Institut Riset dan Publikasi Indonesia (IRPI) MALCOM: Indonesian Journal of Machine Learning and Computer Science Journal Homepage: https://journal.
id/index.
php/malcom Vol.
4 Iss.
1 January 2024, pp: 340-349
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
Implementation of The Certainty Factor Algorithm and Forward Chaining Foor Food Recommendations and Prohibitions Implementasi Algoritma Certainty Factor dan Forward Chaining untuk Rekomendasi dan Larangan Makanan Sitti Harlina1*.
Marsa2.
Andi Dita Dayana Opu3
1,2,3
Program Studi Teknik Informatika.
Universitas Dipa Makassar.
Indonesia E-Mail: 1sitiharlina76@gmail.
com, 2marshaarie@undipa.
id, 3ditayana 404@gmail.
Received Nov 04th 2023.
Revised Dec 28th 2023.
Accepted Jan 25th 2024 Corresponding Author: Sitti Harlina Abstract Expert system in diagnosing various types of diseases based on food recommendations and prohibitions using the certainty factor and Forward Chaining methods with an increase in chronic diseases caused by various factors that influence a personAos health.
A personAos health is influenced by what they consume.
Every type of disease has dietary restrictions.
The expert system is applied to a web-based application to provide a percentage of confidence that a disease is deemed to have been successfully built into the system.
Therefore, an application is needed that can help can help suffers of certain diseases in determining the types of food they can cannot consume based on a mobile website.
There are 5 disease that can be diagnosed by the system, namely hypertension.
Diabetes Melitius.
Asthma.
PPOK, and Kidney using the Certainty Factor and Forward Chaining methods to calculate the userAos belief value regarding the disease they are suffering from.
This research used data on 5 types of disease symptoms, 35 food recommendations and prohibitions, and 6 test cases.
From the 6 test case, the percentage accuracy result of the userAos belief in a disease was 83%.
Keyword: Application of food.
Certainty Factor.
Chronic Disease.
Forward Chaining.
Prohibitions Based Abstrak Sistem pakar dalam diagnosa berbagai jenis penyakit berdasarkan rekomendasi dan larangan makanan dengan metode certainty factor dan Forward Chaining dengan peningkatan penyakit kronis disebabkan karena berbagai faktor yang mempengaruhi kesehatan seseorang.
Kesehatan seseorang dipengaruhi oleh apa yang dikonsumsi setiap jenis penyakit memiliki pantangan makanan.
Sistem pakar diterapkan pada aplikasi berbasis web untuk memberikan persentase keyakinan terhadap suatu penyakit dianggap berhasil dibangun kedalam sistem Oleh karena itu, dibutuhkan suatu aplikasi yang dapat membantu penderita penyakit tertentu dalam menentukan jenis makanan yang boleh dan tidak boleh di konsumsi dengan berbasis Mobile Website.
Penyakit yang dapat di diagnosis oleh sistem ada 5 .
yaitu Hipertensi.
Diabetes Melitus.
Asma.
PPOK, dan Ginjal dengan menggunakan metode Certainty Factor dan Forward Chaining untuk menghitung nilai keyakinan user terhadap penyakit yang diderita.
Penelitian ini menggunakan data 5 .
jenis penyakit, 26 gejala penyakit, 35 rekomendasi dan larangan makanan,serta 6 kasus pengujian.
Dari 6 kasus pengujian tersebut di dapat hasil akurasi persentase keyakinan user terhadap suatu penyakit sebesar 83%.
Kata Kunci: Aplikasi Makanan.
Certainty Factor.
Penyakit Kronis.
Forward Chaining.
Berbasis Larangan PENDAHULUAN Expert system atau lebih dikenal dengan sistem pakar merupakan sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar .
Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli dibidangnya.
Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan mempunyai DOI: https://doi.
org/10.
57152/malcom.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
pengetahuan yang dibutuhkan Teknologi komunikasi dan informasi adalah ilmu pengetahuan yang digunakan manusia dalam menyalurkan informasi dengan tujuan untuk membantu menyelesaikan permasalahan demi mencapai tujuan .
Perkembangan teknologi yang cukup pesat memberikan dampak pada kehidupan manusia yang memungkinkan untuk digunakan secara luas di berbagai bidang disiplin ilmu, salah satunya adalah sistem pakar.
Dikembangkannya suatu teknologi yang mampu mengadopsi proses dan pengetahuan seorang pakar sesuai bidang keahliannya, teknologi ini dapat membantu pemecahan masalah dalam bidang yang spesifik.
Peningkatan penyakit kronis disebabkan karena berbagai faktor yang mempengaruhi kesehatan seseorang seperti lingkungan, pola makan, dan Pola hidup masyarakat.
, berhubungan erat dengan kondisi Kesehatan seseorang dipengaruhi oleh apa yang dikonsumsinya.
Setiap jenis penyakit memiliki pantangan makanan.
Misalnya, orang yang menderita diabetes disarankan untuk tidak mengkonsumsi susu, buah kering dan disarankan untuk makan melon, pepaya, dan lain-lain.
Sebagai contoh lain, orang yang menderita PPOK disarankan untuk tidak mengkonsumsi minuman berkarbonasi, udang dan disarankan untuk makan gandum, salmon dan lain-lain.
Oleh karena itu, dibutuhkan suatu aplikasi yang dapat membantu penderita penyakit tertentu dalam menentukan jenis makanan yang boleh dan tidak boleh di konsumsi dengan berbasis mobile web yang didesain untuk dibuka pada browser perangkat yang lebih kecil seperti smartphone atau tablet.
Penyakit yang dapat di diagnosis oleh sistem ada lima yaitu Hipertensi.
Diabetes Melitus.
Asma.
PPOK, dan Ginjal.
Adapun metode inferensi yang akan digunakan adalah metode Forward Chaining karena pada sistem pakar ini pengguna memilih fakta terlebih dahulu yang sesuai dengan dirinya, lalu dibuat konklusi atas fakta yang telah dipilih sebelumnya.
Metode Certainty Factor digunakan untuk menghitung nilai keyakinan User/pengguna aplikasi terhadap suatu penyakit yang diderita.
Melalui proses pengumpulan data, diperoleh jenis penyakit dan setiap rekomendasi makanan dan pantangan makanan.
diharapkan dengan aplikasi sistem pakar ini, pengguna dapat mengetahui jenis makanan yang diperbolehkan untuk dikonsumsi dan tidak dianjurkan untuk dikonsumsi, sehingga penanganan penyakit dapat ditangani dengan benar dan tepat.
Penelitian ini, penulis menggunakan metode penalaran forward chaining dan metode perhitungan Certainty Factor.
Menurut Forward chaining merupakan penalaran yang dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis atau mencocokan fakta atau peryataan dimulai dari bagian sebelah kiri dulu (IF dul.
Certainty factor merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan ukuran kepastian terhadap suatu fakta atau aturan.
Certainty factory menunjukkan ukuran kepastian terhadap suatu fakta atau aturan.
Certainty factor menggunakan suatu nilai untuk mengamsumsikan derajad keyakinan seorang pakar terhadap suatu data.
Pelacakan ke Depan (Forward chainin.
Metode forward chaining merupakan cara penalaran dengan memulai atau mencocokkan fakta atau peryataan dimulai dari bagian sebelah kiri dulu (IF dul.
Forward chaining merupakan grup dari multiple inferensi yang melakukan pencarian dari suatu masalah kepada solusinya.
Dari beberapa rujukan yang penulis tuliskan dengan metode yang sama, mempunyai perbedaan dengan penelitian ini dari kombinasi certainty factor dan forward chaining untuk larangan makanan dengan 5 jenis penyakit dengan menghitung akurasi, yang bisa membantu user untuk memberikan keyakinan terhadap deteksi penyakit berdasarkan rekomendasi makanan yang telah tersedia dalam bentuk rancangan Inferensi yang melakukan pencarian dari suatu masalah kepada solusinya, dan membuatkan dari permasalahan ini.
METODOLOGI PENELITIAN
Oleh karena itu, peneliti menggunakan algoritma forward chaining dan algoritma certainty factor untuk membuat sistem pakar dalam mendiagnosis perokok aktif Hasil dari penelitian ini menghasilkan perhitungan pada sampel diagnosa penyakit memiiliki persentase tingkat kepastian sebesar 97.
75% dan hasil tersebut mendiagnosa penyakit kanker mulut .
Gizi lengkap dan seimbang berperan penting sebagai sumber energi dalam membangun serta mempertahankan sistem imun tubuh.
Saat tubuh mengalami sakit tentu saja peran pola makan semakin penting, pola makan harus dijaga dan diatur gizi apa saja yang dibutuhkan saat mengalami sakit tersebut .
Untuk mengetahui gizi yang dibutuhkan oleh tubuh saat mengalami sakit dan rekomendasi menu makanannya, kita dapat mengetahuinya dengan konsultasi pada ahli Pola hidup masyarakat berhubungan erat dengan kondisi kesehatan.
Kesehatan seseorang dipengaruhi oleh apa yang dikonsumsi, dimana ada makanan yang baik dan ada pula yang tidak baik untuk kesehatan.
Makanan membuat manusia bertahan hidup.
Namun makanan juga menjadi musuh jika seseorang menderita Menghindari makanan yang dipantangkan adalah cara terbaik yang dapat dilakukan penderita berbagai macam penyakit.
Semakin berkembangnya suatu teknologi semakin mudah dalam mengakses informasi yang diinginkan.
Sistem pakar .
xpert syste.
adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli.
Sistem pakar penentuan bahan pangan yang tepat untuk pemenuhan gizi bagi orang dewasa.
MALCOM - Vol.
4 Iss.
1 January 2024, pp: 340-349 MALCOM-04.
: 340-349
Dalam pembuatan sistem pakar ini menggunakan metode certainty factor dimana metode ini digunakan untuk memberikan nilai kepercayaan terhadap hasil konsultasi yang didapatkan dan dengan meggunakan penalaran inferensi runut maju .
orward chainin.
dimana pada penalaran ini dimulai dengan informasi data diri pasien dan bergerak maju untuk mencocokan fakta yang ada sampai menemukan informasi yang sudah sesuai dengan basis pengetahuan, lalu akan menyimpulkan berupa hasil diagnosa dini penyakit yang diderita serta rekomendasi bahan pangan yang tepat sesuai hasil diagnosa penyakit.
Metode sistem pakar dapat mengembangkan dalam upaya mendeteksi kerusakan mesin generator turbin shinko dengan menggunakan metode dempster shafer dan dibangun sistem berbasis desktop.
Dalam solusi diberikan, maka dapat hasil yang didapatkan berupa aplikasi yang dibangun berbasis desktop dengan menerapkan sistem pakar dengan menggunakan metode dempster shafer untuk mendapatkan hasil deteksi kerusakan mesin Turbin dengan cepat dan memberikan solusi yang diberikan berdasarkan pengetahuan pakar.
Mulai Data penyakit kronis Penelitian Lapangan Penelitian kepustakaan wwancara, dan studi Pustaka Pengujian Black Box White Box Akurasi Valid dan Reliabel Metode Certainty Factor Metode Forward Channing Kesimpulan dan Saran Selesai Gambar 2.
Prosedur Penelitian Dari Gambar 2 terlihat prosedur penelitian ataupun tahapan penelitian yang dimulai dari data penyakit kronis dengan sumber data melalui wawancara dan studi pustaka yang diolah dengan metode Certainty Factor dan metode Forward Chaining dengan pengujian secara black box, white box dan akurasi merupakan aplikasi untuk mengukur seberapa akurat hasil perhitungan pada aplikasi jika dibandingkan dengan perhitungan manual, confusion matrix adalah pengukuran performa untuk masalah klasifikasi machine learning dimana keluaran dapat berupa dua kelas atau lebih .
Confusion matrix adalah tabel 4 dengan kombinasi berbeda dari nilai prediksi dan nilai actual.
Ada empat istilah yang merupakan representasi hasil Implementasi Algoritma Certainty Factor dan Forward.
(Harlina et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 proses klasifikasi pada confusion matrix yaitu true postif, true negative, false positif, dan false negative.
Nilai akurasi merupakan perbandingan antara data yang terklasifikasi benar dengan keseluruhan data.
Nilai akurasi dapat diperoleh dengan persamaan 1 .
yaycaycaycycycaycayc = Keterangan :
cNycE ycNycA) .
cNycE yaycE yaycA ycNycA) y 100% .
= True Positif, yaitu jumlah data positif yang terklasifikasi dengan benar oleh sistem = True Negatif, yaitu jumlah data negatif yang terklasifikasi dengan benar oleh sistem = False Negatif, yaitu jumlah data negatif namun terklasifikasi salah oleh sistem = False Positif, yaitu jumlah data positif namun terklasifikasi salah oleh sistem Model Inferensi Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan.
Inferensi adalah konklusi logis (Logical Conclusio.
atau implikasi berdasarkan informasi yang tersedia.
Terdapat dua metode inferensi yang penting dalam sistem pakar, yaitu runut maju (Forward Chainin.
dan runut balik (Backward Chainin.
Certainty Factor dan Forward Chaining 1 Certainty Factor Metode Certainty Factor digunakan ketika menghadapi suatu masalah yang jawabannya tidak pasti.
Ketidakpastian ini bisa merupakan probabilitas.
Metode ini diperkenalkan oleh Shortlife Buchanan pada tahun 1970-an.
Beliau menggunakan metode ini saat melakukan diagnosis dan terapi terhadap penyakit meningitis dan infeksi darah.
Tim pengembang dari metode ini mencatat bahwa, dokter sering kali menganalisa informasi yang ada dengan ungkapan seperti AumungkinAy.
Auhampir pastiAy.
Metode ini mirip dengan fuzzy logic, .
karena ketidakpastian direpresentasikan dengan derajat kepercayaan sedangkan perbedaannya adalah pada fuzzy logic saat perhitungan untuk rule yang premisnya lebih dari satu, fuzzy logic tidak memiliki nilai keyakinan untuk rule tersebut sehingga perhitungannya hanya melihat nilai terkecil untuk operator AND atau nilai terbesar untuk operator OR dari setiap premis yang pada rule tersebut berbeda dengan Certainty Factor yaitu setiap rule memiiki nilai keyakinannya sendiri tidak hanya premis-premisnya saja yang memiliki nilai keyakinan.
Certainty Factor menunjukkan ukuran kepastian terhadap suatu fakta atau aturan .
Rumus dasar certainty factor ditunjukkan pada Persamaan .
CF.
= MB .
Ae MD .
Keterangan:
CF.
= Certainty Factor .
aktor kepastia.
pada hipotesis h dipengaruhi oleh evidence .
MB .
= Measure of Belief .
ingkat keyakina.
, merupakan ukuran kepercayaan dari hipotesis h dipengaruhi oleh evidence .
MD .
= Measure of Disbelief .
ingkat ketidakyakina.
, merupakan ukuran ketidak- percayaan dari hipotesis h dipengaruhi oleh gejala e.
= Hipotesa atau konklusi yang dihasilkan .
ntara 0 dan .
= Evidence atau peristiwa atau fakta .
Perhitungan selanjutnya adalah kombinasi dua atau lebih rule dengan evidence berbeda tetapi dalam hipotesis yang sama, yang ditunjukkan pada Persamaan .
- .
Rule 1 CF.
,eCA) = CFCA = C .
CA) x CF (RuleCA) .
Rule 2 CF.
,eCC) = CFCC = C .
CC) x CF (RuleCC) .
CF Kombinasi (CFCA,CFCC) = CFCA CFCC .
Ae CFCA) .
2 Forward Chaining Algoritma Forward Chaining adalah salah satu dari dua metode utama Reasoning .
ketika menggunakan Interference Engine .
esin pengambil keputusa.
dan bisa secara logis dideskripsikan sebagai aplikasi pengulangan dari modus Ponens .
atu set aturan inferensi dan argument yang vali.
Forward Chaining mulai bekerja dengan data yang tersedia dan menggunakan aturan-aturan inferensi untuk mendapatkan data lain sampai sasaran atau kesimpulan didapatkan.
Mesin inferensi yang menggunakan Forward Chaining mencari aturan-aturan inferensi sama sampai menemukan satu dari Antecedent .
alil MALCOM - Vol.
4 Iss.
1 January 2024, pp: 340-349 MALCOM-04.
: 340-349
hipotesa atau klausa IF - THEN) yang benar .
Ketika aturan tersebut ditemukan maka mesin pengambil keputusan dapat membuat kesimpulan, atau konsekuensi .
lausa THEN), yang menghasilkan informasi tambahan yang baru dari data yang disediakan.
Mesin akan mengulang melalui proses ini sampai sasaran ditemukan .
Langkah-langkah yang harus dilakukan dalam membuat sistem Forward Chaining berbasis aturan .
Pendefinisian masalah, meliputi pemilihan domain masalah dan akuisisi pengetahuan.
Pendefinisian data input, dimana data awal untuk diperlukan untuk memulai inferensi.
Pendifinisian struktur pengendalian data, penggunaan premis ambahan untuk membantu mengendalikan pengaktifan suatu aturan.
Penulisan kode awal, untuk menentukan apakah sistem telah menangkap domain pengetahuan secara efektif dalam struktur aturan yang baik.
Perancangan antarmuka Pengujian sistem, untuk menguji sejauh mana sistem berjalan dengan benar.
Pengembangan sistem, meliputi penamban antarmuka dan pengetahuan sesuai dengan prototype Evaluasi sistem, dengan melakukan pengujian sistem dengan masalah yang sebenarnya.
HASIL DAN PEMBAHASAN
Analisa dan Validasi Data Analisis data merupakan proses mencari dan menyusun data yang di kumpulkan sehingga data tersebut dapat ditemukan.
Analisis kualitatif pada penerapan hasil wawancara, data disusun dan divalidasi kemudian di terapkan ke dalam sistem yang dibangun.
Tabel 1 merupakan target penyakit ini didapatkan dari data gejala, penyakit, makanan, pasien, dan konsultasi dari pakar sehingga hasil akhir berupa target Tabel 1.
Target Penyakit Id Penyakit P01
P02
P03
P04
P05
NAMA Penyakit Hipertensi
Diabetes Melitus
Asms
PPOK
Penyakit Ginjal Kronik Pada tabel 1, berisi 5 jenis penyakit yang bisa di proses oleh aplikasi dan Pada Tabel 2 berisi tentang data gejala penyakit, data ini didapatkan oleh pakar.
Seperti terlihat pada tabel berikut.
Tabel 2.
Gejala Penyakit Id_Gejala G01
G02
G03
G04
G05
G06
G07
G08
G09
G10
G11
G12
G13
G14
G15
G16
G17
G18
G19
G20
G21
G22
G23
G24
Gejala Penyakit Berat Pada Tengguk Jantung Berdebar-debar Penglihatan Terganggu Pusing Sakit Kepala Berat Badan Turun Tanpa Sebab yang Jelas Kadar Gula Darah Rendah/Naik Luka Sulit Sembuh Rasa Haus Berlebihan Regulasi Kencing Meningkat Rasa Lapar Berlebihan Gatal-Gatal Mengalami Meningkatnya Sesak Nafas Pada Pernapasan yang Terasa Ringan dan Bisa Berat Sering Terjadi Sesak napas (Kambuh Periodi.
Terkadang Adanya Batuk Terkadang Adanya Bunyi Napas (Meng.
Batuk Berdahak Tidak Kunjing Sembuh Lemas Napas Sesak dan Berbunyi (Meng.
Penurunan Berat Badan Sering Mengalami Infeksi Paru Mual dan Muntah Kencing Berdarah Pembengkakan pada Kaki dan Pergelangan Kaki Implementasi Algoritma Certainty Factor dan Forward.
(Harlina et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575
Id_Gejala G25
G26
Gejala Penyakit Rasa Gatal Terus Menerus Sesak Napas Jika Cairan Menumpuk di Paru-paru Pada Tabel 3 berisi rekomendasi dan larangan makanan dari masing-masing jenis makanan dan dengan rekomendasi dan larangan .
Data dibawah ini berdasarkan hasil dari wawancara dengan pakar.
Tabel 3.
Rekomendasi dan Larangan Makanan Id_Makanan M01
M02
M03
M04
M05
M06
M07
M08
M09
M10
M11
M12
M13
M14
M15
M16
M17
M18
M19
M20
M21
M22
M23
M24
M25
M26
M27
M28
M29
M30
M31
M32
M33
M34
M35
Nama Makanan Ubi Jalar
Bayam
Seledri Labu Siam
Lobak
Anggur
Tomat
Terasi
Ikan Sarden
Telur Asin
Kulit Ayam
Alkohol
Kacang Hijau
Melon
Pepaya
Kentang
Jagung
Semangka
Apel
Jahe
Telur
Kol
Acar
Kerang
Timun
Beras Merah
Gandum
Udang
Minuman Berkarbonasi
Paprika Merah
Bawang Putih
Nanas Alpukat
Pisang
Jeruk
Rekomendasi
P01,P05
P01,P02,P03,P04,P05
P01,P02,P03,P04,P05
P01,P02,P03,P04,P05
P01,P02,P03,P04,P05
P05
P01,P02,P03,P04,P05
Larangan P02
P02,P03
P01,P02,P03,P04,P05
P01,P02,P03,P04,P05
P01,P02,P03,P04,P05
P01,P02,P03,P04,P05
P01,P02,P03,P04,P05
P03,P05
P05
P05
P03
P03,P04
P01,P05
P01,P05
P01,P02,P03,P04,P05
P01,P05
P02
P03
P03
P01,P02,P03,P04,P05
P01,P02,P03,P04,P05
P01,P05
P05
P01
P01
P05
P02
P01
P03
P02
P02
P02
P02
P03
P03
P01
P01
P02,P03
P03
P01,P02,P03,P04,P05
P03
P05
P02
kemudian di gunakan metode certainty factor dengan menghitung:
Nilai CF-Pakar Nilai CF-Pakar didapat dari interpretasi dari pakar yang diubah menjadi nilai Certainty Factor Pada tabel 4 terdapat nilai untuk mengukur keyakinan pakar.
Certainty Factor menunjukkan ukuran kepastian terhadap suatu fakta adapun nilai tertinggi adalah 1(Past.
dan nilai terendah adalah 0 (Tida.
Tabel 4.
Bobot nilai pakar Keterangan Tidak Tidak Tahu Mungkin Kemungkinan Benar Hampir Pasti Pasti Dengan nilai certainty factor untuk setiap gejla penyakit semisan G01 .
erat pada tenggu.
diberikan oleh pakar nilai Certainty Factor sebesar 0,4.
MALCOM - Vol.
4 Iss.
1 January 2024, pp: 340-349 MALCOM-04.
: 340-349
Nilai CF - User Mencari Nilai CF(H,E) dan Nilai CFKomb Certainty Factor.
untuk salah satu jenis jenis penyakit yaitu Hipertensi Pada tabel 5 merupakan hasil perhitungan jenis penyakit berdasarkan inputan gejala dari user.
Berikut perhitungan CF kombinasi hipertensi, ditunjukkan pada tabel 5.
Tabel 5.
CF(H,E) Hipertensi
idGejala
CF(H)
CF(E)
CF(H,E)
0,16
CF_komb 0,496 0,6976 yayayaycuycoyca .
aya1 , yaya2 ) = yaya1 yaya2 .
Oe yaya1 ) = 0,4 0 .
Oe 0,.
= 0,4 0 .
= 0,4 yayayaycuycoyca .
aya2 , yaya3 ) = yaya2 yaya3 .
Oe yaya2 ) = 0,4 0 .
Oe 0,.
= 0,4 0 .
= 0,4 yayayaycuycoyca .
aya3 , yaya4 ) = yaya3 yaya4.
Oe yaya3 ) = 0,4 0 .
Oe 0,.
= 0,4 0 .
= 0,4 yayayaycuycoyca .
aya4 , yaya5 ) = yaya4 yaya5 .
Oe yaya4 ) = 0,4 0,16 .
Oe 0,.
= 0,4 0,16 .
= 0,4 0,096 = 0,496 yayayaycuycoyca .
aya5 , yaya6 ) = yaya5 yaya6 .
Oe yaya5 ) = 0,496 0,4 .
Oe 0,.
= 0,496 0,4 .
= 0,496 0,2016 = 0,6976 Dari hasil perhitungan diatas dapat diketahui bahwa tingkat kepercayaan dari hasil diagnosa user terhadap penyakit hipertensi sebesar 0,6976 atau 69.
Menghitung persentase keyakinan dari masing-masing jenis penyakit menggunakan persamaan 6.
Persentase keyakinan = CFkomb * 100% .
Berdasarkan perhitungan Certainty Factor didapatkan persentase dari tiap penyakit sebagai berikut.
Tabel 6.
Persentase Keyakinan Untuk Jenis Penyakit .
Jenis Penyakit Hipertensi
Diabetes Melitus
Asma
PPOK
Penyakit Ginjal Persentase Keyakinan 69,76% 78,49% 89,12% 22,72% Dari tabel ini memperlihakan nilai persentase tertinggi untuk setiap jenis penyakit.
Dengan kondisi seperti ini jenis penyakit yang di alami oleh user adalah penyakit asma dengan persentase sebesar 89,12%.
Implementasi Algoritma Certainty Factor dan Forward.
(Harlina et al, 2.
ISSN(P): 2797-2313 | ISSN(E): 2775-8575 Forward Chaining Beberapa bagian penting dari Forward Chaining.
Relasi Rekomendasi dan Larangan Makanan dengan Jenis Penyakit Pohon Keputusan, digunakan sebagai dasar membangun kumpulan aturan yang diperlukan untuk menghasilkan rekomendasi dan larangan makanan dari penyakit yang dialami user yang didapatkan dengan fakta yang telah diberikan oleh pakar.
Seperti pada rule pertama apabila didapatkan fakta bahwa user terkena penyakit hipertensi (P.
maka akan tampil rekomendasi makanan yaitu : Bayam (M.
Seledri (M.
Labu siam (M.
Lobak (M.
dan lain-lain.
Pohon keputusan larangan makanan sama dengan rekomendasi makanan yang membedakan hanya kategori pantangan Apabila user terdiagnosis penyakit diabetes melitus (P.
maka pantangan makanannya yaitu: Nasi putih (M.
Susu (M.
, dan Buah Kering (M.
Pohon Keputusan Rekomendasi Makanan ditunjukkan pada gambar 3 dan Pohon Keputusan Larangan Makanan ditunjukkan pada Gambar 4.
Pohon Keputusan Larangan Makanan Gambar 3.
Pohon Keputusan Rekomendasi Makanan Aturan Forward Chaining yang berisi rekomendasi makanan dari algoritma forward chaining sesuia dengan jenis penyakit yang dipilih user.
Dimana setiap rekomendasi dan larangan makanan berdasarkan jenis penyakit memiliki aturam yang berbeda .
Pengujian Akurasi Di dapatkan dengan perbandingan seberapa besar akurasi metode yang digunakan.
pengujian akurasi dihitung menggunakan rumus persamaan 7.
MALCOM - Vol.
4 Iss.
1 January 2024, pp: 340-349 MALCOM-04.
: 340-349
ycaycoycycycaycycn = .
cNycE ycNycA) .
cNycE yaycE yaycA ycNycA) y 100% .
y 100% .
0 1 .
ycaycoycycycaycycn = y 100% ycaycoycycycaycycn = 83% ycaycoycycycaycycn = Metode certainty factor dalam mendeteksi tingkat keyakinan user terhadap suatu jenis penyakit cukup tinggi dengan persentase sebesar 83%.
Dengan pengujian black box tentang aplikasi berhasil dan terhinda dari kesalahan sistem mulai dari pengujian login admin, tambah data penyakit .
(Asmara et al.
, 2009.
Irmayani, 2.
, pengujian edit data penyakit, pengujian hapus data penyakit, dan pengujian hapus data penyakit, hasil pengujian White Box untuk certainty factor dan forward chaining independen path, region dan cyclomatic complex menunjukkan total jumlah 6 .
KESIMPULAN
Sistem pakar diterapkan pada aplikasi berbasis web untuk memberikan persentase keyakinan terhadap suatu penyakit dianggap berhasil dibangun kedalam sistem.
Aplikasi ini dapat membantu masyarakat untuk mengetahui seberapa besar persentase keyakinan terhadap penyakit yang di derita.
Berdasarkan hasil penelitian implementasi algoritma Certainty Factor cukup akurat untuk mengidentifikasi jenis penyakit yang dialami oleh user dengan nilai akurasi sebesar 83%.
Informasi tentang rekomendasi dan larangan makanan berdasarkan jenis penyakit fungsionalitas aplikasi dinilai berguna dengan baik dan aplikasi ini mudah Aplikasi dibangun dengan berbasis mobile web sehingga mempermudah pengguna untuk mengakses aplikasi di perangkat yang lebih kecil seperti smartphone atau tablet.
Algoritma Certainty Factor digunakan untuk menghitung persentase keyakinan user terhadap penyakit yang diderita dengan tingkat kepercayaan oleh pakar terhadap gejala-gejala penyakit.
Algoritma forward chaining digunakan untuk menentukan pilihan makanan berdasarkan fakta-fakta yang mengacu pada jenis penyakit.
Setelah mengetahui penyakit akan diperoleh rekomendasi dan larangan makanan.
REFERENSI