Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 612 - 623.
Th.
p-ISSN: 2620-620X
e-ISSN: 2621-9840
IMPLEMENTASI ALGORITMA NAIVE BAYES TERHADAP
DIAGNOSA GEJALA PENYAKIT MATA KATARAK BERBASIS
WEBSITE
IMPLEMENTATION OF THE NAIVE BAYES ALGORITHM FOR
WEBSITE-BASED DIAGNOSIS OF CATARACT EYE DISEASE
SYMPTOMS
Chyquitha Danuputri, chyquitha@gmail.
* dan Vincent Jonathan, vincentjonathan16@yahoo.
Teknik Informatika / Fakultas Teknik.
UNISMUH Makassar Teknik Informatika / Fakultas Teknik dan Desain.
Universitas Bunda Mulia
Diterima 20 Juli 2024 / Disetujui 25 Juli 2024
ABSTRACT
This research have a purpose to analyse an eye disease.
One of the many eye diseases is Cataract.
The symptoms that are felt can help determine what type of cataract you are felt so that you can find a fast and effective way of eye treatment.
For cataract itself, the Expert System uses the Naive Bayes method to classify the symptoms we experienced so that it helps patients and medical personnel to predict what type of cataract they suffer from.
A website-based Expert System requires the role of the Informatics Engineering profession to assist health workers.
Where the use of the website itself facilitates access for patients / patients and medical personnel in predicting cataracts suffered by patients / patients based on the symptoms felt.
cataract disease is treated early because the type of cataract suffered has been found based on the symptoms felt, then the right healing method can be done quickly so that cataract disease can be treated as soon as So it will increase the success rate and reduce the risk in the eye treatment process.
Keywords: Expert System.
Cataract Disease.
Naive Bayes ABSTRAK Penelitian dilakukan dengan tujuan untuk menganalisa penyakit mata yang diderita.
Penyakit mata yang sering ditemukan ialah Katarak.
Gejala yang dialami dapat membantu untuk menentukan katarak jenis apa yang dihadapi sehingga dapat ditemukan cara pengobatan yang cepat dan efektif.
Untuk penyakit katarak sendiri.
Sistem Pakar menggunakan metode Naive Bayes untuk mengelompokkan gejala Ae gejala yang dialami sehingga membantu pasien serta tenaga medis untuk memprediksi penyakit katarak jenis apa yang Sistem Pakar yang berbasis website membutuhkan peranan dari profesi Teknik Informatika untuk membantu tenaga kesehatan.
Dimana penggunaan website sendiri mempermudah akses untuk penderita/pasien maupun tenaga medis dalam memprediksi penyakit katarak yang dialami oleh penderita/pasien berdasarkan gejala Ae gejala yang dialami.
Jika penyakit katarak lebih awal diobati karena jenis penyakit katarak yang diderita sudah ditemukan berdasarkan gejala Ae gejala yang dialami, maka metode penyembuhan yang tepat dapat cepat dilakukan agar penyakit katarak dapat diobati sedini mungkin.
Sehingga dapat meningkatkan tingkat keberhasilan dan mengurangi resiko dalam proses pengobatan mata.
Kata Kunci: Sistem Pakar.
Katarak.
Nayve Bayes PENDAHULUAN Penulisan penelitian ini dibuat untuk memprediksi penyakit mata apa yang diderita dan juga meminimalisir interaksi fisik Petugas Medis dan calon pasien.
Di penelitian ini, pasien bisa *Korespondensi Penulis:
E-mail: chyquitha@gmail.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 612 - 623.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 memprediksi penyakit katarak jenis apa yang diderita berdasarkan gejala - gejala yang dialami dan ditentukan dengan metode probabilitas dan statistik dari algoritma Naive Bayes.
Sehingga tindakan medis bisa berlangsung dengan waktu yang relatif lebih cepat dan interaksi bisa Masalah yang diidentifikasi dalam penelitian ini adalah bagaimana mengetahui persentasi keberhasilan prediksi dari gejala Ae gejala di dalam penyakit mata katarak.
Tujuan dari penulisan penelitian ini adalah untuk mengetahui penyakit mata yang diderita berdasarkan gejala Ae gejala yang dialami agar dapat meminimalisir kontak fisik saat berjalannya proses pengobatan.
Manfaat dari penelitian ini diharapkan dapat berguna untuk seluruh masyarakat dalam memperoleh proses pengobatan relatif lebih cepat karena proses pengidentifikasian penyakit katarak lebih cepat.
METODOLOGI PENELITIAN
Metode penelitian menjelaskan mengenai bagaimana proses pengumpulan data, algoritma apa yang digunakan dan bagaimana design sistem penelitian dari pembuatan sistem pakar ini.
Metode observasi Observasi adalah kegiatan pengamatan yang direncanakan, sistematis dan hasilnya dicatat serta diinterpretasikan dalam rangka memperoleh pemahaman tentang objek yang diamati[Sugiyono Observasi yang dilakukan adalah pengamatan terhadap Algoritma Naive Bayes dalam memprediksi penyakit mata katarak yang diimplementasikan dalam penelitian ini.
Selain itu, peneliti juga melakukan observasi mengenai penyakit katarak mata.
Pemodelan Sistem Untuk pemodelan sistem pakar ini menggunakan Entity Relationship Diagram (ERD) untuk memodelkan database yang dipergunakan.
Gambar 1.
Entity Relationship Diagram Pada Gambar 1, ditunjukkan hubungan antara database yang ada didalam sistem pakar ini.
Gambar 1 ditunjukkan bahwa ada beberapa database utama pada sistem pakar ini.
Database utama yang ada didalam sistem pakar ini antara lain :
Admin Database Admin berisikan Nama_Admin dan ID_Admin.
Pasien Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 612 - 623.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Database Pasien berisikan Nama_Pasien.
ID_Pasien.
Katarak_Pasien.
Penyakit Katarak Database Penyakit Katarak berisikan Nama_Katarak dan Gejala_Katarak.
Metode Studi Pustaka Metode pengumpulan data yang diperoleh dengan mempelajari, meneliti, dan membaca buku, jurnal, skripsi, tesis baik hardcopy maupun softcopy yang terdapat di internet yang berhubungan dengan metode Naive Bayes dan penyakit katarak mata.
KATARAK
Katarak adalah salah satu penyakit mata yang cukup banyak dialami oleh orang-orang yang ada di dunia.
Katarak berbeda dengan myopia yang terjadi karena penurunan kekuatan saraf mata sehingga tidak dapat berakomodasi dengan baik.
Ciri Ae ciri penyakit mata Katarak yang paling mudah terlihat ialah seperti adanya kabut pada lensa mata sehingga lensa mata terlihat keruh.
Ada beberapa hal yang menjadi faktor utama dalam penyakit Katarak, antara lain :
Umur.
Cidera pada mata.
Adanya keluarga penderita penyakit katarak.
Penggunaan ramuan atau obat-obatan yang tidak terdaftar dalam riwayat catatan medis.
Penderita penyakit katarak biasanya merasakan beberapa keanehan berupa gejala yang muncul pada mata penderita.
Gejala tersebut antara lain :
Penglihatan mata kurang jelas.
Pandangan mata seperti keruh dan berkabut.
Kesulitan untuk melihat pada malam hari.
Sukar untuk melihat jika tempat terlalu terang.
Di dalam penyakit katarak sendiri, terdapat banyak macam jenis penyakit katarak.
Penyakit mata katarak dikelompokkan sebagai berikut.
Katarak Primer Katarak jenis ini merupakan katarak yang dikelompokkan berdasarkan umur penderita katarak.
Katarak Kongenital Katarak Kongenital terjadi pada penderita berusia kurang dari 1 tahun.
Katarak Juvenilis Katarak Juvenilis diderita oleh pasien berumur antara 1 sampai 40 tahun.
Katarak Presenilis Katarak Presenilis dialami oleh penderita berumur 30 sampai 40 tahun.
Katarak Senilis Katarak Senilis dirasakan penderita yang berumur lebih dari 40 tahun.
Katarak Sekunder Katarak sekunder ialah katarak yang dialami lagi oleh penderita yang sudah pernah menjalani tindakan medis berupa bedah pada lensa mata.
Rata-rata untuk perkembangan katarak sekunder adalah 64,7 A 99,53 hari.
Katarak Komplikata Katarak Komplikata yang terbentuk karena terjadinya komplikasi penyakit lainnya yang dialami oleh penderita.
Seperti pernah mengalami cidera pada bola mata, mengkonsumsi ramuan atau obat-obatan yang tidak terdaftar di dalam riwayat catatan medis, atau bahkan mengkonsumsi obat steroid untuk periode waktu yang cukup lama.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 612 - 623.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Penyakit katarak yang sudah diketahui lebih awal, dapat menggunakan kacamata untuk meringankan penyakit kataraknya.
Tetapi, jika penyakit katarak yang diderita sudah dirasakan mengganggu aktifitas, maka lebih baik dilakukan tindakan medis selanjutnya, yaitu operasi pengangkatan katarak.
NAIVE BAYES
Algoritma Naive Bayes adalah metode pengelompokkan data dengan cara memprediksikan data yang dikumpulkan berdasarkan ilmu pengetahuan dan penelitian yang sudah dilakukan sebelumnya.
Algoritma Naive Bayes dipilih karena memiliki banyak kelebihan, antara lain :
Tidak memerlukan data training / data latih yang banyak.
Dapat melakukan perhitungan terhadap data numerik diskrit dan data kuantitatif.
Proses perhitungan tergolong efektif dan efisien.
Dapat menghitung nilai yang tidak ada dengan perhitungan prediksi estimasi peluang.
Rumus untuk perhitungan manual dari teorema Bayes dapat dilihat pada Rumus .
ycU) = ycE.
cU) .
: Probabilitas : Data kelas yang dicari : Total data kelas yang dicari P(H|X) : Probabilitas Data kelas yang dicari berdasarkan Total data kelas yang dicari (Posterior Probabilit.
P(X|H) : Probabilitas data kelas yang dicari berdasarkan total data kelas yang dicari P(H) : Probabilitas data kelas yang dicari (Prior Probabilit.
P(X) : Probabilitas Total data kelas yang dicari Pada metode Naive Bayes, proses pengelompokkan data membutuhkan beberapa petunjuk untuk menentukan kelas pada analisis data.
Maka dari itu, rumus perhitungannya menjadi Rumus .
= ycE.
: Kelas F1 .
Fn : Karakteristik Petunjuk Klasifikasi Penulisan rumus tersebut memiliki penjelasan seperti probabilitas karakteristik yang dicari pada kelas C (Posterior Probabilit.
adalah probabilitas kelas C (Prior Probabilit.
, dikali dengan probabilitas karakteristik kelas C (Likelihoo.
, lalu dibagi dengan seluruh probabilitas karakteristik (Evidenc.
Secara sederhana, penulisan rumus menjadi seperti Rumus .
ycEycuycycyceycycnycuyc ycEycycuycaycaycaycnycoycnycyc = .
cEycycnycuyc ycyycycuycaycaycaycnycoycnycyc ycu yaycnycoyceycoycnEaycuycuyc.
/yaycycnyccyceycuycayce .
Nilai Evidence untuk setiap kelas selalu sama.
Hanya saja nilai dari Posterior Probability yang akan berubah dan dibandingkan dengan nilai kelas Posterior Probability lainnya.
Hal tersebut dilakukan untuk menentukan data berada di kelas mana saat dilakukan pengelompokkan.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 612 - 623.
Th.
p-ISSN: 2620-620X
e-ISSN: 2621-9840
SISTEM PAKAR
Kepakaran merupakan pengetahuan yang ekstensif .
dan spesifik yang diperoleh melalui rangkaian pelatihan, membaca, dan pengalaman.
Komponen-komponen yang terdapat dalam sistem pakar adalah seperti yang terdapat pada Gambar 2, yaitu User Interface .
ntarmuka penggun.
, basis pengetahuan, akuisisi pengetahuan, mesin inference, workplace, fasilitas penjelasan, perbaikan pengetahuan.
Gambar 2.
Arsitektur sistem pakar Sumber : Rohman dan Fauziyah, 2008 Penjelasan perancangan sistem sebagai berikut.
Membentuk struktur Naive bayes yaitu mengelompokkan setiap gejala sesuai jenisnya berdasarkan informasi dari data yang diperoleh.
Perancangan Inference Engine (Model Referensi Siste.
Inference Engine/mesin inferensi memberikan/menguji aturan satu demi satu sampai kondisi aturan itu benar dan memberikan hipotesa yang benar.
Menentukan Parameter /Prior probability Dalam menentukan parameter dari setiap gejala dengan cara memberi nilai kepercayaan dari setiap gejala.
Untuk setiap gejala yang direpresentasikan mempunyai estimasi parameter yang didapat dari data yang telah ada atau pengetahuan dari seorang pakar.
Membuat Conditional Probability Table Conditional probability .
robabilitas bersyara.
adalah probabilitas suatu event B terjadi apabila event A sudah terjadi.
Dalam hal ini.
B adalah munculnya gangguan perkembangan pada anak, sedangkan A adalah gejala yang sudah Sebuah tabel yang berisi probabilitas dari setiap kemungkinan nilai dari A dan B disebut dengan Conditional Probability Table (CPT).
Membuat Tabel Joint Probability distribution Setelah mendapatkan nilai Prior Probability, dan CPT gangguan perkembangan anak, kemudian ditentukan nilai Joint Probability Distribution (JPD).
Nilai JPD didapatkan dengan cara mengalikan nilai CPT dengan Prior Probability.
Menghitung Posterior Probability Untuk mendapatkan nilai posterior probability, dapat dihitung dari hasil JPD yang telah diperoleh, kemudian nilai inilah yang digunakan untuk menghitung probabilitas kemunculan suatu gejala.
Nilai posterior probability dicari dengan HASIL DAN PEMBAHASAN Penelitian ini melalui beberapa tahap dalam implementasi algoritma Naive bayes dalam mendiagnosa katarak mata, yaitu dataset, aplikasi fungsi klasifikasi.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 612 - 623.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Data Set Jenis Kelamin Pria Pria Wanita Wanita Wanita Pria Wanita Wanita Pria Pria Pria Pria Wanita Pria Wanita Wanita Wanita Wanita Wanita Wanita Asal Daerah Marunda Marunda Marunda Cilincing Cilincing Marunda Cilincing Cilincing Cilincing Cilincing Marunda Marunda Cilincing Marunda Marunda Marunda Marunda Marunda Marunda Cilincing Usia Diatas 30 tahun Diatas 30 tahun Dibawah 30 tahun Dibawah 30 tahun Diatas 30 tahun Diatas 30 tahun Diatas 30 tahun Dibawah 30 tahun Diatas 30 tahun Diatas 30 tahun Dibawah 30 tahun Dibawah 30 tahun Diatas 30 tahun Diatas 30 tahun Diatas 30 tahun Dibawah 30 tahun Dibawah 30 tahun Dibawah 30 tahun Dibawah 30 tahun Diatas 30 tahun Pria Pria Cilincing Marunda Dibawah 30 tahun Diatas 30 tahun Pria Marunda Diatas 30 tahun Pria Pria Cilincing Marunda Dibawah 30 tahun Dibawah 30 tahun Katarak Katarak Traumatik Katarak Senilis Katarak Juvenille Katarak Senilis Katarak Senilis Katarak Senilis Katarak Senilis Katarak Juvenille Katarak Traumatik Katarak Senilis Katarak Juvenille Katarak Juvenille Katarak Senilis Katarak Traumatik Katarak Traumatik Katarak Senilis Katarak Traumatik Katarak Traumatik Katarak Traumatik Katarak Subkapsularis Katarak Traumatik Katarak Subkapsularis Katarak Subkapsularis Katarak Traumatik Katarak Traumatik Tabel 1.
Data Set Aplikasi Fungsi Klasifikasi Aturan klasifikasi dan prediksi untuk perhitungan Naive Bayes pada penyakit mata katarak antara lain :
Lensa Mata Terlihat Berkabut.
Sudah Berumur >50 Tahun = Katarak Senilis.
Pandangan Mata Terasa Buram.
Sudah Berumur >50 Tahun.
Mengidap Rabun Jauh = Katarak Senilis.
Pandangan Mata Terasa Buram.
Sudah Berumur >50 Tahun.
Sukar Memperoleh Kacamata Dengan Ukuran Yang Sesuai = Katarak Senilis.
Lensa Mata Terlihat Berkabut.
Masih Berumur <10 Tahun = Katarak Juvenille.
Pandangan Mata Terasa Buram.
Sukar Memperoleh Ukuran Kacamata Yang Sesuai.
Masih Berumur <10 Tahun = Katarak Juvenille.
Lensa Mata Terlihat Berkabut.
Pernah Mengalami Cidera Pada Bola Mata = Katarak Traumatik.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 612 - 623.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Pandangan Mata Terasa Buram.
Mata Terasa Tidak Enak Karena Silap Mata Pada Saat Siang Hari.
Pandangan Mata Terganggu Pada Saat Terpapar Cahaya Yang Terang.
Penglihatan Mata Ketika Sore Hari Terasa Lebih Enak.
Pernah Mengalami Cidera Pada Bola Mata = Katarak Traumatik.
Pandangan Mata Terasa Buram.
Mata Terasa Tidak Enak Karena Silap Mata Pada Saat Siang Hari.
Pandangan Mata Terganggu Pada Saat Terpapar Cahaya Yang Terang.
Penglihatan Mata Ketika Sore Hari Terasa Lebih Enak.
Memiliki Riwayat Terkena Penyakit Gula = Katarak Subkapsularis Posterior.
Memiliki Riwayat Terkena Penyakit Gula = Katarak Subkapsularis Posterior.
Pandangan Mata Terasa Buram.
Mata Terasa Tidak Enak Karena Silap Mata Pada Saat Siang Hari.
Pandangan Mata Terganggu Pada Saat Terpapar Cahaya Yang Terang.
Penglihatan Mata Ketika Sore Hari Terasa Lebih Enak.
Memiliki Riwayat Terkena Penyakit Darah Tinggi = Katarak Subkapsularis Posterior.
Pandangan Mata Terasa Buram.
Mata Terasa Tidak Enak Karena Silap Mata Pada Saat Siang Hari.
Pandangan Mata Terganggu Pada Saat Terpapar Cahaya Yang Terang.
Penglihatan Mata Ketika Sore Hari Terasa Lebih Enak.
Memiliki Riwayat Terkena Penyakit Infeksi Saluran Pernafasan = Katarak Subkapsularis Posterior.
Pandangan Mata Terasa Buram.
Mata Terasa Tidak Enak Karena Silap Mata Pada Saat Siang Hari.
Pandangan Mata Terganggu Pada Saat Terpapar Cahaya Yang Terang.
Penglihatan Mata Ketika Sore Hari Terasa Lebih Enak.
Pengkonsumsian Obat Steroid Secara Berlebihan Dan Dengan Rentang Waktu Yang Lama = Katarak Subkapsularis Posterior.
Pandangan Mata Terasa Buram.
Mata Terasa Tidak Enak Karena Silap Mata Pada Saat Siang Hari.
Pandangna Mata Terganggu Pada Saat Terpapar Cahaya Yang Terang.
Penglihatan Mata Ketika Sore Hari Terasa Lebih Enak.
Meminum Jamu-Jamu Atau Ramuan Secara Sembarangan Yang Juga Tidak Terdaftar Secara Resmi Didalam Medis = Katarak Subkapsulari Posterior.
Probabilitas Katarak Untuk perhitungan manual terhadap Probabilitas Katarak berdasarkan rumus .
terhadap data yang ada adalah sebagai berikut Katarak Katarak Senilis Katarak Juvenille Katarak Traumatik Katarak Subkapsularis Nilai Tabel 2.
Probabilitas Katarak terhadap data yaycaycycaycycayco ycIyceycuycnycoycnyc = 25 = 0.
= 0.
yaycaycycaycycayco ycNycycaycycoycaycycnyco = 25 = 0.
yaycaycycaycycayco ycIycycaycoycaycyycycycoycaycycnyc = 25 = 0.
yaycaycycaycycayco yaycycyceycuycnycoycoyce = Probabilitas Penyakit Mata Katarak berdasarkan Kelas Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 612 - 623.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 .
Jenis Kelamin .
Katarak Senilis A ycEycycnyca = 8 = 0.
A ycOycaycuycnycyca = = 0.
Katarak Juvenille A ycEycycnyca = 4 = 0.
A ycOycaycuycnycyca = 4 = 0.
Katarak Traumatik A ycEycycnyca = 10 = 0.
A ycOycaycuycnycyca = 10 = 0.
Katarak Subkapsularis A ycEycycnyca = 3 = 0.
ycOycaycuycnycyca = 3 = 0.
Asal Daerah .
Katarak Senilis A ycAycaycycycuyccyca = = 0.
yaycnycoycnycuycaycnycuyci = 8 = 0.
Katarak Juvenille n ycAycaycycycuyccyca = 4 = 0.
n yaycnycoycnycuycaycnycuyci = = 0.
Katarak Traumatik n ycAycaycycycuyccyca = = 0.
= = 0.
n yaycnycoycnycuycaycnycuyci .
Katarak Subkapsularis n ycAycaycycycuyccyca = 3 = 0.
n yaycnycoycnycuycaycnycuyci = 3 = 0.
Usia .
Katarak Senilis A yaycnycaycycayc 30 ycycaEaycycu = 8 = 0.
A yaycnycaycaycycaEa 30 ycycaEaycycu = 8 = 0.
Katarak Juvenille A yaycnycaycycayc 30 ycycaEaycycu = 4 = 0 A yaycnycaycaycycaEa 30 ycycaEaycycu = 4 = 1 Katarak Traumatik A yaycnycaycycayc 30 ycycaEaycycu = 10 = 0.
A yaycnycaycaycycaEa 30 ycycaEaycycu = = 0.
Katarak Subkapsularis A yaycnycaycycayc 30 ycycaEaycycu = 3 = 1 yaycnycaycaycycaEa 30 ycycaEaycycu = 3 = 0 Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 612 - 623.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Tampilan Hasil Bagian Inti Gambar 3.
Tampilan List Penyakit Pada gambar 3 merupakan tampilan dari List penyakit yang tersimpan di dalam database website sistem pakar ini.
Admin bisa mengubah dan menambahkan penyakit dari website sistem pakar Gambar 4.
Tampilan Konsultasi Gambar 4.
User akan memilih gejala Ae gejala apa saja yang dirasakan.
Setelah selesai memilih gejala yang dirasakan.
User akan menekan tombol Submit diagnosa.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 612 - 623.
Th.
p-ISSN: 2620-620X e-ISSN: 2621-9840 Gambar 5.
Tampilan Hasil Konsultasi Setelah User menekan tombol Submit diagnosa, akan muncul tampilan jendela seperti Gambar 5.
Disini merupakan prediksi hasil diagnosa dari konsultasi yang dilakukan User.
Gambar 6.
Tampilan List Riwayat Konsultasi Seperti yang dapat dilihat pada gambar 6, ini merupakan tampilan saat melihat List riwayat konsultasi seluruh pasien yang tersimpan didalam database.
Yang bisa melihat seluruh riwayat konsultasi User hanya Admin saja.
Tetapi Admin tidak bisa mengubah hasil konsultasi User.
Admin hanya bisa melihat dan mencetak saja.
Jurnal Algoritma.
Logika dan Komputasi Versi Online: https://journal.
id/index.
php/alu DOI: http://dx.
org/10.
30813/j-alu.
Vol.
VII (No.
01 ) : 612 - 623.
Th.
p-ISSN: 2620-620X
e-ISSN: 2621-9840
SIMPULAN
Penelitian ini bertujuan untuk membantu proses pengklasifikasian dan prediksi penyakit mata katarak yang terjadi di puskesmas rusun Marunda.
Berdasarkan data yang didapat dapat disimpulkan bahwa:
Probabilitas penyakit katarak terbesar di puskesmas rusun Marunda adalah Katarak Traumatik .
Orang / 0.
Probabilitas jenis kelamin yang terkena penyakit katarak terbesar di puskesmas rusun Marunda adalah Pria .
Orang / 0.
Probabilitas asal daerah yang terkena penyakit katarak terbesar di puskesmas rusun Marunda adalah Marunda .
Orang / 0.
Probabilitas rata Ae rata usia yang terkena penyakit katarak terbesar di puskesmas rusun Marunda adalah Diatas 30 tahun .
Orang / 0.
DAFTAR PUSTAKA