BAB IV HASIL DAN PEMBAHASAN. yang sering dialami dan penanganan yang bisa dilakukan oleh cat lover.

Transkripsi

1 BAB IV HASIL DAN PEMBAHASAN 4.1 Pengumpulan Data dan Informasi Pengumpulan data dan informasi dilakukan pada penanganan pertama pada kucing. Penanganan pertama pada penelitian ini difokuskan pada penyakit yang sering dialami dan penanganan yang bisa dilakukan oleh cat lover. Pengumpulan data dan informasi ini dilakukan dengan melakukan wawancara, pembagian kuesioner serta studi pustaka Wawancara Wawancara dilakukan dengan drh. Husniya sebagai narasumber mengenai penanganan pada kucing. Sebelumnya, narasumber telah dijelaskan tentang certainty factor. Dari hasil wawancara yang dilakukan, dapat diketahui cara-cara mengidentifikasi penanganan, beberapa gejala klinis penyakit yang bisa dilakukan pertolongan pertama, serta konfirmasi keputusan berdasarkan nilai kepastian/certainty factor. Hasil wawancara dapat dilihat pada lampiran Kuesioner Kuesioner dilakukan kepada cat lover (untuk mendapatkan data penanganan) serta kepada dokter hewan (untuk mendapatkan nilai CF). Kuesioner yang ditujukan pada dokter hewan, diisi oleh 5 dokter hewan, yaitu drh. Arif Pambudi, drh. Husniya, drh. Rudi, drh. Citra, dan drh. Vina. Kuesioner untuk cat lover dapat dilihat pada lampiran 2 dan kuesioner untuk dokter hewan dapat dilihat pada lampiran 3. Dari hasil kuesioner yang dilakukan, dapat diketahui 31

2 32 penanganan-penanganan yang dilakukan cat lover serta nilai CF masing-masing gejala. Hasil data kuesioner cat lover dapat dilihat pada lampiran 4 dan hasil kuesioner pakar dapat dilihat pada lampiran Studi pustaka Dalam studi pustaka yang dilakukan dapat memperoleh informasi lebih rinci dari hasil wawancara mengenai gejala gejala identifikasi penyakit dan solusi. Data data yang diperoleh akan digunakan sebagai masukan (input) sistem serta mengetahui informasi yang nantinya akan dihasilkan (output) oleh sistem pakar pertolongan pertama pada kucing. 4.2 Pengolahan Data dan Informasi Data dan informasi yang didapatkan dari hasil wawancara dan studi pustaka akan dianalisis untuk menentukan penanganan yang tepat dan sesuai. Dari hasil wawancara didapatkan konfirmasi bahwa nilai certainty factor dapat digunakan untuk pengambilan keputusan. Selain itu, didapatkan beberapa gejala klinis penyakit yang memungkinkan dilakukan pertolongan pertama, misalnya diare, muntah dan demam. Studi pustaka dilakukan untuk melengkapi hasil dari wawancara. Dari studi pustaka yang telah dilakukan, didapatkan inference tree gejala klinis dan penanganan yang terdapat pada gambar 3.1 dengan keterangan pada tabel 3.1. Dari hasil kuesioner yang didapatkan dari cat lover (lampiran 4) diolah menjadi data olahan (lampiran 7). Misalnya data ke-2 pada lampiran 4, Bagian ke- 1 (Diare atau sembelit) jawaban pertanyaan no 2.1 adalah pasti, no 2.2 adalah kemungkinan, no 2.3 adalah pasti, jawaban no 4 (pertanyaan: Apakah Anda akan

3 33 membawa kucing ke dokter? jawaban: Iya), no 5 adalah tidak, diolah menjadi lampiran 7 data no 2, diare atau sembelit no 1 P no 2 K no 3 P hasil data: segera ke dokter. Sedangkan bagian 2 sampai bagian 4, tidak dilakukan pengolahan karena tidak diobati sendiri. Pada data ke-3 pada lampiran 4, Bagian 2 jawaban pertanyaan no 2 adalah kemungkinan, no 3 adalah Istirahatkan perut selama 4-6 jam, jawaban pertanyaan no 5 adalah tidak, kemudian diolah menjadi lampiran 7 no 3, bagian 2 dijawab K, hasil data Istirahatkan perut selama 4-6 jam, begitu seterusnya untuk data selanjutnya. Hasil dari kuesioner nilai CF pakar, diolah sesuai dengan nilai kuantifikasi jawaban pada bab 2.4. Hingga diperoleh data CF pakar yang dapat dilihat pada yang kemudian dimasukkan dalam sistem. Sedangkan nilai CF user diperoleh dari kuantifikasi jawaban pada tiap pertanyaan yang nilainya sesuai dengan pada bab 2.4. Setelah nilai CF diketahui, kemudian dilakukan perhitungan untuk mendapatkan saran penanganan. Perhitungan nilai CF, gejala identifikasi dan saran penanganan dimasukan kedalam sistem pakar berupa aturan aturan menggukan metode forward chaining. 4.3 Mekanisme Inferensi Forward Chaining dan Metode Certainty factor Pohon inferensi dibangun sesuai dengan basis pengetahuan sistem yang terlihat pada Tabel 3.1. Pohon inferensi yang terdapat pada Gambar 3.1 menunjukan penelusuran forward chaining untuk menentukan penanganan yanng

4 34 tepat, yaitu dimulai dari fakta gejala klinis sampai didapatkan kesimpulan berupa penanganan. Berikut contoh ilustrasi penerapan mekanisme inferensi pada suatu kasus. Seekor kucing memiliki beberapa gejala klinis sebagai berikut : 1. Kucing mengalami gejala sering buang air besar 2. Gejala tersebut sudah terjadi selama 8 jam 3. Tidak disertai muntah atau gejala-gejala lain Berdasarkan contoh kasus di atas, penerapan mekanisme inferensi akan dijalankan dengan mengajukan pertanyaan kepada user. Penelusuran fakta dari aturan yang ada dilakukan berdasarkan jawaban user terhadap pertanyaan yang diajukan. Penelusuran terus dilakukan sampai didapatkan konklusi/kesimpulan yang dialami kucing. Berikut ilustrasi pertanyaan mengenai identifikasi gejala yang terdapat pada sistem untuk mengetahui penanganan, dapat dilihat pada Tabel 4.1. Pohon inferensi untuk penelusuran penanganan contoh kasus kucing diatas dapat dilihat pada Gambar 4.1

5 35 Tabel 4. 1 Tabel Ilustrasi Pertanyaan Penentuan Penanganan No. Penyakit Pertanyaan Jawaban CF user 1. Diare atau sembelit 2. Diare atau sembelit 3. Diare atau sembelit Apakah kucing Anda sering buang air besar? Apakah kucing Anda sering buang air dengan durasi/lama <12 jam? Apakah disertai muntah? Solusi (Output Program): besar CF CF pakar Pasti (G12) CF = CF user x CF pakar = 1 x 0,8 = 0,8 Kemungkinan (G13) Pasti (S2) Tidak CFgab = CFx + CFy * (1-CFx) = 0,8 + 0,352 (1 0,8) = 0, CF = = = -1 < 0,48 (CF max) S2 a. tidak diberi pakan, tetapi diberi air minum. Kucing dewasa tidak diberi pakan atau dipuasakan selama 24 jam. Sementara itu, anak kucing atau kucing muda dipuasakan selama 12 jam dan diberi obat antidiare. Selanjutnya, kucing diberi pakan halus 2-3 kali sehari. b. Memberi makan hewan peliharaan dengan diare diet hambar; diet hambar contoh yang bekerja termasuk daging ayam putih (tanpa kulit) yang diberi makan dalam jumlah kecil.

6 36 G1 G2 G11 S1 G12 G3 S1 G13 G4 S2 S1 S1 Gambar 4. 1 Inference Tree Penentuan Penanganan pada Studi Kasus 4.4 Perancangan Sistem Pada penelitian ini menggunakan sistem flowchart untuk melakukan perancangan sistem dimana terdapat 2 flowchart yaitu proses diagnosa dan proses login dimana pada proses login terdapat tiga proses yakni proses penambahan rule, pengeditan rule serta hapus rule. Pada flowchart proses diagnosa, hal pertama yang dilakukan adalah identifikasi nama penyakit, yakni memilih salah satu penyakit dari beberapa penyakit yang ada dalam sistem. Selanjutnya sistem akan menampilkan gejala-gejala berupa pertanyaan untuk menentukan penanganan dan sistem melakukan perhitungan CF berdasar nilai jawaban user dan CF pakar yang terdapat pada database, apabila nilai CF belum melampaui nilai CF maksimal maka sistem akan menampilkan output penanganan sesuai gejala, namun apabila nilai CF melebihi nilai maksimal maka sistem akan

7 37 menampilkan output segera ke dokter tanpa menampilkan penanganan lain. Adapun system flowchart proses diagnosa disajikan pada Gambar 4.2. Mulai Tidak Identifikasi nama penyakit Penyakit tersedia? Iya diagnosa Hitung CF Iya Penyakit lanjutan Ada penyakit lanjutan? Tidak Tidak CF<CF max Iya Output: Segera ke dokter Output: Saran penanganan Selesai Gambar 4. 2 System flowchart proses diagnosa Pada flowchart proses login, hal pertama yang harus dilakukan adalah mengisikan username dan password terlebih dahulu. Ketika username dan password yang diisikan benar, maka sistem akan menampilkan data rule yang ada dalam database. Selanjutnya dapat dilakukan tambah, edit bahkan hapus rule. Adapun system flowchart proses login disajikan pada Gambar 4.3.

8 38 Mulai Login Selesai Tidak Username dan password sesuai? Iya Tambah rule Edit rule Hapus rule Edit CF maksimal Gambar 4.3 System flowchart proses login Ketika proses login berhasil, terdapat proses tambah rule yakni dengan cara menginputkan no, nama penyakit, pertanyaan, index iya, index tidak, cf. Ketika ditekan tombol simpan, sistem akan menampilkan peringatan Yakin ingin menambah rule?. Jika tidak, maka proses penambahan rule tidak diproses. Jika iya, maka akan dilakukan pengecekan no, dan jika no sudah ada dalam database, maka proses tambah rule gagal, jika no belum ada, maka proses tambah rule berhasil. Adapun system flowchart proses tambah rule disajikan pada Gambar 4.4.

9 39 1 Input no, nama penyakit, pertanyaan, index iya, index tidak, cf Penambahan rule tidak diproses (gagal) Tidak Yakin tambah rule? Tidak Iya Cek nilai CF -1<CF<1 Iya Ada No sudah ada dalam database? Tidak ada Gagal menambah rule Berhasil menambah rule Selesai Gambar 4.4 System flowchart proses tambah rule Selain tambah rule juga terdapat edit rule. Hal pertama yang dilakukan adalah memilih rule yang akan diedit. Lalu setelah diedit, sistem akan

10 40 menampilkan peringatan Yakin ingin mengedit. Jika tidak, maka proses pengeditan rule tidak diproses. Jika iya, maka akan dilakukan pengecekan no, dan jika no sudah ada dalam database, maka proses edit rule gagal, jika no belum ada, maka proses edit rule berhasil. Adapun system flowchart proses edit rule disajikan pada Gambar 4.5.

11 41 2 Memilih rule Input edit rule dan simpan Pengeditan rule tidak diproses (gagal) Tidak Yakin edit rule? Tidak Iya Cek nilai CF -1<CF<1 Iya No sudah ada dalam database? Ada Tidak ada Gagal mengedit rule Berhasil mengedit rule Selesai Gambar 4.5 System flowchart proses edit rule

12 42 Selain tambah rule dan edit rule juga terdapat hapus rule. Hal pertama yang dilakukan adalah memilih rule yang akan dihapus. Lalu sistem akan menampilkan peringatan Yakin ingin menghapus?. Jika tidak, maka proses hapus rule tidak diproses. Jika iya, maka proses hapus rule berhasil. Adapun system flowchart proses hapus rule disajikan pada Gambar Memilih rule Hapus rule Tidak Yakin menghapus rule? Iya Hapus rule tidak diproses (gagal) Hapus rule berhasil Selesai Gambar 4.6 System flowchart proses hapus rule

13 43 Proses terakhir yang bisa dilakukan adalah proses edit nilai CF maksimal. Hal pertama yang dilakukan adalah input nilai CF maksimal baru. Lalu sistem akan melakukan update nilai CF. Adapun system flowchart proses edit nilai CF maksimal disajikan pada Gambar Input nilai CF maksimal baru Tidak Cek CF max 0<CF max<1 Iya Edit CF maksimal Selesai Gambar 4.7 System flowchart proses edit nilai CF maksimal

14 Implementasi Sistem Pada implementasi sistem akan dibahas mengenai GUI (General User Interface) dari aplikasi pertolongan pertama pada kucing berbasis android dengan menggunakan metode certainty factor yang bernama Pertolongan pertama pada kucing (P3k). Sebelum membahas GUI, akan dijabarkan terlebih dahulu tentang algoritma algoritma yang akan digunakan dalam aplikasi P3k. Berikut merupakan algoritma umum P3k yang disajikan pada Gambar 4.8 Begin End Identifikasi nama penyakit Proses diagnosa Proses hitungcf Proses Penyakit_lanjutan Gambar 4.8 Algoritma umum P3k Proses awal aplikasi dimulai dengan identifikasi nama penyakit untuk menentukan gejala yang sesuai dengan nama penyakit. Pada proses ini memerlukan inputan berupa tabel penyakit yang sudah tersimpan dalam database. Pseudocode identifikasi nama penyakit dapat dilihat pada Gambar 4.9 Nama: Identifikasi nama penyakit Fungsi: Menentukan gejala berdasarkan nama_penyakit yang dipilih Input : tabel penyakit Output: nama_penyakit Begin Pilih penyakit dari tabel penyakit if(nama_penyakit=tidak ada) kembali ke halaman pilih penyakit else Proses diagnosa endif END Gambar 4.9 Pseudocode identifikasi nama penyakit

15 45 Hasil dari proses identifikasi nama penyakit adalah berupa nama penyakit yang selanjutnya digunakan dalam proses diagnosa. Dalam proses ini terdapat beberapa proses yakni proses perhitungan CF serta proses penyakit lanjutan. Pseudocode proses diagnosa disajikan pada Gambar 4.10 Nama: Proses diagnosa Fungsi: Menentukan gejala berdasarkan penyakit dan jawaban user Input : nama penyakit, jawaban user Output: Gejala Begin pertanyaan diagnosa berdasarkan nama_penyakit Proses hitungcf if(jawabanuser = pasti/hampir pasti/kemungkinan besar/ kemungkinan/ tidak tahu) index_selanjutnya = value kolom iya else index_selanjutnya = value kolom tidak endif if(index_selanjutnya=solusi) simpan solusi di array solusi Proses Penyakit_lanjutan else pertanyaan sesuai index_selanjutnya endif END Gambar 4.10 Pseudocode Proses diagnosa Dalam proses diagnosa, terdapat proses perhitungan CF. Pada proses ini memerlukan inputan berupa CF user yang diperoleh dari jawaban user serta CF pakar yang terdapat dalam database. Pseudocode proses hitungcf disajikan pada Gambar 4.11

16 46 Nama: Proses hitungcf Fungsi: Menghitung nilai CF Input : Jawaban user dan CF pakar Output: CF Begin Cfx=0; if(jawabanuser=pasti) CFuser=1 else if(jawabanuser=hampir pasti) CFuser=0.8; else if(jawabanuser =Kemungkinan besar) CFuser =0.6; else if(jawabanuser =kemungkinan) CFuser =0.4; else if(jawabanuser =Tidak tahu) CFuser =0; else if(jawabanuser =kemungkinan tidak) CFuser =-0.4; else if(jawabanuser =Kemungkinan besar tidak) CFuser =-0.6; else if(jawabanuser =hampir pasti tidak) CFuser =-0.8; else CFuser =-1; endif; double CFx= CFuser*CFpakar; if(cfx>0 && CFy>0) CF(x,y) = CFx+CFy(1-CFx); else if((cfx>=0 && CFy<=0) (CFx<=0 && CFy>=0)) CF(x,y) = (CFx+CFy)/(1-minimal( CFx, CFy )) else CF(x,y) = CFx+CFy(1+CFx) endif; return (CF) END Gambar 4.11 Pseudocode Proses hitungcf Dalam proses diagnosa, terdapat proses penyakit_lanjutan. Fungsi proses ini adalah jika kucing menderita lebih dari satu penyakit. Ketika tidak ada

17 47 penyakit lanjutan, maka sistem akan menampilkan penanganan, sebaliknya jika ada penyakit lanjutan, maka akan melalui proses diagnosa kembali. Pseudocode proses Penyakit_lanjutan disajikan pada Gambar 4.12 Nama: Proses Penyakit_lanjutan Fungsi: Menentukan nama_penyakit lanjutan/komplikasi Input : tabel penyakit Output: nama_penyakit Begin Pilih penyakit dari tabel penyakit if(nama_penyakit=tidak ada) if(cf<cfmax) Output: value array solusi else Output: segera ke dokter endif else Proses diagnosa endif END Gambar 4.12 Pseudocode Proses Penyakit_lanjutan Dalam aplikasi P3k terdapat fitur untuk menambah, mengubah bahkan menghapus isi tabel rule. Pada proses tambah rule, harus dimulai dengan proses login terlebih dahulu. Jika berhasil, user dapat menambah rule dengan mengisi id_penyakit, nama_penyakit, Pertanyaan, Iya,Tidak,CF. Pseudocode proses Tambah rule disajikan pada Gambar 4.13

18 48 Nama: Tambah rule Fungsi: Menambahkan rule ke dalam tabel Input : id_penyakit, nama_penyakit, Pertanyaan, Iya,Tidak,CF, Keterangan_jawaban Output: tabel penyakit Begin Proses login Cek nilai CF IF(-1<CF<1) Menyimpan rule ke dalam database ELSE Gagal menyimpan rule dalam database EndIF End Gambar 4.13 Pseudocode Proses Tambah rule Pada proses edit rule, harus dimulai dengan proses login terlebih dahulu. Jika berhasil, user dapat mengedit rule lalu simpan. Pseudocode proses Edit rule disajikan pada Gambar 4.14 Nama: Edit rule Fungsi: Mengubah rule dalam tabel Input : id_penyakit, nama_penyakit, Pertanyaan, Iya,Tidak,CF, Keterangan_jawaban Output: tabel penyakit Begin Proses login isi rule berdasarkan id penyakit yang dipilih edit rule dan simpan menjadi rule baru Cek nilai CF IF(-1<CF<1) Edir rule ke dalam database ELSE Gagal edit rule dalam database EndIF End Gambar 4.14 Pseudocode Proses Edit rule

19 49 Pada proses hapus rule, harus dimulai dengan proses login terlebih dahulu. Jika berhasil, user dapat hapus rule. Pseudocode proses hapus rule disajikan pada Gambar 4.15 Nama: Hapus rule Fungsi: Menghapus rule dalam tabel Input : id_penyakit Output: tabel penyakit Begin Proses login Menghapus rule berdasarkan id penyakit yang dipilih End Gambar 4.15 Pseudocode Proses Hapus rule Pada proses edit CF maksimal, harus dimulai dengan proses login terlebih dahulu. Jika berhasil, user dapat mengedit nilai CF maksimal. Pseudocode proses edit CF maksimal disajikan pada Gambar 4.16 Nama: Edit CF maksimal Fungsi: Mengedit nilai CF maksimal Input : CF maksimal Output: CF maksimal Begin Proses login Mengedit nilai CF maksimal Cek nilai CF IF(0<CF<1) Menyimpan nilai CF maksimal ke dalam database ELSE Gagal menyimpan nilai CF maksimal ke dalam database EndIF End Gambar 4.16 Pseudocode Proses Edit CF Maksimal

20 50 Proses login adalah proses pencocokan user dan password. Pseudocode proses login disajikan pada Gambar 4.17 Nama: Login Fungsi: Sebagai pengamanan terhadap perubahan rule Input : user, password Output: Tabel penyakit Begin if(user dan password sesuai) menuju ke halaman display tabel penyakit else kembali ke halaman login endif End Gambar 4.17 Pseudocode Proses Login Saat pengguna menjalankan aplikasi yang dinamakan Pertolongan Pertama Pada Kucing (P3K) ini, GUI akan disajikan. Pada tampilan home terdiri dari tiga menu yaitu Login, Diagnosa dan Petunjuk Penggunaan. Halaman home disajikan pada Gambar Menu Diagnosa Gambar 4.18 Halaman home Pada menu ini pengguna akan diberikan informasi tentang penanganan pertama yang bisa dilakukan oleh cat lover. Untuk mengetahuinya, pengguna

21 51 diharuskan memilih salah satu penyakit terlebih dahulu. Selanjutnya sistem akan menampilkan pertanyaan sesuai penyakit yang dipilih user dan user diharuskan menjawab setiap pertanyaan dengan memilih jawaban yang sudah disediakan sistem. Setelah itu sistem akan menampilkan pilihan penyakit lanjutan dan user diharuskan memilih penyakit lagi. Apabila user memilih Tidak ada maka sistem akan menampilkan solusi penanganan. Menu Diagnosa disajikan pada Gambar Gambar 4.19 Menu diagnosa

22 52 Menu Login Pada menu ini pakar diberikan wewenang untuk dapat mengotak-atik isi dari tabel rule. Untuk dapat melakukannya, pakar diharuskan mengisi username dan password terlebih dahulu. Selanjutnya sistem akan menampilkan tabel rule yang tersimpan dalam database. Disini pakar dapat menambah, mengedit bahkan menghapus rule dalam database serta melakukan perubahan nilai CF maksimal. Menu Login disajikan pada Gambar Gambar 4.20 Menu login 4.6 Pengujian Sistem Pengujian sistem dilakukan untuk memastikan kualitas dan keandalan sistem dalam mengidentifikasi penanganan pertama yang tepat. Pengujian sistem dilakukan untuk menguji seberapa baik kinerja dari aplikasi P3K yang telah dibuat dengan dilakukan penginputan beberapa sampling data kedalam aplikasi. Pengujian dilakukan dengan membandingkan data hasil penanganan pada data sampling dengan hasil output dari sistem pakar pada aplikasi P3K dengan menggunakan data sampling yang sama. Data sampling yang digunakan untuk

23 53 pengujian sistem adalah data yang diperoleh dari kuesioner yang telah diisi oleh cat lover. Terdapat 400 data yang akan digunakan. Data yang digunakan sebagai inputan untuk pengujian sistem beserta hasil dari uji coba sistem dapat dilihat pada lampiran 7. Hasil dari pengujian sistem yang diperoleh 298 data memiliki output yang sama dengan sistem yang dapat dilihat pada tabel 4.2. Keterangan tabel 4.2 dapat dilihat pada lampiran 8. Tabel 4.2 Hasil Pengujian Sistem No. Gejala Penanganan Sesuai Tidak sesuai 1. G11, G12, G13 S G11, G12, G13 S G11, G12 S G11 S G21 S G21 S G21 S G31, G32, G33 S G31, G32, G33 S G41 S G41 S G31, G32, G33, G41 S G11, G12, G13, G41 S1 1 0 JUMLAH Berdasarkan hasil pengujian sistem di atas maka dapat dihitung persentase kinerja dari aplikasi dengan cara membagi jumlah data identifikasi yang memiliki

24 54 output dari sistem yang sama dengan semua jumlah data kemudian dikali dengan 100% sehingga dapat diperoleh nilai persentase kinerja aplikasi. Persentase ketepatan output: Selain menguji kinerja dari aplikasi, pengujian pada juga dilakukan untuk memastikan bahwa aplikasi telah dibuat dengan benar sesuai dengan kebutuhan dan tujuan yang diharapkan. Hal ini terealisasi dengan menggunakan pengujian Black-box testing. Hasil pengujian dengan menggunakan black-box testing dapat dilihat pada tabel 4.3

25 Tabel 4. 3 Pengujian dengan Black-box Testing No Tujuan Input Output yang diharapkan 1. menu Klik Diagnosa menu Pilih penyakit Pilih penyakit 2. pertanyaan berupa gejala berdasarkan nama penyakit 3. pertanyaan berupa gejala berdasarkan nama penyakit 4. pertanyaan lanjutan/pilihan penyakit lanjutan 5. pertanyaan lanjutan/pilihan penyakit lanjutan 6. solusi penanganan Memilih salah satu penyakit lalu Klik Selanjutnya Memilih Tidak ada pada pilihan penyakit lalu Klik Selanjutnya Memilih salah satu pilihan jawaban lalu klik Selanjutnya Memilih Pilihan jawaban pada pilihan jawaban lalu klik Selanjutnya Memilih jawaban lalu klik Selanjutnya pertanyaan berdasarkan nama penyakit peringatan Silahkan pilih penyakit pertanyaan lanjutan/pilihan penyakit lanjutan peringatan Silahkan pilih jawaban solusi penanganan Output sistem menu Pilih penyakit pertanyaan berdasarkan nama penyakit peringatan Silahkan pilih penyakit pertanyaan lanjutan/pilihan penyakit lanjutan peringatan Silahkan pilih jawaban solusi penanganan Keterangan gambar 1 gambar 2 gambar 3 gambar 4 gambar 5 gambar 6 55

26 No Tujuan Input Output yang diharapkan 7. isi Klik Login isi tabel rule Mengisi user dan password (sesuai) lalu klik tabel rule Next 8. isi Klik Login tabel rule Mengisi user dan password (tidak sesuai) lalu peringatan Login klik Next salah 9. Menambah isi tabel Mengisi user dan password (sesuai) lalu klik isi rule Next tabel rule baru Klik Tambah Mengisi No, Nama Penyakit, Pertanyaan, Index pertanyaan iya, Index pertanyaan tidak, Nilai CF, Keterangan_jawaban, Lalu klik Next Lalu klik Iya 10. Menambah isi tabel Mengisi user dan password (sesuai) lalu klik rule Next peringatan dari Klik Tambah SQLite Mengisi No (sudah ada dalam database), Nama Penyakit, Pertanyaan, Index pertanyaan iya, Index pertanyaan tidak, Nilai CF Lalu klik Next Lalu klik Iya Output sistem isi tabel rule peringatan Login salah isi tabel rule baru peringatan dari SQLite Keterangan gambar 7 gambar 8 gambar 9 gambar 10 56

27 No Tujuan Input Output yang diharapkan 11. Menambah isi tabel Mengisi user dan password (sesuai) lalu klik Kembali ke halaman rule Next tambah rule Klik Tambah ( Mengisi No, Nama Penyakit, peringatan Tambah Pertanyaan, Index pertanyaan iya, Index rule gagal (Nilai CF pertanyaan tidak, Nilai CF antara -1 sampai 1) ) Lalu klik Next Lalu klik Iya 12. Menambah isi tabel rule 13. Mengubah isi tabel rule Mengisi user dan password (sesuai) lalu klik Next Klik Tambah Mengisi No, Nama Penyakit, Pertanyaan, Index pertanyaan iya, Index pertanyaan tidak, Nilai CF Lalu klik Next Lalu klik Tidak Mengisi user dan password (sesuai) lalu klik Next Klik isi tabel Klik Edit Edit rule Lalu klik Next Lalu klik Iya Kembali ke halaman tambah rule tabel rule baru isi Output sistem Kembali ke halaman tambah rule ( peringatan Tambah rule gagal (Nilai CF antara -1 sampai 1) ) Kembali ke halaman tambah rule isi tabel rule baru Keterangan gambar 11 gambar 12 gambar 13 57

28 No Tujuan Input Output yang diharapkan 14. Mengubah isi tabel Mengisi user dan password (sesuai) lalu klik Kembali ke halaman rule Next edit rule Klik isi tabel Klik Edit Edit rule Lalu klik Next 15. Mengubah isi tabel rule 16. Menghapus isi tabel rule 17. Menghapus isi tabel rule Lalu klik Tidak Mengisi user dan password (sesuai) lalu klik Next Klik isi tabel Klik Edit Edit rule Lalu klik Next Lalu klik Iya Mengisi user dan password (sesuai) lalu klik Next Klik isi tabel Klik Hapus Lalu klik Iya Mengisi user dan password (sesuai) lalu klik Next Klik isi tabel Klik Hapus Lalu klik Tidak Kembali ke halaman edit rule ( peringatan Edit gagal (Nilai CF antara -1 sampai 1) ) tabel rule baru tabel rule isi isi Output sistem Kembali halaman rule ke edit Kembali ke halaman edit rule ( peringatan Edit gagal (Nilai CF antara -1 sampai 1) ) isi tabel rule baru isi tabel rule Keterangan gambar 14 gambar 15 gambar 16 gambar 17 58

29 No Tujuan Input Output yang diharapkan 18. Mengedit nilai CF max isi tabel rule 19. Mengedit nilai CF max isi tabel rule 20. Mengedit nilai CF max isi tabel rule Mengisi user dan password (sesuai) lalu klik Next Klik CF maksimal Lalu ubah Lalu klik Edit Mengisi user dan password (sesuai) lalu klik Next Klik CF maksimal Lalu ubah Lalu klik Cancel Mengisi user dan password (sesuai) lalu klik Next Klik CF maksimal Lalu ubah Lalu klik Edit isi tabel rule (Nilai CF max berubah) isi tabel rule (Nilai CF max tidak berubah) peringatan Edit CF gagal (Nilai CF maksimal antara 0-1) Output sistem isi tabel rule (Nilai CF max berubah) isi tabel rule (Nilai CF max tidak berubah) peringatan Edit CF gagal (Nilai CF maksimal antara 0-1) Keterangan gambar 18 gambar 19 gambar 19 59

30 Evaluasi Sistem Pada evaluasi sistem dilakukan untuk menguji seberapa baik kinerja dari aplikasi P3k yang telah dibuat. Evaluasi kinerja dari sistem untuk melihat tanggapan atau respon pengguna terhadap fungsionalitas, fitur-fitur, dan tampilan pada aplikasi P3k. Untuk melihat tanggapan atau respon user, dilakukan pemberian kuesioner kepada pengguna. Evaluasi dalam bentuk kuesioner dilakukan pada 10 cat lover yang dapat dilihat pada Lampiran 10. Hasil kuesioner menunjukkan bahwa aplikasi ini mudah dipahami, mudah dalam mengoperasikannya, fitur-fitur pada aplikasi berjalan dengan baik, memiliki tampilan antarmuka yang cukup menarik, dan aplikasi ini membantu pengguna. Berikut hasil dari pengisian kuesioner dapat dilihat pada Tabel 4.4 Tabel 4.4 Tabel hasil pengisian kuesioner No Pertanyaan Persentase 1. Tampilan pada aplikasi ini mudah dipahami Sangat Mudah= 10% Mudah = 60% Cukup Mudah= 30% 2. Mudah dalam mengoprasikannya 3. tampilan aplikasi ini sudah menarik 4. fitur-fitur dalam aplikasi ini berjalan dengan baik 5. merasa terbantu dengan adanya aplikasi ini Sangat Mudah= 30% Sangat menarik = 10% Sangat baik =10 % Sangat terbantu = 10% Mudah = 50 % menarik = 0% baik = 60% terbantu = 50% Cukup Mudah= 20% Cukup menarik = 70% Cukup baik = 30% Cukup terbantu = 40% Tidak sama sekali = 0% Tidak sama sekali = 0% Tidak sama sekali = 20% Tidak sama sekali = 0% Tidak sama sekali = 0%