BAB III ANALISIS DAN DESAIN SISTEM

Transkripsi

1 BAB III ANALISIS DAN DESAIN SISTEM III.1. Analisa Masalah Dinas Kesejahteraan Dan Sosial masih menggunakan Microsoft Word dan juga menggunakan buku besar dalam proses pencatatan dan diagnosa penyakit dan masih disimpan dalam berkas-berkas atau file-file. Tidak adanya database untuk menyimpan data sehingga menyulitkan pihak administrasi dalam mencari data pasien pada Dinas Kesejahteraan Dan Sosial. Hal ini sangat tidak efektif dan efisien. Oleh karena itu, untuk menjawab permasalahan tersebut dibutuhkan sebuah sistem yang dapat mempermudah untuk mendiagnosa suatu penyakit dan mengetahui solusi mengenai penyakit kusta menggunakan metode Perceptron, metode ini digunakan untuk mengetahui bobot dari setiap gejala-gejala yang ada dan berapa persen tingkat kemungkinan terkena penyakit kusta. III.1.1. Analisa Input Pada saat sebelum sistem ini dirancang, secara umum masyarakat tidak pernah mengetahui bagaimana cara untuk diagnosa penyakit Kusta. Hal yang pertama kali dilakukan adalah dengan datang kedokter atau ke pusat kesehatan (Dinas Kesejahteraan Dan Sosial) yang ada dan menyampaikan keluhan atas gejala yang dialami. Hal inilah yang menjadi masukan bagi dokter untuk mengobati si pasien penderita penyakit Kusta tersebut. 31

2 32 Gambar III.1. Form Input Data Pasien (Sumber : Dinas Kesejahteraan Dan Sosial) III.1.2. Proses Proses yang dilakukan oleh dokter dalam menangani pasien adalah dengan menginputkan data-data pasien, kemudian memeriksa kondisi fisik dari pasien itu sendiri agar dapat ditemukan sebenarnya penyakit yang dideritanya. Setelah ditemukannya penyakit tersebut, dokter diagnosis penyakit Kusta pada pasien, apakah si pasien menderita penyakit kusta serta memberikan solusi dari penyakit yang dialami pasien.

3 33 III.1.3. Output Output merupakan hasil dari pengolahan data yang telah diinputkan. Output atau hasil keluaran dari sistem pakar ini adalah apakah seseorang terkena penyakit Kusta atau tidak, serta solusi dari hasil analisa penyakit kusta tersebut. Gambar Output dapat dilihat pada gambar III.2 berikut ini : Gambar III.2. Hasil Analisa Diagnosa Kusta (Sumber : Dinas Kesejahteraan Dan Sosial)

4 34 III.1.4. Evaluasi Sistem Berjalan Sistem yang ada saat ini masih menggunakan Microsoft Word dan terkadang masih menggunakan Buku besar dan belum ada database sehingga berkas-berkas masih tersimpan dalam arsip balai pengobatan yang akan menyulitkan proses pencarian data apabila sedang dibutuhkan.proses pencatatan data pasien memerlukan waktu yang lama karena tidak adanya aplikasi yang menampilkan hasil diagnosis serta penanganannya. Berdasarkan uraian diatas maka penulis akan merancang aplikasi sistem pakar yang bertujuan agar dapat memberikan kontribusi positif dalam hal mengetahui bentuk gejala dari penyakit Kusta. Oleh karena itu penulis merancang sistem pakar diagnosa penyakit Kusta dengan menggunakan Visual Basic 2010 dan SQL Server R dan menggunakan metode perceptron. III.2. Penerapan Metode / Algoritma Adapun metode yang dipakai dalam pemecahan masalah dari sistem pakar mendiagnosa penyakit Kusta ini adalah metode Perceptron. Metode Perceptron ini akan digunakan untuk diagnosa penyakit Kusta apakah pasien terkena penyakit Kusta atau tidak. Metode perceptron ini cukup ampuh untuk pengenalan gejalagejala yang terlihat secara fisik pada pasien dengan menggunakan pola khusus dan perhitungan matematis yang akan kita buat untuk proses sample dan testing. Metode ini nantinya yang akan kita pakai untuk mengenali atau diagnosa penyakit Kusta dari gejala fisik yang ditimbulkan oleh pasien itu sendiri.(t. Sutojo) Adapun Rumus Metode Perceptron berikut ini : y_in = Xi.Wi

5 35 Keterangan : input y_in pada neuron Y merupakan penjumlahan dari perkalian neuron-neuron input dengan masing-masing bobot yang bersesuaian.lalu di berikan fungsi aktivasi untuk menghasilkan neuron Y Sj = ai. Wji Keterangan : Wji = bobot sambungan dari unit I ke unit j ai=masukan yang berasal dari unit i Keluaran ini kemudian dibandingkan dengan hasil (target) yang diinginkan. Sehingga dihasilkan keluaran yang sesuai dengan hasil yang diinginkan dengan rumus perubahan bobotnya : Wjibaru = Wjilama + C (tjp. xjp) ai Keterangan : C = Kecepatan belajar t(jp)= nilai keluaran yang diinginkan unit j setelah diberikan pola p pada lapisan masukan. x(jp)= nilai keluaran yang dihasilkan unit j setelah diberikan pola p pada lapisan masukan. a(i)= masukan yang berasal dari unit i.

6 36 Contoh Kasus : Jaringan Saraf tiruan untuk melakukan pembelajaran terhadap fungsi logika OR dengan input biner dan target biner sebagai berikut : X1 X2 OR Gunakan algoritma pelatihan delta rule, bila ditentukan nilai learning rate (a) = 0,2 dan bobot awal yang dipilih w1 = 0,1 dan w2 = 0,3 serta fungsi aktivasi yang digunakan adalah fungsi undak biner dengan thershold(θ) = 0,5. Penyelesaian : Epoch ke Data ke-1 (x1 = 0 x2= 0 target t=0) w1 = 0,1 dan w2= 0,3 y_in = Xi. Wi = 0.0, ,3 = 0 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x>= 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (0-0) = 0 w1(baru) = w1(lama) + a( t y)*x1 = 0,1 + 0,2.0.0 = 0,1 w2(baru) = w2(lama) + a(t y)*x2 = 0,3 + 0,2.0.0 = 0, Data ke-2 (x1 = 0 x2= 1 target t=1) w1 = 0,1 dan w2= 0,3 y_in = Xi. Wi = 0.0, ,3 = 0 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x>= 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (1-0) = 1 w1(baru) = w1(lama) + a( t y)*x1 = 0,1 + 0,2.1.0 = 0,1 w2(baru) = w2(lama) + a(t y)*x2 = 0,3 + 0,2.1.1 = 0,

7 37 Data ke-3 (x1 = 0 x2= 0 target t=1) w1 = 0,1 dan w2= 0,5 y_in = Xi. Wi = 1.0, ,5 = 0,1 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x>= 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (1-0) = 1 w1(baru) = w1(lama) + a( t y)*x1 = 0,1 + 0,2.1.1 = 0,3 w2(baru) = w2(lama) + a(t y)*x2 = 0,5 + 0,2.1.0 = 0,5 Data ke-4 (x1 = 1 x2= 1 target t=1) w1 = 0,3 dan w2= 0,5 y_in = Xi. Wi = 1.0, ,5 = 0,8 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x>= 0,5 Hasil aktivasi y = 1 Eror =( t - y) = (1-1) = 0 w1(baru) = w1(lama) + a( t y)*x1 = 0,3 + 0,2.0.1 = 0,3 w2(baru) = w2(lama) + a(t y)*x2 = 0,3 + 0,2.0.1 = 0,5 Lakukan terus menerus sampai epoch diperoleh eror = 0 untuk semua data.oleh karena itu proses pembelajaran dihentikan dan diperoleh bobot w1 = 0,5 dan w2 = 0,5. Jika sama maka 100% seluruh data benar. Berikut ini adalah tabel gejala dari penyakitkusta. Tabel gejala Kusta dapatdilihat pada gambar III.3 di bawah ini : Tabel III.1. Tabel Gejala Nama Gejala Gejala Gejala Gejala Gejala Gejala Gejala Gejala Target Pasien A B C D E F G H Nisa Sari Rino Andi Ayu Rio

8 38 Andri Karin Untuk mengetahui hasil konsultasi penyebab penyakit ini, maka dilakukan pengujian proses konsultasi. Proses pengujian sistem berupa sekumpulan ciri-ciri atau gejala yang dapat dilihat oleh mata secara langsung pada pasien yang mengalami masing-masing gejala, dimana diambil berdasarkan hasil pengamatan dan penelusuran. Ciri-ciri atau gejala penyakit kusta dikelompokkan menjadi 8 jenis : - Gejala A : Bercak Tipis/Panu - Gejala B : Bercak-bercak Putih Besar - Gejala C: Perlebaran Syaraf Kulit - Gejala D : Bintil-bintil merah - Gejala E : Alis Rambut Rontok - Gejala F : Wajah Tegang/Kaku - Gejala G: Panah Tinggi - Gejala H : Kelenjar Keringat - Dimana untuk gejala A,B,C,D,E,F = 1 merupakan gejala dari penyakit kusta Stadium Lanjut, dan gejala F,G,dan H = 0 adalah gejala dari penyakit Kusta Stadium. Jika Laki-laki = 0 dan Perempuan = 1.

9 39 Tabel III.2. Tabel Normalisasi Gejala x1 x2 OR Keterangan : Nama Pasien = x1 Gejala = x2 Target = Or Nilai-nilai parameter jaringan yang ditetapkan yaitu : - Learning Rate (a) = 0,2 - Bobot Awal o w1 = 0,1 o w2 = 0,3 - Fungsi Aktivasi Undak biner - Threshold (θ) = 0 Epoch ke Data ke-1 (x1 = 1 x2= 1 target t=1) w1 = 0,1 dan w2= 0,3 y_in = Xi. Wi = 1.0, ,3 = 0,4 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (1-0) = 1 w1(baru) = w1(lama) + a( t y)*x1 = 0,1 + 0,2.1.1 = 0,3 w2(baru) = w2(lama) + a (t y)*x2 = 0,3 + 0,2.1.1 = 0, Data ke-2 (x1 = 1 x2= 1 target t=1) w1 = 0,3 dan w2= 0,5 y_in = Xi. Wi = 1.0, ,5 = 0,8 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 1 Eror =( t - y) = (1-1) = 0 w1(baru) = w1(lama) + a( t y)*x1 = 0,3 + 0,2.0.1 = 0,3

10 40 w2(baru) = w2(lama) + a (t y)*x2 = 0,5 + 0,2.0.1 = 0, Data ke-3 (x1 = 0 x2= 1 target t=1) w1 = 0,3 dan w2= 0,5 y_in = Xi. Wi = 0.0, ,3 = 0,3 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (1-0) = 1 w1(baru) = w1(lama) + a( t y)*x1 = 0,3 + 0,2.1.0 = 0,3 w2(baru) = w2(lama) + a (t y)*x2 = 0,5 + 0,2.1.1 = 0, Data ke-4 (x1 = 0 x2= 1 target t=1) w1 = 0,3 dan w2= 0,7 y_in = Xi. Wi = 0.0, ,7 = 0,7 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 1 Eror =( t - y) = (1-1) = 0 w1(baru) = w1(lama) + a( t y)*x1 = 0,3 + 0,2.0.0 = 0,3 w2(baru) = w2(lama) + a (t y)*x2 = 0,7 + 0,2.0.1 = 0, Data ke-5 (x1 = 1 x2= 1 target t=1) w1 = 0,3 dan w2= 0,9 y_in = Xi. Wi = 1.0, ,9 = 1 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 1 Eror =( t - y) = (1-1) = 0 w1(baru) = w1(lama) + a( t y)*x1 = 0,3 + 0,2.0.1 = 0,3 w2(baru) = w2(lama) + a (t y)*x2 = 0,9 + 0,2.0.1 = 0, Data ke-6 (x1 = 0 x2= 0 target t=0) w1 = 0,3 dan w2= 0,9 y_in = Xi. Wi = 0.0, ,9 = 0 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (1-0) = 1 w1(baru) = w1(lama) + a( t y)*x1 = 0,3 + 0,2.1.0 = 0,3 w2(baru) = w2(lama) + a (t y)*x2 = 0,9 + 0,2.1.0 = 0,

11 41 Data ke-7 (x1 = 0 x2= 0 target t=0) w1 = 0,3 dan w2= 0,9 y_in = Xi. Wi = 0.0, ,9 = 0 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (0-0) = 0 w1(baru) = w1(lama) + a( t y)*x1 = 0,3 + 0,2.0.0 = 0,3 w2(baru) = w2(lama) + a (t y)*x2 = 0,9 + 0,2.0.0 = 0, Data ke-8 (x1 = 1 x2= 0 target t=1) w1 = 0,3 dan w2= 0,9 y_in = Xi. Wi = 1.0, ,9 = 0,3 Fungsi aktivasi : y = {0, jika x< 0,5 {1, jika x> 0,5 Hasil aktivasi y = 0 Eror =( t - y) = (1-0) = 1 w1(baru) = w1(lama) + a( t y)*x1 = 0,3 + 0,2.1.1 = 0,5 w2(baru) = w2(lama) + a (t y)*x2 = 0,7 + 0,2.1.0 = 0, Lakukan terus menerus sampai epoch diperoleh eror = 0 untuk semua data. proses pembelajaran dihentikan dan diperoleh bobot w1 = 0,5 dan w2 = 0,5. Jika sama Gambar III.3. Grafik Training

12 42 maka 100% seluruh data benar. Pada data ini berhenti pada epoch ke-4 target dan Output harus sama. Hasil yang diperoleh dapat dilihat pada Gambar III.4 berikut ini : Gambar III.4. Hasil Training Jika data target sama dengan network output atau w1(lama) dan w2(baru) maka pasien benar-benar terkena penyakit Kusta. untuk menentukan nilai kemungkinan berapa % terkena penyakit Kusta maka hitung persentase dari data yang sudah ditraining adalah :

13 43 Bobot lama Bobot baru x 100% = x 100% = 100% Studi Kasus Perceptron : X1 X2 OR Bila ditentukan nilai learning rate = 0,1 dan bobot awal w1 = 0,2 dan w2 = 0,1 serta fungsi aktivasi dengan thershold = 0,3. Penyelesaian : Epoch ke Data ke-1 (x1= 1 x2= 1 target t=1) w1 = 0,2 dan w2 = 0,1 y_in = Xi. Wi = 1.0, ,1 = 0,3 Fungsi aktivasi : y = {0, jika x<0,3 {1, jika x>=0,3 Hasil aktivasi y = 0,3 Eror =(t y) = (1-0,3) = 0,7 W1(baru) = w1(lama) + a(t y)*x1 = 0,2 + 0,1.0.0 = 0,2 W2(baru) = w2(lama) + a(t y)*x1 = 0,1+ 0,1.0.0 = 0,1 Data ke-2 (x1=1 x2= 0 target t=0) W1= 0,2 dan w2= 0,1 y_in = Xi. Wi =1.0, ,1= 0,2 Fungsi aktivasi : y= {0, jika x<0,3 {1, jika x>=0,3 Hasil aktivasi y = 0,2 Eror =(t y) = (0 0,2) = 0,2 W1(baru) = w1(lama) + a(t y)*x1= 0,2 + 0,1.0,2.0,2 = 0,2 W2(baru) = w2(lama) + a(t y)*x2= 0,1 + 0,1.0,2.0,2 = 0,1 Data ke-3 (x1=0 x2= 1 target t=0) W1= 0,2 dan w2= 0,1 y_in = Xi. Wi =0.0, ,1= 0

14 44 Fungsi aktivasi : y= {0, jika x<0,3 {1, jika x>=0,3 Hasil aktivasi y = 0 Eror =(t y) = (0 0) = 0 W1(baru) = w1(lama) + a(t y)*x1= 0,2 + 0,1.0.0= 0,2 W2(baru) = w2(lama) + a(t y)*x2= 0,1 + 0,1.0.0= 0,1 Data ke-4 (x1=0 x2= 0 target t=0) W1= 0,2 dan w2= 0,1 y_in = Xi. Wi =0.0, ,1= 0 Fungsi aktivasi : y= {0, jika x<0,3 {1, jika x>=0,3 Hasil aktivasi y = 0 Eror =(t y) = (0 0) = 0 W1(baru) = w1(lama) + a(t y)*x1= 0,2 + 0,1.0.0 = 0,2 W2(baru) = w2(lama) + a(t y)*x2= 0,1 + 0,1.0.0 = 0,1

15 45 III.2.1. Flowchart Adapun flowchart metode seperti dibawah ini : Gambar III.5. Flowchart Sistem Pakar Diagnosa Penyakit Kusta Dengan Menggunakan Metode Perceptron Pada Dinas Kesejahteraan Dan Sosial

16 46 III.3. Desain Sistem Pada tahap ini akan dilakukan perancangan terhadap sistem yang diusulkan. Adapun perancangan dari sistem ini dapat digambarkan dengan Unified Modelling Language (UML). III.3.1. Use Case Diagram Use case diagram menggambarkan actor, use case dan relasinya sebagai suatu urutan tindakan yang memberikan nilai terukur untuk aktor. Gambar III.5. Use Case Diagram Kusta

17 47 III.3.2. Class Diagram Class diagram menggambarkan struktur statis dari kelas dalam sistem dan menggambarkan atribut, operasi dan hubungan antara kelas. TAMBAH PENGGUNA LOGIN 1 + user_id + user_name + password + re-password + user_name + password + New Account () + Login () + Exit () 1 + Save () + Edit () + Delete () + Clear () + Back To Menu () 1..* 0..* KONSULTASI + Pilih Gejala + Nama Gejala + Nilai Bobot 1..* PASIEN + Add Gejala () + Reset Gejala () + Proses () + Menu Utama () + id_pasien + nama pasien + umur_pasien +jenis_kelamin + berat_badan + alamat_pasien + notelp_pasien + Save () + Edit () + Delete () + Clear () + Menu Utama () 1 1..* GEJALA + id_gejala + nama_gejala + nilai bobot + Save () + Edit () + Delete () + Clear () + Menu Utama () 1..* Gambar III.6. Class Diagram Kusta III.3.3. Activity Diagram Activity diagram menggambarkan aktifitas-aktifitas, objek, state, transisi state dan event. Dengan kata lain kegiatan diagram alur kerja menggambarkan perilaku sistem untuk aktivitas.

18 48 Gambar III.7. Activity Diagram Login Gambar III.8. Activity Diagram Data Pasien

19 49 Gambar III.9. Activity Diagram Data Gejala Gambar III.10. Activity DiagramAccount Manager

20 50 Inputkan gejala hasil akan ditampilkan Gambar III.11. Activity Diagram Konsultasi III.3.4. Sequence Diagram Sequence diagram menjelaskan interaksi objek yang disusun berdasarkan urutan waktu. Sequence Diagram diagnosa penyakit Kusta dapat digambarkan sebagai berikut : Gambar III.12. Sequence Diagram Menu Utama

21 51 Admin Main form Form Admin Proses Login Halaman Admin Tampilkan Fom () Menu () click form admin Validasi nama dan password () Koneksi Database () Invalid () Login sukses () Gambar III.13. Sequence Diagram Login Gambar III.14. Sequence Diagram Menu Admin

22 52 Gambar III.15. Sequence Diagram Data Pasien Gambar III.16. SequenceDiagram Data Gejala

23 53 Gambar III.17. Sequence Diagram Konsultasi III.3.5. Desain Database Database merupakan kumpulan dari data yang saling berhubungan satu dengan yang lainnya. Untuk merancangnya diperlukan alat bantu, baik menggambarkan relasinya maupun mengoptimalkan rancangan database. 1. Normalisasi Normalisasi dibuat agar menghasilkan tabel / file yang akan digunakan sebagai penyimpan data. a. Normalisasi 1NF Tabel III.3. Tabel Normalisasi 1NF - user_id - user_name - password

24 54 - id_gejala - nama_gejala - id_pasien - nama_pasien - umur_pasien - jenis_pasien - berat_badan - alamat_pasien - notelp_pasien b. Normalisasi 2NF Tabel III.4. Tabel Login user_id user_name Password Tabel III.5. Tabel Gejala id_gejala nama_gejala Nilai Tabel III.6. Tabel Pasien id_pasien nama_pasien umur_pa sien jenis_kel amin berat_badan alamat_ pasien notelp_pasi en 2. Desain Tabel Berdasarkan data tersebut di atas, maka struktur tabel data yang terbentuk adalah sebagai berikut:

25 55 1. Struktur login, tabel ini memiliki struktur sebagai berikut : Nama Database Nama Tabel Primary Key : Sistem Pakar Kusta.mdf : tabel_user : user_id Tabel tabel_user adalah tabel untuk menyimpan data pengguna dan data login dari si pengguna. Tabel III.7. Struktur Tabel Login Nama Field Tipe Data Panjang Keterangan user_id Varchar 20 Id pengguna user_name Varchar 20 Nama pengguna Password Nchar 15 Password pengguna 2. Struktur gejala, tabel ini memiliki struktur sebagai berikut: Nama Database Nama Tabel Primary Key : Sistem Pakar Kusta.mdf : tabel_gejala : id_gejala Tabel tabel_gejala adalah tabel untuk menyimpan gejala-gejala yang dialami si pasien. Tabel III.8. Struktur Tabel Gejala Nama Field Tipe Data Panjang Keterangan Id_gejala Varchar 50 Id gejala nama_gejala Varchar 50 Nama gejala Nilai Varchar 20 Nilai gejala 3. Struktur gejala, tabel ini memiliki struktur sebagai berikut : Nama Database Nama Tabel : Sistem Pakar Kusta.mdf : tabel_pasien

26 56 Primary Key : id_pasien Tabel tabel_pasien adalah tabel untuk menyimpan data-data pasien saat melakukan pemeriksaan atau konsultasi. Tabel III.9. Struktur Tabel Pasien Nama Field Tipe Data Panjang Keterangan Id_pasien Varchar 10 Id pasien nama_pasien Varchar 50 Nama pasien umur_pasien Nchar 10 Umur pasien jenis_kelamin Varchar 20 Jenis kelamin berat_badan nchar 10 Berat badan alamat_pasien varchar 50 Alamat pasien notelp_pasien varchar 15 No. Telp pasien III.3.6. Desain User Interface Desain sistem yang penulis lakukan pada sistem pakar diagnosa penyakit Kusta dengan menggunakan metode perceptron dan aplikasi program yang lebih akurat dan sederhana agar lebih mudah dalam pengoperasiannya Adapun tampilan aplikasi sistem pakar diagnosa penyakit Kusta terdiri dari :

27 57 1. Tampilan Form Menu Utama Menu Utama x Gambar Sistem Pakar Diagnosa Penyakit Kusta Dengan Menggunakan Metode Perceptron Konsultasi Informasi Sistem pakar Profil Penulis Admin Exit Gambar Gambar Gambar Gambar 2. Tampilan Form Konsultasi Gambar III.18. Form Menu Utama Konsultasi x Gambar Sistem Pakar Diagnosa Penyakit Kusta Dengan Menggunakan Metode Perceptron Add Gejala Reset Gejala Pilih Gejala Konsultasi Menu Utama Nama Gejala Nilai Bobot Proses Nama Gejala Bobot awal Hasil Nilai Kemungkinan Terkena Penyakit Kusta Nilai Kemungkinan % Solusi

28 3. Tampilan Form Tentang Sistem Pakar 58

29 59 About Sistem Pakar X Gambar Sistem Pakar Diagnosa Penyakit Kusta Dengan Menggunakan Metode Perceptron Sistem Pakar Menu Utama INFORMASI Gambar Gambar Gambar Gambar Gambar III.20. Form Sistem Pakar 4. Tampilan Form Profil Penulis

30 60 Profil Penulis Gambar Sistem Sistem Pakar Pakar Mendiagnosa Diagnosa Penyakit Kulit Kusta Acne Dengan Vulgaris Dengan Menggunakan Metode Metode Perceptron X Profil Penulis Menu Utama Informasi GAMBAR Nama : Tempat & Tanggal Lahir : Agama : Pekerjaan : Jabatan : Alamat Kantor : Alamat Rumah : Gambar Gambar Gambar Gambar Gambar III.21. Form Profil Penulis 5. Tampilan Form Menu Admin Menu Admin Gambar Sistem Pakar Diagnosa Penyakit Kusta Dengan Metode Perceptron x

31 61 Gambar III.22. Form Menu Admin 6. Tampilan Input Login Admin Sistem Pakar Diagnosa Penyakit Kusta Dengan Menggunakan Metode Perceptron 7. Tampilan Form Input Data Pasien Gambar Sistem Pakar Diagnosa Penyakit Kusta Dengan Gambar Menggunakan III.23. Form Metode LoginAdmin Perceptron Save ID pasien Alamat Pasien

32 8. Tampilan Form Data Gejala 62

33 63 Gambar Sistem Pakar Mendiagnosa Penyakit Kulit Acne Vulgaris Sistem Pakar Diagnosa Penyakit Kusta Dengan Dengan Menggunakan Metode Perceptron Menggunakan Metode Perceptron Save Data Gejala Edit Delete Clear Menu Admin ID Gejala Nama Gejala Nilai : : : ID Gejala Nama Gejala Nilai Gambar Gambar Gambar Gambar 9. Tampilan Form Input Tambah Pengguna Gambar III.25. Form Data Gejala Gambar III.26Form Tambah Pengguna

34 64