2013) pada penelitiannya Data Mining Untuk Mendiagnosa Penyakit Infeksi Saluran Pernafasan Akut (ISPA) Menggunakan Metode Naïve Bayes (Studi Kasus: Puskesmas Toroh 1 Kabupaten Grobogan) Penelitian ini menggunakan algoritma Naive Bayes Classifier sebagai salah satu algoritma klasifikasi data mining. Obyek penelitan dilakukan pada Puskesmas Toroh 1 Kabupaten Grobogan untuk mengambil dataset pasien. Dataset memuat 39 atribut, 32 diantaranya merupakan atribut gejalagejala penyakit, dengan total data berjumlah 1010 baris data. Hasil pemodelan diukur menggunakan table confusion matrix untuk menghitung akurasi. Pada penelitian ini terbukti Naive Bayes classifier mampu menghasilkan akurasi yang tepat. Hasil dari penelitan ini dapat digunakan untuk memberikan referensi kepada pihak petugas kesehatan dan bagi pasien dalam penyimpulan hasil analisa penyakit ISPA. 2.2 Landasan Teori Sistem Pakar Sistem Pakar (Expert System) adalah program berbasis pengetahuan yang menyediakan solusi-solusi dengan kualitas pakar untuk problema-problema Rohman & Fauzijah -Aplikasi Sistem Pakar untuk Menentukan Jenis Gangguan pada Anak dalam suatu domain yang spesifik. Sistem pakar merupakan program computer yang meniru proses pemikiran dan pengetahuan pakar dalam menyelesaikan suatu masalah tertentu. Implementasi sistem pakar banyak digunakan dalam bidang psikologi karena sistem pakar dipandang sebagai cara penyimpanan pengetahuan pakar pada bidang tertentu dalam program komputer sehingga keputusan dapat diberikan dalam melakukan penalaran secara cerdas. (Kusumadewi, 2003). Perbandingan sistem konvensional dengan sistem pakar sebagai berikut (Kusumadewi, 2003) : Tabel 1 Perbandingan Sistem Konvensional Dengan Sistem Pakar Sistem Konvensional Informasi dan pemrosesan umumnya digabung dalam satu program sequential. Program tidak pernah salah pemrogramnya salah). (kecuali yang menjelaskan mengapa input dibutuhkan atau bagaimana hasil diperoleh. Data harus lengkap. Perubahan pada program merepotkan. Sistem bekerja jika sudah lengkap. Sistem Pakar Knowledge base terpisah dari mekanisme pemrosesan (inference). Program bisa melakukan kesalahan. Penjelasan (explanation) merupakan bagian dari ES. Data tidak harus lengkap. Perubahan pada rules dapat dilakukan dengan mudah. Sistem bekerja secara heuristik dan logic. Suatu sistem dikatakan sistem pakar apabila memiliki ciri-ciri sebagai berikut (Kusumadewi, 2003): 1. Terbatas pada domain keahlian tertentu. 2. Dapat memberikan penalaran untuk datadata yang tidak pasti. 3. Dapat mengemukakan rangkaian alasanalasan yang diberikannya dengan cara yang dapat dipahami. 4. Berdasarkan pada kaidah atau rule tertentu. 5. Dirancang untuk dikembangkan sacara bertahap. 6. Keluarannya atau output bersifat anjuran. Adapun banyak manfaat yang dapat diperoleh dengan mengembangkan sistem pakar, antara lain (Kusumadewi, 2003): 1. Masyarakat awam non-pakar dapat memanfaatkan keahlian di dalam bidang tertentu tanpa kehadiran langsung seorang pakar. 2
3 2. Meningkatkan produktivitas kerja, yaitu bertambahnya efisiensi pekerjaan tertentu serta hasil solusi kerja. 3. Penghematan waktu dalam menyelesaikan masalah yang kompleks. 4. Memberikan penyederhanaan solusi untuk kasus-kasus yang kompleks dan berulang-ulang. 5. Pengetahuan dari seorang pakar dapat dikombinasikan tanpa ada batas waktu. 6. Memungkinkan penggabungan berbagai bidang pengetahuan dari berbagai pakar untuk dikombinasikan Metode Sugeno Penalaran dengan metode SUGENO hampir sama dengan penalaran MAMDANI, hanya saja output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear. Metode ini diperkenalkan oleh Takagi-Sugeno Kang pada tahun 1985, sehingga metode ini sering juga dinamakan dengan Metode Takagi Sugeno Kang. Aturan pada model fuzzy Sugeno mempunyai bentuk : IF Input 1 = x and Input 2 = y then Output is z = ax+by+c untuk model Sugeno orde-nol, Output level z i dari setiap aturan merupakan berat aturan wi (firing strength). Sebagai contoh, untuk aturan AND dengan Input 1 = x dan input 2 = y, maka firing strength adalah : wi = AndMethod (F1(X), F2(Y)) dimana F1, 2 (.) adalah membership function untuk Input 1 dan 2. Keuntungan metode Sugeno: 1. Komputasinya lebih efisien. 2. Bekerja paling baik untuk teknik linear (control PID, dll). 3. Bekerja paling baik untu teknik optimasi dan adaptif. 4. Menjamin kontinuitas permuakaan output. 5. Lebih cocok untuk analisis secara matematis. Menurut Cox (1994), Metode TSK terdiri-dari 2 jenis model fuzzy, yaitu: a. Model Fuzzy Sugeno Orde-Nol Secara umum bentuk model fuzzy SUGENO Orde-Nol adalah: IF (x 1 is A 1 ) (x 2 is A 2 ) (x 3 is A 3 ) (x N is A N ) THEN z=k dengan A i adalah himpunan fuzzy ke-i sebagai anteseden, dan k adalah suatu konstanta (tegas) sebagai konsekuen. Apabila komposisi aturan menggunakan metode SUGENO, maka deffuzifikasi dilakukan dengan cara mencari nilai rataratanya (Kusumadewi, 2010:46). Sistem fuzzy Sugeno memperbaiki kelemahan yang dimiliki oleh sistem fuzzy murni untuk menambah suatu perhitungan matematika sederhana sebagai bagian THEN. Sistem fuzzy Sugeno juga memiliki kelemahan terutama pada bagian THEN, yaitu dengan adanya perhitungan matematika sehingga tidak dapat menyediakan kerangka alami untuk merepresentasikan pengetahuan manusia dengan sebenarnya. Permasalahan kedua adalah tidak adanya kebebasan untuk menggunakan prinsip yang berbeda dalam logika fuzzy, sehingga ketidakpastian dari sistem fuzzy tidak dapat direpresentasikan secara baik dalam kerangka ini. (Kusumadewi, 2010). Himpunhan fuzzy memiliki 2 atribut, yaitu: a. Linguistik, yaitu penamaan suatu grup yang mewakili suatu keadaan atau kondisi tertentu dengan menggunakan bahsa alami, seperti: MUDA, PAROBAYA, TUA. b. Numeris, yaitu suatu nilai (angka) yang menunjukkan ukuran dari suatu variabel seperti: 4 25, 5 dsb Metode Naive Bayes Metode Naive Bayes merupakan salah satu metode yang terdapat pada teknik klasifikasi. Naive Bayes merupakan pengklasifikasian dengan metode probabilitas dan statistik yang dikemukan oleh ilmuwan Inggris Thomas Bayes, yaitu memprediksi peluang di masa depan 3
4 berdasarkan pengalaman dimasa sebelumnya sehingga dikenal sebagai Teorema Bayes. Metode Naive Bayes merupakan pendekatan statistik untuk melakukan inferensi induksi pada persoalan klasifikasi. Metode ini menggunakan probabilitas bersyarat sebagai dasarnya. Dalam ilmu statistik, probabilitas bersyarat dinyatakan seperti gambar. Gambar 1. Diagram Probabilitas Bersyarat Metode Naive Bayes P(H X) = P(X H). P(H) P(X) Persamaan 1. Metode Naive Bayes Keterangan : X : Data dengan class yang belum diketahui H : Hipotesa data X merupakan suatu cass spesifik P(H X) : Probabilitas hipotesis H berdasar kondisi X (posteriori probability) P(H) : Probabilitas hipotesis H (prior probability) P(X H) : Probabilitas X berdasarkan kondisi pada hipotesis H P(X) : Probabilitas X III. METODE PENELITIAN Metode pengumpulan data dilakukan dengan cara studi literatur yaitu penulis mempelajari teori-teori berhubungan dengan penelitian yang diangkat yaitu mengenai penerapan Metode Sugeno dan Naive Bayes, lalu data yang digunakan dalam penelitian ini adalah data rekam pasien penyakit umum yang diambil di Rumah Sakit Otorita Batam bersama dengan dr. Adam Muchtar sebagai pakar di Rumah Sakit Otorita Batam dimulai dari tanggal 07 September s/d 07 Oktober 2015 dan dari berbagai sumber-sumber yang ada seperti buku, artikel, jurnal dan situssitus internet. Menurut Roger S. Pressman, terdapat beragam model proses pengembangan perangkat lunak, diantaranya Linear Sequential Model (Model Sekuensial Linear). Model sekuensial linear melakukan pendekatan pada perkembangan perangkat lunak yang sistemik dimulai pada tingkat dan kemajuan sistem pada analysis, design, code, dan test. Roger S. Pressman membagi tahapan model ini dalam 4 tahap yaitu : Gambar 2. Metode Pengembangan Sistem IV. PEMBAHASAN Adapun alur kerja sistem ini yaitu sebagai berikut : 1. Penginputan data dalam proses perhitungan dilakukan dengan satu tahap yaitu berupa jenis kelamin, usia, batuk, pilek, nyeri menelan, sesak, tenggorokkan gatal, dan demam untuk diproses sebagai data input pada Metode Sugeno dan Naive Bayes berupa data numerik berada pada skala 1 sampai dengan 10. Selanjutnya sistem menghitung data-data yang telah diinput pada masing-masing metode yaitu Metode Sugeno dan Naive Bayes. 2. Sistem ini secara khusus dirancang untuk dapat mendiagnosa penyakit Infeksi Saluran Pernafasan Akut (ISPA) pada pasien resiko. Data yang diinput otomatis akan tersimpan dalam database sistem, kemudian data diproses untuk mendapatkan diagnosa berupa ISPA dan ISPA. Selanjutnya dalam pengujian sistem pakar diagnosa penyakit ISPA dilakukan pengujian terhadap data uji yaitu: 1. Data uji berupa gejala seperti jenis kelamin, usia, batuk, pilek, nyeri menelan sesak, tenggorokan gatal, dan demam yang diperoleh dari pasien yang telah melakukan input data. 2. Data yang telah dinput lalu akan dilakukan proses perhitungan pada sistem dengan metode sugeno dan naive bayes. 3. Selanjutnya untuk tahap akhir dilakukan pengujian tingkat akurasi pada masingmasing metode. 4
5 Laki-laki Tahun ISPA Laki-laki 1-11 Tahun ISPA Laki-laki 1-11 Tahun ISPA Laki-laki 1-11 Tahun ISPA Laki-laki 1-11 Tahun ISPA No. Jenis Kelamin Usia Batuk Pilek Nyeri Menelan Sesak Tenggorok kan Gatal Demam Status Penyakit Adapun berikut Flow Chart Sistem diagnosa penyakit ISPA dengan Metode sugeno dan naive bayes pada data pasien sebagai berikut : Sesak Merupakan variabel gejala sesak dari penyakit ISPA yang dikelompokkan dalam dua kategori dan. Tenggorokkan Gatal Merupakan variabel gejala tenggorokkan gatal dari penyakit ISPA yang dikelompokkan dalam dua kategori dan. Demam Merupakan variabel gejala demam dari penyakit ISPA yang dikelompokkan dalam dua kategori dan. Tabel 1. Data Training Gambar 3. Flow Chart Sistem 4.1 Menghitung Diagnosa Penyakit ISPA Dengan Metode Naive Bayes Adapun variabel penentu yang digunakan dalam mendiagnosa penyakit ISPA yaitu: Jenis Kelamin Merupakan variabel jenis kelamin pasien penyait ISPA yang dikelompokkan dalam dua kategori yaitu laki-laki dan perempuan. Usia Merupakan variabel usia pasien penyakit ISPA yang dikelompokkan dalam tiga kategori yaitu 1-11 tahun, tahun, > 35 tahun. Batuk Merupakan variabel gejala batuk dari penyakit ISPA yang dikelompokkan dalam dua kategori dan. Pilek Merupakan variabel gejala pilek dari penyakit ISPA yang dikelompokkan dalam dua kategori dan. Nyeri Menelan Merupakan variabel gejala nyeri menelan dari penyakit ISPA yang dikelompokkan dalam dua kategori dan Berdasarkan tabel diatas dapat dihitung klasifikasi data pasien ISPA apabila diberikan input berupa jenis kelamin, usia, batuk, pilek, nyeri menelan, sesak, tenggorokkan gatal, dan demam menggunakan Metode Naive Bayes. Dari beberapa data yang telah di uji, maka didapat hasil sebagai berikut : 5
6 1. Pengujian Menggunakan Metode Naive Bayes Nama : rasyid Usia : 25 Tahun Jenis Kelamin : Laki-laki Input: batuk = 7, pilek = 2, nyeri menelan = 3, sesak = 2, tenggorokkan gatal = 3, demam = 36 C. Hasil Diagnosa = ISPA 2. Pengujian Menggunakan Metode Naive Bayes Nama : rasyid Usia : 25 Tahun Jenis Kelamin : Laki-laki Input: batuk = 7, pilek = 2, nyeri menelan = 3, sesak = 2, tenggorokkan gatal = 3, demam = 36 C. Hasil Diagnosa = ISPA 3. Pengujian Menggunakan Metode Naive Bayes Nama : rasyid Usia : 25 Tahun Jenis Kelamin : Laki-laki Input: batuk = 7, pilek = 2, nyeri menelan = 3, sesak = 2, tenggorokkan gatal = 3, demam = 36 C. Hasil Diagnosa = ISPA 5.2 Menghitung Diagnosa Penyakit ISPA dengan Metode Sugeno Sebelum dilakukan inferensi perlu dicari terlebih dahulu derajat keanggotaan nilai tiap variabel dalam setiap himpunan dengan menggunakan persamaan. 1. Pembentukan Fungsi Keanggotaan Fungsi keanggotaan (membership fuction) adalah suatu kurva yang menunjukkan pemetaan titik-titik input data ke dalam nilai keanggotaannya. a. Batuk Gambar 4. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Batuk Himpunan Ringan x 1 x 1 atau x > 4 1 < x 4 Gambar 5. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Batuk Himpunan Sedang x 4 x 4 atau x > 7 4 < x 7 Gambar 6. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Batuk Himpunan Berat b. Pilek x 7 x 7 x > 7 Gambar 7. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Pilek Himpunan Ringan x 1 x 1 atau x > 4 1 < x 4 6
7 Gambar 8. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Pilek Himpunan Sedang x 4 atau x > 7 x 4 4 < x 7 Gambar 12. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Pilek Himpunan Berat x 7 d. Sesak x 7, 3 x > 7 Gambar 9. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Pilek Himpunan Berat x 7 x 7 x > 7 c. Nyeri Menelan Gambar 13. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Pilek Himpunan Ringan x 1 x 1 atau x > 4 Persamaan < x 4 Gambar 10. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Pilek Himpunan Ringan x 1 x 1 atau x > 4 1 < x 4 Gambar 14. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Pilek Himpunan Sedang x 4 x 4 atau x > 7 4 < x 7 Gambar 11. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Pilek Himpunan Sedang x 4 atau x > 7 x 4 4 < x 7 Gambar 15. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Pilek Himpunan Berat x 7 x 7 x > 7 7
8 e. Tenggorokkan Gatal x 33 μrendah[x] =, 2 37 x, 2 { x 33 atau x > < x < x 37 Gambar 16. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Pilek Himpunan Ringan x 1 x 1 atau x > 4 1 < x 4 Fungsi keanggotaan untuk himpunan NORMAL seperti terlihat pada Gambar 19. μnormal[x] = { x 35, 2 39 x, 2 x 35 atau x x x 39 Fungsi keanggotaan untuk himpunan TINGGI seperti terlihat pada Gambar Gambar 17. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Pilek Himpunan Sedang μtinggi[x] = x 37 2, 42 x {, 3 x 37 atau x x x 42 x 4 x 4 atau x > 7 4 < x 7 Gambar 18. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Pilek Himpunan Berat x 7 f. Demam x 7 x > 7 Gambar 19. Fungsi Keanggotaan pada Himpunanhimpunan Fuzzy pada Variabel Demam 2. Pembentukan Aturan Fuzzy Seperti telah dijelaskan di depan, bahwa ada 729 kombinasi batuk, nyeri menelan, sesak, tenggorokkan gatal, demam. Ke-729 aturan tersebut adalah: [244] IF Batuk SEDANG and Pilek RINGAN and Nyeri Menelan RINGAN and Sesak RINGAN and Tenggorokan Gatal RINGAN and Demam RENDAH THEN Rata-rata Pasien Penyakit ISPA = 5 [245] IF Batuk SEDANG and Pilek RINGAN and Nyeri Menelan RINGAN and Sesak RINGAN and Tenggorokan Gatal RINGAN and Demam NORMAL THEN Rata-rata Pasien Penyakit ISPA = 5 3. Pengujian a. Input Data Pasien Menggunakan Metode Sugeno Nama : rasyid Usia : 25 Tahun Jenis Kelamin : Laki-laki Input: batuk = 7, pilek = 2, nyeri menelan = 3, sesak = 2, tenggorokkan gatal = 3, demam = 36 C. Fungsi keanggotaan untuk himpunan RENDAH seperti terlihat pada Gambar 19. 8
9 b. Derajat keanggotaan nilai tiap variabel dalam setiap himpunan µringan(7) = 0 µsedang(7) = (7-4)/3 = 1 µberat(7) = 0 µringan(2) = (2-1)/3 = 0.33 µsedang(2) = 0 µberat(2) = 0 µringan(3) = (3-1)/3 = 0.67 µsedang(3) = 0 µberat(3) = 0 µringan(2) = (2-1)/3 = 0.33 µsedang(2) = 0 µberat(2) = 0 µringan(3) = (3-1)/3 = 0.67 µsedang(3) = 0 µberat(3) = 0 µrendah(36) = (37-36)/2 = 0.5 µsedang(36) = (36-35)/2 = 0.5 µtinggi(36) = 0 2. Pencarian α-predikat (fire strength) untuk setiap aturan (R244) IF Batuk SEDANG and Pilek RINGAN and Nyeri Menelan RINGAN and Sesak RINGAN and Tenggorokan Gatal RINGAN and Demam RENDAH THEN Pasien ISPA = 5; α-predikat 244 = min(μbatuk SEDANG(7); μpilek RINGAN(2); μnyeri Menelan RINGAN(3); μsesak RINGAN(2); μtenggorokkan RINGAN(3); μdemam RENDAH(36)) =min(1;0.33;0.67;0.33;0.67;0.5) = 0.33 z 244 = 5 (R245) IF Batuk SEDANG and Pilek RINGAN and Nyeri Menelan RINGAN and Sesak RINGAN and Tenggorokan Gatal RINGAN and Demam NORMAL THEN Pasien ISPA = 5; α-predikat 245 = min(μbatuk SEDANG(7); μpilek RINGAN(2); μnyeri Menelan RINGAN(3); μsesak RINGAN(2); μtenggorokkan RINGAN(3); μdemam NORMAL(36)) = min(1;0.33;0.67;0.33;0.67;0.5) = 0.33 z 245 = 5 3. Karena σ-predikat yang tidak nol hanya terdapat pada aturan: (244) dan (245), dengan menggunaan metode deffuzzy weight average, maka rata-rata jumlah produk adalah: Z = α 244+z 244 +a 245 +z 245 a 244 +a 245 Z = Z = 3,3 66 = 5 Hasil Diagnosa : ISPA 5.3 Analisa Perbandingan. 1. Diketahui setelah data diujikan menggunakan metode naive bayes, didapat sebesar 70 data yang sama dengan dengan 71 data rekam yang asli dan 1 data tidak sama. 2. Apabila 71 data rekam sebenarnya diujikan dengan menggunakan metode sugeno, hasil yang didapat adalah sebesar dengan artian tidak ada yang sama dari ke 71 data rekam tersebut. V. SIMPULAN DAN SARAN Kesimpulan yang dapat diambil dari penelitian diagnosa penyakit ISPA dengan Metode Naive Bayes dan Sugeno adalah sistem ini telah berhasil menerapkan Metode Naive Bayes dalam mendiagnosa pasien resiko penyakit ISPA. Dari 71 data rekam medis pasien ISPA (Infeksi Saluran Pernafasan Akut) yang telah diuji menggunakan Metode Sugeno dan Naive Bayes, didapat bahwa menggunakan metode naive bayes diperoleh hasil sebesar 70 yang sama dari data rekam pasien ISPA sebanyak 71 yang ISPA. Jika 71 data pasien rekam medis penyakit di uji menggunakan Metode Sugeno hanya didapat 0 data ISPA dari data sebenarnya sebanyak 71 data, hal ini dikarenakan inputan pada gejala sugeno tidak semuanya terisi, sebab pada ke-71 data rekam tersebut 9
10 tidak semuanya gejala ada, jadi dalam menggunakan Metode Naive Bayes lebih baik untuk mendiagnosa resiko penyakit ISPA. Ada beberapa saran yang perlu disampaikan dalam penelitian ini, dengan harapan akan menjadi saran yang bermanfaat, yaitu : 1. Diharapkan agar aplikasi ini dapat dikembangkan sesuai kebutuhan di masa mendatang. 2. Agar algoritma Naive Bayes dan Sugeno dapat di terapkan pada kasus lain. 3. Agar dapat menambah jenis penyakit yang berhubungan dengan pernafasan dalam mendiagnosa penyakit ISPA dengan Naive Bayes dan Sugeno pada pasien jenis penyakit lain. Pambudi, Ibnu Marwan, 2013, Sistem Pakar untuk Mengidentifikasi Penyakit Umum pada Anak Berbasis Mobile, Jurnal, Universitas Budi Luhur, Jakarta. VI. DAFTAR PUSTAKA Arsyad, Muhammad, 2014, Implementasi Metode Sugeno pada Sistem Pakar Penentuan Stadium pada Penyakit Tuberculosis (TBC), Jurnal, STMIKA Budidarma, Medan. Jati Kusuma, Pindan, 2013, Data Mining Untuk Mendiagnosa Penyakit Infeksi Saluran Pernafasan (ISPA) Menggunakan Metode Naive Bayes (Studi Kasus: Puskesmas Toroh 1 Kabupaten Grobogan, Jurnal, Universitas Dian Nuswantoro, Semarang. Kusumadewi, Sri, Purnomo, Hari APLIKASI LOGIKA FUZZY untuk Pendukung Keputusan Edisi 2, Graha Ilmu, Yogyakarta. O. Egwali, Annie, Ph.D and C. Obi, Jonathan M.Sc., 2015, An Adaptive Neuro- Fuzzy Inference System for Diagnosis of EHF, Depatment of Computer, Faculty of Phsycal Science, University of Benin. Pramuditya Wiweka, Eriz, 2013, Sistem Pakar Diagnosa Infeksi Saluran Pernafasan Akut (ISPA) Menggunakan Logika Fuzzy, Jurnal, Universitas Tanjungpura, Pontianak. 10
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Sekarang ini hampir semua perusahaan yang bergerak di bidang industri dihadapkan pada suatu masalah yaitu adanya tingkat persaingan yang semakin kompetitif. Hal ini
Lebih terperinciBAB II KAJIAN PUSTAKA. mengikuti sertifikasi, baik pendidikan gelar (S-1, S-2, atau S-3) maupun nongelar (D-
BAB II KAJIAN PUSTAKA A. Kualifikasi Akademik Ditjendikti - kemendiknas, (2010) menyatakan bahwa kualifikasi akademik adalah ijazah pendidikan tinggi yang dimiliki oleh guru pada saat yang bersangkutan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Logika Fuzzy Fuzzy secara bahasa diartikan sebagai kabur atau samar yang artinya suatu nilai dapat bernilai benar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotan
Lebih terperinciMetode Tsukamoto untuk Mendiagnosa Penyakit Infeksi pada Manusia
Metode Tsukamoto untuk Mendiagnosa Penyakit Infeksi pada Manusia Irmalia Suryani Faradisa dan Putri Sari Jurusan Teknik Elektro, Institut Teknologi Nasional Malang E-mail: faradyza@gmail.com Abstrak Gejala
Lebih terperinciBAB II TINJAUAN PUSTAKA
4 BAB II TINJAUAN PUSTAKA A. Penjurusan di SMA Sepanjang perkembangan Pendidikan formal di Indonesia teramati bahwa penjurusan di SMA telah dilaksanakan sejak awal kemerdekaan yaitu tahun 1945 sampai sekarang,
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Logika Fuzzy Logika fuzzy merupakan suatu metode pengambilan keputusan berbasis aturan yang digunakan untuk memecahkan keabu-abuan masalah pada sistem yang sulit dimodelkan
Lebih terperinciProses Pendiagnosaan Penyakit Menggunakan Logika Fuzzy Dengan Metode Mamdani
JURNAL SAINTIFIK VOL.3 NO. 2, JULI 2017 Proses Pendiagnosaan Penyakit Menggunakan Logika Fuzzy Dengan Metode Mamdani Darmawati Jurusan Matematika FMIPA Universitas Sulawesi Barat; e-mail: dharmawangs89@gmail.com
Lebih terperinci: Sistem Pendukung Keputusan, Siswa berprestasi, Tsukamoto
SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN SISWA BERPRESTASI BERBASIS WEB DENGAN METODE TSUKAMOTO PADA SMA INSTITUT INDONESIA Eko Purwanto Program Studi Teknik Informatika, Fakultas Ilmu Komputer Universitas
Lebih terperinciBAB II KAJIAN PUSTAKA
BAB II KAJIAN PUSTAKA A. Kompetensi Pedagogik Menurut Mahmudin (2008) Kompetensi Guru merupakan seperangkat pengetahuan, keterampilan, dan perilaku yang harus dimiliki, dihayati, dikuasai, dan diaktualisasikan
Lebih terperinciAplikasi Prediksi Harga Bekas Sepeda Motor Yamaha. Menggunakan Fuzzy Logic
Aplikasi Prediksi Harga Bekas Sepeda Motor Yamaha Menggunakan Fuzzy Logic 1. Pendahuluan Jual beli motor merupakan suatu kegiatan transaksi yang mungkin sering kita temukan di kehidupan sehari-hari. Untuk
Lebih terperinciMetode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan dan Pustakawan
Scientific Journal of Informatics Vol., No. 1, Mei 2016 p-issn 2407-7658 http://journal.unnes.ac.id/nju/inde.php/sji e-issn 2460-0040 Metode Fuzzy Inference System untuk Penilaian Kinerja Pegawai Perpustakaan
Lebih terperinciFUZZY LOGIC CONTROL 1. LOGIKA FUZZY
1. LOGIKA FUZZY Logika fuzzy adalah suatu cara tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Teknik ini menggunakan teori matematis himpunan fuzzy. Logika fuzzy berhubungan dengan
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1. Metode Pengumpulan Data Dalam penelitian diagnosa penyakit asma dengan menggunakan metode fuzzy Tsukamoto, dibutuhkan data mengenai gejala penyakit dari seorang pakar atau
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah kata benda yang berasal dari kata himpun. Kata kerjanya adalah menghimpun. Menghimpun adalah kegiatan yang berhubungan dengan berbagai objek apa saja.
Lebih terperinciSISTEM PAKAR DIAGNOSIS PENYAKIT INFEKSI SALURAN PERNAPASAN AKUT PADA ANAK MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER
SISTEM AKAR DIAGNOSIS ENYAKIT INFEKSI SALURAN ERNAASAN AKUT ADA ANAK MENGGUNAKAN METODE NAÏVE BAYES CLASSIFIER Hendra Effendi Teknik Informatika STMIK alcomtech Jl. Basuki Rahmat No. 05, alembang 30129,
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1. Tinjauan Pustaka Penelitian dengan judul Pemodelan Untuk Menentukan Kecukupan Angka Gizi Ibu Hamil. Penentuan status kecukupan angka gizi ibu hamil dilakukan
Lebih terperinciPenentuan Jumlah Produksi Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno
Penentuan Kue Bolu pada Nella Cake Padang dengan Sistem Inferensi Fuzzy Metode Sugeno Shenna Miranda #1, Minora Longgom Nasution *2, Muhammad Subhan #3 #1 Student of Mathematics department State University
Lebih terperinciMENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO
MENENTUKAN HARGA MOBIL BEKAS TOYOTA AVANZA MENGGUNAKAN METODE TSUKAMOTO Ganjar Ramadhan Jurusan Teknik Informatika, Universitas Islam Negeri Syarif Hidayatullah Jakarta Email : ganjar.ramadhan05@yahoo.com
Lebih terperinciSistem Pendukung Keputusan Untuk Menentukan Status Gizi Balita Menggunakan Metode Fuzzy Inferensi Sugeno (Berdasarkan Metode Antropometri)
Sistem Pendukung Keputusan Untuk Menentukan Status Gizi Balita Menggunakan Metode Fuzzy Inferensi Sugeno (Berdasarkan Metode Antropometri) Alfian Romadhon 1, Agus Sidiq Purnomo 2 1 Program Studi Sistem
Lebih terperinciIMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA
IMPLEMENTASI FUZZY RULE BASED SYSTEM UNTUK KLASIFIKASI BUAH MANGGA Subhan Hartanto Sistem Informatika, Universitas Pembangunan Panca Budi Jl. Jend Gatot Subroto, Simpang Tj., Medan Sunggal, Kota Medan,
Lebih terperinciSISTEM PAKAR DIAGNOSA PENYAKIT DBD DAN DEMAM TIFOID DENGAN METODE FUZZY TSUKAMOTO (STUDI KASUS PUSKESMAS PRACIMANTORO I)
ISSN : 2338-18 SISTEM PAKAR DIAGNOSA PENYAKIT DBD DAN DEMAM TIFOID DENGAN METODE FUZZY TSUKAMOTO (STUDI KASUS PUSKESMAS PRACIMANTORO I) Waluyo (waluyo08@gmail.com) Didik Nugroho (didikhoho@gmail.com) Kustanto
Lebih terperinciErwien Tjipta Wijaya, ST.,M.Kom
Erwien Tjipta Wijaya, ST.,M.Kom PENDAHULUAN Logika Fuzzy pertama kali dikenalkan oleh Prof. Lotfi A. Zadeh tahun 1965 Dasar Logika Fuzzy adalah teori himpunan fuzzy. Teori himpunan fuzzy adalah peranan
Lebih terperinciPENERAPAN METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK)
PENERAPAN METODE FUZZY TSUKAMOTO UNTUK MEMPREDIKSI HASIL PRODUKSI KELAPA SAWIT (STUDI KASUS : PT. AMAL TANI PERKEBUNAN TANJUNG PUTRI BAHOROK) Andrian Juliansyah ( 1011287) Mahasiswa Program Studi Teknik
Lebih terperinciPENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA)
PENERAPAN FUZZY SUGENO DALAM SISTEM PENDUKUNG KEPUTUSAN MENENTUKAN KELAS PEMINATAN (STUDI KASUS : STMIK POTENSI UTAMA) Alfa Saleh Teknik Informatika STMIK Potensi Utama Jl K.L. Yos Sudarso KM 6.5 No.3-A,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Logika Fuzzy Zadeh (1965) memperkenalkan konsep fuzzy sebagai sarana untuk menggambarkan sistem yang kompleks tanpa persyaratan untuk presisi. Dalam jurnalnya Hoseeinzadeh et
Lebih terperinciIMPLEMENTASI METODE FUZZY INFERENCE SYSTEM (FIS) TSUKAMOTO UNTUK PENENTUAN PERAWATAN KULIT BERDASARKAN JENISNYA
IMPLEMENTASI METODE FUZZY INFERENCE SYSTEM (FIS) TSUKAMOTO UNTUK PENENTUAN PERAWATAN KULIT BERDASARKAN JENISNYA Citra Wiguna Universitas Dian Nuswantoro Email : ciwiezz@gmail.com ABSTRACT Skin is an essential
Lebih terperinciBAB I PENDAHULUAN. dada, sesak nafas, berdebar-debar (Notoatmodjo, 2007:303).
BAB I PENDAHULUAN A. Latar Belakang Diperkirakan 17,5 juta orang meninggal akibat penyakit kardiovaskular pada tahun 2012, yang mewakili 31% dari semua kematian di dunia. Dari kematian ini, diperkirakan
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Bab ini berisi tentang pemahaman dari logika fuzzy dan data mining. Pada bab ini juga akan dijelaskan bagian-bagian yang perlu diketahui dalam logika fuzzy dan data mining, sehingga
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 4 BAB 2 TINJAUAN PUSTAKA 2.1. Pengertian Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output. Titik awal dari konsep modern
Lebih terperinciPERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan)
PERBANDINGAN METODE TSUKAMOTO, METODE MAMDANI DAN METODE SUGENO UNTUK MENENTUKAN PRODUKSI DUPA (Studi Kasus : CV. Dewi Bulan) Komang Wahyudi Suardika 1, G.K. Gandhiadi 2, Luh Putu Ida Harini 3 1 Program
Lebih terperinciKata kunci: Sistem pendukung keputusan metode Sugeno, tingkat kepribadian siswa
SISTEM PENDUKUNG KEPUTUSAN METODE SUGENO DALAM MENENTUKAN TINGKAT KEPRIBADIAN SISWA BERDASARKAN PENDIDIKAN (STUDI KASUS DI MI MIFTAHUL ULUM GONDANGLEGI MALANG) Wildan Hakim, 2 Turmudi, 3 Wahyu H. Irawan
Lebih terperinciPenerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk
Nusantara of Enginering/Vol.3/No.1/ISSN: 2355-6684 41 Penerapan Metode Fuzzy Sugeno Dalam Pendaftaran Siswa Baru di SDN Sonopatik 1 Nganjuk Fajar Rohman Hariri Jurusan Teknik Informatika, Fakultas Teknik,
Lebih terperinciPresentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ. Muhammad Reza Budiman
Presentasi TA DETEKSI PENYAKIT PARU-PARU OBSTRUKTIF KRONIS MENGGUNAKAN METODE FUZZY : STUDI KASUS DI RUMAH SAKIT XYZ Muhammad Reza Budiman 5209100075 Jurusan Sistem Informasi Fakultas Teknologi Informasi
Lebih terperinciSISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH
KECERDASAN BUATAN SISTEM INFERENSI FUZZY (METODE TSUKAMOTO) UNTUK PENENTUAN KEBUTUHAN KALORI HARIAN OLEH AMARILIS ARI SADELA (E1E1 10 086) SITI MUTHMAINNAH (E1E1 10 082) SAMSUL (E1E1 10 091) NUR IMRAN
Lebih terperinciANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN
ANALISIS RULE INFERENSI SUGENO DALAM SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN Khairul Saleh Teknik Informatika, Fakultas Ilmu Komputer dan Teknologi Informasi, Universitas Sumatera Utara Jalan Universitas
Lebih terperinciVersi Online tersedia di : JURNAL TECH-E (Online)
JURNAL TECH-E - VOL. 1 NO. 1 (17) Versi Online tersedia di : http://bsti.ubd.ac.id/e-jurnal JURNAL TECH-E 2581-1916 (Online) Artikel Perancangan Aplikasi Penentu Jurusan IPA atau IPS Pada SMA Menggunakan
Lebih terperinciSISTEM PAKAR UNTUK MENENTUKAN TIPE AUTISME PADA ANAK USIA 7-10 TAHUN MENGGUNAKAN METODE FORWARD CHAINING. Agam Krisna Setiaji
1 SISTEM PAKAR UNTUK MENENTUKAN TIPE AUTISME PADA ANAK USIA 7-10 TAHUN MENGGUNAKAN METODE FORWARD CHAINING Agam Krisna Setiaji Program Studi Teknik Informatika Fakultas Ilmu Komputer Universitas Dian Nuswantoro,
Lebih terperinciAPLIKASI FUZZY INFERENCE SYSTEM (FIS) TSUKAMOTO UNTUK MENGANALISA TINGKAT RESIKO PENYAKIT DALAM
APLIKASI FUZZY INFERENCE SYSTEM (FIS) TSUKAMOTO UNTUK MENGANALISA TINGKAT RESIKO PENYAKIT DALAM Oleh: TRIVIA FALOPI NRP 1203 109 006 Dosen Pembimbing Drs. I Gusti Ngurah Rai Usadha, M.Si ABSTRAKSI Dalam
Lebih terperinciLOGIKA FUZZY. Kelompok Rhio Bagus P Ishak Yusuf Martinus N Cendra Rossa Rahmat Adhi Chipty Zaimima
Sistem Berbasis Pengetahuan LOGIKA FUZZY Kelompok Rhio Bagus P 1308010 Ishak Yusuf 1308011 Martinus N 1308012 Cendra Rossa 1308013 Rahmat Adhi 1308014 Chipty Zaimima 1308069 Sekolah Tinggi Manajemen Industri
Lebih terperinciPengantar Kecerdasan Buatan (AK045218) Logika Fuzzy
Logika Fuzzy Pendahuluan Alasan digunakannya Logika Fuzzy Aplikasi Himpunan Fuzzy Fungsi keanggotaan Operator Dasar Zadeh Penalaran Monoton Fungsi Impilkasi Sistem Inferensi Fuzzy Basis Data Fuzzy Referensi
Lebih terperinciARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA
ARTIFICIAL INTELLIGENCE MENENTUKAN KUALITAS KEHAMILAN PADA WANITA PEKERJA Rima Liana Gema, Devia Kartika, Mutiana Pratiwi Universitas Putra Indonesia YPTK Padang email: rimalianagema@upiyptk.ac.id ABSTRAK
Lebih terperinciSISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC
SISTEM PENENTUAN KANDIDAT KETUA KARANG TARUNA DENGAN MENGGUNAKAN FUZZY LOGIC ( STUDY KASUS : KARANG TARUNA DESA PUHJARAK ) SKRIPSI Diajukan Untuk Memenuhi Sebagai Syarat Guna Memperoleh Gelar Sarjana Komputer
Lebih terperinciAPLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI)
APLIKASI PENGAMBILAN KEPUTUSAN DENGAN METODE TSUKAMOTO PADA PENENTUAN TINGKAT KEPUASAN PELANGGAN (STUDI KASUS DI TOKO KENCANA KEDIRI) 1Venny Riana Agustin, 2 Wahyu H. Irawan 1 Jurusan Matematika, Universitas
Lebih terperinciBAB II LANDASAN TEORI. Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya
BAB II LANDASAN TEORI A. Logika Fuzzy Dalam kondisi yang nyata, beberapa aspek dalam dunia nyata selalu atau biasanya berada di luar model matematis dan bersifat inexact. Konsep ketidakpastian inilah yang
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini penulis akan menjelaskan mengenai landasan teori yang digunakan pada penelitian ini. Penjabaran ini bertujuan untuk memberikan pemahaman lebih mendalam kepada penulis
Lebih terperinciREVIEW JURNAL LOGIKA FUZZY
REVIEW JURNAL LOGIKA FUZZY Disusun oleh : Gita Adinda Permata 1341177004309 PROGRAM STUDI TEKNIK INFORMATIKA FAKULTAS ILMU KOMPUTER UNIVERSITAS NEGERI SINGAPERBANGSA KARAWANG KATA PENGANTAR Assalamualaikum
Lebih terperinciLogika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy.
LOGIKA FUZZY UTHIE Intro Pendahuluan Logika fuzzy pertama kali dikembangkan oleh Lotfi A. Zadeh melalui tulisannya pada tahun 1965 tentang teori himpunan fuzzy. Lotfi Asker Zadeh adalah seorang ilmuwan
Lebih terperinciKECERDASAN BUATAN (Artificial Intelligence) Materi 8. Entin Martiana
Logika Fuzzy KECERDASAN BUATAN (Artificial Intelligence) Materi 8 Entin Martiana 1 Kasus fuzzy dalam kehidupan sehari-hari Tinggi badan saya: Andi menilai bahwa tinggi badan saya termasuk tinggi Nina menilai
Lebih terperinciSISTEM PAKAR DIAGNOSIS AWAL PENYAKIT KAMBING MENGGUNAKAN FUZZY INFERENCE TSUKAMOTO
SISTEM PAKAR DIAGNOSIS AWAL PENYAKIT KAMBING MENGGUNAKAN FUZZY INFERENCE TSUKAMOTO Sella Dwi Ovie Dityanto 1, Ariadi Retno Tri Hayati Ririd 2, Rosa Andrie Asmara 3 1,2 Program Studi Teknik Informatika,
Lebih terperinciJurnal Informatika SIMANTIK Vol. 2 No. 2 September 2017 ISSN:
PENERAPAN LOGIKA FUZZY UNTUK MENENTUKAN MAHASISWA BERPRESTASI DI STMIK CIKARANG MENGGUNAKAN JAVA NETBEANS DAN MYSQL Ema Dili Giyanti 1), Ali Mulyanto 2) 1) Program Studi Teknik Informatika, STMIK Cikarang
Lebih terperinciPERANCANGAN GAME TURN BASED STRATEGY MENGGUNAKAN LOGIKA FUZZY DAN NAIVE BAYES CLASSIFIER
PERANCANGAN GAME TURN BASED STRATEGY MENGGUNAKAN LOGIKA FUZZY DAN NAIVE BAYES CLASSIFIER Dery Fathurochman 1), Wina Witanti 2), Rezki Yuniarti 3) 1,2,3) Jurusan Teknik Informatika, Universitas Jenderal
Lebih terperinciBAB 2 LANDASAN TEORI 2.1 Konsep Dasar Sistem Definisi Sistem
BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Sistem 2.1.1 Definisi Sistem Menurut Mustakini (2009:34), Sistem dapat didefinisikan dengan pendekatan prosedur dan pendekatan komponen, sistem dapat didefinisikan
Lebih terperinciFUZZY MULTI-CRITERIA DECISION MAKING
Media Informatika, Vol. 3 No. 1, Juni 2005, 25-38 ISSN: 0854-4743 FUZZY MULTI-CRITERIA DECISION MAKING Sri Kusumadewi, Idham Guswaludin Jurusan Teknik Informatika, Fakultas Teknologi Industri, Universitas
Lebih terperinciSISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA BIDIK MISI DI POLITEKNIK NEGERI JEMBER MENGGUNAKAN LOGIKA FUZZY
SISTEM PENDUKUNG KEPUTUSAN PENERIMAAN BEASISWA BIDIK MISI DI POLITEKNIK NEGERI JEMBER MENGGUNAKAN LOGIKA FUZZY oleh: 1 I Putu Dody Lesmana, 2 Arfian Siswo Bintoro 1,2 Jurusan Teknologi Informasi, Politeknik
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Tingkat kesehatan bank dapat diketahui dengan melihat peringkat
BAB IV HASIL DAN PEMBAHASAN A. Analisis Tingkat Kesehatan Bank Tingkat kesehatan bank dapat diketahui dengan melihat peringkat komposit bank tersebut. Menurut peraturan Bank Indonesia No. 13/1/PBI/2011
Lebih terperinciBAB 2 2. LANDASAN TEORI
BAB 2 2. LANDASAN TEORI Bab ini akan menjelaskan mengenai logika fuzzy yang digunakan, himpunan fuzzy, penalaran fuzzy dengan metode Sugeno, dan stereo vision. 2.1 Logika Fuzzy Logika fuzzy adalah suatu
Lebih terperinciAplikasi Sistem Pakar untuk Mendiagnosa Gangguan Pernafasan pada Anak Menggunakan Metode CF (Certainty Factor)
Jurnal Komputer Terapan Vol. 2, No. 2, November 2016, 159-168 159 Jurnal Politeknik Caltex Riau http://jurnal.pcr.ac.id Aplikasi Sistem Pakar untuk Mendiagnosa Gangguan Pernafasan pada Anak Menggunakan
Lebih terperinciAnalisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic
Analisis Pengaruh Pemilihan Fuzzy Membership Function Terhadap Output Sebuah Sistem Fuzzy Logic Luh Kesuma Wardhani, Elin Haerani Jurusan Teknik Informatika Fakultas Sains dan Teknologi UIN SUSKA Riau
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Beras merupakan salah satu kebutuhan pokok manusia yang sangat penting dalam kelangsungan hidupnya. Untuk memenuhi kebutuhan beras, setiap manusia mempunyai cara-cara
Lebih terperinciAplikasi untuk Diagnosis Penyakit pada Anak dan Balita Menggunakan Faktor Kepastian
Aplikasi untuk Diagnosis Penyakit pada Anak dan Balita Menggunakan Faktor Kepastian Helen Sastypratiwi 1, Fatma Agus Setyaningsih 2 Program Studi Teknik Informatika Universitas Tanjungpura Jl. Ahmad Yani,
Lebih terperinciSISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB
JURNAL MATRIX VOL. 3, NO. 1, MARET 2013 39 SISTEM INFERENSI FUZZY MAMDANI BERBASIS WEB I Ketut Suwintana Jurusan Akuntansi Politeknik Negeri Bali Kampus Bukit Jimbaran Bali Telp. +62 361 701981 Abstrak:.Logika
Lebih terperinciPEMANFATAN TEOREMA BAYES DALAM PENENTUAN PENYAKIT THT
PEMANFATAN TEOREMA BAYES DALAM PENENTUAN PENYAKIT THT Sri Winiarti Program Studi Teknik Informatika Fakultas Teknologi Industri Universitas Ahmad Dahlan Yogyakarta Email : daffal02@yahoo.com ABSTRAK Dalam
Lebih terperinciBAB II TEORI PENUNJANG
BAB II TEORI PENUNJANG 2.1 LOGIKA FUZZY Titik awal dari konsep modern mengenai ketidakpastian adalah paper yang dibuat oleh Lofti A Zadeh, dimana Zadeh memperkenalkan teori yang memiliki obyek-obyek dari
Lebih terperinciBAB 1 PENDAHULUAN. Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan
BAB 1 PENDAHULUAN 1.1. Latar Belakang Logika fuzzy memberikan solusi praktis dan ekonomis untuk mengendalikan sistem yang kompleks. Logika fuzzy memberikan rangka kerja yang kuat dalam memecahkan masalah
Lebih terperinciProgram Studi Teknik Informatika, Jurusan Teknologi Informasi, Politeknik Negeri Malang 1. Abstrak
SISTEM PAKAR DIAGNOSA PENYAKIT TANAMAN JAGUNG MENGGUNAKAN METODE FUZZY INFERENCE TSUKAMOTO (STUDI KASUS DI DINAS PERTANIAN KOTA BLITAR) Yudha Rizki Widyanto 1, Ariadi Retno Tri Hayati Ririd,S.Kom.,M.Kom
Lebih terperinciBAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI
BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Pada penelitian Sistem Pakar Diagnosa Awal Kanker Serviks Menggunakan Metode Naive Bayes Berbasis Android Dalam penelitian ini, untuk mengidentifikasi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Permintaan, Persediaan dan Produksi 2.1.1 Permintaan Permintaan adalah banyaknya jumlah barang yang diminta pada suatu pasar tertentu dengan tingkat harga tertentu pada tingkat
Lebih terperinciTeam project 2017 Dony Pratidana S. Hum Bima Agus Setyawan S. IIP
Hak cipta dan penggunaan kembali: Lisensi ini mengizinkan setiap orang untuk menggubah, memperbaiki, dan membuat ciptaan turunan bukan untuk kepentingan komersial, selama anda mencantumkan nama penulis
Lebih terperincike dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti
BAB II LANDASAN TEORI 2.1 Logika Fuzzy Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Orang yang belum pernah mengenal logika fuzzy pasti akan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Sistem pakar adalah suatu cabang kecerdasan buatan yang menggunakan pengetahuan-pengetahuan khusus yang dimiliki oleh seorang ahli untuk menyelesaikan suatu masalah
Lebih terperinci1. BAB I PENDAHULUAN 1.1. Latar Belakang
1. BAB I PENDAHULUAN 1.1. Latar Belakang Kanker merupakan tantangan kesehatan masyarakat yang besar di dunia dengan insidensi yang meningkat setiap tahun (Parkin dkk., 2005 dalam Haryono, 2012). Insidensi
Lebih terperinciJurnal Ilmiah Komputer dan Informatika (KOMPUTA) REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH
68 REPRESENTASI EMOSI MENGGUNAKAN LOGIKA FUZZY PADA PERMAINAN BONNY S TOOTH BOOTH Septiani Nur Hasanah 1, Nelly Indriani Widiastuti 2 Program Studi Teknik Informatika. Universitas Komputer Indonesia. Jl.
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Himpunan adalah suatu kumpulan atau koleksi objek-objek yang mempunyai kesamaan sifat tertentu. Objek ini disebut elemen-elemen atau anggota-anggota dari himpunan (Frans
Lebih terperinciPemanfaatan Metode Tsukamoto Untuk Klasifikasi Daerah Rawan Penyakit Tuberkulosis Paru Dalam Bentuk Sistem Informasi Geografis
Pemanfaatan Metode Tsukamoto Untuk Klasifikasi Daerah Rawan Penyakit Tuberkulosis Paru Dalam Bentuk Sistem Informasi Geografis Muhammad Ridwan Dwiangga Fakultas Teknologi Industri, Teknik Informatika Universitas
Lebih terperincimanusia diantaranya penyakit mata konjungtivitis, keratitis, dan glaukoma.
6 BAB II TINJAUAN PUSTAKA 2.1 Gambaran Tentang Mata Mata merupakan organ tubuh manusia yang paling sensitif apabila terkena benda asing misal asap dan debu. Debu akan membuat mata kita terasa perih atau
Lebih terperinciSPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ
SPK PENENTUAN TINGKAT KEPUASAN KONSUMEN PADA RESTORAN XYZ P.A Teknik Informatika Universitas Ahmad Dahlan Yogyakarta Kampus 3 UAD, Jl. Prof. Soepomo rochmahdyah@yahoo.com Abstrak Perkembangan teknologi
Lebih terperinciREVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA
Seminar Nasional Sistem Informasi Indonesia, 6 November 2017 REVIEW PENERAPAN FUZZY LOGIC SUGENO DAN MAMDANI PADA SISTEM PENDUKUNG KEPUTUSAN PRAKIRAAN CUACA DI INDONESIA Anisa Citra Mutia, Aria Fajar Sundoro,
Lebih terperinciDENIA FADILA RUSMAN
Sidang Tugas Akhir INVENTORY CONTROL SYSTEM UNTUK MENENTUKAN ORDER QUANTITY DAN REORDER POINT BAHAN BAKU POKOK TRANSFORMER MENGGUNAKAN METODE FUZZY (STUDI KASUS : PT BAMBANG DJAJA SURABAYA) DENIA FADILA
Lebih terperinciPENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 03, No. (204), hal 39-46. PENGENDALIAN KECEPATAN KENDARAAN RODA EMPAT DENGAN MENGGUNAKAN FUZZY INFERENCE SYSTEM METODE MAMDANI Yoakim Marinus
Lebih terperinciPenerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi
Penerapan FuzzyTsukamotodalam Menentukan Jumlah Produksi Berdasarkan Data Persediaan dan Jumlah Permintaan Ria Rahmadita Surbakti 1), Marlina Setia Sinaga 2) Jurusan Matematika FMIPA UNIMED riarahmadita@gmail.com
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Sistem Pakar Sistem pakar merupakan salah satu cabang kecerdasan buatan yang mempelajari bagaimana mengadopsi cara seorang pakar berfikir dan bernalar dalam menyelesaikan suatu
Lebih terperinciRima Ayuningtyas NIM Jurusan Teknik Informatika, Universitas Maritim Raja Ali Haji. Jl. Politeknik Senggarang, Tanjungpinang
Sistem Pendukung Keputusan Dalam Menentukan Jenis Budidaya Ikan Dengan Mengukur Kualitas Air Menggunakan Metode Fuzzy Tsukamoto (Studi Kasus : Balai Benih Ikan di Pengujan Kabupaten Bintan) Rima Ayuningtyas
Lebih terperinciSeminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004
Seminar Nasional Aplikasi Teknologi Informasi 2004 Yogyakarta, 19 Juni 2004 Visualisasi Sistem Pakar Dalam Menganalisis Tes Kepribadian Manusia (Empat Aspek Tes Kepribadian Peter Lauster) Sri Winiarti
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Hepatitis adalah penyakit yang terjadi akibat adanya perandangan pada hati (liver). Penyebab hepatitis yaitu virus dan non virus (obat-obatan, obat tradisional seperti
Lebih terperinciIMPLEMENTASI METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGKAT KEBISINGAN LALU LINTAS
IMPLEMENTASI METODE FUZZY MAMDANI DALAM MEMPREDIKSI TINGKAT KEBISINGAN LALU LINTAS Alfa Saleh Teknik Informatika, Fak Ilmu Komputer Universitas Potensi Utama Jl KL Yos Sudarso KM 65 No3-A, Tanjung Mulia,
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Fuzzy set pertama kali diperkenalkan oleh Prof. Lotfi Zadeh pada tahun 1965 yang merupakan guru besar di University of California Berkeley pada papernya yang berjudul
Lebih terperinciBAB I PENDAHULUAN. penyakit menular yang terutama menyerang anak-anak (Widoyono, 2008: 59).
A. Latar Belakang BAB I PENDAHULUAN Penyakit demam berdarah dengue (DBD) merupakan salah satu masalah kesehatan masyarakat di Indonesia yang jumlah penderitanya cenderung meningkat dan penyebarannya semakin
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 terperinciHimpunan Fuzzy. Sistem Pakar Program Studi : S1 sistem Informasi
Himpunan Fuzzy Sistem Pakar Program Studi : S1 sistem Informasi Outline Himpunan CRISP Himpunan Fuzzy Himpunan CRISP Pada himpunan tegas (crisp), nilai keanggotaan suatu item dalam suatu himpunan A, yang
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Bab landasan teori bertujuan untuk memberikan penjelasan mengenai metode atau pun teori yang digunakan dalam laporan tugas akhir ini, sehingga dapat membangun pemahaman yang sama antara
Lebih terperinciAPLIKASI DIAGNOSA PENYAKIT ANAKMELALUI SISTEM PAKAR MENGGUNAKAN JAVA 2 MICRO EDITION YOSEPHIN ERLITA KRISTANTI
APLIKASI DIAGNOSA PENYAKIT ANAKMELALUI SISTEM PAKAR MENGGUNAKAN JAVA 2 MICRO EDITION YOSEPHIN ERLITA KRISTANTI Fakultas Teknologi Industri Universitas Gunadarma ABSTRAK Hampir tidak ada penyakit anak yang
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 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 terperinciFUZZY TSUKAMOTO PADA SISTEM PAKAR UNTUK DIAGNOSA PENYAKIT PENCERNAAN PADA BAYI USIA 0-12 BULAN ABSTRAK
FUZZY TSUKAMOTO PADA SISTEM PAKAR UNTUK DIAGNOSA PENYAKIT PENCERNAAN PADA BAYI USIA 0-12 BULAN Burhanuddin Ahmad (A11.2012.07062) Program Studi Teknik Informatika - S1 Fakultas Ilmu Komputer Universitas
Lebih terperinciPENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO
PENDAPATAN MASYARAKAT DENGAN ADANYA KAMPUS MENGGUNAKAN FUZZY TSUKAMOTO Asrianda 1 asrianda@unimal.ac.id Abstrak Bertambahnya permintaan mahasiswa atas kebutuhan makan seharihari, berkembangnya usaha warung
Lebih terperinciDATA MINING UNTUK MENDIAGNOSA PENYAKIT INFEKSI SALURAN PERNAFASAN (ISPA) MENGGUNAKAN METODE NAIVE BAYES. Pindan Jati Kusuma A
DATA MINING UNTUK MENDIAGNOSA PENYAKIT INFEKSI SALURAN PERNAFASAN (ISPA) MENGGUNAKAN METODE NAIVE BAYES Pindan Jati Kusuma A12.2009.03424 Program Studi Sistem Informasi S1, Fakultas Ilmu Komputer Universitas
Lebih terperinciPenerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas
Penerapan Metode Fuzzy Mamdani Pada Rem Otomatis Mobil Cerdas Zulfikar Sembiring Jurusan Teknik Informatika, Fakultas Teknik, Universitas Medan Area zoelsembiring@gmail.com Abstrak Logika Fuzzy telah banyak
Lebih terperinciFuzzy Logic. Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic.
Fuzzy Systems Fuzzy Logic Untuk merepresentasikan masalah yang mengandung ketidakpastian ke dalam suatu bahasa formal yang dipahami komputer digunakan fuzzy logic. Masalah: Pemberian beasiswa Misalkan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ketersediaan dokter ahli dan tenaga medis relatif masih kurang khususnya di daerah-daerah pelosok dan terpencil. Hal ini membuat masyarakat mengalami kesulitan dalam
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Pada saat ini, metode kecerdasan buatan (Artificial Intelligence) banyak digunakan dalam berbagai bidang seperti: bisnis, militer, pendidikan, psikologi, permainan
Lebih terperinci