Implementasi Metode Dempster-Shafer untuk Mendeteksi Penyakit Diabetes Mellitus

Transkripsi

1 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-issn: X Vol. 2, No. 8, Agustus 2018, hlm Implementasi Metode Dempster-Shafer untuk Mendeteksi Penyakit Diabetes Mellitus Januar Dwie Amanda 1, Nurul Hidayat 2, Marji 3 Program Studi Teknik Informatika, 1 januardwiamanda@gmail.com, 2 ntayadih@ub.ac.id, 3 marji@ub.ac.id Abstrak Deteksi secara dini dapat meminimalisir resiko kematian penderita Diabetes Mellitus serta untuk penanganan awal penyakit ini. Proses deteksi yang ada selama ini masih manual, hal ini bergantung pada pakar penyakit organ dalam tubuh manusia yang jumlahnya tergolong terbatas serta biaya diagnosa yang relatif mahal. Pemanfaatan implementasi sistem proses deteksi menjadi lebih mudah dan singkat. Pakar penyakit ini dapat melakukan deteksi penyakit Diabetes Mellitus lebih awal dan mudah. Pada penelitian ini penyakit diabetes mellitus yang dapat dideteksi sebanyak 3 jenis menggunakan metode Dempster-Shafer dengan masukan gejala dari pengguna. Metode tersebut digunakan untuk mengolah data gejala penyakit Diabetes Mellitus dalam hasil perhitungan presentase sebesar 100%, sedangkan hasil pengujian sistem antara deteksi hasil perhitungan metode Demspter Shafer menggunakan 11 data kasus memiliki tingkat keakurasian sebesar 81,81%. Kata kunci: Dempster-Shafer, Deteksi, Diabetes Mellitus Abstract Early detection can minimize the risk of death from Diabetes Mellitus disease and first treatment for this disease. The detection that existed so far is still don manually, which means it depend on the expert who very limited on itquantity and also it diagnosis are costly. The disease expert can detect Diabetes Mellitus earlier and cheap. On this research this kind of Diabetes Mellitus that can be detected as many as 3 disease using Demspster-Shafer Method with input from user of symptoms. The method is used to analyze the data of system accuracy test between the detection and the result of Dempster-Shafer method calculation with 11 case data has the data accuracy level of 81,81%. Keywords: Dempster-Shafer, Detection, Diabetes Mellitus 1. PENDAHULUAN Diabetes Mellitus merupakan salah satu penyakit yang penderitanya cukup tingg Kebanyakan penderita penyakit ini tidak sadar bahwa dirinya telah mengidap Diabetes Mellitus. Diagnosa membutuhkan waktu yang cukup lama dan biaya yang cukup mahal dikarenakan penderita harus melakikan cek darah untuk mengetahui penderita mengidap penyakit ini atau tidak.. Pada penelitian yang dilakukan oleh Budi Cahyo Saputro, Rosa Delima, dan Joko Purwadi (2011) yang berjudul Sistem Deteksi Penyakit Diabetes Mellitus Menggunakan metode Certainty Factor menyimpulkan bahwa banyak orang awalnya tidak tahu bahwa dirinya menderita diabetes mellitus, di negara-negara Asia lebih dari 50 persen (bahkan ada yang mencapai 85 persen) penderita diabetes baru mengetahui diri mengidap diabetes setelah mengalami komplikasi di berbagai organ tubuh (Hans, 2007). Pada penelitian yang dilakukan oleh Vonny Pawaka yang berjudul Sistem Pakar Deteksi Diabetes Mellitus Menggunakan Metode Bayesian Berbasis Web mengungkapkan bahwa tingkat kesadaran masyarakat akan dampak buruk yang ditimbulkan oleh penyakit Diabetes Mellitus masih rendah dan banyak masyarakat yang tidak menyadari dirinya sedang berada dalam resiko Penyakit Diabetes Mellitus. Salah satu penyebab yang disimpulkan oleh penulis adalah kurangnya pengetahuan tentang penyakit Diabetes Mellitus dan juga keterbatasan waktu maupun biaya untuk konsultasi ke dokter. Oleh karena itu, perlu adanya sebuah media edukasi kepada Fakultas Ilmu Komputer Universitas Brawijaya 2956

2 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2957 pasien dan keluarganya yang bertujuan untuk memberikan pemahaman mengenai gejala, pencegahan, dan informasi umum seputar penyakit Diabetes Mellitus. Oleh sebab itu, masyarakat perlu dibantu dalam pendeteksian penyakit ini. Pengetahuan yang dimiliki oleh para pakar atau ahli dalam bidang penyakit Diabetes Mellitus dapat membantu masyarakat umum lebih cepat dalam pendeteksian penyakit ini melalui gejala gejala yang timbul. Pengetahuan yang dimiliki oleh pakar ini dapat diperoleh oleh teknisi kesehatan dengan bantuan teknologi saat ini tanpa harus mendatangi pakar secara langsung. 2. LANDASAN KEPUSTAKAAN 2.1 Dempster-Shafer Andino Maseleno dan Mahmud Hasan (2011) dalam penelitiannya yang berjudul Avian Influenza (H5N1) Expert System using Dempster-Shafer Theory menyimpulkan bahawa sistem pakar yang dibangun dapat memberikan hasil beserta tingkat kebenarannya berdasarkan nilai kepercayaan yang dimiliki oleh gejala masing-masing kasus. 2.2 Diabetes Mellitus Diabetes Melitus merupakan suatu penyakit yang ditandai dengan tingginya kadar gula dalam darah yang terjadi karena kelainan sekresi insulin, kerja insulin atau kedua-duanya. Tubuh penderita Diabetes Mellitus tidak dapat memproduksi hormon insulin atau tidak mampu memanfaatkan insulin sehingga berakibat tingginya kadar gula dalam darah dikarenakan insulin tidak mampu mengurangi kadar gula. Penyakit ini bersifat kronis yang dapat muncul dan berkembang dengan lambat namun pasti yang mengakibatkan komplikasi hampir di seluruh organ penderita seperti mata, otak, jantung, ginjal, infeksi yang sulit diobati yang berakibat pembusukan pada jaringan tubuh sehingga harus dioperasi atau bahkan dilakukan pemotongan (amputasi) pada jaringan tubuh yang terkena infeksi. 3. IMPLEMENTASI Bab ini membahas tentang implementasi perangkat lunak berdasarkan hasil yang diperoleh dari analisis kebutuhan dan proses perancangan perangkat lunak yang dibuat. Pembahasan terdiri dari penjelasan tentang spesifikasi sistem, batasan-batasan implementasi, implementasi algoritma pada program dan implementasi antarmuka 5. Implementasi 5.1 Spesifikasi Sistem 5.2 Batasan Implementasi 5.3 Implementasi Algoritma 5.4 Implementasi Antarmuka Gambar 1. Pohon Implementasi Spesifikasi Perangkat Keras Spesifikasi Perangkat Lunak Implementasi Algoritma Plausibility Implementasi Algoritma Dempster-Shafer Implentasi Antarmuka Halaman Login Implementasi Antarmuka Halaman Utama Pakar Implementasi Antarmuka Diagnosa Penyakit Implementasi Antarmuka Tambah/Ubah Pengguna Implementasi Antarmuka Tambah/Ubah Penyakit Implementasi Antarmuka Halaman Detail Pengguna 3.1 Perhitungan Metode Dempster-Shafer Perhitungan manual berfungsi untuk memberikan gambaran umum perancangan sistem yang dibangun. Contoh manualisasi akan dibagi menjadi 3 kasus, yaitu kasus 1 dengan perhitungan 1 gejala yang dimasukkan, kasus 2 dengan perhitungan 3 gejala dan kasus 3 dengan perhitungan 5 gejala. Dengan kasus 2 dan 3 adalah perkembangan penambahan gejala dari perhitungan kasus 1. a. Kasus 1 (Perhitungan 1 Gejala) Pada kasus 1 ini akan diberikan contoh 1 gejala yang terjadi pada salah satu penyakit, misal banyak makan atau Polifagia. Gejala 1: Banyak makan (Polifagia) Apabila setelah diamati pasien mengalami Polifagia dengan densitas m{dm2} = 0,8 sebagai gejala dari Diabetes Mellitus Type 2 untuk m 1 nilai densitas yang dipilih adalah yang tertinggi, maka: m 1 {DM2} = 0,8 m 1 {θ} =,8 = 0,2 m 1 {DM2} = 0,8 = 0,8 m 1 {θ} = 0,2 = 0,2 b. Kasus 2 (Perhitungan 3 Gejala) Pada kasus 1 ini akan diberikan contoh 3

3 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2958 gejala. Pada perhitungan deteksi gejala penyakit mengacu pada nilai densitas yang ada. Gejala 1: Banyak Makan (Polifagia) Apabila setelah dilakukan observasi mengalami Polifagia dengan densitas m{dm2} = 0,8 sebagai gejala dari Diabetes Mellitus Type 2 untuk m 1 nilai densitas yang dipilih adalah yang tertinggi, maka: m 1 {DM2} = 0,8 m 1 {θ} =,8 = 0,2 Gejala 2: Sering Buang Air Kecil Kemudian gejala selanjutnya adalah sering buang air kecil dengan densitas m{dm2} = 0,9 sebagai gejala dari Diabetes Mellitus Type 2 untuk m 2 nilai densitas yang dipilih adalah yang tertinggi, maka: m 2 {DM2} = 0,9 m 2 {θ} =,9 = 0,1 m 3 dapat dilihat pada tabel 1. Tabel 1. Aturan Kombinasi untuk m 3 Kasus 3 m 1 m 2 {DM2} (0,9) {ϴ} (0,1) {DM2} (0,8) {DM2} (0,72) {DM2} (0,08) {ϴ} (0,2) {DM2} (0,18) {ϴ} (0,02) Dari tabel 1 ditunjukkan {DM2} diperoleh dari irisan antara m 1{DM2} dan m 2{DM2} sehingga dapat dihitung 0,8 x 0.9 menghasilkan 0,72. Demikian pula irisan m 1{ ϴ } dan m 2{DM2} dapat dihitung 0,2 x 0,9 menghasilkan 0,18 serta irisan m 1{DM2} dan m 2{ ϴ } dapat dihitung 0,8 x 0,1 menghasilkan 0,08. {DM2} {DM2} = {DM2} 0,8 * 0,9 = 0,72 {DM2} = 0,72 {ϴ} {DM2} = {DM2} 0,2 * 0,9 = 0,18 {DM2} = 0,18 { DM2} {ϴ} = {DM2} 0,8 * 0,1 = 0,08 {DM2} = 0,08 0,2 * 0,1 = 0,02 {ϴ} = 0,02 persamaan (2-3) 0,72 + 0,18 + 0,08 m 3 {DM2} = m 3 {θ} = 0,02 = 0,02 Gejala 3: Banyak Minum (Polidipsia) Kemudian gejala ketiga adalah banyak minum dengan densitas m{dm1} = (0,8); m{dm2} = (0,8) sebagai gejala dari Diabetes Mellitus Type 1 dan Diabetes Mellitus Type 2 untuk m 4 nilai densitas yang dipilih yang tertinggi, maka: m 4 {DM1, DM2} = 0,8 m 4 {θ} =,8 = 0,2 m 5 dapat dilihat pada tabel 2. Tabel 2. Aturan Kombinasi untuk m 5 Kasus 3 m 3 m 4 (0,8) {ϴ} (0,2) {DM2} (0,98) {DM2} (0,784) {DM2} (0,196) {ϴ} (0,02) (0,016) {ϴ} (0,004) Dari tabel 2 ditunjukkan {DM2} diperoleh dari irisan antara m 3{DM2} dan m 4 sehingga dapat dihitung 0,98 x 0.8 menghasilkan 0,784. Demikian pula irisan m 3{ DM2 } dan m 4{ ϴ } dapat dihitung 0,98 x 0,2 menghasilkan 0,96. Untuk diperoleh dari irisan m 3{ ϴ } dan m 2{ DM1,DM2 } sehingga dapat dihitung 0,02 x 0,8 menghasilkan 0,016. {DM2} = {DM2} 0,98 * 0,8 = 0,784 {DM2} = 0,784 {ϴ} = 0,02 * 0,8 = 0,016 = 0,016 0,98 * 0,2 = 0,196 {DM2} = 0,196

4 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer ,02 * 0,2 = 0,004 {ϴ} = 0,004 m 5 {DM2} = 0, ,196 m 5 {DM1, DM2} = 0,016 = 0,016 m 5 {θ} = 0,004 = 0,004 c. Kasus 3 (Perhitungan 5 Gejala) Pada kasus 3 ini akan diberikan contoh dengan memasukkan 5 gejala. Pada perhitungan ini diibaratkan seseorang penyakit Diabetes Mellitus dengan gejala banyak makan, sering buang air kecil, banyak minum, berat badan turun tanpa alasan yang jelas dan gatal - gatal. Perhitungan deteksi penyakit ini mengacu pada nilai densitas yang ada pada akuisisi nilai densitas gejala. Gejala 1: Banyak makan (Polifagia) Apabila setelah dilakukan observasi Banayk makan dengan densitas m{dm2} = 0,8 sebagai gejala dari Diabetes Mellitus Type 2 untuk m 1 nilai densitas yang dipilih adalah yang tertinggi, maka: m 1 {DM2} = 0,8 m 1 {θ} =,8 = 0,2 Gejala 2: Sering buang air kecil Kemudian gejala selanjutnya adalah sering buang air kecil dengan densitas m{dm2} = 0,9 sebagai gejala dari Diabetes Mellitus Type 2 untuk m 2 nilai densitas yang dipilih adalah yang tertinggi, maka: m 2 {DM2} = 0,9 m 2 {θ} =,9 = 0,1 m 3 dapat dilihat pada tabel 3. Tabel 3. Aturan Kombinasi untuk m 3 Kasus 3 m 1 m 2 {DM2} (0,9) {ϴ} (0,1) {DM2} (0,8) {DM2} (0,72) {DM2} (0,08) {ϴ} (0,2) {DM2} (0,18) {ϴ} (0,02) Dari tabel 3 ditunjukkan {DM2} diperoleh dari irisan antara m 1{DM2} dan m 2{DM2} sehingga dapat dihitung 0,8 x 0.9 menghasilkan 0,72. Demikian pula irisan m 1{ ϴ } dan m 2{DM2} dapat dihitung 0,2 x 0,9 menghasilkan 0,18 serta irisan m 1{DM2} dan m 2{ ϴ } dapat dihitung 0,8 x 0,1 menghasilkan 0,08. {DM2} {DM2} = {DM2} 0,8 * 0,9 = 0,72 {DM2} = 0,72 {ϴ} {DM2} = {DM2} 0,2 * 0,9 = 0,18 {DM2} = 0,18 0,8* 0,1 = 0,08 {DM2} = 0,08 0,2 * 0,1 = 0,02 {ϴ} = 0,02 0,72 + 0,18 + 0,08 m 3 {P1} = m 3 {θ} = 0,02 = 0,02 Gejala 3: Banyak Minum (Polidipsia) Kemudian gejala ketiga adalah Banyak minum dengan densitas m{dm1} = (0,8); m{dm2} = (0,8) sebagai gejala dari Diabetes Mellitus Type 1 dan Diabetes Mellitus Type 2 untuk m 4 nilai densitas yang dipilih yang tertinggi, maka: m 4 {DM1, DM2} = 0,8 m 4 {θ} =,8 = 0,2 m 5 dapat dilihat pada tabel 4. Tabel 4. Aturan Kombinasi untuk m 5 Kasus 3 m 3 m 4 (0,8) {ϴ} (0,2) {DM2} (0,98) {DM2} (0,784) {DM2} (0,196) {ϴ} (0,02) (0,016) {ϴ} (0,004)

5 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2960 Dari tabel 4 ditunjukkan {DM2} diperoleh dari irisan antara m 3{DM2} dan m 4 sehingga dapat dihitung 0,98 x 0.8 menghasilkan 0,784. Demikian pula irisan m 3{ DM2 } dan m 4{ ϴ } dapat dihitung 0,98 x 0,2 menghasilkan 0,96. Untuk diperoleh dari irisan m 3{ ϴ } dan m 2{ DM1,DM2 } sehingga dapat dihitung 0,02 x 0,8 menghasilkan 0,016. {DM2} = {DM2} 0,98 * 0,8 = 0,784 {DM2} = 0,784 {ϴ} = 0,02 * 0,8 = 0,016 = 0,016 0,98 * 0,2 = 0,196 {DM2} = 0,196 0,02 * 0,2 = 0,002 {ϴ} = 0,002 m 5 {DM2} = 0, ,196 m 5 {DM1, DM2} = 0,016 = 0,016 m 5 {θ} = 0,002 = 0,002 Gejala 4: Turunnya Berat Badan Tanpa Alasan yang Jelas Selanjutnya turunnya berat badan tanpa alasan yang jelas dengan densitas m{dm2} = 0,1 gejala dari Diabetes Mellitus Type 1 dan m{dm2} = 0,5 gejala dari Diabetes Mellitus Type 2 untuk m6 nilai densitas yang dipilih adalah yang tertinggi, maka: m 6 {DM1, DM2} = 0,5 m 6 {θ} =,5 = 0,5 m 7 dapat dilihat pada tabel 5. Tabel 5. Aturan Kombinasi untuk m 7 Kasus 3 m 6 m 5 {ϴ} (0,5) (0,5) {DM2} (0,980) {DM2} (0,4900) {DM2} (0,4900) (0,016) {ϴ} (0,002) (0,0080) (0,0010) (0,0504) {ϴ} (0,0010) Dari tabel 5 ditunjukkan {DM2} diperoleh dari irisan antara m 5{DM2} dan m 6 sehingga dapat dihitung 0,98 x 0.5 menghasilkan 0,49. Demikian pula irisan m 5{ DM2 } dan m 6{ ϴ } dapat dihitung 0,98 x 0,5 menghasilkan 0,49. Untuk diperoleh dari irisan m 5{ DM1,DM2 } dan m 6{ DM1,DM2 } sehingga dapat dihitung 0,016 x 0,5 menghasilkan 0,008. Irisan m 5{ DM1,DM2} dan m 6{ ϴ } dapat dihitung 0,016 x 0,5 menghasilkan 0,0504. Irisan m 5{ ϴ } dan m 6 dapat dihitung 0,002 x 0,5 menghasilkan 0,0010. {DM2} = {DM2} 0,98 * 0,5 = 0,4900 {DM2} = 0,4900 = 0,016* 0,5 = 0,0080 = 0,0080 {ϴ} = 0,002* 0,5 = 0,0010 = 0,0010 0,98 * 0,5 = 0,4900 {DM2} = 0,4900 {ϴ} = 0,016 * 0,5 = 0,0080 = 0,0080 0,002 * 0,5 = 0,0010 {ϴ} = 0,0010 m 7 {DM2} = 0, ,4900

6 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer , ,008 m 7 {DM1, DM2} = = 0,016 m 7 {θ} = 0, ,001 Gejala 5: Gatal - Gatal = 0,002 Kemudian selanjutnya adalah sesak nafas m{d1} = 0,1; m{dm2} = 0,2; m{dmg} = 0,2 sebagai gejala dari Diabetes Mellitus Type 1, Diabetes Mellitus Type 2 dan Diabetes Mellitus Gestational dengan nilai densitas, untuk m 8 nilai sensitas yang dipilih adalah yang terbesar, maka: m 8 {DM1, DM2, DMG} = 0,2 m 8 {θ} =,2 = 0,8 m 8 dapat dilihat pada tabel 6. Tabel 6. Aturan Kombinasi untuk m 9 Kasus 3 m 7 m 8 {DM1,DM2,DMG} (0,2) {ϴ} (0,8) {DM2} (0,98) {DM2} (0,196) {DM2} (0,784) (0,016) {ϴ} (0,002) (0,0032) {DM1,DM2,DM3} (0,0004) (0,0128) {ϴ} (0,0016) Dari tabel 6 ditunjukkan {DM2} diperoleh dari irisan antara m 7{DM2} dan m 8{DM1,DM2,DMG} sehingga dapat dihitung 0,98 x 0.2 menghasilkan 0,196. Demikian pula irisan m 7{ DM2 } dan m 8{ ϴ } dapat dihitung 0,98 x 0,8 menghasilkan 0,784. Untuk diperoleh dari irisan m 7{ DM1,DM2 } dan m 8{ DM1,DM2,DMG } sehingga dapat dihitung 0,016 x 0,2 menghasilkan 0,0032. Irisan m 7{ DM1,DM2} dan m 8{ ϴ } dapat dihitung 0,016 x 0,8 menghasilkan 0,0128. Untuk {DM1,DM2,DMG} diperoleh dari Irisan m 7{ ϴ } dan m 8{DM1,DM2,DMG} dapat dihitung 0,002 x 0,2 menghasilkan 0,0004. {DM2} {DM1,DM2,DMG} = {DM2} 0,98 * 0,2 = 0,196 {DM2} = 0,196 {DM1,DM2,DMG} = 0,016 * 0,2 = 0,0032 = 0,0032 {ϴ} {DM1,DM2,DMG} = {DM1,DM2,DMG} 0,002* 0,2 = 0,0004 {DM1,DM2,DMG} = 0,0004 0,98* 0,8 = 0,784 {DM2} = 0,784 {ϴ} = 0,016 * 0,8 = 0,0128 = 0,0128 0,002 * 0,8 = 0,0016 {ϴ} = 0, Tampilan 0, ,784 m 9 {DM2} = 0, ,0128 m 9 {DM1, DM2} = = 0,016 m 9 {DM1, DM2, DMG} 0, ,0128 = = 0,0132 m 9 {θ} = 0,0016 = 0,0016 Gambar 2. Form Login

7 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Kasus 9 DM 2 DM1 Tidak Cocok 10 Kasus 10 DM 2 DM 2 Cocok 11 Kasus 11 DM 2 DM 2 Cocok Gambar 3. Menu Utama 4. PENGUJIAN DAN ANALISIS 4.1 Pengujian Fungsionalitas Pada bagian ini akan dijelaskan tentang skenario pengujian yang akan dilakukan pada skenario pengujian pertama yaitu pengujian fungsionalitas merupakan pengujian yang dilakukan terhadap sistem untuk mengetahui apakah sistem yang dibangun telah sesuai dengan daftar kebutuhan yang telah ditentukan. Proses analisa terhadap hasil pengujian fungsionalitas dilakukan dengan melihat kesesuaian antara hasil yang diharapkan berdasarkan kebutuhan sistem dengan hasil kinerja sistem memiliki kesesuaian 100%. Sehingga dapat disimpulkan bahwa implementasi dan fungsionalitas dari sistem pendeteksi penyakit Diabetes Mellitus dapat berjalan dengan daftar kebutuhan yang ada. 4.2 Pengujian Akurasi Pengujian tingkat akurasi dilakukan untuk mengetahui performa dari sistem pendeteksi penyakit Diabetes Mellitus menggunakan metode Dempster-Shafer. Pengujian akurasi dilakukan dengan cara membandingkan data hasil deteksi sistem dengan data hasil deteksi pakar. No. Tabel 7. Tabel pengujian akurasi Kasus Pakar Sistem Keteran gan 1 Kasus 1 DM 2 DM 2 Cocok 2 Kasus 2 DM Gestational DM Gestation al Cocok 3 Kasus 3 DM 2 DM 2 Cocok 4 Kasus 4 DM 2 DM 2 Cocok 5 Kasus 5 DM 2 DM 2 Cocok 6 Kasus 6 DM 2 DM 2 Cocok 7 Kasus 7 DM 2 DM 1 Tidak Cocok 8 Kasus 8 DM 2 DM 2 Cocok Proses analisa dari pengujian akurasi sistem pendeteksi penyakit Diabetes Mellitus menggunakan metode dempster shafer dilakukan berdasarkan perbandingan hasil deteksi sistem dengan deteksi pakar. Berdasarkan perbandingan hasil diagnosa sistem dengan diagnosa pakar pada tabel 7 diketahui dari 11 data yang diuji, persentase kebenaran sistem adalah 81,81% (9 deteksi kasus). 5. PENUTUP Berdasarkan pada hasil perancangan, implementasi dan pengujian sistem yang telah dilakukan maka kesimpulan yang didapat sebagai berikut: 1. Pemodelan sistem untuk medeteksi penyakit Diabetes Mellitus menggunakan metode Dempster-Shafer dapat digunakan sebagai salah satu cara untuk mendeteksi penyakit Diabetes Mellitus. Sistem diimplementasikan dengan menggunakan gejala yang telah diberikan nilai densitas. 2. Pemodelan sistem untuk mendeteksi penyakit Diabetes Mellitus menggunakan metode Dempster-Shafer dapat digunakan mendeteksi penyakit Diabetes Mellitus pengujian 18 gejala dari 3 penyakit yang ada pada sistem. a. Hasil pengujian fungsionalitas pemodelan sistem untuk medeteksi penyakit Diabetes Mellitus menggunakan metode Dempster-Shafer memiliki tingkat presentase 100%. b. Hasil pengujian akurasi pemodelan sistem untuk medeteksi penyakit Diabetes Mellitus menggunakan metode Dempster-Shafer memiliki tingkat kesesuaian presentase sebesar 81,81%. Saran yang diberikan untuk pengembangan sistem dalam penelitian selanjutnya yaitu dapat dilakukan penelitian lebih lanjut untuk nilai densitas tiap gejala penyakit Diabetes Mellitus sehingga akurasi sistem menjadi lebih optimal serta dapat menambanh logika pada sistem sehingga diagnosa sistem dapat memotong perbedaan hasil diagnosa sistem tersebut dengan diagnosa pakar.

8 Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 2963 DAFTAR PUSTAKA Ermayani, Dewi Aplikasi Diagnosa Penyakit Jantung Koroner Menggunakan Metode Dempster-Shafer. Universitas Caltex. Riau. Fadhlil, Abdul Sistem untuk Mendiagnosa Saluran Pencernaan menggunakan Metode Dempster-Shafer. Universitas Islam Indonesia. Yogyakarta. Jogiyanto HM Metode Penelitian Sistem Informasi. Andi Offset. Yogyakarta. Kadir, A Konsep dan Tuntutan Praktis Basis Data. Andi Offset. Kusumadewi Sri Atificial Intelligence (Teknik dan Aplikasinya). Graha Ilmu. Yogyakarta. Listiyono, Hersatoto Merancang dan Membuat Sistem. Jurnal Fakultas Teknologi Informasi Universitas Stikubank. Semarang. Maseleno, Andino Avian Influenza Expert System using Dempster-Shafer. Universitas Islam Indonesia. Yogyakarta. Mulyanto, A Sistem Informasi dan Konsep Aplikasi. Pustaka Fajar. Yogyakarta. Nahampun, Maruli Tua Sistem Diagnosa Penyakit Pada Tanaman Kelapa Sawit Dengan Metode Demspter-Shafer Prihatini, Putu Manik Metode Ketidakpastian dan Kesamaran dalam Sistem. Politeknik Negeri Bali. Bali. Rikhiana, Esthi Dyah Implementasi Sistem Untuk Mendiagnosa Penyakit Dalam Pada Manusia Menggunakan Metode Dempster-Shafer. Universitas Ahmad Dahlan. Yogyakarta. Rimawati Perancangan Aplikasi Sistem untuk Mendiagnosa Penyakit Ginjal dengan Metode Dempster-Shafer. STMIK Budi Darma. Medan. Saputro, Budi Cahyo Sistem Deteksi Penyakit Diabetes Mellitus Menggunakan metode Certainty Factor. Universitas Kristen Duta Wacana. Yogyakarta. Shara Kurnia Trisnawati Faktor Risiko Kejadian Diabetes Melelitus Tipe II Di Puskesmas Kecamatan Cengkareng Jakarta Barat Tahun STIKes MH. Thamrin. Jakarta Timur. Sulistyohati, Aprili Aplikasi Sistem Diagnosa Penyakit Ginjal Dengan Metode Dempster - Shafer. Universitas Islam Indonesia. Yogyakarta. Yuliani, Fadma Hubungan Berbagai Faktor Risiko Terhadap Kejadian Penyakit Jantung Koroner Pada Penderita Diabetes Melitus tipe 2. Universitas Andalas. Padang. Wahyuni, Elyza Gustri Prototype Sistem untuk Mendeteksi Tingkat resiko Penyakit Jantung Koroner dengan Metode Dempster- Shafer. Universitas Islam Indonesia. Universitas Gajah Mada. Yogyakarta. Yogmalanda, Taufiqillahi Nissano Implementasi Metode Dempster-Shafer Untuk Diagnosa Penyakit Gigi Dan Mulut. Universitas Brawijaya. Malang.