BAB I PENDAHULUAN - · PDF filepencegahan/mengatasi syok ... Adapun sistematika penulisan...

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Penyakit demam berdarah dengue (DBD) adalah penyakit yang disebabkan

oleh virus dengue I, II, III, dan IV yang ditularkan nyamuk Aedes aegypti dan

Aedes albopictus (Soegijanto, 2004). Penyakit DBD terutama menyerang anak-

anak namun dalam beberapa tahun terakhir cenderung semakin banyak dilaporkan

kasus DBD pada orang dewasa. Penyakit ini ditandai dengan panas tinggi

mendadak disertai kebocoran plasma dan pendarahan, dapat mengakibatkan

kematian serta menimbulkan wabah (Depkes RI Dirjen P2MLP, 2004).

Kejadian luar biasa pertama penyakit DBD di Asia ditemukan di Manila

pada tahun 1954, kemudian terjadi di Thailand (1958), Singapura (1960),

Kamboja (1961), Malaysia (1962), dan Srilanka (1966). Pada tahun 1968 untuk

pertama kalinya terjadi kejadian luar biasa DBD di Indonesia (Jakarta dan

Surabaya) dan pada tahun berikutnya kasus DBD menyebar ke lain kota di

wilayah Indonesia dan dilaporkan meningkat setiap tahunnya (Segijanto, 2004).

Salah satu manifestasi klinik utama pada DBD adalah demam (Soegijanto,

2004). Demam merupakan masalah kesehatan yang kerap terjadi pada anak.

Demam sebenarnya bukan merupakan penyakit, melainkan gejala. Demam

memegang peranan kunci dalam membantu perlawanan tubuh mengatasi infeksi

virus atau bakteri. Pola demam dengan gejala klinis yang menyertainya sangat

2

penting untuk diketahui (http://www.pdpersi.co.id). Pada awal perjalanan penyakit

salah satu diagnosis banding dari DBD adalah demam tifoid di mana kedua

penyakit tersebut termasuk kategori penyakit tropis dan merupakan endemik di

Indonesia (Pusat Info Penyakit Dalam FKUI, 2000).

Demam tifoid di Indonesia masih merupakan penyakit endemik yang

seringkali menimbulkan masalah dan apabila disertai komplikasi dapat berakhir

dengan kematian. Penelitian pada tahun 1989 di Rumah Sakit Karantina

dilaporkan bahwa lama perawatan demam tifoid penyakit dewasa berkisar antara

8,6 �3,7 hari dengan angka kematian sebesar 7,35 % (Pusat Info Penyakit Dalam

FKUI, 2000).

Sama halnya dengan demam tifoid, demam berdarah dengue (DBD)

merupakan masalah kesehatan di Indonesia. Angka kejadian tetap meningkat dan

saat ini angka kematian khususnya di RSCM cenderung meningkat

(http://www.pdpersi.co.id). Saat ini, DBD masih merupakan salah satu masalah

kesehatan yang cenderung meningkat jumlah pasien serta semakin luas

penyebarannya, hal ini karena masih tersebarnya nyamuk penular penyakit DBD

yaitu Aedes aegypti di seluruh pelosok tanah air, kecuali pada daerah dengan

ketinggian lebih dari 1000 m dpl. Untuk memberantasnya diperlukan pembinaan

peran serta masyarakat yang terus menerus. Juga upaya pemerintah memotivasi

masyarakat untuk melakukan pemberantasan nyamuk tersebut terus-menerus telah

dan akan dilakukan melalui kerjasama lintas program dan lintas sektoral termasuk

tokoh masyarakat dan swasta. Oleh karena itu, upaya untuk membatasi angka

3

kematian penyakit ini sangat penting (Dirjen P2MPL Depkes RI, 2004). Salah

satu caranya adalah dengan diagnosis dini yang tepat.

Keberhasilan upaya penanganan kasus DBD terutama ditentukan oleh

kecermatan dalam mendiagnosa secara dini serta penatalaksanaan dan perawatan

termasuk observasi tekanan darah, denyut nadi serta pemberian cairan

pencegahan/mengatasi syok (Dirjen P2MPL Depkes RI, 2004). Sementara itu,

diagnosis secara dini demam tifoid sangat bermanfaat agar dapat segera diberikan

pengobatan yang adekuat sehingga dapat dihindari timbulnya komplikasi (Pusat

Info Penyakit Dalam FKUI, 2000).

Keluhan dan gejala demam tifoid antara lain demam, nyeri kepala, pusing,

nyeri otot, anoreksia, mual, muntah, obstipasi atau diare (Pusat Info Penyakit

Dalam FKUI, 2000). Keluhan dan gejala DBD antara lain demam, terdapat

manifestasi pendarahan, sakit kepala, nyeri otot, tulang dan sendi, mual dan

muntah (Dirjen P2MPL Depkes RI, 2004).

Dari uraian di atas, terlihat banyak kemiripan gejala klinis DBD dan

demam tifoid, walaupun dengan karakteristik khusus yang berbeda, sehingga

dapat terjadi kesalahan diagnosis dini bagi penderita maupun keluarga penderita.

Hal ini dapat menyebabkan kesalahan penanganan dini penderita. Lebih jauh dari

itu, apabila terjadi komplikasi sehingga menyebabkan kematian.

Dalam terminologi komputer permasalahan di atas dapat diistilahkan

sebagai pemetaan kompleks ruang input ke ruang output. Dalam hal ini ruang

input adalah gejala klinis DBD dan demam tifoid dan ruang output yaitu jenis

4

penyakit yang bersesuaian dengan gejala klinis yaitu DBD dan demam tifoid.

Disebut kompleks karena ada anggota ruang input DBD yang juga termasuk

kedalam ruang input demam tifoid begitu juga sebaliknya.

Logika fuzzy mampu menjadi problem solving di segala bidang mulai dari

bidang teknologi, otomotif, ekonomi, psikologi, medis, dan ilmu-ilmu sosial

karena kemampuannya yang dapat memetakan suatu ruang input kedalam suatu

ruang output sehingga dapat menyelesaikan permasalahan yang memiliki

keterkaitan hubungan input dan output yang tidak sederhana.

Telah banyak penelitian mengenai penerapan logika fuzzy. Di lingkungan

UIN Syarif Hidayatullah sendiri ada beberapa penelitian mengenai logika fuzzy

diantaranya untuk penyeleksi internal promosi jabatan karyawan (M. Ridha

Pratama, 2004), sistem penilaian kelayakan kredit usaha kecil (Siti Nurjannah,

2007), sistem pengontrol persediaan barang (Nurchudayati, 2007), penentuan

bidang peminatan mahasiswa program studi TI (Tri Hadiyanto Wibowo, 2009),

optimasi daya listrik suatu ruangan (Puspita Fauziah, 2009), dan penilaian kinerja

karyawan (Fedri Arianto, 2010), dan sistem kenaikan jabatan (Adhi Gufron,

2010). Hal ini menunjukkan keandalan logika fuzzy dalam memecahkan masalah

pemetaan ruang input terhadap ruang output.

Rumah Bersalin Gratis (RBG) Rumah Zakat Jakarta Timur sebagai sarana

pelayanan kesehatan gratis bagi warga yang membutuhkan, turut serta membantu

menekan angka kematian akibat DBD dan demam tifoid khusunya di kalangan

masyarakat yang kemampuan ekonominya lemah. Di antara layanan yang

5

diberikan RBG selain pelayanan kesehatan ibu dan anak juga mencakup

pelayanan kesehatan umum termasuk penyakit DBD dan demam tifoid. Semua

layanan di RBG diberikan secara gratis. Selain pelayanan kesehatan, RBG juga

memberikan pengarahan untuk menjaga kebersihan dan kesehatan salah satunya

dengan mengetahui dan membedakan gejala penyakit. Keterbatasan sumber daya

manusia di RBG menjadi permasalahan tersendiri sehingga ide untuk

mengembangkan aplikasi yang dapat membantu pakar menjadi hal yang

dibutuhkan. Dalam hal ini aplikasi terfokus pada penyakit DBD dan demam

tifoid.

Berdasarkan uraian di atas, penulis mengambil judul “Penerapan Logika

Fuzzy untuk Diagnosis dan Tata Laksana Penyakit Demam Berdarah Dengue dan

Demam Tifoid “.

Pemodelan sistem diagnosis DBD dan demam tifoid dengan menggunakan

pendekatan sistem pakar dapat menjadi pilihan karena pendekatan sistem pakar

menggunakan bahasa manusia sehingga akan lebih mudah dimengerti oleh

pengguna baik yang mengerti ilmu medis dan komputer atau orang awam

sekalipun. Hal ini penting, guna pengembangan selanjutnya dari sistem ini yang

sasarannya adalah menjadi alat bantu bagi manusia (user) dalam mendiagnosis

penyakit khusunya DBD dan demam tifoid seperti misalnya sarana edukasi di

RBG Jakarta Timur. Dengan adanya aplikasi ini pasien yang berkunjung dapat

menggunakannya untuk memperoleh wawasan mengenai gejala dan tata laksana

penyakit DBD dan demam tifoid. Selain itu, pengembangan aplikasi ini dapat

diarahkan untuk layanan konsumen berbasis web yang selama ini lebih banyak

6

berbasis telepon baik yang berbayar ataupun tidak. Pengembangan aplikasi ini

juga dapat diarahkan sebagai alat bantu dalam proses klaim asuransi kesehatan.

Dalam berbagai pengembangan model logika fuzzy, biasanya peneliti

menggunakan tools/alat bantu yang tidak mengakomodasi komputasi yang

kompleks, seperti Visual Basic, Delphi ataupun PHP sehingga fungsi-fungsi

perhitungan ditransformasikan kedalam bahasa pemrograman secara manual

(dibuat sendiri) sesuai dengan bahasa pemrograman yang digunakan. Hal ini juga

berpengaruh pada pengembangan selanjutnya dari penelitian tersebut karena harus

merubah kembali rumusan dari fungsi perhitungan yang lama. Oleh karena itu

dalam penelitian ini, penulis menggunakan Matlab sebagai tool atau alat

bantunya. Banyak fitur yang disediakan Matlab dalam mendukung fungsinya,

lihat Bab II subbab 2.12. Dengan menggunakan Matlab, proses fuzzyfikasi,

inferensi dan defuzzyfikasi dijalankan secara otomatis oleh Matlab itu sendiri serta

untuk pengembangan selanjutnya perubahan dapat dilakukan pada fungsi

keanggotaan dan rule base atau basis aturannya saja.

1.2 Rumusan Masalah

Seperti yang telah dijabarkan pada subbab 1.1 di atas, terdapat masalah

yang timbul yaitu adanya hubungan yang kompleks antara gejala klinis DBD dan

demam tifoid sehingga dapat menyebabkan kesalahan diagnosis dini bagi

penderita. Adapun rumusan masalah yang akan menjadi pembahasan dalam

penelitian ini adalah bagaimana mengembangkan sebuah model logika fuzzy untuk

diagnosis dan tata laksana penyakit demam berdarah dengue dan demam tifoid

berdasarkan gejala-gejala klinis yang ada.

7

1.3 Batasan Masalah

Dikarenakan luasnya ruang lingkup permasalahan dan agar hasil penelitian

dapat maksimal maka penulis membatasi permasalahan sebagai berikut :

1. Diagnosis adalah diagnosis klinis bukan diagnosis pasti, berdasarkan gejala

klinis yang tampak, bukan gejala klinis asimtomatik atau tidak jelas.

2. Jenis penyakit yang menjadi objek diagnosis adalah demam berdarah dengue

(DBD) dan demam tifoid.

3. Parameter yang digunakan dalam proses diagnosis adalah demam yang

sifatnya mendadak atau bertahap, nyeri otot dan sendi, manifestasi

pendarahan (pendarahan pada hidung dan gusi serta uji tourniquet positif),

adanya gangguan pencernaan dan kondisi lidah apakah berselaput atau tidak.

4. Output diagnosis dibagi menjadi 4 kategori, demam tifoid, observasi, cek

labratorium dan DBD.

5. Tools yang digunakan adalah Matlab 7.8

6. Pengembangan sistem tidak sampai pada tahap deployment akan tetapi hanya

sampai pada tahap construction dikarenakan aplikasi ini tidak ditujukan untuk

digunakan langsung oleh pelanggan atau user.

7. Pengujian menggunakan pendekatan black box dengan metode unit test dan

integration test.

1.4 Tujuan Penelitian

Tujuan dari penelitian ini terbagi dalam 3 kategori, jangka pendek, jangka

menengah dan jangka panjang. Tujuan jangka pendek adalah mengembangkan

8

model logika fuzzy dan model sistem pakar yang dapat digunakan untuk

membantu diagnosis penyakit DBD dan demam tifoid. Tujuan jangka menengah

adalah menjadi sarana seorang pakar dalam hal ini dokter untuk

mendokumentasikan pengetahuan yang dimilikinya. Tujuan jangka panjang dari

penelitian ini adalah dapat dikembangkan menjadi aplikasi diagnosis penyakit

yang lengkap sehingga dapat dipergunakan secara nyata seperti untuk membantu

proses validasi catatan diagnosis klaim asuransi kesehatan dan untuk pelayanan

konsumen sebuah produk, misalnya produk kesehatan seperti obat-obatan.

1.5 Manfaat Penelitian

Dengan adanya penelitian ini diharapkan dapat memberikan manfaat

sebagai berikut :

a. Bagi penulis

1. Memperdalam ilmu dan wawasan tentang Logika Fuzzy, Sistem Pakar dan

Rekayasa Perangkat Lunak.

2. Memahami konsep dan penerapan sistem pakar dan penggunaan Matlab.

3. Memperoleh wawasan mengenai penyakit DBD dan demam tifoid.

b. Bagi universitas

1. Mengetahui kemampuan mahasiswa dalam menguasai materi teori yang

telah diperoleh selama kuliah

2. Mengetahui kemampuan mahasiswa dalam menerapkan ilmunya dan

sebagai bahan evaluasi

3. Memberikan gambaran tentang kesiapan mahasiswa dalam menghadapi

dunia kerja dari hasil yang diperoleh selama belajar atau kuliah.

9

4. Menjadi bahan referensi bagi penellitian selanjutnya terutama dalam bidang

logika fuzzy dan sistem pakar diagnosis penyakit.

c. Bagi pengguna

1. Memudahkan dalam mendiagnosis penyakit DBD dan demam tifoid.

2. Memperoleh contoh dan gambaran implementasi logika fuzzy dan sistem

pakar dalam bidang diagnosis penyakit.

1.6 Metodologi Penelitian

1.6.1 Metode Pengumpulan data

Untuk mendukung penelitian maka diperlukan data-data

penunjang. Oleh karena itu penulis melakukan metode pengumpulan data

dengan cara melakukan wawancara dengan pakar dan studi pustaka yakni

dengan membaca dan mempelajari literatur yang berhubungan dengan

penelitian yang penulis lakukan baik itu dari media cetak seperti buku,

jurnal, skripsi atau media elektronik seperti e-book yang banyak terdapat

di internet.

1.6.2 Metode Pengembangan sistem

Pengembangan sistem dalam penelitian yang penulis lakukan

menggunakan siklus pengembangan model RAD (Rapid Application

Development) , yaitu :

a. Communication

b. Planning

c. Modelling

d. Construction

10

e. Deployment

1.7 Sistematika Penulisan

Adapun sistematika penulisan laporan penelitian ini adalah sebagai

berikut :

BAB I PENDAHULUAN

Berisi rumusan singkat latar belakang, rumusan masalah, batasan

masalah, tujuan penelitian, manfaat penelitian, metodologi penelitian

dan sistematika penulisan.

BAB II LANDASAN TEORI

Pada bab ini diuraikan teori-teori yang menunjang dan digunakan dalam

penelitian meliputi pembahasan singkat tentang logika fuzzy, penyakit

DBD dan demam tifoid, RAD serta Matlab. Diuraikan juga mengenai

studi literatur sejenis dengan penelitian ini.

BAB III METODOLOGI PENELITIAN

Bab ini menguraikan secara rinci metode pengumpulan data dan metode

pengembangan sistem yang digunakan dalam penelitian.

BAB IV HASIL DAN PEMBAHASAN

Bab ini menjelaskan analisa tentang kebutuhan sistem, konsep

perancangan aturan, proses pengembangan sistem dan tentang

implementasi atau tata cara pemakaian program yang penulis buat dan

uji coba terhadap program yang telah dibuat.

11

BAB V KESIMPULAN DAN SARAN

Bab ini menguraikan kesimpulan yang berkenaan dengan hasil

pemecahan masalah yang diperoleh dari penelitian serta saran untuk

pengembangan lebih lanjut.

12

BAB II

LANDASAN TEORI

Bab ini menguraikan mengenai teori-teori yang digunakan dalam

menunjang penelitian.

2.1 Penerapan

Menurut KBBI penerapan memiliki arti : (1) proses, cara, perbuatan

menerapkan, (2) pemasangan, (3) pemasangan, perihal mempraktikan

(http://pusatbahasa.diknas.go.id). Jadi penerapan dapat didefinisikan sebagai cara

untuk melakukan atau mempraktikkan sesuatu berdasarkan aturan tertentu.

2.2 Logika Fuzzy

Menurut Kusumadewi (2003,153), logika fuzzy adalah suatu cara yang

tepat untuk memetakan suatu ruang input ke dalam suatu ruang output. Logika

fuzzy atau sistem fuzzy memiliki kemampuan untuk mengembangkan sistem

intelijen dalam lingkungan yang tak pasti. Dalam logika fuzzy terdapat beberapa

proses yaitu penentuan himpunan fuzzy, penerapan aturan IF-THEN dan proses

inferensi fuzzy.

Dari sekian banyak alternatif, sistem fuzzy seringkali menjadi pilihan

terbaik, berikut beberapa alasannya (Naba, 2009:3-4) :

1. Konsep fuzzy logic adalah sangat sederhana sehingga mudah dipahami.

2. Fuzzy logic adalah fleksibel, dalam arti dapat dibangun dan dikembangkan

dengan mudah tanpa harus memulainya dari ‘nol’.

3. Fuzzy logic memberikan toleransi terhadap ketidakpresisian data.

13

4. Pemodelan/pemetaan untuk mencari hubungan data input-output dari

sembarang sistem black-box bisa dilakukan dengan memakai sistem fuzzy.

5. Pengetahuan atau pengalaman dari pakar dapat dengan mudah dipakai untuk

membangun fuzzy logic. Hal ini merupakan kelebihan utama fuzzy logic

dibanding jaringan saraf tiruan.

6. Fuzzy logic dapat diterapkan dalam desain sistem kontrol tanpa harus

menghilangkan teknik desain sistem kontrol konvensional yang sudah

terlebih dahulu ada.

7. Fuzzy logic berdasar pada bahasa manusia.

Ada beberapa hal yang perlu diketahui dalam memahami sistem fuzzy

yaitu variabel fuzzy, himpunan fuzzy, semesta pembicaraan, dan domain.

(Kusumadewi,2003:158). Variabel fuzzy merupakan variabel yang hendak

dibahas dalam suatu sistem fuzzy. Contoh: umur, permintaan, temperatur dan

sebagainya. Himpunan fuzzy merupakan suatu grup yang mewakili suatu kondisi

atau keadaan tertentu dalam suatu variabel fuzzy. Semesta pembicaraan adalah

keseluruhan nilai yang diperbolehkan untuk dioperasikan dalam suatu variabel

fuzzy. Domain adalah keseluruhan nilai yang diijinkan dalam semesta

pembicaraan dan boleh dioperasikan dalam suatu himpunan fuzzy. Berikut contoh

hubungan antara variabel fuzzy, himpunan fuzzy, semesta pembicaraan dan domain

dalam sistem fuzzy :

14

Tabel 2.1 Variabel fuzzy, himpunan fuzzy, semesta pembicaraan dan domain

Variabel fuzzy Himpunan Fuzzy Semesta

Pembicaraan Domain

UMUR

MUDA

[0, +~]

[0,45]

PAROBAYA [35,55]

TUA [45,+~]

2.2.1 Fungsi Keanggotaan

Fungsi keanggotaan adalah kurva yang menunjukkan pemetaan

titik input data ke dalam nilai keanggotaan yang mempunyai interval 0

sampai dengan 1. Pada himpunan biasa (crisp) nilai keanggotaan memiliki

2 kemungkinan yaitu satu (1) berarti menjadi anggota himpunan dan dua

(2) berarti tidak menjadi anggota. Sedangkan pada himpunan fuzzy nilai

keanggotaan tidak terbatas hanya pada 2 kemungkinan saja.

Pada contoh tabel di atas, seseorang dapat masuk kedalam 2

himpunan yang berbeda. Seseorang yang berumur 20 tahun masuk

himpunan berumur muda dengan derajat keanggotaan 0.1 dan sekaligus

masuk himpunan berumur parobaya dengan derajat keanggotaan 0.85

(lihat gambar).

Gambar 2.1 Fungsi keanggotaan UMUR dengan representasi Gaussian

(gaussmf)

15

Ada banyak fungsi keanggotaan yang digunakan untuk

merepresentasikan fungsi keanggotaan himpunan fuzzy diantaranya

sigmoid biner (dsigmf), kombinasi Gaussian (gasuss2mf), Gaussian

(gaussmf), generalized-bell (gbellmf), bentuk Π (pimf), sigmoid (sigmf),

trapezoid (trapmf), triangular (trimf).

2.2.2 Operator Himpunan Fuzzy

Seperti halnya himpunan konvensional, ada beberapa operasi yang

didefinisikan secara khusus untuk mengkombinasikan dan memodifikasi

himpunan fuzzy. Nilai keanggotaan sebagai hasil dari operasi 2 himpunan

sering dikenal dengan nama fire strength atau α-predikat. Ada 3 operator

dasar dalam himpunan fuzzy, yaitu operator AND, OR dan NOT.

Operator AND merupakan operasi interseksi pada himpunan. α -

predikat yang dihasilkan diperoleh dengan mengambil nilai keanggotaan

terkecil antar elemen pada himpunan bersangkutan. Misal nilai

keanggotaan umur 27 pada himpunan muda adalah µ MUDA[27]= 0,6 dan

nilai keanggotaan 2 juta pada himpunan penghasilan TINGGI adalah µ

GAJITINGGI[2juta]= 0,8 maka α -predikat untuk usia MUDA dan

berpenghasilan TINGGI adalah nilai keanggotaan minimun :

µ MUDA ∩ GAJITINGGI = min( µ MUDA[27], µ GAJITINGGI[2juta])

= min (0,6 ; 0,8)

= 0,6

16

Operator OR merupakan operasi union pada himpunan. α -predikat

yang dihasilkan diperoleh dengan mengambil nilai keanggotaan terbesar

antar elemen pada himpunan bersangkutan. Misal nilai keanggotaan umur

27 pada himpunan muda adalah µ MUDA[27]= 0,6 dan nilai keanggotaan

2 juta pada himpunan penghasilan TINGGI adalah µ

GAJITINGGI[2juta]= 0,8 maka α -predikat untuk usia MUDA atau

berpenghasilan TINGGI adalah nilai keanggotaan maksimum :

µ MUDA ∩ GAJITINGGI = max( µ MUDA[27], µ GAJITINGGI[2juta])

= max (0,6 ; 0,8)

= 0,8

Operator NOT merupakan operasi komplemen pada himpunan. α -

predikat yang dihasilkan diperoleh dengan mengurangkan nilai

keanggotaan elemen pada himpunan dari 1. Misal nilai keanggotaan umur

27 pada himpunan muda adalah µ MUDA[27]= 0,6 maka α -predikat

untuk usia TIDAK MUDA adalah :

µ MUDA’[27] = 1 - µ MUDA[27

= 1 - 0,6

= 0,4

2.2.3 Sistem Inferensi Fuzzy

Inferensi yaitu melakukan penalaran menggunakan fuzzy input dan

fuzzy rule yang telah ditentukan sehingga menghasilkan fuzzy output.

Terdapat banyak metode inferensi yang sering digunakan untuk melakukan

17

inferensi fuzzy diantaranya metode Tsukamoto, metode Mamdani dan

metode Sugeno.

Pada metode Tsukamoto, setiap konsekuen direpresentasikan

dengan himpunan fuzzy dengan fungsi keanggotaan monoton. Output hasil

inferensi masing-masing aturan adalah z, berupa himpunan biasa (crisp)

yang ditetapkan berdasarkan α -predikatnya. Hasil akhir diperoleh dengan

menggunakan rata-rata terbobotnya.

Pada metode Mamdani, aplikasi fungsi implikasi menggunakan

MIN, sedang komposisi aturan menggunakan metode MAX. Metode

Mamdani dikenal juga dengan metode MAX-MIN. Inferensi output yang

dihasilkan berupa bilangan fuzzy maka harus ditentukan suatu nilai crisp

tertentu sebagai output. Proses ini dikenal dengan defuzzyfikasi. Ada

beberapa metode yang dipakai dalam defuzzyfikasi antara lain metode

centroid. Pada metode ini penetapan nilai crisp dengan cara mengambil

titik pusat daerah fuzzy.

Penalaran dengan metode Sugeno, mirip dengan metode Mamdani

hanya saja output sistem tidak berupa himpunan fuzzy melainkan berupa

konstanta atau persamaan linear.

.Ada dua model metode Sugeno yaitu model fuzzy Sugeno orde nol

dan model fuzzy sugeno orde satu. Bentuk umum model fuzzy Sugeno orde

nol adalah :

IF (x1 is A1) o (x2 is A2) o ….. o (xn is An) THEN z = k

18

Bentuk umum model fuzzy Sugeno orde satu adalah :

IF (x1 is A1) o (x2 is A2) o ….. o (xn is An) THEN z = p1.x1 + … pn.xn + q

Defuzzyfikasi pada metode Sugeno dilakukan dengan mencari nilai

rata-ratanya.

Gambar 2.2 Inferensi fuzzy sugeno orde 1

2.2.4 Defuzzyfikasi

Defuzzyfikasi atau penegasan berfungsi untuk mengubah fuzzy

output menjadi crisp value berdasarkan fungsi keanggotaan yang telah

ditentukan. Terdapat berbagai metode defuzzyfikasi diantaranya : centroid

method, height method, first (or last) of maxima dan weighted average.

Metode centroid disebut juga sebagai Center of Area (CoA) atau

Center of Gravity (CoG). Metode ini menghitung nilai crisp menggunakan

rumus :

x y

A1

A2

B1

B2

w1

w2

f1=p1x+q1y+r1

f2=p2x+q2y+r2

W1 f1 + w2 f2

W1 + w2f =

= W1 f1 + w2 f2

µ

µ

µ

µ

19

Dimana y* adalah suatu nilai crisp, y adalah crisp input dan ��

adalah derajat keanggotaan y.

Height method dikenal juga sebagai prinsip keanggotaan

maksimum karena metode ini secara sederhana memilih nilai crisp yang

memiliki derajat keanggotaan maksimum. Oleh karena itu,metode ini

hanya bisa dipakai untuk fungsi keanggotaan yang memiliki derajat

keanggotaan 1 pada suatu nilai crisp tunggal dan 0 pada semua nilai crisp

yang lain. Fungsi seperti ini disebut sebagai singleton.

Metode fisrt (or last) of maxima merupakan generalisasi dari height

method untuk kasus di mana fungsi keanggotaan output memiliki lebih

dari 1 nilai maksimum sehingga nilai crisp yang digunakan adalah salah

satu dari nilai yang dihasilkan dari maksimum pertama atau maksimum

terakhir (tergantung pada aplikasi yang akan dibangun).

Metode weighted average mengambil rata-rata dengan

menggunakan pembobotan berupa derajat keanggotaan. Metode ini

menghitung nilai crisp dengan rumus :

Dimana ��yaitu nilai minimum dari derajat keanggotaan pada

aturan ke-n, �� yaitu hasil penghitungan pada aturan ke-n, M adalah

20

banyaknya aturan fuzzy sedangkan Z adalah nilai crisp yang akan kita

hitung.

2.3 Sistem Pakar

Sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan

manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang

biasa dilakukan oleh para pakar atau ahli (Kusumadewi,2003:109)

Menurut Efraim Turban,konsep dasar sistem pakar mengandung keahlian,

ahli, pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan.

Keahlian adalah suatu kelebihan penguasaan pengetahuan di bidang tertentu yang

diperoleh dari pelatian, membaca atau pengalaman. Seorang ahli adalah seseorang

yang mampu menjelaskan suatu tanggapan, mempelajari hal-hal baru seputar

topik permasalahan, menyusun kembali pengetahuan jika dipandang perlu,

memecah aturan-aturan jika dibutuhkan dan menentukan relevan tidaknya

keahlian mereka. Pengalihan keahlian dari para ahli ke computer untuk kemudian

dialihkan lagi ke orang lain yang bukan ahli, merupakan tujuan utama sistem

pakar. Salah satu fitur yang harus dimiliki oleh sistem pakar adalah kemampuan

untuk menalar.

Sebagian besar sistem pakar komersial dibuat dalam bentuk rule based

systems, yang mana pengetahuan disimpan dalam bentuk aturan-aturan, biasanya

IF-THEN. Fitur lainnya dari sistem pakar adalah kemampuan merekomendasi

yang tidak dimiliki oleh sistem konvensional.

21

Tabel 2.2 Perbandingan sistem konvensional dan sistem pakar

Sistem Konvensional Sistem pakar

Informasi dan pemrosesannya biasanya

jadi satu dengan program

Basis pengetahuan merupakan bagian

terpisah dari mekanisme inferensi

Biasanya tidak bisa menjelaskan

mengapa suatu input data itu

dibutuhkan, atau bagaimana output itu

diperoleh

Penjelasan adalah bagian terpenting

dari sistem pakar

Pengubahan program cukup sulit dan

membosankan

Pengubahan aturan dapat dilakukan

dengan mudah

Sistem hanya akan berperasi jika sistem

tersebut sudah lengkap

Sistem dapat beroperasi hanya dengan

beberapa aturan

Eksekusi dilakukan langkah demi

langkah

Eksekusi dilakukan pada keseluruhan

basis pengetahuan

Menggunakan data Menggunakan pengetahuan

Tujuan utamanya adalah efisiensi Tujuan utamanya adalah efektivitas

(Sumber : Artificial Intelligence, Kusumadewi ,2003:112)

Sistem pakar terdiri dari 2 bagian pokok, yaitu : lingkungan

pengembangan (development environment) yang digunakan sebagai pembangun

sistem pakar dari segi pembangun komponen maupun basis pengetahuan. Yang

kedua lingkungan konsultasi (consultion environment) yang digunakan oleh

seseorang yang bukan ahli untuk berkonsultasi.

22

Gambar 2.3 Struktur sistem pakar

2.4 Diagnosis

Menurut Harvey dkk (1991), Istilah diagnosis berasal dari kata Yunani

yang berarti membedakan atau menentukan. Dalam penggunaan bahasa Inggris

abad ke-17 dan 18, diagnostik suatu penyakit adalah ciri-ciri khas dari penyakit

itu. Dalam penggunaan umum modern, diagnosis adalah identifikasi penyakit

dengan penyelidikan tanda, gejala dan manifestasi lainnya. Dalam terminologi

medis, arti tepat diagnosis disamarkan oleh banyaknya cara ia digunakan :

diagnosis klinis, diagnosis laboratorik, diagnosis fisik, diagnosis anatomis,

diagnosis bakteriologis, diagnosis sinar-X, diagnosis EKG dan sebagainya.

Diagnosis, jika tidak dibubuhi kata sifat berarti identifikasi suatu penyakit

dengan penyelidikan manifestasinya. Karena suatu diagnosis harus berdasarkan

user

Antarmuka

Aksi yang

direkomendasi

Fasilitas

penjelasan

Motor Inferensi O interpreter

O scheduler

O consistency

enforcer

BLACKBOARD

Rencana Agenda

Solusi Deskripsi

Penyaring

pengetahuan

Pengetahuan

ahli

Rekayasa

pengetahuan

Basis Pengetahuan

Fakta : Apa yang diketahui tentang

area domain

Aturan : logical inference

Fakta-fakta

tentang kejadian

khusus

Penambahan

pengetahuan

23

bukti terbaik yang didapat pada suatu waktu, istilah ini tak harus menunjukkan

identifikasi pasti dan positif dari suatu penyakit (Harvey dkk, 1991).

Diagnosis melibatkan dua prosedur : (1) mengumpulkan fakta dan (2)

menganalisis fakta. Kesalahan diagnosis dapat disebabkan ketidaksempurnaan

dari satu atau kedua prosedur itu. Bila data faktual tak memadai atau tak benar,

atau bila disalahinterpretasikan, analisisnya walaupun benar akanmengarah ke

kesimpulan keliru. Sebaliknya, meski pengumpulan fakta lengkap dan akurat, dan

data diinterpretasi secara benar, kesimpulan dapat salah karena analisis salah

(Harvey dkk, 1991).

2.5 Tata Laksana

Dalam Kamus Ilmiah Populer (Tim Media Center,2002: 317) kata tata

memiliki arti aturan yang bersistem. Arti lain dari tata adalah kaidah, aturan dan

susunan. Sementara laksana diartikan sifat, laku perbuatan dan tatalaksana

didefinisikan sebagai cara mengurus (http://kamusbahasaindonesia.org). Sehingga

secara sederhana tatalaksana artinya cara atau aturan dalam mengurus, dalam hal

ini adalah mengurus pasien yang didiagnosis penyakit tertentu.

2.6 Penyakit

Penyakit memiliki pengertian (http://pusatbahasa.diknas.go.id) sesuatu

yang menyebabkan terjadinya gangguan pada makhluk hidup; gangguan

kesehatan yang disebabkan oleh bakteri, virus atau kelainan sistem faal atau

jaringan pada organ tubuh pada makhluk hidup.

24

2.7 Demam Berdarah Dengue (DBD)

2.7.1 Sejarah DBD

Demam berdarah dengue (DBD) disebabkan virus dengue yang

termasuk kelompok B Arthropod Borne Virus (Arboviroses) yang sekarang

dikenal sebagai genus Flavivirus, family Flaviviridae dan mempunyai 4

jenis serotipe yaitu : DEN-1, DEN-2, DEN-3 dan DEN-4. Keempat

serotype virus dengue dapat ditemukan di berbagai daerah di Indonesia.

Serotipe DEN-3 merupakan serotype yang dominan dan diasumsikan

banyak yang menunjukkan manifestasi klinis yang berat (Depkes RI

Dirjen P2MLP, 2004).

Menurut sejarahnya, demam dengue di Indonesia mulai dilaporkan

tahun 1977 oleh David Bylon di Batavia. Penyakit ini disebut penyakit

demam 5 hari yang dikenal dengan knee trouble atau knokkel kootz.

Perkembangannya hingga tahun 1998, penyakit Demam Dengue/Demam

Berdarah Dengue menyerang di Dati II dari 27 propinsi dengan jumlah

kasus 65.968 dan kematian 1.275

(http://www.kalbe.co.id/files/cdk/files/15_ResponImundanDerajatKesakita

n.pdf/15_ResponImundanDerajatKesakitan.html).

Terdapat 3 faktor yang memegang peranan pada penularan infeksi

virus dengue yaitu manusia, virus dan vektor perantara. Virus dengue

ditularkan kepada manusia melalui gigitan nyamuk Aedes aegypti.

Nyamuk Aedes albopictus, Aedes polynesiensis dan beberapa spesies lain

dapat juga menularkan virus dengue namun merupakan vektor yang

25

kurang berperan. Nyamuk aedes aegypti hidup dan berkembang biak pada

tempat penampungan air bersih seperti bak mandi, minuman kosong, air

tendon, air tempayan atau gentong, kaleng dan ban bekas. Tersebar luas di

kota maupun di desa kecuali di wilayah yang memiliki ketinggian 1000

meter di atas permukaan laut

(http://www.arthagrahapeduli.org/index.php?option=com_content&view=

article&id=572%3Awaspada-demam-berdarah-dengue&catid=36%

3Akesehatan&Itemid=66&lang=in). Gigitan nyamuk aedes aegypti sendiri

tidak membahayakan kesehatan selama tidak terkontaminasi oleh virus

dengue.

2.7.2 Gejala DBD

Bentuk klasik dari DBD ditandai dengan demam tinggi, mendadak

2-7 hari, disertai dengan muka kemerahan. Keluhan seperti anoreksia, sakit

kepala, nyeri otot, tulang, sendi, mual dan muntah sering ditemukan.

Beberapa penderita mengeluh nyeri menelan dengan farings hiperemis

ditemukan pada pemeriksaan, namun jarang ditemukan batuk pilek.

Bentuk pendarahan yang paling sering adalah uji tourniquet (Rumple

leede) positif, kulit mudah memar dan pendarahan pada bekas suntikan

intravena atau pada bekas pengambilan darah (Depkes RI Dirjen P2MLP,

2004).

Pengobatan DBD bersifat suportif. Tatalaksana didasarkan atas

adanya perubahan fisiologi berupa perembesan plasama dan pendarahan.

26

Perembesan plasma dapat mengakibatkan syok, anoreksia dan kematian.

Deteksi dini terhadap adanya permebesan plasma dan penggantian cairan

yang adekuat akan mencegah terjadinya syok (Depkes RI Dirjen P2MLP,

2004).

2.8 Demam Tifoid

2.8.1 Sejarah Demam Tifoid

Demam tifoid adalah peyakit infeksi sistemik yang disebabkan

oleh kuman Salmonella typhi dan kadang-kadang kuman Salmonella

paratyphi. Penyakit ini ditularkan melalui makanan atau minuman yang

terkontaminasi oleh kuman S. typhi.

2.8.2 Gejala Demam Tifoid

Gejala klinis demam tifoid pada anak biasanya memberikan

gambaran klinis ringan bahkan dapat tanpa gejala (asimtomatik). Diantara

tanda dan gejala yang ditimbulkan pada penderita demam tifoid antara

lain: demam, lidah kotor, bagian tengah berwarna putih dan pinggirannya

berwarna merah, anoreksia, mual berat sampai muntah, obstipasi atau

diare, nyeri kepala, nyeri otot, dan sakit perut yang diakibatkan

pembengkakan hati dan limpa.

2.9 Diagram Alur (Flowchart)

Flowchart adalah salah satu cara menggambarkan algoritma

dengan menggunakan simbol (Direktorat Hukum dan Informasi,2007:9)

Flowchart digunakan untuk merepresentasikan maupun mendesain

27

program. Oleh karena itu, flowchart dapat dikatakan baik jika dapat

merepresentasikan komponen-komponen dalam bahasa pemrograman.

Simbol-simbol untuk menggambarkan algoritma yang dibuat dapat

dilihat pada tabel berikut (Ladjamudin, 2006:267-270) :

Tabel 2.3 Simbol-simbol flowchart

Nama Simbol Keterangan

Simbol penghubung/alur

Arus/flow

Untuk menyatakan jalannya arus

suatu proses

Communication link

Untuk menyatakan bahwa adanya

transisi suatu data/informasi dari

satu lokasi ke lokasi lainnya

Connector

Untuk menyatakan sambungan

dari satu proses ke proses lainnya

dalam halaman/lembar yang sama

Offline connector

Untuk menyatakan sambungan

dari satu proses ke proses lainnya

dalam halaman/lembar yang

berbeda

Simbol proses

Proses

Untuk menyatakan kegiatan

pemrosesan input

28

Manual

Untuk meyatakan suatu tindakan

yang tidak dilakukan oleh

komputer

Decision/logika

Untuk menunjukkan suatu

kondisi tertentu yang akan

menghasilkan dua kemungkinan

jawaban, ya/tidak

Predefined process

Untuk menyatakan penyediaan

tempat penyimpanan suatu

pengolahan untuk memberi harga

awal

Terminal

Untuk menyatakan permulaan

atau akhir suatu program

Keying operation

Untuk menyatakan segala jenis

operasi yang diproses dengan

menggunakan suatu mesin yang

mempunyai keyboard

Offline storage

Untuk menunjukkan bahwa data

da;am symbol ini akan disimpan

ke suatu media tertentu

Manual input

Untuk memasukkan data secara

manual dengan menggunakan

online keyboard

29

Simbol input-output

Input-Output

Untuk menyatakan proses input

dan output tanpa tergantung

dengan jenis peralatannya

Punched card

Untuk menyatakan input berasal

dari kartu atau output ditulis ke

kartu

Magnetic-tape unit


dari pita magnetic atau output

disimpan ke pita magnetic

Disk storage


dari disk atau output disimpan ke

disk

Display

Untuk meyatakan peralatan

output yang digunakan berupa

layar (video, komputer)

2.10 State Transitions Diagram (STD)

Diagram state menghubungkan event-event dan state-state. Ketika suatu

event diterima, state berikutnya bergantung pada state yang sekarang ada.

Perubahan suatu state ke state yang lain dinamai transisi. Diagram state adalah

diagram yang simpulnya adalah state dan garisnya adalah transisi yang diberi

nama event. State digambarkan dalam kotak berisi namanya. Transisi

30

digambarkan sebagai tanda panah dari state penerima ke state targetnya, label

pada tanda panah adalah nama event penyebab suatu transisi.

Gambar 2.4 Perubahan state

2.11 Rapid Application Development (RAD)

2.11.1 Defnisi RAD

Rapid Application Development (RAD) atau pengembangan

aplikasi cepat adalah suatu pendekatan berorientasi objek terhadap

pengembangan sistem yang mencakup suatu metode pengembangan serta

perangkat-perangkat lunak (Kendall&Kendall,2006:237). Pada tataran

konsep RAD mirip dan sangat dekat hubungannya dengan metode

pengembangan sistem prototyping karena sama-sama menekankan

keunggulan waktu yang cepat dalam proses pengembangan sistem.

Kendall (2006:2007) mengungkapkan bahwa RAD dapat dianggap

sebagai implementasi khusus dari prototyping. Prototyping adalah suatu

teknik pengumpulan data yang sangat berguna melengkapi siklus hidup

pengembangan sistem tradisional.

State 1

State 2

event

31

2.11.2 Tahap-Tahap Pengembangan Sistem RAD

Terdapat 4 tahap pengembangan sistem RAD menurut konsep asli

dari James Martin, yakni tahap perencanaan syarat, tahap perancangan

pengguna, tahap konstruksi dan terakhir tahap pelaksanaan.

Gambar 2.4 Fase RAD Martin

Sementara itu, Kendall&Kendall (2006:237) mengungkapkan ada

tiga fase dalam RAD yang melibatkan penganalisis dan pengguna dalam

tahap penilaian, perancangan dan penerapan (implementasi). Kendall juga

mengingatkan akan keterlibatan pengguna dalam setiap bagian upaya

pengembangan dengan partisipasi mendalam dalam bagian perancangan

bisnis.

Gambar 2.5 Fase pengembangan sistem RAD Kendall

Baik menurut konsep asli dari James Martin, Kendall&Kendall

maupun Pressman, tahap-tahap pengembangan sistem RAD tampak

berbeda namun memiliki kesamaan dalam penekanan terhadap interaksi

aktif antara pengembang sistem dengan pengguna sehingga akan

dihasilkan sistem yang sesuai dengan keinginan dan kebutuhan pengguna.

Berikut ini tahap pengembangan sistem RAD menurut Pressman (2005) :

1. Tahap communication

Perencanaan

syarat-syarat

Perancangan

pengguna

konstruksi Pelaksanaan

Mengidentifikasi

tujuan dan Mengenalka

n sistem

Bekerja dengan

pengguna

untuk

Membangu

n sistem

32

2. Tahap planning

3. Tahap Modelling

4. Tahap construction

5. Tahap deployment

Gambar 2.6 RAD Model Pressman

2.12 Matlab 7.8 (R2009a)

Matlab adalah singkatan dari Matrik Laboratory, merupakan bahasa

pemrograman tingkat tinggi yang dikhususkan untuk kebutuhan komputasi teknis,

visualisasi dan pemrograman seperti komputasi matematika, analisis data,

pengembangan algoritma, simulasi dan pemodelan dan grafik-grafik perhitungan.

Matlab menyediakan banyak fitur dalam mendukung fungsinya, diantaranya

(http://www.mathworks.com/):

60 – 90 days

Communication

Planning Modelling

Business

modelling

Data modeling

Process modelling

Construction

Component

reuse

Automatic code

generation

Testing

Deployment

Integration

Delivery

Feedback

33

a. Merupakan bahasa tingkat tinggi untuk komputasional teknis

b. Lingkungan pengembangan untuk pengaturan kode, data, dan file.

c. Tools yang interaktif untuk eksplorasi, design dan pemecahan masalah.

d. fungsi matematika untuk aljabar, statistik, analisis Fourier dan optimasi .

e. fungsi grafik 2-D dan 3-D untuk visualisasi data.

f. Tools untuk membangun Graphical User Interface (GUI).

g. Fungsi integrasi Matlab dengan bahasa pemrograman yang lain seperti C,

C++, Fortran, Java, COM dan Microsoft Excel.

Gambar 2.7 Tampilan Matlab yang mengintegrasikan pengembangan

algoritma, analisis data, dan pengaturan project

Secara kesuluruhan, Matlab memiliki 6 buah jendela (Siang, 2009:152),

yaitu :

a. Jendela perintah (command window)

Jendela perintah merupakan tempat untuk memasukkan perintah yang kita

inginkan seperti perhitungan biasa, memanggil fungsi, mencari informasi

tentang sebuah fungsi, demo program dan sebagainya. Setiap penulisan

perintah diawali dengan prompt ‘>>’. Berikut screenshot jendela perintah :

34

Gambar 2.8 Jendela command window

b. Jendela daftar perintah (command history)

Jendela ini memuat daftar perintah yang pernah kita ketikkan dalam jendela

perintah. Untuk mengeksekusi kembali perintah yang pernah dipakai, drag

perintah tersebut dari jendela daftar perintah ke jendela perintah. Berikut

screenshot jendela daftar perintah :

Gambar 2.9 Jendela command history

c. Jendela launch pad

Jendela ini berisi fasilitas yang disediakan Matlab untuk menjalankan paket

perangkat lunak (toolbox) untuk menyelesaikan masalah tertentu. Contohnya,

untuk melihat demo program jaringan saraf tiruan, kita bisa memilih folder

35

neural network toolbox, dan memilih subfolder demo. Berikut screenshot

jendel daftar perintah :

Gambar 2.10 Jendela launch pad

d. Jendela Help

Jendela ini dipakai ketika kita mengalami kesulitan sewaktu memilih perintah

atau formatnya. Untuk membantu melihat format perintah, kita bisa

menggunakan help dengan 2 cara :

- Mengetikkan help (topik) dalam jendela perintah, misalnya help ones,

ones adalah perintah untuk membuat matriks yang semua elemennya

adalah 1.

Gambar 2.11 Help dari command window

- Membuka jendela help dari menu View.

36

Gambar 2.12 Jendela Help dari menu View

e. Jendela direktori

Jendela untuk menentukan direktori aktif yang digunakan Matlab. Berikut

screenshotnya :

Gambar 2.13 Jendela current directory

f. Jendela workspace

Jendela di mana kita dapat melihat informasi pemakaian variabel di dalam

memori Matlab. Berikut screenshotnya :

Gambar 2.14 Jendela workspace

37

2.12.1 Bekerja dengan Matlab

Ada 2 cara yang dapat kita gunakan dalam melakukan pemrograman

Matlab, yaitu :

1. Secara langsung di jendela perintah

Cara ini sedikit riskan karena akan sulit mengevaluasi secara

keseluruhaan perintah yang dimasukkan baris perbaris.

2. Menggunakan M-File

M-File merupakan sederetan perintah Matlab yang dituliskan

secara berurutan sebagai sebuah file. Pemrograman dengan M-File

memberikan kontrol lebih banyak dibandingkan dengan command line

seperti poin 1 di atas. Dengan M-File kita bisa melakukan percabangan,

perulangan dan lain-lain. Program M-File mirip dengan bahasa C yang

membagi program dalam blok program berupa fungsi-fungsi. Tiap fungsi

dapat memanggil fungsi yang lain.

Untuk membuat M-File, klik menu File kemudian pilih New dan

klik M-File. Akan tampil layar MATLAB Editor/Debugger. Jika pekerjaan

kita telah selesai, untuk menyimpannya klik menu File dan Save

As….tuliskan nama file yang kita inginkan dan klik button save. File akan

disimpan dengan ekstensi *.m. Agar dapat dijalankan dengan benar, maka

program harus disimpan dahulu kedalam file yang namanya sama dengan

nama fungsi (fungsi dijelaskan pada poin 2.8.2).Untuk membuka M-File

dari command window, ketik edit namafile dan tekan Enter atau klik

Return.

38

2.12.2 Fungsi dalam Matlab

Fungsi dalam Matlab terdiri dari 2 bagian yaitu :

a. Definisi fungsi

Bentuk definsi fungsi adalah sebagai berikut :

Function <argument keluaran> = <nama fungsi> (<argument

masukan>)

Sebagai contoh :

Function y = average (x)

Baik argumen masukan maupun keluaran bisa berupa variabel berupa

skalar, vektor maupunn matriks atau tanpa argumen sama sekali.

Argumen masukan boleh lebih dari 1, masing-masing dipisahkan dengan

tanda koma. Demikian juga apabila argumen keluaran lebih dari 1

elemen, maka argumen tersebut dipisahkan dengan tanda koma atau

diletakkan diantara kurung siku.

b. Tubuh fungsi

Tubuh fungsi berisi semua perintah untuk membuat komputasi dan

memberikan harga kepada argumen keluaran. Pernyataan dalam tubuh

fungsi bisa berupa pemberian nilai pada suatu variabel,

masukan/keluaran, fungsi kontrol, iterasi ataupun pemanggilan kepada

fungsi lain.

Contoh script sederhana Matlab disajikan berikut ini :

% Script file contoh

x = pi/100: pi/100:10*pi;

39

y = sin(x) ./x;

plot (x,y) grid

Penjelasan dari script di atas adalah sebagai berikut :

Tanda % menandakan komentar dan akan diabaikan oleh Matlab, artinya

tidak akan dieksekusi. Penulisan komentar disesuaikan dengan kebutuhan

pembuat program. Dua baris berikutnya x dan y dibuat. Tanda “;”

sebagai pemisah baris perintah. Array x memuat 1000 angka berspasi rata

dalam interval [c/100 10�] sedangkan array y memuat nilai-nilai dari

sinc function y = sin(x)/x pada point tersebut. Dot operator (.) digunakan

sebelum operator divisi sebelah kanan (right division operator). Ini

memberitahukan kepada Matlab untuk melaksanakan componentwise

division dari dua deret sin(x) dan x. perintah plot mencipatkan grafik dari

sinc function dengan menggunakan titik-titik yang dihasilkan oleh dua

baris sebelumnya. Terakhir, perintah grid dilaksanakan, dengan

menambahkan satu grid untuk grafik.

2.12.3 Kontrol Arus Aliran

Untuk mengontrol arus perintah, Matlab menyediakan 4 alat yang dapat

digunakan yaitu (Hartanto&Prasetyo,2003:18) :

1. Perulangan for

Sintaks dari perulangan for adalah sebagai berikut :

For variabel = skalar:skalar

Pernyataan

….

40

pernyataan

end

2. perulangan while

Sintaks dari perulangan while adalah sebagai berikut :

while expression op_rel expression

pernyataan

end

dimana op_rel adalah ==, <, >, <=, >=, atau ~=.

3. Konstruksi perulangan if-else-end

Sintaks dari konstruksi perulangan if-else-end adalah sebagai

berikut :

If expression

Pernyataan

End

Kontruksi di atas digunakan jika hanya ada satu alternatif. Jika ada

2 alternatif maka konstruksi yang digunakan adalah sebagai berikut

:

If expression

Pernyataan

Else

Pernyataan

End

41

Sedangkan jika ada lebih dari 2 alternatif, maka kontruksi yang

digunakan adalah :

If expression1

Pernyataan

Elseif expression2

Pernyataan

Elseif …

.

.

Else

Pernyataan

end

4. konstruksi perulangan switch-case

Sintaks dari konstruksi switch-case adalah sebagai berikut :

Switch expression (skalar atau string)

Case nilai1

Case nilai2

.

.

Otherwise

Pernyataan

End

42

2.12.4 Pembuatan Grafik

a. Grafik 2 dimensi

Fungsi dasar yang digunakan untuk membuat grafik 2 dimensi adalah

fungsi plot. Fungsi ini menggunakan satu angka variabel dari argumen

input. Ada pula fungsi subplot yang digunakan untuk memplot beberapa

grafik di figure window yang sama. Untuk definisi penuh dari fungsi ini

kita dapat mengetikkan help plot dalam command window.

b. Grafik 3 dimensi

Matlab mempunyai beberapa fungsi tersendiri untuk memplot objek 3

dimensi. Fungsi-fungsi tersebut adalah plot kurva di ruangan (plot 3), mesh

surface (mesh), surface (surf), dan plot kontur (countor). Juga ada 2 fungsi

untuk memplot permukaan khusus, sphere dan cylinder. Penjelasan

tentang fungsi-fungsi ini juga dapat diketahui dengan mengetikkan help

graph3d pada command window.

2.13 Literatur Sejenis

Pada penelitian ini penulis mengambil studi literatur sejenis yang akan

digunakan sebagai acuan pembuatan aplikasi untuk membedakan hal-hal yang

sudah dilakukan dan menentukan hal-hal yang perlu dilakukan. Literatur yang

diambil sebagai perbandingan terutama yang berkaitan dengan diagnosis penyakit

dan penggunaan logika fuzzy. Studi literatur sejenis diambil dari 2 buah skripsi, 1

skripsi mahasiswa UIN Syarif Hidayatullah Jakarta dan 1 skripsi mahasiswa ITS.

Skripsi Fitriyanti (2010) dengan judul “Diagnosis Penyakit TBC Paru

dan Asma Bronkial Menggunakan Metode Jaringan Syaraf Tiruan

43

Backpropagation ”. Penyakit TBC Paru dan Asma Bronkial sulit dibedakan

karena memiliki gejala klinis yang mirip sehingga perlu adanya sebuah sistem

yang membantu membedakan mana penyakit TBC Paru dan Asma Bronkial.

Sistem jaringan saraf tiruan memiliki kemampuan untuk memecahkan masalah

dimana input dan output memiliki hubungan yang sangat sulit dijabarkan. Tujuan

dari aplikasi ini adalah mengaplikasikan metode jaringan syaraf tiruan dengan

algoritma backpropagation yang dapat melakukan tugas dalam mendeteksi

kondisi penyakit TBC Paru dan Asma Bronkial berdasarkan gejala-gejala yang

sering terjadi pada manusia. Aplikasi yang dibuat peneliti telah berhasil

menerapkan jaringan saraf tiruan metode backpropagation untuk diagnosis TBC

Paru dan Asma Bronkial. Kekurangan aplikasi ini adalah tidak dapat

mengakomodasi data fuzzy.

Skripsi Riri Kusumarani (2004) dengan judul “Aplikasi Sistem Pakar

dalam Pendeteksian Penyakit Demam Berdarah Dengue Menggunakan

Microsoft Visual Basic 6.0 ”. Sistem pakar adalah sistem yang berusaha

mengadopsi pengetahuan manusia ke komputer, agar komputer dapat

menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Penyakit

Demam Berdarah Dengue tentunya bukan suatu penyakit yang tergolong baru di

masayarakat Indonesia. Penyakit yang bisa dibilang rutin datang setiap lima tahun

sekali. Ini sesungguhnya sangat meresahkan. Peyakit ini sendiri sangat cepat

penyebarannya dengan bantuan vektor nyamuk Aedes aegypti. Gejala yang timbul

pada penderita sangatlah umum, hal ini menyebabkan banyak penderita yang

terlambat dalam penanganannya sehingga berakibat fatal (meninggal). Aplikasi

44

yang dibuat menghadirkan fitur-fitur tentang informasi DBD. Selain itu juga

menghadirkan fitur pendeteksian penyakit DBD. Aplikasi telah memenuhi

tujuannya untuk mendeteksi penyakit DBD. Hanya saja masih terbatas pada 1

penyakit saja yaitu DBD serta hanya mengakomodasi nilai biasa (crisp value).

Dari uraian di atas, maka penulis mencoba menerapkan logika fuzzy untuk

diagnosis 2 buah penyakit yaitu DBD dan demam tifoid yang memiliki kemiripan

gejala dengan 5 buah gejala klinis sebagai parameter masukan.

45

BAB III

METODOLOGI PENELITIAN

Bab ini menguraikan metodologi yang digunakan dalam penelitian ini

meliputi metode pengumpulan data dan metode pengembangan sistem dilengkapi

dengan alasan penulis menggunakan metode pengembangan sistem tersebut.

Dalam penelitian diperlukan data-data yang dapat menunjang penelitian

sehingga diperlukan metode pengumpulan data. Sementara itu, untuk

mengembangkan sistem penulis menggunakan Rapid Application Development.

Bab ini akan menguraikan metode pengumpulan data dan metode pengembangan

sistem yang penulis gunakan beserta alasan penulis menggunakan RAD sebagai

metode pengembangan sistem.

3.1 Metode Pengumpulan Data

Data menjadi hal yang penting dalam sebuah proses penelitian, oleh

karena data tersebut akan menjadi dasar dari penelitian itu sendiri. Untuk

pengumpulan data, penulis menggunakan 2 metode yaitu :

1. Wawancara

Penulis melakukan wawancara untuk mendapatkan data yang akan

dimasukkan sebagai knowledge base sistem. Adapun yang menjadi pakar adalah

dr. Indra Kusuma. Wawancara dilakukan di Rumah Bersalin Gratis Rumah Zakat

di Pulogadung, Jakarta Timur sebanyak 2 kali yakni pada tanggal 23 Oktober

2010 untuk mendapatkan data parameter fuzzy beserta keanggotaannya. Sementara

yang kedua dilakukan pada tanggal 30 Oktober 2010 untuk penentuan basis aturan

46

(rule base) fuzzy. Dari hasil wawancara juga didapatkan bentuk pertanyaan-

pertanyaan yang akan digunakan pada model aplikasi pakar.

2. Studi pustaka

Penulis mengumpulkan dan mempelajari data dan informasi dari berbagai

sumber literatur baik cetak maupun elektronik yang berkaitan dengan logika fuzzy

diagnosis penyakit DBD dan demam tifoid. Sumber-sumber yang penullis

gunakan berasal dari buku referensi, hasil penelitian (skripsi), jurnal online, buku

pedoman serta artikel dari berbagai sumber.

Adapun sumber utama yang dijadikan referensi oleh penulis yaitu buku-

buku seperti berikut :

1. Artificial Intelligence, Teknik dan Aplikasinya, Sri Kusumadewi, 2003,

Penerbit Graha Ilmu, Yogyakarta.

2. Buku pedoman Tata Laksana Demam Berdarah Dengue di Indonesia, 2004,

Penyunting Sri Rezeki, diterbitkan oleh Departemen Kesehatan RI Dirjen

P2MLP, Jakarta.

3. Buku pedoman Demam Tifoid; Peran Mediator, Diagnosis dan Terapi, 2000,

penyunting H. Iskandar Zulkarnain diterbitkan oleh Pusat Informasi dan

Penerbitan Bagian Ilmu Penyakit Dalam FKUI, Jakarta.

4. Rekayasa Perangkat Lunak, 2006, Al Bahra Bin Ladjamudin, Penerbit Graha

Ilmu, Yogyakarta.

Untuk data lebih lengkap mengenai rujukan yang penulis ambil dapat

dilihat di daftar pustaka.

47

Penulis juga melakukan studi literatur sejenis guna membandingkannya

dengan penelitian yang akan dibuat. Hasil studi literatur sejenis dapat dilihat di

BAB II Subbab 2.13.

3.2 Metode Pengembangan Sistem

Untuk metode pengembangan sistem, penulis menggunakan 5 fase dalam

model RAD yakni communication, planning, modelling, construction dan

deployment (Pressman : 2005). Penjelasan lebih lanjut mengenai RAD lihat bab II

subbab 2.11.2.

Model RAD digunakan dengan tujuan mempersingkat waktu pengerjaan

aplikasi serta proses yang dihasilkan didapatkan secara cepat dan tepat.

1. Communication

Pada tahap communication dilakukan proses komunikasi, yaitu proses

memahami permasalahan dan karakteristik informasi yang harus diakomodasi,

melalui studi literatur yang dilakukan di awal.

Informasi-informasi yang didapatkan akan diolah pada tahap berikutnya.

Informasi tersebut akan digunakan untuk membangun aplikasi yang sesuai dengan

kebutuhan pengguna dan dapat menjawab permasalahan yang diangkat pada latar

belakang dilakukannya penelitian.

Permasalahan yang harus dipecahkan oleh sistem ini adalah membuat

model logika fuzzy dengan cara membuat rule-rule atau aturan yang berjalan pada

sistem sehingga sistem dapat menjalankan fungsinya mendiagnosis suatu penyakit

apakah termasuk penyakit DBD ataukah demam tifoid berdasarkan gejala-gejala

klinis yang diberikan kedalam sistem.

48

Adapun tujuan dari sistem adalah mendiagnosis penyakit DBD atau

demam tifoid sesuai dengan gejala klinis yang diberikan. Input sistem berupa

gejala-gejala klinis suatu penyakit. Output sistem berupa diagnosis penyakit

termasuk DBD atau demam tifoid beserta tata laksananya.

2. Planning

Pada tahap planning dilakukan perencanaan proses yang akan dijalankan,

dengan mengidentifikasi syarat-syarat informasi yang ditimbulkan dari tujuan-

tujuan tersebut. Perencanaan proses itu dilakukan berdasarkan informasi yang

telah didapatkan dari tahap pertama komunikasi. Pada tahap ini penulis

melakukan penentuan yaitu :

a. Fungsi keanggotaan fuzzy input (premis) yang digunakan adalah fungsi

Gaussian (gaussmf), zmf dan smf, sementara untuk fuzzy output digunakan

fungsi trimf.

b. Penerapan fuzzy logic pada tahap inferensi menggunakan metode Mamdani,

karena output aplikasi berupa bilangan fuzzy.

c. Pembuatan aturan fuzzy serta pemberian skor parameter input dan output

dibantu oleh pakar yaitu dokter.

d. Proses defuzzyfikasi menggunakan metode rata-rata terbobot (weighted

average).

3. Modelling

Pada tahap modelling dilakukan pemodelan informasi yang harus di

akomodasi, proses-proses yang terjadi pada aplikasi, interface yang akan

dipergunakan, dan data yang diperlukan selama penggunaan aplikasi.

49

a. Business modeling

Pada tahap ini dilakukan pemodelan bisnis yang akan berjalan pada sistem.

b. Data modelling

Pada tahap ini dilakukan perancangan struktur data yang akan digunakan

untuk pengolahan data.. Penjelasan lebih lanjut dapat dilihat pada pembahasan

BAB IV subbab 4.3.2.

c. Process modelling

Pada tahap ini dilakukan perancangan proses yang terdapat pada sistem

yakni proses input data hingga sistem menghasilkan output.

d. Perancangan antarmuka (interface)

4. Construction

Pada tahap construction, proses logika fuzzy sesuai dengan hasil

pemodelan pada tahap sebelumnya diterapkan dengan menggunakan kode-kode

program. Tool yang penulis gunakan adalah Matlab 7.8.0 (R2009a). Alasan

penggunaan Matlab adalah seperti yang telah dijelaskan pada bab I subbab 1.1.

Kode program lengkap dapat dilihat di lampiran E. Pada tahap ini juga dilakukan

pengujian. Pengujian yang digunakan adalah dengan pendekatan black box test

dengan metode unit test dan integration test yang akan menguji program secara

keseluruhan sehingga dapat diketahui keberhasilan pengembangan aplikasi

meliputi pengujian input dan output. Hasil pengujian dapat dilihat pada bab IV

subbab 4.4.3.

50

5. Deployment

Pada tahap deployment dilakukan penyatuan keseluruhan modul program

yang telah diuji dan siap dipakai kemudian pengiriman (delivery) dan umpan balik

(feedback). Pada penelitian ini, hanya samapi pada tahapan construction karena

penelitian ini dilakukan bukan digunakan langsung oleh pelanggan.

3.3 Alasan Penulis Menggunakan RAD

Dari berbagai model pengembangan sistem yang ada, penulis

menggunakan model RAD dengan alasan-alasan sebagai berikut :

1. Aplikasi yang akan dikembangkan merupakan aplikasi yang sederhana dan

tidak memerlukan waktu yang lama. Metode RAD digunakan untuk

pengembangan sistem yang seperti ini (Kendall&Kendall,2006:237).

2. Pengembangan aplikasi dalam implementasinya tidak memiliki fase

pemeliharaan karena merupakan aplikasi yang sederhana oleh karena itu

penulis menggunakan metode RAD bukannya metode sekuensial linear

(Pressman, 2005:83).

3. Aplikasi tidak memerlukan tahapan yang panjang seperti halnya jika kita

ingin menggunakan model spiral yang merupakan salah satu model

evolusioner yang memiliki waktu yang cukup panjang dalam pengembangan

software (Proboyekti, 2004:1).

4. Salah satu kekurangan model formal adalah banyak memakan waktu dan

mahal (Pressman, 2002:54) sementara aplikasi ini tidak banyak memerlukan

waktu dan biaya.

51

Gambar 3.1 Kerangka pengembangan sistem

Studi

Pustaka Identifikasi Masalah

Akuisisi

Pengetahuan

Pengembangan

Model logika fuzzy

Pengembangan

Aplikasi

Wawancara

Pakar

Program

Matlab

Pengembangan Sistem

Ujicoba (testing)

Pembahasan, kesimpulan, dokumentasi dan

penulisan laporan

Sesuai Harapan

Mulai

Ya

Tidak

Selesai

52

BAB IV

HASIL DAN PEMBAHASAN

Pada bab ini akan dijelaskan lebih lanjut lagi mengenai proses

perancangan serta implementasinya dalam program termasuk proses pengujian

program.

4.1 Communication

Berdasarkan penjabaran latar belakang yang telah dijelaskan pada Bab I

subbab 1.1 dan studi literatur yang dijelaskan pada Bab II subbab 2.13, maka

diperlukan pengembangan model logika fuzzy untuk diagnosis DBD dan demam

tifoid, dengan pendekatan sistem pakar untuk pengembangan sistemnya sehingga

diharapkan dapat menjawab permasalahan yang telah dijelaskan pada subbab 1.2.

4.2 Planning

Dari analisis permasalahan yang telah diketahui pada tahap sebelumnya,

maka dibuatlah perencanaan untuk mengembangkan model logika fuzzy diagnosis

DBD dan demam tifoid serta pengembangan aplikasi dengan pendekatan sistem

pakar untuk aplikasi antarmukanya.

Pemodelan logika fuzzy akan menggunakan software Matlab karena

pertimbangan kemudahan dan keandalan komputasinya. Untuk dapat membangun

pemodelan logika fuzzy diperlukan data-data yang akan menjadi parameter logika

fuzzy. Data-data yang digunakan adalah data gejala klinis penyakit DBD dan

demam tifoid yang memiliki kemiripan dengan ciri khas yang berbeda untuk

masing-masing penyakit.

53

Sistem kerja aplikasi antarmuka mengadopsi cara kerja sistem pakar

karena memang pendekatan yang dilakukan adalah pendekatan sistem pakar.

Aplikasi akan menerima input parameter berupa gejala-gejala klinis dan

selanjutnya aplikasi akan memberikan output berupa hasil diagnosis.

Parameter yang akan digunakan adalah gejala-gejala klinis penyakit DBD

dan demam tifoid diantaranya : demam, nyeri otot dan sendi extrimis atas (tangan

dan lengan) dan extrimis bawah (kaki), manifestasi pendarahan seperti pendarahan

pada hidung dan gusi serta uji tornikuet positif, adanya gangguan pencernaan,

serta pemeriksaan lidah apakah berselaput atau tidak.

Perbandingan gejala antara DBD dan demam tifoid ditampilkan pada tabel

berikut :

Tabel 4.1 Perbandingan gejala DBD dan demam tifoid

No Gejala DBD Demam Tifoid

1. Demam

Muncul mendadak dan

suhu mencapai 40� C,

bertahan tinggi selama

2-3 hari

Muncul bertahap

perlahan hingga rentang

waktu 1 minggu

2. Nyeri otot dan sendi

extrimis atas dan bawah

Sangat mengganggu

pasien dan sering

dikeluhkan

Muncul, namun tidak

terlalu mengganggu

sehingga jarang

dikeluhkan

3. Manifestasi pendarahan

Pendarahan spontan, uji

tornikuet positif bahkan

sampai pada tahap

hematemesis dan

melena

Pendarahan pada hidung

dan gusi sedikit serta uji

tornikuet negative

4. Gangguan pencernaan

Jarang terjadi

konstipasi ataupun

diare

Sering terjadi konstipasi

atau diare

5. Kondisi lidah Warna lidah relatif

normal

Lidah berselaput, kotor di

tenngah dan ujung merah

dan tremor

(sumber : hasil wawancara)

54

4.3 Modelling

4.3.1 Business Modelling

Tujuan dari perancangan aplikasi ini adalah merancang suatu

model logika fuzzy untuk diagnosis penyakit demam berdarah atau demam

tifoid berdasarkan input gejala-gejala klinis tertentu Adapun kebutuhan

sistem adalah data-data gejala klinis penyakit demam berdarah dan demam

tifoid seperti yang telah dijelaskan sebelumnya pada poin 4.2 untuk

pembentukan aturan fuzzy. Sementara untuk diagnosis demam berdarah

dan demam tifoid digunakan pendekatan sistem pakar.

Adapun untuk antarmuka program akan dirancang dengan

menggunakan tools Matlab 7.8.0. karena keunggulannya dalam komputasi

numerik dan visualisasi data. Penjelasan tentang Matlab dijelaskan pada

BAB II subbab 2.12.

4.3.2 Data Modelling

4.3.2.1 Basis Data Fuzzy

Desain struktur data menggunakan himpunan fuzzy yang

dibedakan menjadi kriteria dan parameter. Kriteria yakni gejala

klinis demam berdarah dengue dan demam tifoid yaitu demam,

nyeri otot dan sendi, manifestasi pendarahan, gangguan pencernaan

dan kondisi lidah. Masing-masing kriteria memiliki parameter yang

mencerminkan keanggotaan himpunan fuzzy atau membership

function (mf). Kriteria, parameter dan nilai fungsi keanggotaan

diperoleh berdasarkan hasil wawancara dengan pakar. Untuk

55

masing-masing kriteria terdiri dari 3 parameter dengan atribut nilai

yang sama namun atribut linguistik yang berbeda-beda. Atribut

nilai berkisar antara 0 – 10. Untuk fungsi keanggotaan atribut nilai

rendah (0 – 3,6) digunakan fungsi bentuk Z (zmf), atribut nilai

sedang (1,69 – 5) digunakan fungsi Gaussian (gaussmf) dan atribut

nilai tinggi (6,49 – 9,6) digunakan fungsi bentuk S (smf) .

Demam terdiri dari 3 parameter yaitu mendadak, ragu-ragu

dan bertahap. Penilaian demam didasarkan pada asumsi demam

tinggi (antara 38�C sampai dengan 40�C) dan dibedakan dari sifat

kemunculan demam tersebut. Demam dikatakan mendadak jika

muncul secara tiba-tiba dan langsung meninggi hingga 40�C serta

bertahan untuk waktu 2-3 hari. Demam dikategorikan sebagai ragu-

ragu jika suhu tubuh meningkat bertahap namun tidak bertahan

pada suhu tertentu dalam jangka waktu lama (2-3 hari), misalnya

demam hanya muncul pada sore atau malam hari saja. Demam

dikategorikan bertahap jika kenaikan suhu setiap harinya naik

secara perlahan sampai rentang waktu 1 minggu. Nilai fuzzy

demam disajikan pada tabel berikut :

Tabel 4.2 Nilai fuzzy demam

Demam Nilai skor Pengukuran

Bertahap 0,00 – 3,21 Suhu tubuh naik bertahap 1 minggu

Ragu-ragu 1,69 – 5,00 Demam hilang timbul pagi dan

malam hari

Mendadak 6,49 – 9,60 Muncul tiba-tiba, bertahan tinggi 2-3

hari

56

Fungsi keanggotaan demam adalah sebagai berikut :

Gambar 4.1 Membership function demam

Dari gambar di atas terlihat bahwa derajat keanggotaan

demam bertahap akan maksimal (nilai mf 1) dicapai ketika nilai

demam 0-1 dan minimal (nilai mf 0) dicapai ketika nilai demam ≥

3,21. Derajat keanggotaan demam ragu-ragu maksimal (nilai mf 1)

dicapai ketika nilai demam 5 dan minimal (nilai mf 0) dicapai

ketika nilai demam 0 atau 10. Derajat keanggotaan demam

mendadak maksimal (nilai mf 1) dicapai ketika nilai demam 9,6

dan minimal (nilai mf 0) dicapai ketika nilai demam ≤ 6,49.

Nyeri otot dan sendi terdiri dari 3 parameter, tidak

mengganggu, mengganggu dan sangat mengganggu. Penilaian

nyeri otot dan sendi didasarkan pada keluhan pasien akan nyeri otot

dan sendi pada bagian extrimis atas meliputi lengan dan tangan

serta bagian extrimis bawah meliputi kaki apakah tidak

mengganggu, mengganggu atau sangat mengganggu pasien.

57

Tabel 4.3 Nilai fuzzy nyeri otot dan sendi

Nyeri otot&sendi Nilai skor Pengukuran

Tidak mengganggu 0,00 – 3,60 Tidak ada keluhan

Mengganggu 1,69 – 5,00 Ada keluhan tetapi tidak terlalu

mengganggu

Sangat mengganggu 6,49 – 9,60 Sangat mengganggu dan

dikeluhkan pasien

Fungsi keanggotaan nyeri otot dan sendi adalah sebagai

berikut :

Gambar 4.2 Membership function nyeri otot dan sendi


nyeri otot dan sendi tidak mengganggu akan maksimal (nilai mf 1)

dicapai ketika nilai nyeri otot dan sendi 0-1 dan minimal (nilai mf

0) dicapai ketika nilai nyeri otot dan sendi ≥ 3,6. Derajat

keanggotaan nyeri otot dan sendi mengganggu maksimal (nilai mf

1) dicapai ketika nilai nyeri otot dan sendi 5 dan minimal (nilai mf

0) dicapai ketika nilai nyeri otot dan sendi 0 atau 10. Derajat

keanggotaan nyeri otot dan sendi sangat mengganggu akan

maksimal (nilai mf 1) dicapai ketika nilai nyeri otot dan sendi 9,6

dan minimal (nilai mf 0) dicapai ketika nilai nyeri otot dan sendi ≤

6,49.

58

Manifestasi pendarahan terdiri dari 3 parameter yaitu tidak

jelas, ragu-ragu dan sangat jelas. Penilaian ini berdasarkan hasil

pengamatan pendarahan pada hidung dan gusi, sifat pendarahan

yang spontan atau tidak serta uji tornikuet. Termasuk kategori tidak

jelas jika pendarahan pada hidung dan gusi sedikit serta tidak

spontan. Termasuk kategori ragu-ragu jika pendarahan terjadi

spontan pada hidung, gusi serta kulit ditambah lagi dengan hasil uji

tornikuet positif. Termasuk kategori sangat jelas jika pasien telah

sampai pada tahap hematemesis atau melena.

Tabel 4.4 Nilai fuzzy manifestasi pendarahan

Manifestasi pendarahan Nilai skor Pengukuran

Tidak jelas 0,00 – 3,60 Pendarahan hidung dan gusi

sedikit dan tidak spontan

Jelas 1,69 – 5,00 Pendarahan hidung dan gusi

spontan, uji tornikuet positif

Sangat Jelas 6,49 – 9,60 Hematemesis atau melena

Fungsi keanggotaan manifestasi pendarahan adalah sebagai

berikut :

Gambar 4.3 Membership function manifestasi pendarahan

59


pendarahan tidak jelas akan maksimal (nilai mf 1) dicapai ketika

nilai pendarahan 0-1 dan minimal (nilai mf 0) dicapai ketika nilai

pendarahan ≥ 3,6. Derajat keanggotaan pendarahan jelas akan

maksimal (nilai mf 1) dicapai ketika nilai pendarahan 5 dan

minimal (nilai mf 0) dicapai ketika nilai pendarahan 0 atau 10.

Derajat keanggotaan pendarahan sangat jelas akan maksimal (nilai

mf 1) dicapai ketika nilai pendarahan 9,6 dan minimal (nilai mf 0)

dicapai ketika nilai pendarahan ≤ 6,49.

Kriteria gangguan pencernaan terbagi dalam 3 parameter

yaitu terjadi gangguan pencernaan, ragu-ragu dan tidak terjadi

gangguan pencernaan. Penilaian ini didasarkan pada hasil keluhan

pasien apakah terjadi gangguan pencernaan seperti konstipasi atau

diare (tidak termasuk mual).

Tabel 4.5 Nilai fuzzy gangguan pencernaan

Gangguan

pencernaan

Nilai skor Pengukuran

Terjadi 0,00 – 3,60 Terjadi konstipasi atau diare

dengan frekuensi tinggi

Ragu-ragu 1,69 – 5,00

Terjadi konstipasi atau diare

tapi dengan frekuensi

rendah

Tidak tejadi 6,49 – 9,60 Tidak terjadi konstipasi atau

diare

60

Fungsi keanggotaan gangguan pencernaan adalah sebagai

berikut :

Gambar 4.4 Membership function gangguan pencernaan


gangguan pencernaan terjadi akan maksimal (nilai mf 1) dicapai

ketika nilai gangguan pencernaan 0-1 dan minimal (nilai mf 0)

dicapai ketika nilai gangguan pencernaan ≥ 3,6. Derajat

keanggotaan gangguan pencernaan ragu-ragu akan maksimal (nilai

mf 1) dicapai ketika nilai gangguan pencernaan 5 dan minimal

(nilai mf 0) dicapai ketika nilai gangguan pencernaan 0 atau 10.

Derajat keanggotaan gangguan pencernaan tidak terjadi akan

maksimal (nilai mf 1) dicapai ketika nilai gangguan pencernaan 9,6

dan minimal (nilai mf 0) dicapai ketika nilai gangguan pencernaan

≤ 6,49.

Kriteria kondisi lidah memiliki 3 parameter yaitu lidah

berselaput, ragu-ragu, dan tidak berselaput. Penilaian ini didasarkan

pada hasil pengamatan kondisi lidah pasien. Kategori lidah

61

berselaput jika pada lidah pasien kotor di tengah sementara di tepi

dan ujung berwarna merah dan tremor.

Tabel 4.6 Nilai fuzzy kondisi lidah

Kondisi lidah Nilai skor Pengukuran

Berselaput 0,00 – 3,60 Lidah kotor di tengah, tepi

dan ujung merah

Ragu-ragu 1,69 – 5,00 Tidak terlihat jelas apakah

berselaput atau tidak

Tidak berselaput 6,49 – 9,60 Warna lidah normal

Fungsi keanggotaan gangguan pencernaan adalah sebagai

berikut :

Gambar 4.5 Membership function kondisi lidah


kondisi lidah berselaput akan maksimal (nilai mf 1) dicapai ketika

nilai kondisi lidah 0-1 dan minimal (nilai mf 0) dicapai ketika nilai

kondisi lidah ≥ 3,6. Derajat keanggotaan kondisi lidah ragu-ragu

akan maksimal (nilai mf 1) dicapai ketika nilai kondisi lidah 5 dan

minimal (nilai mf 0) dicapai ketika nilai kondisi lidah 0 atau 10.

Derajat keanggotaan kondisi lidah tidak berselaput akan maksimal

62

(nilai mf 1) dicapai ketika nilai kondisi lidah 9,6 dan minimal (nilai

mf 0) dicapai ketika nilai kondisi lidah ≤ 6,49.

4.3.2.2 Basis Aturan

Pada penghitungan data fuzzy digunakan kaidah IF THEN.

Aturan dibuat berdasarkan pendapat pakar yaitu dokter. Pada

penelitian ini ada 5 kriteria dengan masing-masing 3 parameter

(membership function) sehingga jumlah aturan yang terbentuk yaitu

3� = 243 aturan. Untuk lebih lengkapnya dapat dilihat pada

lampiran A.

4.3.2.3 Perancangan Output

Output dari aplikasi yang merupakan kesimpulan fuzzy

logic diinterpretasikan kedalam 4 kategori yang didapatkan dengan

cara membuat fungsi keanggotaan output data. Atribut linguistik

output adalah demam tifoid, observasi, cek laboratorium dan DBD.

Adapaun atribut nilai fungsi keanggotaan berkisar antara 0 -10.

Fungsi keanggotaan yang digunakan untuk output adalah fungsi

triangular atau segitiga.

Tabel 4.7 Nilai minimal dan maksimal output

Jenis Sampel Data Nilai Minimal Nilai Maksimal

Demam tifoid 0,00 3,99

Observasi 3,00 5,99

Cek laboratorium 5,00 7,99

DBD 7,00 10,00

63

Sedangkan fungsi keanggotaannya sebagai berikut :

Gambar 4.6 Membership function output

Interpretasi kesimpulan logika fuzzy dipresentasikan

sebagai diagnosis DBD atau demam tifoid, cek laboratorium dan

observasi dengan kemungkinan senilai dengan nilai output hasil

defuzzyfikasi sehingga dapat dipertimbangkan untuk penanganan

dini terhadap hasil diagnosis.

Kesimpulan hasil diagnosis demam tifoid (diagnosis0) akan

didapatkan ketika nilai output bernilai 0 - 3,99 dengan interpretasi

sebagai berikut :

Kemungkinan besar penderita terserang penyakit demam

tifoid

Tata Laksana :

1. Berikan segera cairan pengganti seperti oralit

2. Perhatikan tanda vital penderita : nadi, tekanan darah,

respirasi dan temperature

64

Kesimpulan hasil diagnosis observasi (diagnosis1) akan

didapatkan ketika niali output bernilai 3,00 - 5,99 dengan

interpretasi sebagai berikut :

Penderita harus tetap dalam observasi

Tata Lakana :

1. Perhatikan tekanan darah, respirasi dan temperature

2. Perhatikan kadar hematokrit, apabila kadar hematokrit

meningkat lebih dari 20% dari harga normal sebaiknya

penderita dirawat di ruang observasi di pusat rehidrasi

selam kurun waktu 12-24 jam.

3. Periksa darah penderita apakah terdapat Salmonella typhii

atau Salmonella paratyphii

Kesimpulan hasil diagnosis cek laboratorium (diagnosis2)

akan didapatkan ketika nilai output bernilai 5,00 - 7,99 dengan

interpretasi sebagai berikut :

Penderita sebaiknya cek di laboratorium

Tata laksana :

1. Perhatikan nadi, tekanan darah, respirasi dan temperatur

2. Segera periksa penderita ke laboratorium jika tanda vital

menurun dan kadar hematokrit tidak stabil

Kesimpulan hasil diagnosis DBD (diagnosis3) akan

didapatkan ketika nilai output bernilai 7,00 - 10 dengan interpretasi

sebagai berikut :

65

Kemungkinan besar penderita terserang penyakit Demam

Berdarah Dengue (DBD)

Tata Laksana :

1. Bila penderita masih memiliki keinginan makan dan

minum, turunkan panas tinggi yang mendadak dengan

paracetamol 10-15 mgBB setiap 3-4 jam diulangi jika

symptom panas masih nyata di atas ��, �

2. Jika panas memasuki hari 3,4 dan 5 penderita sebaiknya

dirawat inap dan dianjurkan banyak minum air buah atau

oralit

3. Segera periksa ke lab jika tanda vital menurun

4.3.3 Process Modelling

Perancangan proses akan digambarkan melalui flowchart dan STD.

Adapun flowchart proses yang akan dirancang yaitu :

66

a. Flowchart

Gambar 4.7 Flowchart proses keseluruhan

b. State Transition Diagrams (STD)

1). STD Menu Utama

Gambar 4.8 STD Menu Utama

Keluar Klik

Profil Klik

Tentang Klik

Petunjuk Klik

Masuk Klik

Menu

Utama

Masuk

Keluar

Tentang DBD&Tifoid

Petunjuk Pemakaian

Profil

67

2) STD Masuk

Gambar 4.9 STD Masuk

3) STD Petunjuk Pemakaian

Gambar 4.10 STD Petunjuk Pemakaian

4) STD Tentang DBD dan Tifoid

Gambar 4.11 STD Tentang DBD dan Tifoid

Klik Menu

Utama

Klik Ke

Gejala 3

Klik

Diagnosi

s

Klik Ulangi Input Gejala

Klik Ke

Gejala 2

Klik Masuk

Menu Utama

Gejala 1 Gejala 2

Klik Ke

Gejala 4 Gejala 3 Gejala 4

Klik Ke

Gejala 5

Gejala 5

Diagnosis

Klik Hasil

Diagnosis

Hasil Diagnosis

Klik Keluar

Keluar

Klik Menu

Utama

Klik Petunjuk

Menu Utama

Petunjuk

Pemakaian

Klik Menu

Utama

KlikTentang

Menu Utama

Tentang DBD

& Tifoid

68

5) STD Profil

Gambar 4.12 STD Profil

4.3.4 Arsitektur

Gambar berikut menjelaskan perancangan arsitektur program

logika fuzzy diagnosis DBD dan demam tifoid :

Gambar 4.13 Arsitektur logika fuzzy diagnosis

4.3.5 Simulasi Manual

Menjalankan simulasi sistem dengan menggunakan sebuah contoh

kasus dengan mengambil satu nilai contoh yaitu nilai demam 8, nilai nyeri

otot dan sendi 6, nilai pendarahan 6, nilai gangguan pencernaan 7 dan nilai

kondisi lidah 8.

1. Fuzzyfikasi

Langkah pertama adalah mengkonversi semua nilai skor kedalam nilai

fuzzy. Setiap variabel input menggunakan 3 jenis kurva, bentuk Z,

Gaussian, dan bentuk S (lihat bab IV, subbab 4.3.2.1 )

Klik Menu

Utama

Klik Profil

Menu Utama

Profil

69

a. Variabel demam = 8

Fungsi keanggotaannya :

µO Bertahap [a] = � 1; � � 1 ��,��,�� ; 1 � � � 3,21 0; � � 3,21�

µO Ragu [a] = �0; � � 0 �� 10 �� ; 0 � � � 5�� ; 5 � � � 10 �

µO Mendadak [a] = � 0; � � 6,49 ��",#$�$,"��".#$ ; 6,49 � � � 9,601; � � 9,60� Skor demam 8 berada pada himpunan fuzzy Ragu dan Mendadak.

Derajat keanggotaan untuk himpunan fuzzy Ragu dihitung dengan

menggunakan rumus µO Ragu [a] = (10-a)/(10-5) sehingga derajat

keanggotaan untuk Ragu adalah (10-8)/(10-5)= 0,4. Derajat keanggotaan

untuk himpunan fuzzy Mendadak dihitung dengan menggunakan rumus

(a-6,49)/(9,60-6,49) sehingga derajat keanggotaan Mendadak adalah (8-

6,49)/(9,60-6,49) = 0,4855305466 (nilai dibulatkan dengan 10 angka di

belakang koma).

b. Variabel nyeri otot dan sendi = 6


µO Tidak Mengganggu [b] = � 1; � � 1 ��,"��,"�� ; 1 � � � 3,60 0; � � 3,60�

70

µO Mengganggu [b] = �0; � � 0 �� 10 �� ; 0 � � � 5�� ; 5 � � � 10 �

µO Sangat Mengganggu [b] = � 0; � � 6,49 ��",#$�$,"��".#$ ; 6,49 � � � 9,601; � � 9,60� Skor nyeri otot dan sendi 6 berada pada himpunan fuzzy Mengganggu.

Derajat keanggotaan untuk himpunan fuzzy Mengganggu dihitung dengan

menggunakan rumus (10-a)/(10-5) sehingga derajat keanggotaan

Mengganggu adalah (10-6)/(10-5) = 0,8.

c. Variabel manifestasi pendarahan = 6


µO Tidak Jelas [c] = � 1; � � 1 ��,"��,"�� ; 1 � � � 3,60 0; � � 3,60�

µO Jelas [c] = �0; � � 0 �� 10 �� ; 0 � � � 5�� ; 5 � � � 10 �

µO Sangat Jelas [c] = � 0; � � 6,49 ��",#$�$,"��".#$ ; 6,49 � � � 9,601; � � 3,21� Skor manifestasi pendarahan 6 berada pada himpunan fuzzy Jelas.

Derajat keanggotaan Jelas dihitung dengan menggunakan rumus (10-

a)/(10-5) sehingga derajat keanggotaan Jelas adalah (10-6)/910-5) = 0,8.

d. Variabel gangguan pencernaan = 7


71

µO Terjadi [d] = � 1; � � 1 ��,"��,"�� ; 1 � � � 3,60 0; � � 3,60�

µO Ragu [d] = �0; � � 0 �� 10 �� ; 0 � � � 5�� ; 5 � � � 10 �

µO Tidak Terjadi [d] = � 0; � � 6,49 ��",#$�$,"��".#$ ; 6,49 � � � 9,601; � � 3,21� Skor gangguan pencernaan 7 berada pada himpunan fuzzy Ragu dan

Tidak Terjadi. Derajat keanggotaan Ragu dihitung dengan rumus (10-

a)/(10-5) sehingga derajat keanggotaan Ragu adalah (10-7)/(10-5) = 0,6.

Derajat keanggotaan Tidak Terjadi dihitung dengan menggunakan rumus

(a-6,49)/(9,60-6,49) sehingga derajat keanggotaan Tidak Terjadi adalah (7-

6,49)/(9,60-6,49) = 0,1639871382.

e. Variabel kondisi lidah = 8


µO Berselaput [e] = � 1; � � 1 ��,"��,"�� ; 1 � � � 3,60 0; � � 3,60�

µO Ragu [e] = �0; � � 0 �� 10 �� ; 0 � � � 5�� ; 5 � � � 10 �

µO Tidak Berselaput [e] = � 0; � � 6,49 ��",#$�$,"��".#$ ; 6,49 � � � 9,601; � � 3,21�

72

Skor gangguan pencernaan 8 berada pada himpunan fuzzy Ragu dan

Tidak Berselaput. Derajat keanggotaan Ragu dihitung dengan rumus (10-

a)/(10-5) sehingga derajat keanggotaan Ragu adalah (10-8)/(10-5) = 0,4.

Derajat keanggotaan Tidak Berselaput dihitung dengan menggunakan

rumus (a-6,49)/(9,60-6,49) sehingga derajat keanggotaan Tidak Terjadi

adalah (8-6,49)/(9,60-6,49) = 0,4855305466.

2. Inferensi

Pada tahap ini dilakukan proses inferensi dengan metode Mamdani.

Dari 8 data fuzzy input tersebut, Demam = Ragu (0,4) dan Demam =

Mendadak (0,4855305466), nyeri otot dan sendi = Mengganggu (0,8),

manifestasi pendarahan =Jelas (0,8), gangguan pencernaan = Ragu (0,6)

dan gangguan pencernaan = Tidak Terjadi (0,1639871382), kondisi lidah =

Ragu (0,4) dan kondisi lidah = Tidak Berselaput (0,4855305466), berarti

ada 8 aturan fuzzy yang dapat diaplikasikan, yaitu :

122 IF demam ragu-ragu AND nyeri otot&sendi mengganggu AND pendarahan jelas

AND gangguan_pencernaan ragu_ragu AND lidah ragu-ragu THEN

Diagnosis=((0,5*D)+(0,5*NOS)+(0,5*P)+(0,5*GC)+(0,5*L)+2)/5


AND gangguan_pencernaan ragu_ragu AND lidah tidak_berselaput THEN



AND gangguan_pencernaan tidak_terjadi AND lidah ragu-ragu THEN



AND gangguan_pencernaan tidak_terjadi AND lidah tidak_berselaput THEN


203 IF demam mendadak AND nyeri otot&sendi mengganggu AND pendarahan jelas

AND gangguan_pencernaan ragu_ragu AND lidah ragu-ragu THEN


73

204 IF demam mendadak AND nyeri otot&sendi mengganggu AND pendarahan jelas

AND gangguan_pencernaan ragu_ragu AND lidah tidak_berselaput THEN


207 IF demam mendadak AND nyeri otot&sendi mengganggu AND pendarahan sjelas

AND gangguan_pencernaan tidak_terjadi AND lidah tidak_berselaput THEN


208 IF demam mendadak AND nyeri otot&sendi mengganggu AND pendarahan

sangat_jelas AND gangguan_pencernaan terjadi AND lidah berselaput THEN


Proses inferensi yang terjadi adalah :

&� = min (0,4 and 0,8 and 0,8 and 0,6 and 0,4)

= 0,4

&� = min (0,4 and 0,8 and 0,8 and 0,6 and 0,4855305466) = 0,4


= 0,1639871382

&# = min (0,4 and 0,8 and 0,8 and 0,1639871382 and 0,4855305466)

= 0,1639871382


= 0,4

&" = min (0,4855305466 and 0,8 and 0,8 and 0,6 and 0,4855305466)

= 0,4855305466

&' = min (0,4855305466 and 0,8 and 0,8 and 0,1639871382 and 0,4)

= 0,1639871382

&( = min (0,4855305466 and 0,8 and 0,8 and 0,1639871382 and

0,4855305466)

74

= 0,163987138

)� = ((0,5*8 + 0,5*6 + 0,5*6 + 0,5*7 + 0,5* 8)+2)/5 = 3,9

)� = ((0,5*8 + 0,5*6 + 0,5*6 + 0,5*7 + 0,75*8)+2)/5 = 4,3

)� = ((0,5*8 + 0,5*6 + 0,5*6 + 0,75*7 + 0,5*8)+2)/5 = 4,25

)# = ((0,5*8 + 0,5*6 + 0,5*6 + 0,75*7 + 0,75*8)+2)/5 = 4,65

)� = ((0,75*8 + 0,5*6 + 0,5*6 + 0,5*7 + 0,5*8)+2)/5 = 4,3

)" = ((0,75*8 + 0,5*6 + 0,5*6 + 0,5*7 + 0,75*8)+2)/5 = 4,7

)' = ((0,75*8 + 0,5*6 + 0,5*6 + 0,75*7 + 0,5*8)+2)/5 = 4,65

)( = ((0,75*8 + 0,5*6 + 0,5*6 + 0,75*7 + 0,75*8)+2)/5 = 5,05

3. Defuzzyfikasi

Pada tahap ini penulis menggunakan model rata-rata terbbot untuk

proses defuzzyfikasi sehingga :

Z=∑ +,-,.,/0∑ +,.,/0

Z= �0,4 1 3,9� 2 �0,4 1 4,3� 2 �0,1639871382 1 4,25� 2 �0,1639871382 1 4,65� 2 �0,4 1 4,3� 2 �0,4855305466 1 4,7� 2 �0,1639871382 1 4.65� 2 �0,1639871382 1 5,05�0,4 2 0,4 2 0,1639871382 2 0,1639871382 2 0,4 2 0,4855305466 2 0,1639871382 2 0,1639871382

= �,�"4�,'�4�,"$"$#��'��4 �,'"��#��$�"�4�,'�4�,�(�$$��"$��4�,'"��#��$�"�4�,(�(��#'$��,�#�#'$�$$#

=��,��#��$�#�,�#�#'$�$$# = 4,4126613567

Jadi nilai output untuk input di atas adalah 4,4126613567. Nilai ini

terdapat pada himpunan fuzzy output observasi dengan derajat keanggotaan

0.9 (lihat gambar 4.6 ).

4.3.6 Perancangan Antarmuka Pengguna (User Interface)

75

Berikut ini perancangan tampilan antar muka pengguna untuk

aplikasi ini :

1. Halaman Menu Utama

2. Halaman input gejala 1





7. Halaman Diagnosis

8. Halaman Hasil Diagnosis

9. Halaman Petunjuk Pemakaian

10. Halaman Tentang Program

11. Halaman Profil Penulis

Tampilan halaman selengkapnya dapat dilihat pada lampiran C.

4.4 Construction

4.4.1 Instalasi Program Matlab

Sebelum berlanjut ke tahap penulisan program, terlebih dahulu

dilakukan penginstalan program Matlab. Penjelasan lebih lanjut mengenai

penginstalan program matlab dapat dilihat pada lampiran D.

4.4.2 Penulisan Program

Pada tahap ini, penulis menerjemahkan flowchart sistem kedalam

kode-kode program. Penulisan kode program yang akan digunakan yaitu

76

dengan menggunakan Matlab 7.8.0. Kode program lengkap dapat dilihat

pada lampiran E.

4.4.3 Pengujian Program

Pada tahap ini dilakukan pengujian pada program yang telah

ditulis. Pengujian dilakukan dengan pendekatan black box dengan metode

unit test dan integration test untuk melihat apakah program telah berjalan

dengan baik dan menghasilkan output bersesuaian dengan input yang

dimasukkan.

4.4.3.1 Unit Test

Pada test unit dilakukan pengujian untuk setiap modul

aplikasi mulai dari masuk ke aplikasi sampai keluar dari aplikasi.

Berikut ini merupakan hasil pengujian dengan pendekatan black

box :

Tabel 4.8 Hasil pengujian unit

No Modul Prasyarat Hasil yang

diharapkan

Error

Handling

Hasil

Pengujian

1. Masuk - Masuk ke jendela

Gejala 1 - OK

2. Gejala 1 Menu Masuk

Memasukan data fungsi

keanggotaan gejala

demam

Menampilkan

jendela

peringatan

OK

3. Gejala 2 Gejala 1


keanggotaan gejala

nyeri otot dan sendi

Menampilkan

jendela

peringatan

OK

4. Gejala 3 Gejala 2 Memasukan data fungsi

keanggotaan gejala

Menampilkan

jendela OK

77

manifestasi pendarahan peringatan



keanggotaan gejala

gangguan pencernaan

Menampilkan

jendela

peringatan

OK



keanggotaan gejala

kondisi lidah

Menampilkan

jendela

peringatan

OK

7. Diagnosis Gejala 5

Menampilkan hasil

input seluruh gejala - OK

8. Hasil

diagnosis Diagnosis

Menampilkan hasil

diagnosis sesuai input - OK

9. Petunjuk

Pemakaian -

Menampilkan halaman

Petunjuk Pemakaian - OK

10. Tentang

Program -

Menampilkan halaman

Tentang Program - OK

11. Profil - Menampilkan halaman

Profil - OK

12. Keluar - Keluar dari program - OK

4.4.3.2 Integration test

Pada integration test dilakukan pengujian terhadap keseluruhan

program.

a. Input gejala 1

Pada jendela input gejala 1 yaitu demam diisi dengan nilai 8, yang

berarti penderita mengalami demam mendadak.

78

b. Input gejala 2

Pada jendela input gejala 2 yaitu nyeri otot dan sendi diisi dengan nilai

8, yang berarti penderita mengalami nyeri otot dan sendi yang sangat

mengganggu.

c. input gejala 3

Pada jendela input gejala 3 yaitu manifestasi pendarahan diisi dengan

nilai 7, yang berarti penderita tidak begitu jelas terjadi pendarahan.

79

d. input gejala 4

Pada jendela input gejala 4 yaitu gangguan pencernaan diisi dengan

nilai 8, yang berarti penderita tidak mengalami gangguan pencernaan.

e. input gejala 5

Pada jendela input gejala 5 yaitu kondisi lidah diisi dengan nilai 8,

yang berarti kondisi lidah penderita tidak berselaput.

80

f. jendela diagnosis

Untuk mengetahui nilai input gejala yang kita masukan kita klik

button ‘Input gejala yang Anda masukan’, maka akan tampil nilai-nilai

yang kita masukan pada gejala 1 sampai dengan gejala 5. Setelah yakin

dengan nilai input yang kita masukan kemudian klik button ‘Diagnosis’

untuk menampilkan jendela hasil diagnosis

g. hasil diagnosis

Berdasarkan nilai input yang kita masukkan maka sistem akan

memberikan keluaran yaitu diagnosis3.

81

4.4.3.3 Pengujian dengan berbagai variasi input

Pengujian dilakukan dengan memasukan berbagai jenis

variasi input yaitu kombinasi dari nilai rendah (1), sedang (5) dan

tinggi (10) untuk masing-masing kriteria gejala.

Tabel 4.9 Hasil pengujian dengan berbagai input

No

Input Output

Demam Nyeri Otot &

Sendi Pendarahan

Gangguan

Cerna

Kondisi

Lidah Pakar Model

1. 1 1 1 1 1 Tifoid Tifoid


3. 1 1 1 1 10 Cek lab Cek lab


5. 1 1 1 5 5 Observasi Observasi













82

18. 1 1 5 10 10 Cek lab Cek lab



21. 1 1 10 1 10 Cek lab Cek lab



24. 1 1 10 5 10 Cek lab Cek lab


26. 1 1 10 10 5 Cek lab Cek lab

27. 1 1 10 10 10 Cek lab Cek lab


















45. 1 5 5 10 10 Cek lab Cek lab






51. 1 5 10 5 10 Cek lab Cek lab


53. 1 5 10 10 5 Cek lab Cek lab

54. 1 5 10 10 10 Cek lab Cek lab



83

57. 1 10 1 1 10 Cek lab Cek lab



60. 1 10 1 5 10 Cek lab Cek lab


62. 1 10 1 10 5 Cek lab Cek lab







69. 1 10 5 5 10 Cek lab Cek lab


71. 1 10 5 10 5 Cek lab Cek lab

72. 1 10 5 10 10 Cek lab Cek lab


74 1 10 10 1 5 Tifoid Tifoid



90. 1 10 10 5 5 Cek lab Cek lab

78. 1 10 10 5 10 Cek lab Cek lab

79. 1 10 10 10 1 Cek lab Cek lab

80. 1 10 10 10 5 Cek lab Cek lab

81. 1 10 10 10 10 Cek lab Cek lab








89. 5 1 1 10 5 Observasi Cek lab





94 5 1 5 5 1 Cek lab Cek lab



84



99. 5 1 5 10 10 Cek lab Cek lab

100. 5 1 10 1 1 Cek lab Cek lab

101. 5 1 10 1 5 Cek lab Cek lab

102. 5 1 10 1 10 Cek lab Cek lab

103. 5 1 10 5 1 Cek lab Cek lab

104. 5 1 10 5 5 Cek lab Cek lab

105. 5 1 10 5 10 Cek lab Cek lab

106. 5 1 10 10 1 Cek lab Cek lab

107. 5 1 10 10 5 Cek lab Cek lab

108. 5 1 10 10 10 Cek lab Cek lab












120. 5 5 5 1 10 Cek lab Cek lab



123. 5 5 5 5 10 Cek lab Cek lab

124. 5 5 5 10 1 Cek lab Cek lab

125. 5 5 5 10 5 Cek lab Cek lab

126. 5 5 5 10 10 Cek lab Cek lab

127. 5 5 10 1 1 Cek lab Cek lab

128. 5 5 10 1 5 Cek lab Cek lab

129. 5 5 10 1 10 Cek lab Cek lab

130. 5 5 10 5 1 Cek lab Cek lab

131. 5 5 10 5 5 Cek lab Cek lab

132. 5 5 10 5 10 Cek lab Cek lab

133. 5 5 10 10 1 Cek lab Cek lab

134. 5 5 10 10 5 Cek lab Cek lab

135. 5 5 10 10 10 Cek lab Cek lab


85









145. 5 10 5 1 1 Cek lab Cek lab

146. 5 10 5 1 5 Cek lab Cek lab

147. 5 10 5 1 10 Cek lab Cek lab

148. 5 10 5 5 1 Cek lab Cek lab

149. 5 10 5 5 5 Cek lab Cek lab

150. 5 10 5 5 10 Cek lab Cek lab

151. 5 10 5 10 1 Cek lab Cek lab

152. 5 10 5 10 5 Cek lab Cek lab

153. 5 10 5 10 10 Cek lab Cek lab

154. 5 10 10 1 1 Cek lab Cek lab

155. 5 10 10 1 5 Cek lab Cek lab

156. 5 10 10 1 10 Cek lab Cek lab

157. 5 10 10 5 1 Cek lab Cek lab

158. 5 10 10 5 5 Cek lab Cek lab

159. 5 10 10 5 10 Cek lab Cek lab

160. 5 10 10 10 1 Cek lab Cek lab

161. 5 10 10 10 5 Cek lab Cek lab

162. 5 10 10 10 10 Cek lab Cek lab

163. 10 1 1 1 1 Cek lab Cek lab

164. 10 1 1 1 5 Cek lab Cek lab

165. 10 1 1 1 10 Cek lab Cek lab







172. 10 1 5 1 1 DBD DBD

173. 10 1 5 1 5 DBD DBD

174. 10 1 5 1 10 DBD DBD

175. 10 1 5 5 1 DBD DBD

176. 10 1 5 5 5 DBD DBD

86

177. 10 1 5 5 10 DBD DBD

178. 10 1 5 10 1 DBD DBD

179. 10 1 5 10 5 DBD DBD

180. 10 1 5 10 10 DBD DBD

181. 10 1 10 1 1 DBD DBD

182. 10 1 10 1 5 DBD DBD

183. 10 1 10 1 10 DBD DBD

184. 10 1 10 5 1 DBD DBD

185. 10 1 10 5 5 DBD DBD

186. 10 1 10 5 10 DBD DBD

187. 10 1 10 10 1 DBD DBD

188. 10 1 10 10 5 DBD DBD

189. 10 1 10 10 10 DBD DBD

190. 10 5 1 1 1 Cek lab Cek lab

191. 10 5 1 1 5 Cek lab Cek lab

192. 10 5 1 1 10 Cek lab Cek lab

193. 10 5 1 5 1 Cek lab Cek lab

194. 10 5 1 5 5 Cek lab Cek lab

195. 10 5 1 5 10 Cek lab Cek lab

196. 10 5 1 10 1 Cek lab Cek lab

197. 10 5 1 10 5 Cek lab Cek lab

198. 10 5 1 10 10 Cek lab Cek lab

199. 10 5 5 1 1 DBD DBD

200. 10 5 5 1 5 DBD DBD

201. 10 5 5 1 10 DBD DBD

202. 10 5 5 5 1 DBD DBD

203. 10 5 5 5 5 DBD DBD

204. 10 5 5 5 10 DBD DBD

205. 10 5 5 10 1 DBD DBD

206. 10 5 5 10 5 DBD DBD

207. 10 5 5 10 10 DBD DBD

208. 10 5 10 1 1 DBD DBD

209. 10 5 10 1 5 DBD DBD

210. 10 5 10 1 10 DBD DBD

211. 10 5 10 5 1 DBD DBD

212. 10 5 10 5 5 DBD DBD

213. 10 5 10 5 10 DBD DBD

214. 10 5 10 10 1 DBD DBD

215. 10 5 10 10 5 DBD DBD

216. 10 5 10 10 10 DBD DBD

87

217. 10 10 1 1 1 Cek lab Cek lab

218. 10 10 1 1 5 Cek lab Cek lab

219. 10 10 1 1 10 Cek lab Cek lab

220. 10 10 1 5 1 Cek lab Cek lab

221. 10 10 1 5 5 Cek lab Cek lab

222. 10 10 1 5 10 Cek lab Cek lab

223. 10 10 1 10 1 Cek lab Cek lab

224. 10 10 1 10 5 Cek lab Cek lab

225. 10 10 1 10 10 Cek lab Cek lab

226. 10 10 5 1 1 DBD DBD

227. 10 10 5 1 5 DBD DBD

228. 10 10 5 1 10 DBD DBD

229. 10 10 5 5 1 DBD DBD

230. 10 10 5 5 5 DBD DBD

231. 10 10 5 5 10 DBD DBD

232. 10 10 5 10 1 DBD DBD

233. 10 10 5 10 5 DBD DBD

234. 10 10 5 10 10 DBD DBD

235. 10 10 10 1 1 DBD DBD

236. 10 10 10 1 5 DBD DBD

237. 10 10 10 1 10 DBD DBD

238. 10 10 10 5 1 DBD DBD

239. 10 10 10 5 5 DBD DBD

240. 10 10 10 5 10 DBD DBD

241. 10 10 10 10 1 DBD DBD

242. 10 10 10 10 5 DBD DBD

243. 10 10 10 10 10 DBD DBD

Dari hasil unit test, integration test, dan pengujian dengan berbagai

variasi input terlihat bahwa program telah berhasil berjalan sesuai dengan

perancangan.

88

BAB V

PENUTUP

Bab ini berisi kesimpulan untuk menjawab permasalahan serta saran untuk

pengembangan selanjutnya.

5.1 Kesimpulan

Kesimpulan dari hasil penelitian yang dilakukan yaitu :

1. Penerapan logika fuzzy tepat digunakan untuk memetakan hubungan

input dan output yang kompleks seperti gejala penyakit DBD dan

demam tifoid.

2. Sistem dengan menggunakan pendekatan sistem pakar dapat

memberikan hasil diagnosis dan tatalaksana DBD dan demam tifoid

yang dapat menjadi pertimbangan user dalam melakukan penanganan

dini yang tepat terhadap penderita sehingga meminimalisir terjadinya

komplikasi.

5.2 Saran

Untuk pengembangan selanjutnya, penulis memberikan saran :

1. Menambahkan jumlah parameter input gejala sehingga akan

didapatkan hasil yang lebih akurat.

2. Merancang input interface berupa variabel lingustik bukan variabel

numerik.

3. Melakukan pengujian dengan berbagai variasi jumlah fungsi

keanggotaan input, jenis fungsi keanggotaan dan metode inferensi

89

yang lainnya sehingga akan terlihat mana hasil terbaik dari pengujian

tersebut.

4. Menjadikan sistem berbasis web sehingga tampilannya lebih interaktif

dan dapat berbagi pakai.

5. Mengembangkan aplikasi sampai pada tahap deployment sehingga

dapat digunakan di Rumah Bersalin Gratis Rumah Zakat, Jakarta

Timur.

90

DAFTAR PUSTAKA

Anonim. 2008. Waspada Demam Berdarah Dengue. [Online] Tersedia:

http://www.arthagrahapeduli.org/index.php?option=com_content&view=article&id=

572%3Awaspada-demam-berdarah-dengue&catid=36%

3Akesehatan&Itemid=66&lang=in [16 Juli 2010 14.00]

Anonim. 2009. Penyakit Demam Berdarah Dengue (DBD)-Pengertian, Penyebab dan Gejala

DBD. [Online] Tersedia: http://organisasi.org/penyakit-demam-berdarah-dengue-

dbd-pengertian-penyabab-gejala-dbd [16 Juli 2010 14.00]

Challoner, Jack. 2003. Kecerdasan Artifisial, Panduan Bagi Pemula ke Robotika dan Akal

Buatan Manusia. Jakarta : Erlangga

Departemen Kesehatan Republik Indonesia Direktorat Jenderal Pemberantasan Penyakit Menular

dan Penyehatan Lingkungan. 2004. Tata Laksana Demam Berdarah Dengue di

Indonesia. Edisi ketiga. Penyunting Sri Rezeki dkk. Jakarta : Departemen Kesehatan

Direktorat Hukum dan Informasi. Dasar-Dasar Pemrograman. [Online] Tersedia:

http://www.djkn.depkeu.go.id/download/modul/Dasar-Dasar_Pemrograman.pdf [12

Oktober 2009 11.30]

Fitriyanti. 2010. Diagnosis Penyakit TBC Paru dan Asma Bronkial Menggunakan Metode

Jaringan Syaraf Tiruan Backpropagation. Program Studi Teknik Informatika UIN

Syarif Hidayatullah. Skripsi Tidak Diterbitkan

Hartanto,Thomas Wahyu Dwi & Y.Wahyu Agung Prasetyo. 2003. Analisis dan Desain Sistem

Kontrol dengan Matlab. Yogyakarta : ANDI

Harvey,A. McGehee, dkk. 1991. Diagnosis Banding (Berorientasi pada Kasus Klinik ). Jakarta :

Binarupa Aksara

Kendall, Kenneth E. dan Julie E. Kendall. 2006. Analisis dan Perancangan Sistem Edisi Bahasa

Indonesia.Ed.5 Jilid 1. Jakarta : INDEKS

Kusumadewi, Sri. 2003. Artificial Intelligence, Teknik dan Aplikasinya. Yogyakarta : Graha Ilmu

Naba, Agus. 2009. Belajar Cepat Fuzzy Logic Menggunakan MATLAB. Yogyakarta : ANDI

Novriani, Harli. 2002. Respon Imun dan Derajat Kesakitan Demam Berdarah Dengue dan

Dengue Shock Sydrome. Cermin Dunia Kedokteran (134), 46-47 [Online] Tersedia:

http://www.kalbe.co.id/files/cdk/files/15_ResponImundanDerajatKesakitan.pdf/15_R

91

esponImundanDerajatKesakitan.html [16 juli 2010 13.00]

Nugroho, Adi. 2005. Analisis dan Perancangan Sistem Informasi dengan Metodologi

Berorientasi Objek. Bandung : Informatika

Pressman, Roger S. 2005. Software Engineering, A Practitiner Approach. Sixth Edition. New

York : McGraw Hill

Proboyekti,Umi. Software Process Model I. [Online] Tersedia:

http://lecturer.ukdw.ac.id/othie/softwareprocess.pdf [13 Oktober 2009 08.30]

Pusat Informasi dan Penerbitan Bagian Ilmu Penyakit Dalam FK UI. 2000. Demam Tifoid:Peran

Mediator, Diagnosis dan Terapi.Penyunting H.Iskandar Zulkarnain

Siang, Jong Jek. 2009. Jaringan Syaraf Tiruan & Pemrogramannya Menggunakan MATLAB.

Yogyakarta : Andi

Soegijanto, Soegeng. Kumpulan Makalah Penyakit Tropis dan Infeksi di Indonesia Jilid 1. 2004.

Surabaya : Airlangga University Press

Tim Media Center.2002.Kamus Ilmiah Populer. Jakarta:Media Center

Turban, Efraim. 1994. Decision Support and Expert Systems Management Support Systems.ed.4.

New York : Prentice-Hall

http://www.mathworks.com/

http://www.pdpersi.co.id/

http://pusatbahasa.diknas.go.id/

http://kamusbahasaindonesia.org/

http://www.kamus-medis.co.cc/

http://digilib.its.ac.id/

PENE

UNTUK DIA

PENYAKIT DEMAM BE

S

PROGRAM ST

FAKULTA

UNIVE

SYA

NERAPAN FUZZY LOGIC

IAGNOSIS DAN TATA LAKSANA

ERDARAH DENGUE DAN DEMAM TIFO

SITI PRATININGSIH

STUDI TEKNIK INFORMATIKA

AS SAINS DAN TEKNOLOGI

ERSITAS ISLAM NEGERI

ARIF HDAYATULLAH

JAKARTA

2010 M/1431 H

OID

ii

PENERAPAN FUZZY LOGIC

UNTUK DIAGNOSIS DAN TATA LAKSANA

PENYAKIT DEMAM BERDARAH DENGUE DAN DEMAM TIFOID

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

Pada Fakultas Sains dan Teknologi

Universitas Islam Negeri Syarif Hidayatullah Jakarta

Oleh :

SITI PRATININGSIH

NIM.105091002889

PROGRAM STUDI TEKNIK INFORMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI

SYARIF HDAYATULLAH

JAKARTA

2010 M/1431 H

iii

PENERAPAN FUZZY LOGIC

UNTUK DIAGNOSIS DAN TATA LAKSANA

PENYAKIT DEMAM BERDARAH DENGUE DAN DEMAM TIFOID

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer

Pada Fakultas Sains dan Teknologi

Universitas Islam Negeri Syarif Hidayatullah Jakarta

Oleh :

Siti Pratiningsih

NIM.105091002889

Menyetujui,

Pembimbing I Pembimbing II

Victor Amrizal, M.Kom

NIP.150 411 288

Khodijah Huliyah, M.Si

NIP.19730402 200112 2 001

Mengetahui,

Ketua Program Studi Teknik Informatika

Yusuf Durachman, M.Sc, MIT

NIP.19710522 200604 1 002

iv

PENGESAHAN UJIAN

Skripsi yang berjudul “Penerapan Fuzzy Logic Untuk Diagnosis dan Tata

Laksana Penyakit Demam Berdarah Dengue dan Demam Tifoid” telah diuji

dan dinyatakan lulus dalam sidang munaqosyah Fakultas Sains dan Teknologi

UIN Syarif Hidayatullah Jakarta pada hari Rabu, 8 Desember 2010. Skripsi ini

telah diterima sebagai salah satu syarat untuk memperoleh gelar sarjana strata 1

(S1) pada program studi Teknik Informatika.

Jakarta, 8 Desember 2010

Menyetujui,

Penguji I, Penguji II,

Fitri Mintarsih, M.Kom

NIP.19721223 200710 2 004

Imam M. Shofi, MT

NIP.19720205 200801 1 001

Pembimbing I, Pembimbing II,

Victor Amrizal, M.Kom

NIP.150 411 288

Khodijah Huliyah, M.Si

NIP.19730402 200112 2 001

Dekan Fakultas Sains dan Teknologi Ketua Program Studi Teknik Informatika

Dr. Syopiansyah Jaya Putra, M.Sis

NIP.19680117 200112 1 001

Yusuf Durachman, M.Sc, MIT

NIP.19710522 200604 1 002

v

PERNYATAAN

DENGAN INI SAYA MENYATAKAN BAHWA SKRIPSI INI BENAR-

BENAR HASIL KARYA SENDIRI DAN BELUM PERNAH DIAJUKAN

SEBAGAI SKRIPSI ATAU KARYA ILMIAH PADA PERGURUAN

TINGGI ATAU LEMBAGA MANAPUN.

Jakarta, Desember 2010

Siti Pratiningsih

105091002889

vi

ABSTRAK

Siti Pratiningsih. Penerapan Fuzzy Logic untuk Diagnosis dan Tata Laksana

Penyakit Demam Berdarah Dengue dan Demam Tifoid (di bawah bimbingan Bpk.

Victor Amrizal, M.Kom dan Ibu Khodijah Hulliyah, M.Si).

Penyakit demam berdarah dengue (DBD) merupakan penyakit endemik di

Indonesia yang apabila disertai komplikasi dapat menyebabkan kematian. Salah

satu diagnosis banding DBD adalah demam tifoid yang juga masih menjadi

permasalahan serius di Indonesia. DBD dan demam tifoid memiliki manifestasi

gejala klinik yang mirip terutama demam, hal ini mengakibatkan seringnya

kesalahan diagnosis dini antara DBD dan demam tifoid. Diagnosis dini DBD dan

demam tifoid yang tepat akan sangat bermanfaat karena dapat menghindari

terjadinya komplikasi. Untuk memetakan kemiripan gejala klinis DBD dan

demam tifoid maka dapat digunakan logika fuzzy. Skripsi ini bertujuan untuk

membangun model logika fuzzy dengan pendekatan sistem pakar untuk diagnosis

klinis DBD dan demam tifoid. Metode pengembangan sistem yang digunakan

adalah RAD dengan Matlab sebagai toolsnya. Hasil pengujian menunjukkan

bahwa sistem dapat menjalankan fungsinya dalam mendiagnosis DBD dan

demam tifoid. Penambahan jumlah parameter serta pengujian dengan

menggunakan berbagai variasi fungsi keanggotaan fuzzy dan berbagai tipenya

serta metode inferensi yang lain dapat dilakukan untuk pengembangan

selanjutnya.

Kata kunci : fuzzy logic, diagnosis, DBD, demam tifoid, RAD

vii

KATA PENGANTAR

Alhamdulillahirrabbil’alamin, segala puji hanya bagi Allah atas segala

nikmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi ini.

Shalawat serta salam semoga senantiasa tercurah kepada qudwah hasanah seluruh

insan di dunia, Nabi Muhammad SAW, juga kepada keluarga, sahabat, dan

generasi penerus perjuangannya.

Skripsi yang berjudul Penerapan Logika Fuzzy untuk Diagnosis dan

Tata Laksana Penyakit Demam Berdarah dan Demam Tifoid merupakan

salah satu tugas wajib mahasiswa sebagai persyaratan untuk mengambil gelar

Strata 1 (S1) jurusan Teknik Informatika Universitas Islam Negeri Syarif

Hidayatullah Jakarta.

Proses penyusunan hingga selesainya skripsi ini tidak terlepas dari

bantuan banyak pihak, baik moril, materil maupun teknis. Oleh karena itu, penulis

mengucapkan terima kasih kepada :

1. Bapak DR. Ir. Syopiansyah Jaya Putra, M.Sis, selaku Dekan Fakultas Sains

dan Teknologi UIN Syarif Hidayatullah Jakarta.

2. Bapak Yusuf Durachman, M.Sc, MIT, selaku Ketua Program Studi Teknik

Informatika dan Ibu Viva Arifin, MMSI, selaku Sekretaris Program Studi

Teknik Informatika.

3. Bapak Victor Amrizal, M.Kom dan Ibu Khodijah Hulliyah, M.Si selaku

dosen pembimbing yang telah bersedia mencurahkan waktu, pikiran dan

tenaganya untuk memberikan bimbingan, bantuan, saran dan masukan kepada

viii

penulis. Semoga dicatat sebagai pemberat amal kebaikan oleh Allah SWT.

Amin.

4. Seluruh dosen dan staf di Fakultas Sains dan Teknologi atas bimbingan dan

bantuannya hingga penulis dapat menyelesaikan studi dengan baik.

5. dr. Indra Kusuma yang telah bersedia meluangkan waktu, pikiran dan

tenaganya menjadi pakar dalam penelitian ini.

6. Bapak dan Umi tercinta, yang cintanya menjadi suntikan semangat yang tak

terbatas bagi penulis.

7. Aa (Muhammad Kartiwa), Teteh (Siti Pratiningrum, S.Pd) dan Dede (Sulaeka

Ratna Wulan) yang juga selalu memberikan dukungan semangat dan

motivasi.

8. Kak Taufik, yang telah berbagi ilmu dan semangatnya.

9. Teman-teman seperjuangan (Elin, Indah, Dian, Nita, Nofi, Icha), terima kasih

atas motivasi dan semangat yang kalian tularkan.

10. Teman-teman aktivis baik di LDK maupun IMM Ciputat, atas sekolah

keidupan yang telah diberikan.

11. TI C angkatan 2005, semoga tetap dijaga silaturahimnya.

12. Semua pihak yang tidak bisa penulis sebutkan satu persatu.

Penulis menyadari bahwa dalam skripsi ini masih banyak kesalahan dan

kekurangan. Oleh karena itu, saran yang membangun penulis harapakan untuk

perbaikan di masa mendatang.

Jakarta, November 2010

Siti Pratiningsih

ix

DAFTAR ISI

Halaman

HALAMAN JUDUL .................................................................................. ii

LEMBAR PERSETUJUAN PEMBIMBING ........................................... iii

HALAMAN PENGESAHAN UJIAN ....................................................... iv

HALAMAN PERNYATAAN .................................................................... v

ABSTRAK ................................................................................................. vi

KATA PENGANTAR ................................................................................ vii

DAFTAR ISI .............................................................................................. ix

DAFTAR TABEL ...................................................................................... xiii

DAFTAR GAMBAR .................................................................................. xiv

DAFTAR LAMPIRAN .............................................................................. xvi

DAFTAR ISTILAH ................................................................................... xvii

BAB I PENDAHULUAN

1.1 Latar Belakang ............................................................................... 1

1.2 Rumusan Masalah .......................................................................... 6

1.3 Batasan Masalah ............................................................................ 7

1.4 Tujuan Penelitian ........................................................................... 7

1.5 Manfaat Penelitian .......................................................................... 8

1.6 Metodologi Penelitian ..................................................................... 9

1.6.1 Metode Pengumpulan Data ................................................... 9

1.6.2 Metode Pengembangan Sistem .............................................. 9

1.7 Sistematika Penulisan ..................................................................... 10

x

BAB II LANDASAN TEORI

2.1 Penerapan ...................................................................................... 12

2.2 Logika Fuzzy ................................................................................ 12

2.2.1 Fungsi Keanggotaan ............................................................ 14

2.2.2 Operator Himpunan Fuzzy ................................................... 15

2.2.3 Sistem Inferensi Fuzzy ........................................................ 16

2.2.4 Defuzzyfikasi ....................................................................... 18

2.3 Sistem Pakar ................................................................................. 20

2.4 Diagnosis ...................................................................................... 22

2.5 Tata Laksana ................................................................................. 23

2.6 Penyakit ........................................................................................ 23

2.7 Demam Berdarah Dengue (DBD) ................................................. 24

2.7.1 Sejarah DBD ....................................................................... 24

2.7.2 Gejala DBD ........................................................................ 25

2.8 Demam Tifoid .............................................................................. 26

2.8.1 Sejarah Demam Tifoid ........................................................ 26

2.8.2 Gejala Demam Tifoid .......................................................... 26

2.9 Diagram Alur (Flowchart) ............................................................. 26

2.10 State Transitions Diagram .......................................................... 29

2.11 Rapid Applcation Development (RAD) ....................................... 30

2.11.1 Definisi RAD .................................................................... 30

2.11.2 Tahap-Tahap Pengembangan Sistem RAD ........................ 31

2.12 Matlab 7.8 (R2009a) ................................................................... 32

xi

2.12.1 Bekerja dengan Matlab ................................................... 37

2.12.2 Fungsi dalam Matlab ....................................................... 38

2.12.3 Kontrol Arus Aliran ........................................................ 39

2.12.4 Pembuatan Grafik ........................................................... 42

2.13 Literatur Sejenis .......................................................................... 42

BAB III METODOLOGI PENELITIAN

3.1 Metode Pengumpulan Data ........................................................... 45

3.2 Metode Pengembangan Sistem ...................................................... 47

3.3 Alasan Penulis Menggunakan RAD .............................................. 50

BAB IV HASIL DAN PEMBAHASAN

4.1 Communication .............................................................................. 52

4.2 Planning ....................................................................................... 52

4.3 Modelling ..................................................................................... 54

4.3.1 Business Modelling ............................................................. 54

4.3.2 Data Modelling ................................................................... 54

4.3.2.1 Basis Data Fuzzy ..................................................... 54

4.3.2.2 Basis Aturan ............................................................ 62

4.3.2.3 Perancangan Output ................................................ 62

4.3.3 Process Modelling .............................................................. 65

4.3.3.1 Flowchart .................................................................... 66

4.3.3.1 STD ........................................................................... 66

4.3.4 Arsitektur ............................................................................ 68

4.3.5 Simulasi Manual ................................................................. 68

xii

4.3.6 Perancangan Antar Muka Pengguna (User Interface) .......... 75

4.4 Construction ................................................................................. 75

4.4.1 Instalasi Program Matlab ..................................................... 75

4.4.2 Penulisan Program .............................................................. 75

4.4.3 Pengujian Program .............................................................. 76

BAB V PENUTUP

5.1 Kesimpulan ................................................................................... 88

5.2 Saran ............................................................................................ 89

DAFTAR PUSTAKA ................................................................................. 90

LAMPIRAN

xiii

DAFTAR TABEL

Tabel 2.1 Variabel Fuzzy, himpunan fuzzy, semesta pembicaraan

dan domain .................................................................................. 14

Tabel 2.2 Perbandingan sistem konvensional dan sistem pakar ..................... 21

Tabel 2.3 Simbol-simbol flowchart .............................................................. 27

Tabel 4.1 Perbandingan gejala DBD dan demam tifoid ................................ 53

Tabel 4.2 Nilai fuzzy demam ....................................................................... 55

Tabel 4.3 Nilai fuzzy nyeri otot dan sendi ..................................................... 57

Tabel 4.4 Nilai fuzzy manifestasi pendarahan ............................................... 58

Tabel 4.5 Nilai fuzzy gangguan pencernaan .................................................. 59

Tabel 4.6 Nilai fuzzy kondisi lidah ............................................................... 61

Tabel 4.7 Nilai minimal dan maksimal output .............................................. 62

Tabel 4.8 Hasil pengujian unit ..................................................................... 65

Tabel 4.9 Hasil pengujian dengan berbagai input ......................................... 68

xiv

DAFTAR GAMBAR

Gambar 2.1 Fungsi keanggotaan UMUR dengan representasi Gaussian

(gaussmf) ................................................................................ 14

Gambar 2.2 Inferensi fuzzy sugeno orde 1 ................................................... 18

Gambar 2.3 Struktur sistem pakar ............................................................... 22

Gambar 2.4 Perubahan state ........................................................................ 30

Gambar 2.4 Fase RAD Martin .................................................................... 31

Gambar 2.5 Fase pengembangan sistem RAD Kendall ................................ 31

Gambar 2.6 RAD model Pressman ............................................................... 36

Gambar 2.7 Tampilan Matlab yang mengintegrasikan pengembangan algoritma,

analisis data dan pengaturan project ........................................ 33

Gambar 2.8 Jendela command window ......................................................... 34

Gambar 2.9 Jendela command history .......................................................... 34

Gambar 2.10 Jendela launch pad ................................................................. 35

Gambar 2.11 Jendela Help dari command window ....................................... 35

Gamber 2.12 Jendela Help dari menu View .................................................. 36

Gambar 2.13 Jendela current directory ........................................................ 36

Gambar 2.14 Jendela workspace .................................................................. 36

Gambar 3.1 Kerangka pengembangan sistem ............................................... 51

Gambar 4.1 Membership function demam .................................................... 56

Gambar 4.2 Membership function nyeri otot dan sendi ................................. 57

Gambar 4.3 Membership function manifestasi pendarahan ........................... 58

Gambar 4.4 Membership function gangguan pencernaan .............................. 60

Gambar 4.5 Membership function kondisi lidah ........................................... 61

xv

Gambar 4.6 Membership function output ..................................................... 60

Gambar 4.7 Flowchart proses keseluruhan ................................................... 66

Gambar 4.8 STD Menu Utama .................................................................... 66

Gambar 4.9 STD Masuk .............................................................................. 67

Gambar 4.10 STD Petunjuk pemakaian ....................................................... 67

Gambar 4.11 STD Tentang DBD dan Demam Tifoid ................................... 67

Gambar 4.12 STD Profil .............................................................................. 68

Gambar 4.13 Arsitektur logika fuzzy diagnosis ............................................. 68

xvi

DAFTAR LAMPIRAN

LAMPIRAN A - BASIS ATURAN (RULE BASE) ANFIS DIAGNOSIS

DBD DAN DEMAM TIFOID ........................................ 92

LAMPIRAN B - PERANCANGAN TAMPILAN ..................................... 99

LAMPIRAN C - TAMPILAN APLIKASI ................................................. 105

LAMPIRAN D - INSTALASI MATLAB 7.8 ............................................ 110

LAMPIRAN E - KODE PROGRAM ......................................................... 114

xvii

DAFTAR ISTILAH

1. Adaptif : bersifat menyesuaikan

2. Adekuat : serasi, tepat

3. Anoreksia : keadaan lenyapnya nafsu makan karena gangguan penyakit

tertentu

4. Dpl : di atas permukaan laut

5. Epoh : satu perulangan/ iterasi

6. Event : sesuatu yang terjadi pada waktu yang terbatas

7. Faktual : berdasarkan kenyataan, mengandung kebenaran

8. Hematemesis : muntah darah

9. Hematokrit : mengukur persentase volume sel darah merah (eristrosit)

dalam seluruh darah dan secara normal bervariasi dari 40%

sampai 54% untuk pria dan 37% sampai 47% untuk wanita.

10. Komplikasi : penyakit yang baru timbul kemudian sebagai tambahan pada

penyakit yang sudah ada

11. Manifestasi : bentuk perwujudan

12. Melena : pengeluaran feses yang berwarna hitam seperti ter yang

disebabkan oleh adanya perdarahan saluran cerna bagian

atas

13. Neuron : sel saraf

14. Node : simpul

15. State : abstraksi dari nilai atribut dan link dalam sebuah obyek

No

Input Output

Demam

Nyeri

Otot &

Sendi

PendarahanGangguan

Cerna

Kondisi

Lidah Pakar Model



























27 1 1 10 10 10 Cek lab Cek lab









36 1 5 1 10 10 Observasi Observasi


















54 1 5 10 10 10 Cek lab Cek lab


















72 1 10 5 10 10 Cek lab Cek lab






78 1 10 10 5 10 Cek lab Cek lab

79 1 10 10 10 1 Cek lab Cek lab

80 1 10 10 10 5 Cek lab Cek lab

81 1 10 10 10 10 Cek lab Cek lab








89 5 1 1 10 5 Observasi Cek lab













102 5 1 10 1 10 Cek lab Cek lab



105 5 1 10 5 10 Cek lab Cek lab

106 5 1 10 10 1 Cek lab Cek lab

107 5 1 10 10 5 Cek lab Cek lab

108 5 1 10 10 10 Cek lab Cek lab


















126 5 5 5 10 10 Cek lab Cek lab



129 5 5 10 1 10 Cek lab Cek lab



132 5 5 10 5 10 Cek lab Cek lab

133 5 5 10 10 1 Cek lab Cek lab

134 5 5 10 10 5 Cek lab Cek lab

135 5 5 10 10 10 Cek lab Cek lab












147 5 10 5 1 10 Cek lab Cek lab



150 5 10 5 5 10 Cek lab Cek lab

151 5 10 5 10 1 Cek lab Cek lab

152 5 10 5 10 5 Cek lab Cek lab

153 5 10 5 10 10 Cek lab Cek lab

154 5 10 10 1 1 Cek lab Cek lab

155 5 10 10 1 5 Cek lab Cek lab

156 5 10 10 1 10 Cek lab Cek lab

157 5 10 10 5 1 Cek lab Cek lab

158 5 10 10 5 5 Cek lab Cek lab

159 5 10 10 5 10 Cek lab Cek lab

160 5 10 10 10 1 Cek lab Cek lab

161 5 10 10 10 5 Cek lab Cek lab

162 5 10 10 10 10 Cek lab Cek lab



165 10 1 1 1 10 Cek lab Cek lab







172 10 1 5 1 1 DBD DBD

173 10 1 5 1 5 DBD DBD

174 10 1 5 1 10 DBD DBD

175 10 1 5 5 1 DBD DBD

176 10 1 5 5 5 DBD DBD

177 10 1 5 5 10 DBD DBD

178 10 1 5 10 1 DBD DBD

179 10 1 5 10 5 DBD DBD

180 10 1 5 10 10 DBD DBD

181 10 1 10 1 1 DBD DBD

182 10 1 10 1 5 DBD DBD

183 10 1 10 1 10 DBD DBD

184 10 1 10 5 1 DBD DBD

185 10 1 10 5 5 DBD DBD

186 10 1 10 5 10 DBD DBD

187 10 1 10 10 1 DBD DBD

188 10 1 10 10 5 DBD DBD

189 10 1 10 10 10 DBD DBD



192 10 5 1 1 10 Cek lab Cek lab



195 10 5 1 5 10 Cek lab Cek lab

196 10 5 1 10 1 Cek lab Cek lab

197 10 5 1 10 5 Cek lab Cek lab

198 10 5 1 10 10 Cek lab Cek lab

199 10 5 5 1 1 DBD DBD

200 10 5 5 1 5 DBD DBD

201 10 5 5 1 10 DBD DBD

202 10 5 5 5 1 DBD DBD

203 10 5 5 5 5 DBD DBD

204 10 5 5 5 10 DBD DBD

205 10 5 5 10 1 DBD DBD

206 10 5 5 10 5 DBD DBD

207 10 5 5 10 10 DBD DBD

208 10 5 10 1 1 DBD DBD

209 10 5 10 1 5 DBD DBD

210 10 5 10 1 10 DBD DBD

211 10 5 10 5 1 DBD DBD

212 10 5 10 5 5 DBD DBD

213 10 5 10 5 10 DBD DBD

214 10 5 10 10 1 DBD DBD

215 10 5 10 10 5 DBD DBD

216 10 5 10 10 10 DBD DBD

217 10 10 1 1 1 Cek lab Cek lab

218 10 10 1 1 5 Cek lab Cek lab

219 10 10 1 1 10 Cek lab Cek lab

220 10 10 1 5 1 Cek lab Cek lab

221 10 10 1 5 5 Cek lab Cek lab

222 10 10 1 5 10 Cek lab Cek lab

223 10 10 1 10 1 Cek lab Cek lab

224 10 10 1 10 5 Cek lab Cek lab

225 10 10 1 10 10 Cek lab Cek lab

226 10 10 5 1 1 DBD DBD

227 10 10 5 1 5 DBD DBD

228 10 10 5 1 10 DBD DBD

229 10 10 5 5 1 DBD DBD

230 10 10 5 5 5 DBD DBD

231 10 10 5 5 10 DBD DBD

232 10 10 5 10 1 DBD DBD

233 10 10 5 10 5 DBD DBD

234 10 10 5 10 10 DBD DBD

235 10 10 10 1 1 DBD DBD

236 10 10 10 1 5 DBD DBD

237 10 10 10 1 10 DBD DBD

238 10 10 10 5 1 DBD DBD

239 10 10 10 5 5 DBD DBD

240 10 10 10 5 10 DBD DBD

241 10 10 10 10 1 DBD DBD

242 10 10 10 10 5 DBD DBD

243 10 10 10 10 10 DBD DBD

Basis Aturan (rule base) diagnosis DBD dan demam tifoid

Rule ke- Demam Nyeri otot&sendi Pendarahan Gangguan

pencernaan Lidah Diagnosis

1 Bertahap Tdk mengganggu Tdk jelas Terjadi Berselaput D.Tifoid 2 Bertahap Tdk mengganggu Tdk jelas Terjadi Ragu-ragu D Tifoid 3 Bertahap Tdk mengganggu Tdk jelas Terjadi Tdk berselaput Cek lab 4 Bertahap Tdk mengganggu Tdk jelas Ragu-ragu Berselaput D.Tifoid 5 Bertahap Tdk mengganggu Tdk jelas Ragu-ragu Ragu-ragu Observasi 6 Bertahap Tdk mengganggu Tdk jelas Ragu-ragu Tdk berselaput Observasi 7 Bertahap Tdk mengganggu Tdk jelas Tdk terjadi Berselaput D Tifoid 8 Bertahap Tdk mengganggu Tdk jelas Tdk terjadi Ragu-ragu Observasi 9 Bertahap Tdk mengganggu Tdk jelas Tdk terjadi Tdk berselaput Observasi 10 Bertahap Tdk mengganggu Jelas Terjadi Berselaput D Tifoid 11 Bertahap Tdk mengganggu Jelas Terjadi Ragu-ragu D Tifoid 12 Bertahap Tdk mengganggu Jelas Terjadi Tdk berselaput Cek lab 13 Bertahap Tdk mengganggu Jelas Ragu-ragu Berselaput D Tifoid 14 Bertahap Tdk mengganggu Jelas Ragu-ragu Ragu-ragu Cek lab 15 Bertahap Tdk mengganggu Jelas Ragu-ragu Tdk berselaput Cek lab 16 Bertahap Tdk mengganggu Jelas Tdk terjadi Berselaput D typhoid 17 Bertahap Tdk mengganggu Jelas Tdk terjadi Ragu-ragu Cek lab 18 Bertahap Tdk mengganggu Jelas Tdk terjadi Tdk berselaput Cek lab 19 Bertahap Tdk mengganggu Sgt Jelas Terjadi Berselaput D typhoid 20 Bertahap Tdk mengganggu Sgt Jelas Terjadi Ragu-ragu Cek lab 21 Bertahap Tdk mengganggu Sgt Jelas Terjadi Tdk berselaput Cek lab 22 Bertahap Tdk mengganggu Sgt Jelas Ragu-ragu Berselaput D typhoid 23 Bertahap Tdk mengganggu Sgt Jelas Ragu-ragu Ragu-ragu Cek lab 24 Bertahap Tdk mengganggu Sgt Jelas Ragu-ragu Tdk berselaput Cek lab 25 Bertahap Tdk mengganggu Sgt Jelas Tdk terjadi Berselaput D typhoid 26 Bertahap Tdk mengganggu Sgt Jelas Tdk terjadi Ragu-ragu Cek lab 27 Bertahap Tdk mengganggu Sgt Jelas Tdk terjadi Tdk berselaput Cek lab 28 Bertahap Mengganggu Tdk jelas Terjadi Berselaput D typhoid 29 Bertahap Mengganggu Tdk jelas Terjadi Ragu-ragu Cek lab 30 Bertahap Mengganggu Tdk jelas Terjadi Tdk berselaput Cek lab 31 Bertahap Mengganggu Tdk jelas Ragu-ragu Berselaput D typhoid 32 Bertahap Mengganggu Tdk jelas Ragu-ragu Ragu-ragu Cek lab 33 Bertahap Mengganggu Tdk jelas Ragu-ragu Tdk berselaput Cek lab 34 Bertahap Mengganggu Tdk jelas Tdk terjadi Berselaput D typhoid 35 Bertahap Mengganggu Tdk jelas Tdk terjadi Ragu-ragu Cek lab 36 Bertahap Mengganggu Tdk jelas Tdk terjadi Tdk berselaput Observasi 37 Bertahap Mengganggu Jelas Terjadi Berselaput D typhoid 38 Bertahap Mengganggu Jelas Terjadi Ragu-ragu Cek lab 39 Bertahap Mengganggu Jelas Terjadi Tdk berselaput D typhoid 40 Bertahap Mengganggu Jelas Ragu-ragu Berselaput D typhoid 41 Bertahap Mengganggu Jelas Ragu-ragu Ragu-ragu Cek lab 42 Bertahap Mengganggu Jelas Ragu-ragu Tdk berselaput Cek lab 43 Bertahap Mengganggu Jelas Tdk terjadi Berselaput D tryphoid 44 Bertahap Mengganggu Jelas Tdk terjadi Ragu-ragu Cek lab 45 Bertahap Mengganggu Jelas Tdk terjadi Tdk berselaput Cek lab 46 Bertahap Mengganggu Sgt Jelas Terjadi Berselaput D typhoid 47 Bertahap Mengganggu Sgt Jelas Terjadi Ragu-ragu D typhoid 48 Bertahap Mengganggu Sgt Jelas Terjadi Tdk berselaput D typhoid 49 Bertahap Mengganggu Sgt Jelas Ragu-ragu Berselaput D Typhoid 50 Bertahap Mengganggu Sgt Jelas Ragu-ragu Ragu-ragu Cek lab 51 Bertahap Mengganggu Sgt Jelas Ragu-ragu Tdk berselaput Cek lab 52 Bertahap Mengganggu Sgt Jelas Tdk terjadi Berselaput D typhoid 53 Bertahap Mengganggu Sgt Jelas Tdk terjadi Ragu-ragu Cek lab 54 Bertahap Mengganggu Sgt Jelas Tdk terjadi Tdk berselaput Cek lab 55 Bertahap Sgt Mengganggu Tdk jelas Terjadi Berselaput D typhoid

56 Bertahap Sgt Mengganggu Tdk jelas Terjadi Ragu-ragu Cek lab 57 Bertahap Sgt Mengganggu Tdk jelas Terjadi Tdk berselaput Cek lab 58 Bertahap Sgt Mengganggu Tdk jelas Ragu-ragu Berselaput D typhoid 59 Bertahap Sgt Mengganggu Tdk jelas Ragu-ragu Ragu-ragu Cek lab 60 Bertahap Sgt Mengganggu Tdk jelas Ragu-ragu Tdk berselaput Cek lab 61 Bertahap Sgt Mengganggu Tdk jelas Tdk terjadi Berselaput D typhoid 62 Bertahap Sgt Mengganggu Tdk jelas Tdk terjadi Ragu-ragu Cek lab 63 Bertahap Sgt Mengganggu Tdk jelas Tdk terjadi Tdk berselaput Observasi 64 Bertahap Sgt Mengganggu Jelas Terjadi Berselaput D typhoid 65 Bertahap Sgt Mengganggu Jelas Terjadi Ragu-ragu D typhoid 66 Bertahap Sgt Mengganggu Jelas Terjadi Tdk berselaput D typhoid 67 Bertahap Sgt Mengganggu Jelas Ragu-ragu Berselaput D typhoid 68 Bertahap Sgt Mengganggu Jelas Ragu-ragu Ragu-ragu Cek lab 69 Bertahap Sgt Mengganggu Jelas Ragu-ragu Tdk berselaput Cek lab 70 Bertahap Sgt Mengganggu Jelas Tdk terjadi Berselaput D typhoid 71 Bertahap Sgt Mengganggu Jelas Tdk terjadi Ragu-ragu Cek lab 72 Bertahap Sgt Mengganggu Jelas Tdk terjadi Tdk berselaput Cek lab 73 Bertahap Sgt Mengganggu Sgt Jelas Terjadi Berselaput D typhoid 74 Bertahap Sgt Mengganggu Sgt Jelas Terjadi Ragu-ragu D typhoid 75 Bertahap Sgt Mengganggu Sgt Jelas Terjadi Tdk berselaput D typhoid 76 Bertahap Sgt Mengganggu Sgt Jelas Ragu-ragu Berselaput D typhoid 77 Bertahap Sgt Mengganggu Sgt Jelas Ragu-ragu Ragu-ragu Cek lab 78 Bertahap Sgt Mengganggu Sgt Jelas Ragu-ragu Tdk berselaput Cek lab 79 Bertahap Sgt Mengganggu Sgt Jelas Tdk terjadi Berselaput Cek lab 80 Bertahap Sgt Mengganggu Sgt Jelas Tdk terjadi Ragu-ragu Cek lab 81 Bertahap Sgt Mengganggu Sgt Jelas Tdk terjadi Tdk berselaput Cek lab 82 Ragu-ragu Tdk mengganggu Tdk jelas Terjadi Berselaput Observasi 83 Ragu-ragu Tdk mengganggu Tdk jelas Terjadi Ragu-ragu Observasi 84 Ragu-ragu Tdk mengganggu Tdk jelas Terjadi Tdk berselaput observasi 85 Ragu-ragu Tdk mengganggu Tdk jelas Ragu-ragu Berselaput Observasi 86 Ragu-ragu Tdk mengganggu Tdk jelas Ragu-ragu Ragu-ragu Observasi 87 Ragu-ragu Tdk mengganggu Tdk jelas Ragu-ragu Tdk berselaput Observasi 88 Ragu-ragu Tdk mengganggu Tdk jelas Tdk terjadi Berselaput Observasi 89 Ragu-ragu Tdk mengganggu Tdk jelas Tdk terjadi Ragu-ragu Observasi 90 Ragu-ragu Tdk mengganggu Tdk jelas Tdk terjadi Tdk berselaput Observasi 91 Ragu-ragu Tdk mengganggu Jelas Terjadi Berselaput Cek lab 92 Ragu-ragu Tdk mengganggu Jelas Terjadi Ragu-ragu Cek lab 93 Ragu-ragu Tdk mengganggu Jelas Terjadi Tdk berselaput Cek lab 94 Ragu-ragu Tdk mengganggu Jelas Ragu-ragu Berselaput Cek lab 95 Ragu-ragu Tdk mengganggu Jelas Ragu-ragu Ragu-ragu Cek lab 96 Ragu-ragu Tdk mengganggu Jelas Ragu-ragu Tdk berselaput Cek lab 97 Ragu-ragu Tdk mengganggu Jelas Tdk terjadi Berselaput Cek lab 98 Ragu-ragu Tdk mengganggu Jelas Tdk terjadi Ragu-ragu Cek lab 99 Ragu-ragu Tdk mengganggu Jelas Tdk terjadi Tdk berselaput Cek lab 100 Ragu-ragu Tdk mengganggu Sgt Jelas Terjadi Berselaput Cek lab 101 Ragu-ragu Tdk mengganggu Sgt Jelas Terjadi Ragu-ragu Cek lab 102 Ragu-ragu Tdk mengganggu Sgt Jelas Terjadi Tdk berselaput Cek lab 103 Ragu-ragu Tdk mengganggu Sgt Jelas Ragu-ragu Berselaput Cek lab 104 Ragu-ragu Tdk mengganggu Sgt Jelas Ragu-ragu Ragu-ragu Cek lab 105 Ragu-ragu Tdk mengganggu Sgt Jelas Ragu-ragu Tdk berselaput Cek lab 106 Ragu-ragu Tdk mengganggu Sgt Jelas Tdk terjadi Berselaput Cek lab 107 Ragu-ragu Tdk mengganggu Sgt Jelas Tdk terjadi Ragu-ragu Cek lab 108 Ragu-ragu Tdk mengganggu Sgt Jelas Tdk terjadi Tdk berselaput Cek lab 109 Ragu-ragu Mengganggu Tdk jelas Terjadi Berselaput Observasi 110 Ragu-ragu Mengganggu Tdk jelas Terjadi Ragu-ragu Observasi 111 Ragu-ragu Mengganggu Tdk jelas Terjadi Tdk berselaput Observasi 112 Ragu-ragu Mengganggu Tdk jelas Ragu-ragu Berselaput Observasi 113 Ragu-ragu Mengganggu Tdk jelas Ragu-ragu Ragu-ragu Observasi 114 Ragu-ragu Mengganggu Tdk jelas Ragu-ragu Tdk berselaput Observasi

115 Ragu-ragu Mengganggu Tdk jelas Tdk terjadi Berselaput Observasi 116 Ragu-ragu Mengganggu Tdk jelas Tdk terjadi Ragu-ragu Observasi 117 Ragu-ragu Mengganggu Tdk jelas Tdk terjadi Tdk berselaput Observasi 118 Ragu-ragu Mengganggu Jelas Terjadi Berselaput Cek lab 119 Ragu-ragu Mengganggu Jelas Terjadi Ragu-ragu Cek lab 120 Ragu-ragu Mengganggu Jelas Terjadi Tdk berselaput Cek lab 121 Ragu-ragu Mengganggu Jelas Ragu-ragu Berselaput Cek lab 122 Ragu-ragu Mengganggu Jelas Ragu-ragu Ragu-ragu Cek lab 123 Ragu-ragu Mengganggu Jelas Ragu-ragu Tdk berselaput Cek lab 124 Ragu-ragu Mengganggu Jelas Tdk terjadi Berselaput Cek lab 125 Ragu-ragu Mengganggu Jelas Tdk terjadi Ragu-ragu Cek lab 126 Ragu-ragu Mengganggu Jelas Tdk terjadi Tdk berselaput Cek lab 127 Ragu-ragu Mengganggu Sgt Jelas Terjadi Berselaput Cek lab 128 Ragu-ragu Mengganggu Sgt Jelas Terjadi Ragu-ragu Cek lab 129 Ragu-ragu Mengganggu Sgt Jelas Terjadi Tdk berselaput Cek lab 130 Ragu-ragu Mengganggu Sgt Jelas Ragu-ragu Berselaput Cek lab 131 Ragu-ragu Mengganggu Sgt Jelas Ragu-ragu Ragu-ragu Cek lab 132 Ragu-ragu Mengganggu Sgt Jelas Ragu-ragu Tdk berselaput Cek lab 133 Ragu-ragu Mengganggu Sgt Jelas Tdk terjadi Berselaput Cek lab 134 Ragu-ragu Mengganggu Sgt Jelas Tdk terjadi Ragu-ragu Cek lab 135 Ragu-ragu Mengganggu Sgt Jelas Tdk terjadi Tdk berselaput Cek lab 136 Ragu-ragu Sgt Mengganggu Tdk jelas Terjadi Berselaput Observasi 137 Ragu-ragu Sgt Mengganggu Tdk jelas Terjadi Ragu-ragu Observasi 138 Ragu-ragu Sgt Mengganggu Tdk jelas Terjadi Tdk berselaput Observasi 139 Ragu-ragu Sgt Mengganggu Tdk jelas Ragu-ragu Berselaput Observasi 140 Ragu-ragu Sgt Mengganggu Tdk jelas Ragu-ragu Ragu-ragu Observasi 141 Ragu-ragu Sgt Mengganggu Tdk jelas Ragu-ragu Tdk berselaput Observasi 142 Ragu-ragu Sgt Mengganggu Tdk jelas Tdk terjadi Berselaput Observasi 143 Ragu-ragu Sgt Mengganggu Tdk jelas Tdk terjadi Ragu-ragu Observasi 144 Ragu-ragu Sgt Mengganggu Tdk jelas Tdk terjadi Tdk berselaput Observasi 145 Ragu-ragu Sgt Mengganggu Jelas Terjadi Berselaput Cek lab 146 Ragu-ragu Sgt Mengganggu Jelas Terjadi Ragu-ragu Cek lab 147 Ragu-ragu Sgt Mengganggu Jelas Terjadi Tdk berselaput Cek lab 148 Ragu-ragu Sgt Mengganggu Jelas Ragu-ragu Berselaput Cek lab 149 Ragu-ragu Sgt Mengganggu Jelas Ragu-ragu Ragu-ragu Cek lab 150 Ragu-ragu Sgt Mengganggu Jelas Ragu-ragu Tdk berselaput Cek lab 151 Ragu-ragu Sgt Mengganggu Jelas Tdk terjadi Berselaput Cek lab 152 Ragu-ragu Sgt Mengganggu Jelas Tdk terjadi Ragu-ragu Cek lab 153 Ragu-ragu Sgt Mengganggu Jelas Tdk terjadi Tdk berselaput Cek lab 154 Ragu-ragu Sgt Mengganggu Sgt Jelas Terjadi Berselaput Cek lab 155 Ragu-ragu Sgt Mengganggu Sgt Jelas Terjadi Ragu-ragu Cek lab 156 Ragu-ragu Sgt Mengganggu Sgt Jelas Terjadi Tdk berselaput Cek lab 157 Ragu-ragu Sgt Mengganggu Sgt Jelas Ragu-ragu Berselaput Cek lab 158 Ragu-ragu Sgt Mengganggu Sgt Jelas Ragu-ragu Ragu-ragu Cek lab 159 Ragu-ragu Sgt Mengganggu Sgt Jelas Ragu-ragu Tdk berselaput Cek lab 160 Ragu-ragu Sgt Mengganggu Sgt Jelas Tdk terjadi Berselaput Cek lab 161 Ragu-ragu Sgt Mengganggu Sgt Jelas Tdk terjadi Ragu-ragu Cek lab 162 Ragu-ragu Sgt Mengganggu Sgt Jelas Tdk terjadi Tdk berselaput Cek lab 163 Mendadak Tdk mengganggu Tdk jelas Terjadi Berselaput Cek lab 164 Mendadak Tdk mengganggu Tdk jelas Terjadi Ragu-ragu Cek lab 165 Mendadak Tdk mengganggu Tdk jelas Terjadi Tdk berselaput Cek lab 166 Mendadak Tdk mengganggu Tdk jelas Ragu-ragu Berselaput Observasi 167 Mendadak Tdk mengganggu Tdk jelas Ragu-ragu Ragu-ragu Observasi 168 Mendadak Tdk mengganggu Tdk jelas Ragu-ragu Tdk berselaput Observasi 169 Mendadak Tdk mengganggu Tdk jelas Tdk terjadi Berselaput Observasi 170 Mendadak Tdk mengganggu Tdk jelas Tdk terjadi Ragu-ragu Observasi 171 Mendadak Tdk mengganggu Tdk jelas Tdk terjadi Tdk berselaput Observasi 172 Mendadak Tdk mengganggu Jelas Terjadi Berselaput DBD 173 Mendadak Tdk mengganggu Jelas Terjadi Ragu-ragu DBD

174 Mendadak Tdk mengganggu Jelas Terjadi Tdk berselaput DBD 175 Mendadak Tdk mengganggu Jelas Ragu-ragu Berselaput DBD 176 Mendadak Tdk mengganggu Jelas Ragu-ragu Ragu-ragu DBD 177 Mendadak Tdk mengganggu Jelas Ragu-ragu Tdk berselaput DBD 178 Mendadak Tdk mengganggu Jelas Tdk terjadi Berselaput DBD 179 Mendadak Tdk mengganggu Jelas Tdk terjadi Ragu-ragu DBD 180 Mendadak Tdk mengganggu Jelas Tdk terjadi Tdk berselaput DBD 181 Mendadak Tdk mengganggu Sgt Jelas Terjadi Berselaput DBD 182 Mendadak Tdk mengganggu Sgt Jelas Terjadi Ragu-ragu DBD 183 Mendadak Tdk mengganggu Sgt Jelas Terjadi Tdk berselaput DBD 184 Mendadak Tdk mengganggu Sgt Jelas Ragu-ragu Berselaput DBD 185 Mendadak Tdk mengganggu Sgt Jelas Ragu-ragu Ragu-ragu DBD 186 Mendadak Tdk mengganggu Sgt Jelas Ragu-ragu Tdk berselaput DBD 187 Mendadak Tdk mengganggu Sgt Jelas Tdk terjadi Berselaput DBD 188 Mendadak Tdk mengganggu Sgt Jelas Tdk terjadi Ragu-ragu DBD 189 Mendadak Tdk mengganggu Sgt Jelas Tdk terjadi Tdk berselaput DBD 190 Mendadak Mengganggu Tdk jelas Terjadi Berselaput Cek lab 191 Mendadak Mengganggu Tdk jelas Terjadi Ragu-ragu Cek lab 192 Mendadak Mengganggu Tdk jelas Terjadi Tdk berselaput Cek lab 193 Mendadak Mengganggu Tdk jelas Ragu-ragu Berselaput Cek lab 194 Mendadak Mengganggu Tdk jelas Ragu-ragu Ragu-ragu Cek lab 195 Mendadak Mengganggu Tdk jelas Ragu-ragu Tdk berselaput Cek lab 196 Mendadak Mengganggu Tdk jelas Tdk terjadi Berselaput Cek lab 197 Mendadak Mengganggu Tdk jelas Tdk terjadi Ragu-ragu Cek lab 198 Mendadak Mengganggu Tdk jelas Tdk terjadi Tdk berselaput Cek lab 199 Mendadak Mengganggu Jelas Terjadi Berselaput DBD 200 Mendadak Mengganggu Jelas Terjadi Ragu-ragu DBD 201 Mendadak Mengganggu Jelas Terjadi Tdk berselaput DBD 202 Mendadak Mengganggu Jelas Ragu-ragu Berselaput DBD 203 Mendadak Mengganggu Jelas Ragu-ragu Ragu-ragu DBD 204 Mendadak Mengganggu Jelas Ragu-ragu Tdk berselaput DBD 205 Mendadak Mengganggu Jelas Tdk terjadi Berselaput DBD 206 Mendadak Mengganggu Jelas Tdk terjadi Ragu-ragu DBD 207 Mendadak Mengganggu Jelas Tdk terjadi Tdk berselaput DBD 208 Mendadak Mengganggu Sgt Jelas Terjadi Berselaput DBD 209 Mendadak Mengganggu Sgt Jelas Terjadi Ragu-ragu DBD 210 Mendadak Mengganggu Sgt Jelas Terjadi Tdk berselaput DBD 211 Mendadak Mengganggu Sgt Jelas Ragu-ragu Berselaput DBD 212 Mendadak Mengganggu Sgt Jelas Ragu-ragu Ragu-ragu DBD 213 Mendadak Mengganggu Sgt Jelas Ragu-ragu Tdk berselaput DBD 214 Mendadak Mengganggu Sgt Jelas Tdk terjadi Berselaput DBD 215 Mendadak Mengganggu Sgt Jelas Tdk terjadi Ragu-ragu DBD 216 Mendadak Mengganggu Sgt Jelas Tdk terjadi Tdk berselaput DBD 217 Mendadak Sgt Mengganggu Tdk jelas Terjadi Berselaput Cek lab 218 Mendadak Sgt Mengganggu Tdk jelas Terjadi Ragu-ragu Cek lab 219 Mendadak Sgt Mengganggu Tdk jelas Terjadi Tdk berselaput Cek lab 220 Mendadak Sgt Mengganggu Tdk jelas Ragu-ragu Berselaput Cek lab 221 Mendadak Sgt Mengganggu Tdk jelas Ragu-ragu Ragu-ragu Cek lab 222 Mendadak Sgt Mengganggu Tdk jelas Ragu-ragu Tdk berselaput Cek lab 223 Mendadak Sgt Mengganggu Tdk jelas Tdk terjadi Berselaput Cek lab 224 Mendadak Sgt Mengganggu Tdk jelas Tdk terjadi Ragu-ragu Cek lab 225 Mendadak Sgt Mengganggu Tdk jelas Tdk terjadi Tdk berselaput Cek lab 226 Mendadak Sgt Mengganggu Jelas Terjadi Berselaput DBD 227 Mendadak Sgt Mengganggu Jelas Terjadi Ragu-ragu DBD 228 Mendadak Sgt Mengganggu Jelas Terjadi Tdk berselaput DBD 229 Mendadak Sgt Mengganggu Jelas Ragu-ragu Berselaput DBD 230 Mendadak Sgt Mengganggu Jelas Ragu-ragu Ragu-ragu DBD 231 Mendadak Sgt Mengganggu Jelas Ragu-ragu Tdk berselaput DBD 232 Mendadak Sgt Mengganggu Jelas Tdk terjadi Berselaput DBD

233 Mendadak Sgt Mengganggu Jelas Tdk terjadi Ragu-ragu DBD 234 Mendadak Sgt Mengganggu Jelas Tdk terjadi Tdk berselaput DBD 235 Mendadak Sgt Mengganggu Sgt Jelas Terjadi Berselaput DBD 236 Mendadak Sgt Mengganggu Sgt Jelas Terjadi Ragu-ragu DBD 237 Mendadak Sgt Mengganggu Sgt Jelas Terjadi Tdk berselaput DBD 238 Mendadak Sgt Mengganggu Sgt Jelas Ragu-ragu Berselaput DBD* 239 Mendadak Sgt Mengganggu Sgt Jelas Ragu-ragu Ragu-ragu DBD* 240 Mendadak Sgt Mengganggu Sgt Jelas Ragu-ragu Tdk berselaput DBD* 241 Mendadak Sgt Mengganggu Sgt Jelas Tdk terjadi Berselaput DBD* 242 Mendadak Sgt Mengganggu Sgt Jelas Tdk terjadi Ragu-ragu DBD* 243 Mendadak Sgt Mengganggu Sgt Jelas Tdk terjadi Tdk berselaput DBD*

Catatan : Tdk : Tidak Sgt : Sangat D.Tifoid : demam tifoid

*hanya contoh

92

LAMPIRAN A

BASIS ATURAN (RULE BASE) ANFIS DIAGNOSIS DBD DAN DEMAM TIFOID

Rule-

1

IF demam bertahap AND nyeri otot&sendi tidak _mengganggu AND pendarahan tidak_jelas AND

gangguan_pencernaan terjadi AND lidah berselaput THEN Diagnosis =

((0,25*D)+(0,25*NOS)+(0,25*P)+(0,25*GC)+(0,25*L)+2)/5

Rule-

2


gangguan_pencernaan terjadi AND lidah ragu-ragu THEN Diagnosis= Diagnosis =

((0,25*D)+(0,25*nyeriOtot&Sendi)+(0,25*pendarahan)+(0,25*gangguCerna)+(0,5*lidah)+2)/5

Rule-

3


gangguan_pencernaan terjadi AND lidah tidak_berselaput THEN

Diagnosis=((0,25*D)+(0,25*nyeriOtot&Sendi)+(0,25*pendarahan)+(0,25*gangguCerna)+(0,75*lidah)+2)/5

Rule-

4


gangguan_pencernaan ragu_ragu AND lidah berselaput THEN

Diagnosis=((0,25*D)+(0,25*nyeriOtot&Sendi)+(0,25*pendarahan)+(0,25*gangguCerna)+(0,75*lidah)+2)/5

Rule-

5


gangguan_pencernaan ragu_ragu AND lidah ragu-ragu THEN Diagnosis=((0,25*D)+(0,25*NOS)+(

Rule-

6


gangguan_pencernaan ragu_ragu AND lidah tidak_berselaput THEN Diagnosis=((0,25*D)+(0,25*NOS)+(

Rule-

7


gangguan_pencernaan tidak_terjadi AND lidah berselaput THEN Diagnosis=((0,25*D)+(0,25*NOS)+(

Rule-

8


gangguan_pencernaan tidak_terjadi AND lidah ragu-ragu THEN Diagnosis=((0,25*D)+(0,25*NOS)+(

Rule-

9


gangguan_pencernaan tidak_terjadi AND lidah tidak_berselaput THEN Diagnosis=((0,25*D)+(0,25*NOS)+(

Rule-

10

IF demam bertahap AND nyeri otot&sendi tidak _mengganggu AND pendarahan jelas AND

gangguan_pencernaan terjadi AND lidah berselaput THEN Diagnosis=((0,25*D)+(0,25*NOS)+(

Rule-

11


gangguan_pencernaan terjadi AND lidah ragu-ragu THEN Diagnosis=((0,25*D)+(0,25*NOS)+(

Rule-

12


gangguan_pencernaan terjadi AND lidah tidak_berselaput THEN Diagnosis=((0,25*D)+(0,25*NOS)+(

Rule-

13


gangguan_pencernaan ragu_ragu AND lidah berselaput THEN Diagnosis=((0,25*D)+(0,25*NOS)+(

Rule-

14


gangguan_pencernaan ragu-ragu AND lidah ragu-ragu THEN Diagnosis=((0,25*D)+(0,25*NOS)+(

Rule-

15



Rule-

16



Rule-

17



Rule-

18



Rule-

19

IF demam bertahap AND nyeri otot&sendi tidak _mengganggu AND pendarahan sangat_jelas AND


Rule-

20



Rule-

21



Rule-

22



Rule-

23



Rule-

24



Rule-

25



Rule-

26



Rule-

27



Rule-

28

IF demam bertahap AND nyeri otot&sendi mengganggu AND pendarahan tidak_jelas AND


Rule-

29



Rule-

30



Rule-

31


gangguan_pencernaan ragu_ragu AND lidah berselaput THEN Diagnosis=((0,25*D)+(0,5*NOS)+( Rule-

32



Rule-

33



Rule-

34



93

Rule-

35



Rule-

36



Rule-

37

IF demam bertahap AND nyeri otot&sendi mengganggu AND pendarahan jelas AND gangguan_pencernaan

terjadi AND lidah berselaput THEN Diagnosis=((0,25*D)+(0,5*NOS)+(

Rule-

38


terjadi AND lidah ragu-ragu THEN Diagnosis=((0,25*D)+(0,5*NOS)+(

Rule-

39


terjadi AND lidah tidak_berselaput THEN Diagnosis=((0,25*D)+(0,5*NOS)+(

Rule-

40


ragu_ragu AND lidah berselaput THEN Diagnosis=((0,25*D)+(0,5*NOS)+(

Rule-

41


ragu_ragu AND lidah ragu-ragu THEN Diagnosis=((0,25*D)+(0,5*NOS)+(

Rule-

42


ragu_ragu AND lidah tidak_berselaput THEN Diagnosis=((0,25*D)+(0,5*NOS)+(

Rule-

43


tidak_terjadi AND lidah berselaput THEN Diagnosis=((0,25*D)+(0,5*NOS)+(

Rule-

44


tidak_terjadi AND lidah ragu-ragu THEN Diagnosis=((0,25*D)+(0,5*NOS)+(

Rule-

45


tidak_terjadi AND lidah tidak_berselaput THEN Diagnosis=((0,25*D)+(0,5*NOS)+(

Rule-

46

IF demam bertahap AND nyeri otot&sendi mengganggu AND pendarahan sangat_jelas AND


Rule-

47



Rule-

48



Rule-

49

IF demam bertahap AND nyeri otot&sendi mengganggu ragu_ragu AND pendarahan sangat_jelas AND

gangguan_pencernaan AND lidah berselaput THEN Diagnosis=((0,25*D)+(0,5*NOS)+(

Rule-

50



Rule-

51



Rule-

52



Rule-

53

IF demam bertahap AND nyeri otot&sendi mengganggu AND pendarahan AND gangguan_pencernaan


Rule-

54



Rule-

55

IF demam bertahap AND nyeri otot&sendi sangat_mengganggu AND pendarahan tidak_jelas AND


Rule-

56



Rule-

57



Rule-

58



Rule-

59


gangguan_pencernaan raguu-ragu AND lidah ragu-ragu THEN Diagnosis=((0,25*D)+(0,75*NOS)+(

Rule-

60



Rule-

61



Rule-

62



Rule-

63



Rule-

64

IF demam bertahap AND nyeri otot&sendi sangat_mengganggu AND pendarahan jelas AND


Rule-

65



Rule-

66



Rule-

67



Rule-

68



Rule-

69



Rule-

70



Rule-

71



Rule-

72



Rule- IF demam bertahap AND nyeri otot&sendi sangat_mengganggu AND pendarahan sangat_jelas AND

94

73 gangguan_pencernaan terjadi AND lidah berselaput THEN Diagnosis=((0,25*D)+(0,75*NOS)+(

Rule-

74

IF demam bertahap AND nyeri otot&sendi sangat_mengganggu AND pendarahan sangat_jelas AND


Rule-

75



Rule-

76



Rule-

77



Rule-

78



Rule-

79



Rule-

80



Rule-

81



Rule-

82

IF demam ragu-ragu AND nyeri otot&sendi tidak_mengganggu AND pendarahan tidak_jelas AND


Rule-

83



Rule-

84



Rule-

85



Rule-

86



Rule-

87



Rule-

88



Rule-

89



Rule-

90


gangguan_pencernaan tidak_terjadi AND lidah tidak berselaput THEN Diagnosis=((0,5*D)+(0,25*NOS)+(

Rule-

91

IF demam ragu-ragu AND nyeri otot&sendi tidak_mengganggu AND pendarahan jelas AND


Rule-

92



Rule-

93



Rule-

94



Rule-

95



Rule-

96



Rule-

97



Rule-

98



Rule-

99



Rule-

100

IF demam ragu-ragu AND nyeri otot&sendi tidak_mengganggu AND pendarahan sangat_jelas AND


Rule-

101



Rule-

102



Rule-

103



Rule-

104



Rule-

105



Rule-

106



Rule-

107



Rule-

108



Rule-

109

IF demam ragu-ragu AND nyeri otot&sendi mengganggu AND pendarahan tidak_jelas AND


Rule-

110



Rule-

111



95

Rule-

112



Rule-

113



Rule-

114



Rule-

115



Rule-

116



Rule-

117



Rule-

118

IF demam ragu-ragu AND nyeri otot&sendi mengganggu AND pendarahan jelas AND gangguan_pencernaan

terjadi AND lidah berselaput THEN Diagnosis=((0,5*D)+(0,5*NOS)+(

Rule-

119


terjadi AND lidah ragu-ragu THEN Diagnosis=((0,5*D)+(0,5*NOS)+(

Rule-

120


terjadi AND lidah tidak_berselaput THEN Diagnosis=((0,5*D)+(0,5*NOS)+(

Rule-

121


ragu_ragu AND lidah berselaput THEN Diagnosis=((0,5*D)+(0,5*NOS)+(

Rule-

122


ragu_ragu AND lidah ragu-ragu THEN Diagnosis=((0,5*D)+(0,5*NOS)+(

Rule-

123


ragu_ragu AND lidah tidak_berselaput THEN Diagnosis=((0,5*D)+(0,5*NOS)+(

Rule-

124


tidak_terjadi AND lidah berselaput THEN Diagnosis=((0,5*D)+(0,5*NOS)+(

Rule-

125



Rule-

126


tidak_terjadi AND lidah tidak_berselaput THEN Diagnosis=((0,5*D)+(0,5*NOS)+(

Rule-

127

IF demam ragu-ragu AND nyeri otot&sendi mengganggu AND pendarahan sangat_jelas AND


Rule-

128



Rule-

129



Rule-

130



Rule-

131



Rule-

132



Rule-

133



Rule-

134



Rule-

135



Rule-

136

IF demam ragu-ragu AND nyeri otot&sendi sangat_mengganggu AND pendarahan tidak_jelas AND


Rule-

137



Rule-

138



Rule-

139



Rule-

140



Rule-

141



Rule-

142



Rule-

143



Rule-

144



Rule-

145

IF demam ragu-ragu AND nyeri otot&sendi sangat_mengganggu AND pendarahan jelas AND


Rule-

146



Rule-

147



Rule-

148



Rule-

149



Rule- IF demam ragu-ragu AND nyeri otot&sendi sangat_mengganggu AND pendarahan jelas AND

96

150 gangguan_pencernaan ragu_ragu AND lidah tidak_berselaput THEN Diagnosis=((0,5*D)+(0,75*NOS)+(

Rule-

151



Rule-

152



Rule-

153



Rule-

154

IF demam ragu-ragu AND nyeri otot&sendi sangat_mengganggu AND pendarahan sangat_jelas AND


Rule-

155



Rule-

156



Rule-

157



Rule-

158



Rule-

159



Rule-

160



Rule-

161



Rule-

162



Rule-

163

IF demam mendadak AND nyeri otot&sendi tidak_mengganggu AND tidak_jelas AND


Rule-

164

IF demam mendadak AND nyeri otot&sendi tidak_mengganggu AND pendarahan tidak_jelas AND


Rule-

165



Rule-

166



Rule-

167



Rule-

168



Rule-

169



Rule-

170



Rule-

171



Rule-

172

IF demam mendadak AND nyeri otot&sendi tidak_mengganggu AND pendarahan jelas AND


Rule-

173



Rule-

174



Rule-

175



Rule-

176



Rule-

177



Rule-

178



Rule-

179



Rule-

180



Rule-

181

IF demam mendadak AND nyeri otot&sendi tidak_mengganggu AND pendarahan sangat_jelas AND


Rule-

182



Rule-

183



Rule-

184



Rule-

185



Rule-

186



Rule-

187



Rule-

188



97

Rule-

189



Rule-

190

IF demam mendadak AND nyeri otot&sendi mengganggu AND pendarahan tidak_jelas AND


Rule-

191



Rule-

192



Rule-

193



Rule-

194



Rule-

195



Rule-

196



Rule-

197


gangguan_pencernaan tidak_terjadi AND lidah ragu-ragu THEN Diagnosis=((0,75*D)+

Rule-

198


gangguan_pencernaan tidak_terjadi AND lidah tidak_berselaput THEN Diagnosis=((0,75*D)+

Rule-

199

IF demam mendadak AND nyeri otot&sendi mengganggu AND pendarahan jelas AND gangguan_pencernaan

terjadi AND lidah berselaput THEN Diagnosis=((0,75*D)+

Rule-

200


terjadi AND lidah ragu-ragu THEN Diagnosis=((0,75*D)+

Rule-

201


terjadi AND lidah tidak_berselaput THEN Diagnosis=((0,75*D)+

Rule-

202


ragu_ragu AND lidah berselaput THEN Diagnosis=((0,75*D)+

Rule-

203


ragu_ragu AND lidah ragu-ragu THEN Diagnosis=((0,75*D)+

Rule-

204


ragu_ragu AND lidah tidak_berselaput THEN Diagnosis=((0,75*D)+

Rule-

205


tidak_terjadi AND lidah berselaput THEN Diagnosis=((0,75*D)+

Rule-

206


tidak_terjadi AND lidah ragu-ragu THEN Diagnosis=((0,75*D)+

Rule-

207

IF demam mendadak AND nyeri otot&sendi mengganggu AND pendarahan sjelas AND


Rule-

208

IF demam mendadak AND nyeri otot&sendi mengganggu AND pendarahan sangat_jelas AND

gangguan_pencernaan terjadi AND lidah berselaput THEN Diagnosis=((0,75*D)+

Rule-

209


gangguan_pencernaan terjadi AND lidah ragu-ragu THEN Diagnosis=((0,75*D)+

Rule-

210


gangguan_pencernaan terjadi AND lidah tidak_berselaput THEN Diagnosis=((0,75*D)+

Rule-

211


gangguan_pencernaan ragu_ragu AND lidah berselaput THEN Diagnosis=((0,75*D)+

Rule-

212


gangguan_pencernaan ragu_ragu AND lidah ragu-ragu THEN Diagnosis=((0,75*D)+

Rule-

213


gangguan_pencernaan ragu-ragu AND lidah tidak_berselaput THEN Diagnosis=((0,75*D)+

Rule-

214


gangguan_pencernaan tidak_terjadi AND lidah berselaput THEN Diagnosis=((0,75*D)+

Rule-

215



Rule-

216



Rule-

217

IF demam mendadak AND nyeri otot&sendi sangat_mengganggu AND pendarahan tidak_jelas AND


Rule-

218


gangguan_pencernaan terjadi AND lidah ragu-ragu THEN Diagnosis=((0,75*D)+

Rule-

219



Rule-

220



Rule-

221


gangguan_pencernaan ragu_ragu AND lidah ragu-ragu THEN Diagnosis=((0,75*D)+

Rule-

222


gangguan_pencernaan ragu_ragu AND lidah tidak_berselaput THEN Diagnosis=((0,75*D)+

Rule-

223



Rule-

224



Rule-

225



Rule-

226

IF demam mendadak AND nyeri otot&sendi sangat_mengganggu AND pendarahan jelas AND


Rule- IF demam mendadak AND nyeri otot&sendi sangat_mengganggu AND pendarahan jelas AND

98

227 gangguan_pencernaan terjadi AND lidah ragu-ragu THEN Diagnosis=((0,75*D)+

Rule-

228



Rule-

229



Rule-

230


gangguan_pencernaan ragu-ragu AND lidah ragu-ragu THEN Diagnosis=((0,75*D)+

Rule-

231


gangguan_pencernaan ragu_ragu AND lidah tidak_berselaput THEN Diagnosis=((0,75*D)+

Rule-

232



Rule-

233



Rule-

234



Rule-

235

IF demam mendadak AND nyeri otot&sendi sangat_mengganggu AND pendarahan sangat_jelas AND

gangguan_pencernaan AND lidah berselaput THEN Diagnosis=((0,75*D)+

Rule-

236


gangguan_pencernaan AND lidah ragu-ragu THEN Diagnosis=((0,75*D)+

Rule-

237


gangguan_pencernaan AND lidah tidak_berselaput THEN Diagnosis=((0,75*D)+

Rule-

238



Rule-

239



Rule-

240


gangguan_pencernaan AND lidah tidak_berselaput THEN Diagnosis=((0,75*D)+ Rule-

241



Rule-

242



Rule-

243


gangguan_pencernaan AND lidah tidak_berselaput THEN Diagnosis=((0,75*D)+(

99

LAMPIRAN B

PERANCANGAN TAMPILAN

1. Perancangan halaman menu utama

2. Perancangan halaman input gejala 1

JUDUL APLIKASI

PENULIS

TOMBOL MASUK

TOMBOL PETUNJUK

PEMAKAIAN

TOMBOL TENTANG

PROGRAM

TOMBOL PROFIL

TOMBOL KELUAR

GEJALA 1

PERTANYAAN GEJALA 1

KETERANGAN GEJALA 1

JAWABAN

TOMBOL KE GEJALA 2

100


4. Perancangan halaman input gejala

GEJALA 2

PERTANYAAN GEJALA 2

KETERANGAN GEJALA 2

JAWABAN

TOMBOL KE GEJALA 3

GEJALA 3

PERTANYAAN GEJALA 3

KETERANGAN GEJALA 3

JAWABAN

TOMBOL KE GEJALA 4

101



GEJALA 4

PERTANYAAN GEJALA 4

KETERANGAN GEJALA 4

JAWABAN

TOMBOL KE GEJALA 5

GEJALA 4

PERTANYAAN GEJALA 4

KETERANGAN GEJALA 4

JAWABAN

TOMBOL KE GEJALA 5

102

7. Perancangan halaman diagnosis

8. Perancangan halaman hasil diagnosis

INPUT GEJALA YANG

DIMASUKKAN

TOMBOL ULANGI

INPUT

TOMBOL DIAGNOSIS

HASIL DIAGNOSIS DAN

TATA LAKSANANYA

TOMBOL MENU

UTAMA

TOMBOL KELUAR

103

9. Perancangan halaman petunjuk pemakaian

10. Perancangan halaman tentang DBD dan demam tifoid

PETUNJUK PEMAKAIAN

TOMBOL MENU

UTAMA

PENJELASAN TENTANG DBD & TIFOID

TOMBOL MENU

UTAMA

104

11. Perancangan halaman profil penulis

PROFIL PENULIS

TOMBOL MENU

UTAMA

105

LAMPIRAN C

TAMPILAN APLIKASI

1. Halaman menu utama



106




107

7. Halaman diagnosis

8. Halaman hasil diagnosis demam tifoid

9. Halaman hasil diagnosis observasi

108

10. Halaman hasil diagnosis cek lab

11. Halaman hasil diagnosis DBD

12. Halaman petunjuk pemakaian

109

13. Halaman tentang DBD dan demam tifoid

14. Halaman profil penulis

110

LAMPIRAN D

INSTALASI MATLAB 7.8

1. Buka file setup.exe dari sumber proram Matlab (CD atau media lain),

maka akan ditampilkan jendela installer Matlab seperti berikut :

Pilih ‘Install manually without using internet’ karena kita tidak terkoneksi

ke internet, jika terkoneksi ke internet, pilih ‘Install automatically using

the internet’ Kemudian klik Next.

2. Pada jendela License Aggreement, pilih radio button Yes kemudian klik

Next.

111

3. Pada jendela File Installation Key pilih radio button ‘I have the file

installation key for my license’ kemudian masukkan key installation

11111-11111-02011-44270. Masukkan key installation 11111-11111-

02011-06717 jika kita menggunakan instalasi lewat internet. Setelah kita

masukkan key installation, klik Next.

4. Pada jendela Installation Type pilih radio button typical, klik Next.

5. Pada jendela Folder Selection, ketikkan lokasi tempat yang kita inginkan

untuk menginstal Matlab atau biarkan default (biasanya diarahkan di

Program File) kemudian klik Next.

112

6. Selanjutnya akan ditampilkan jendela confirmation yang memberikan

penjelasan tentang product-product yang kita install. Lalu klik Install

7. Proses instalasi akan dimulai, tunggu prosesnya sampai complete (100%)

dan akan keluar jendela aktivasi Matlab, pilih radio button ‘Activate

manually without the internet’ kemudian klik Next.

113

8. Masukkan path lokasi tempat kita menyimpan file ‘lic_standalone.dat’

yang terdapat pada folder ‘crack’ dengan cara browse kemudian klik Next.

9. Program Matlab telah berhasil di install dan di aktivasi.

114

LAMPIRAN E

KODE PROGRAM

1. Menu Utama

function varargout = menuUtama(varargin) % MENUUTAMA M-file for menuUtama.fig % MENUUTAMA, by itself, creates a new MENUUTAMA or raises the

existing % singleton*. % % H = MENUUTAMA returns the handle to a new MENUUTAMA or the

handle to % the existing singleton*. % % MENUUTAMA('CALLBACK',hObject,eventData,handles,...) calls

the local % function named CALLBACK in MENUUTAMA.M with the given input

arguments. % % MENUUTAMA('Property','Value',...) creates a new MENUUTAMA

or raises the % existing singleton*. Starting from the left, property

value pairs are % applied to the GUI before menuUtama_OpeningFcn gets called.

An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to menuUtama_OpeningFcn via

varargin. % % *See GUI Options on GUIDE's Tools menu. Choose "GUI allows

only one % instance to run (singleton)". % % See also: GUIDE, GUIDATA, GUIHANDLES

% Edit the above text to modify the response to help menuUtama

% Last Modified by GUIDE v2.5 21-Oct-2010 17:45:48

% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @menuUtama_OpeningFcn, ... 'gui_OutputFcn', @menuUtama_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1});

115

end

if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end % End initialization code - DO NOT EDIT

% --- Executes just before menuUtama is made visible. function menuUtama_OpeningFcn(hObject, eventdata, handles,

varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to menuUtama (see VARARGIN)

% Choose default command line output for menuUtama handles.output = hObject;

% Update handles structure guidata(hObject, handles);

% UIWAIT makes menuUtama wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = menuUtama_OutputFcn(hObject, eventdata,

handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA)

% Get default command line output from handles structure varargout{1} = handles.output;

% --- Executes on button press in pushbutton1. function pushbutton1_Callback(hObject, eventdata, handles) % hObject handle to pushbutton1 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) gejala1 close menuUtama

% --- Executes on button press in pushbutton2.

116

function pushbutton2_Callback(hObject, eventdata, handles) % hObject handle to pushbutton2 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) petunjuk close menuUtama


MATLAB % handles structure with handles and user data (see GUIDATA) tentangProgram close menuUtama


MATLAB % handles structure with handles and user data (see GUIDATA) profil close menuUtama


MATLAB % handles structure with handles and user data (see GUIDATA) close all

% --- Executes on mouse press over figure background, over a

disabled or % --- inactive control, or over an axes background. function figure1_WindowButtonDownFcn(hObject, eventdata, handles) % hObject handle to figure1 (see GCBO) % eventdata reserved - to be defined in a future version of


2. Gejala 1

function varargout = gejala1(varargin) % GEJALA1 M-file for gejala1.fig % GEJALA1, by itself, creates a new GEJALA1 or raises the

existing % singleton*. %

117

% H = GEJALA1 returns the handle to a new GEJALA1 or the

handle to % the existing singleton*. % % GEJALA1('CALLBACK',hObject,eventData,handles,...) calls the

local % function named CALLBACK in GEJALA1.M with the given input

arguments. % % GEJALA1('Property','Value',...) creates a new GEJALA1 or

raises the % existing singleton*. Starting from the left, property

value pairs are % applied to the GUI before gejala1_OpeningFcn gets called.


application % stop. All inputs are passed to gejala1_OpeningFcn via



% Edit the above text to modify the response to help gejala1


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @gejala1_OpeningFcn, ... 'gui_OutputFcn', @gejala1_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end


% --- Executes just before gejala1 is made visible. function gejala1_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure

118

% eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to gejala1 (see VARARGIN)

% Choose default command line output for gejala1 handles.output = hObject;


% UIWAIT makes gejala1 wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = gejala1_OutputFcn(hObject, eventdata,




function edit1_Callback(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of


% Hints: get(hObject,'String') returns contents of edit1 as text % str2double(get(hObject,'String')) returns contents of

edit1 as a double

% --- Executes during object creation, after setting all

properties. function edit1_CreateFcn(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles empty - handles not created until after all

CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER. if ispc && isequal(get(hObject,'BackgroundColor'),

get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white');

119

end


MATLAB % handles structure with handles and user data (see GUIDATA) dat1=str2num(get(handles.edit1,'string')); if dat1<0 || dat1>10 warndlg('Nilai yang Anda masukkan diluar

jangkauan!','Peringatan') else csvwrite('dat1.dat',dat1); gejala2 close gejala1 end

3. Gejala 2 function varargout = gejala2(varargin) % GEJALA2 M-file for gejala2.fig % GEJALA2, by itself, creates a new GEJALA2 or raises the

existing % singleton*. % % H = GEJALA2 returns the handle to a new GEJALA2 or the











120

% Last Modified by GUIDE v2.5 12-Nov-2010 13:43:43



% --- Executes just before gejala2 is made visible. function gejala2_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of









121




edit1 as a double




CreateFcns called


get(0,'defaultUicontrolBackgroundColor')) set(hObject,'BackgroundColor','white'); end




4. Gejala 3


existing % singleton*.

122

% % H = GEJALA3 returns the handle to a new GEJALA3 or the















123













edit1 as a double




CreateFcns called



124

end




5. Gejala 4


existing % singleton*. % % H = GEJALA4 returns the handle to a new GEJALA4 or the











125




% --- Executes just before gejala4 is made visible. function gejala4_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of









126




edit1 as a double




CreateFcns called






6. Gejala 5


existing % singleton*.

127

% % H = GEJALA5 returns the handle to a new GEJALA5 or the















128













edit1 as a double




CreateFcns called



129

end



jangkauan!','Peringatan') else csvwrite('dat5.dat',dat5); diagnosis close gejala5 end

7. Cekmf

function diagnosis=cekmf(nilai) mf1=evalmf(nilai,[0 2 3.99],'trimf') mf2=evalmf(nilai,[3 4.5 5.9],'trimf') mf3=evalmf(nilai,[5 6.5 7.9],'trimf') mf4=evalmf(nilai,[7 8.5 10],'trimf') if nilai<=3.99 diagnosis=0; else if nilai>3 && nilai<=5 diagnosis=1; else if nilai>5 && nilai<=7 diagnosis=2; else if nilai>7 && nilai<=10 diagnosis=3; end end end end

8. Diagnosis

function varargout = diagnosis(varargin) % DIAGNOSIS M-file for diagnosis.fig % DIAGNOSIS, by itself, creates a new DIAGNOSIS or raises the

existing % singleton*. % % H = DIAGNOSIS returns the handle to a new DIAGNOSIS or the

handle to

130

% the existing singleton*. % % DIAGNOSIS('CALLBACK',hObject,eventData,handles,...) calls

the local % function named CALLBACK in DIAGNOSIS.M with the given input

arguments. % % DIAGNOSIS('Property','Value',...) creates a new DIAGNOSIS


value pairs are % applied to the GUI before diagnosis_OpeningFcn gets called.


application % stop. All inputs are passed to diagnosis_OpeningFcn via



% Edit the above text to modify the response to help diagnosis


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @diagnosis_OpeningFcn, ... 'gui_OutputFcn', @diagnosis_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end


% --- Executes just before diagnosis is made visible. function diagnosis_OpeningFcn(hObject, eventdata, handles,


MATLAB

131

% handles structure with handles and user data (see GUIDATA) % varargin command line arguments to diagnosis (see VARARGIN)

% Choose default command line output for diagnosis handles.output = hObject;


% UIWAIT makes diagnosis wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = diagnosis_OutputFcn(hObject, eventdata,




%


MATLAB % handles structure with handles and user data (see GUIDATA) dat1=load('dat1.dat'); dat2=load('dat2.dat'); dat3=load('dat3.dat'); dat4=load('dat4.dat'); dat5=load('dat5.dat'); fis=readfis('pakarDBDTifoid'); fis.andMethod='min'; fis.orMethod='max'; fis.impMethod='min'; fis.aggMethod='max'; %out_fis=genfis(fis); hasil=evalfis([dat1 dat2 dat3 dat4 dat5],fis); diagnosis=cekmf(hasil) if diagnosis==0 diagnosis0 else

132

if diagnosis==1 diagnosis1 else if diagnosis ==2 diagnosis2 else diagnosis3 end end end close diagnosis


MATLAB % handles structure with handles and user data (see GUIDATA) gejala1 close diagnosis

function editGejala_Callback(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of



edit1 as a double


properties. function editGejala_CreateFcn(hObject, eventdata, handles) % hObject handle to edit1 (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called



% --- Executes on button press in pushbutton3. function pushbutton3_Callback(hObject, eventdata, handles)

133

% hObject handle to pushbutton3 (see GCBO) % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) dat1=load('dat1.dat'); dat2=load('dat2.dat'); dat3=load('dat3.dat'); dat4=load('dat4.dat'); dat5=load('dat5.dat'); out1=num2str(dat1); out2=num2str(dat2); out3=num2str(dat3); out4=num2str(dat4); out5=num2str(dat5); set(handles.out1,'String',out1); set(handles.out2,'String',out2); set(handles.out3,'String',out3); set(handles.out4,'String',out4); set(handles.out5,'String',out5); guidata(hObject,handles);

function out1_Callback(hObject, eventdata, handles) % hObject handle to out1 (see GCBO) % eventdata reserved - to be defined in a future version of


% Hints: get(hObject,'String') returns contents of out1 as text % str2double(get(hObject,'String')) returns contents of

out1 as a double


properties. function out1_CreateFcn(hObject, eventdata, handles) % hObject handle to out1 (see GCBO) % eventdata reserved - to be defined in a future version of


CreateFcns called



function out2_Callback(hObject, eventdata, handles) % hObject handle to out2 (see GCBO)

134




out2 as a double




CreateFcns called






out3 as a double




CreateFcns called



135




out4 as a double




CreateFcns called






out5 as a double




CreateFcns called

% Hint: edit controls usually have a white background on Windows. % See ISPC and COMPUTER.

136

if ispc && isequal(get(hObject,'BackgroundColor'),


9. Diagnosis0

function varargout = diagnosis0(varargin) % DIAGNOSIS0 M-file for diagnosis0.fig % DIAGNOSIS0, by itself, creates a new DIAGNOSIS0 or raises

the existing % singleton*. % % H = DIAGNOSIS0 returns the handle to a new DIAGNOSIS0 or

the handle to % the existing singleton*. % % DIAGNOSIS0('CALLBACK',hObject,eventData,handles,...) calls

the local % function named CALLBACK in DIAGNOSIS0.M with the given

input arguments. % % DIAGNOSIS0('Property','Value',...) creates a new DIAGNOSIS0


value pairs are % applied to the GUI before diagnosis0_OpeningFcn gets

called. An % unrecognized property name or invalid value makes property

application % stop. All inputs are passed to diagnosis0_OpeningFcn via



% Edit the above text to modify the response to help diagnosis0


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @diagnosis0_OpeningFcn, ... 'gui_OutputFcn', @diagnosis0_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1});

137

end


% --- Executes just before diagnosis0 is made visible. function diagnosis0_OpeningFcn(hObject, eventdata, handles,


MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to diagnosis0 (see VARARGIN)

% Choose default command line output for diagnosis0 handles.output = hObject;


% UIWAIT makes diagnosis0 wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = diagnosis0_OutputFcn(hObject, eventdata,






138

10. Diagnosis1














% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @diagnosis1_OpeningFcn, ... 'gui_OutputFcn', @diagnosis1_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end

if nargout [varargout{1:nargout}] = gui_mainfcn(gui_State, varargin{:}); else gui_mainfcn(gui_State, varargin{:}); end

139

% End initialization code - DO NOT EDIT













11. Diagnosis2


the existing % singleton*.

140

% % H = DIAGNOSIS2 returns the handle to a new DIAGNOSIS2 or















varargin) % This function has no output args, see OutputFcn.

141

% hObject handle to figure % eventdata reserved - to be defined in a future version of











12. Diagnosis3




the local

142

% function named CALLBACK in DIAGNOSIS3.M with the given















% Choose default command line output for diagnosis3

143

handles.output = hObject;









13. Petunjuk pemakaian

function varargout = petunjuk(varargin) % PETUNJUK M-file for petunjuk.fig % PETUNJUK, by itself, creates a new PETUNJUK or raises the

existing % singleton*. % % H = PETUNJUK returns the handle to a new PETUNJUK or the

handle to % the existing singleton*. % % PETUNJUK('CALLBACK',hObject,eventData,handles,...) calls

the local % function named CALLBACK in PETUNJUK.M with the given input

arguments. % % PETUNJUK('Property','Value',...) creates a new PETUNJUK or


value pairs are

144

% applied to the GUI before petunjuk_OpeningFcn gets called.


application % stop. All inputs are passed to petunjuk_OpeningFcn via



% Edit the above text to modify the response to help petunjuk


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @petunjuk_OpeningFcn, ... 'gui_OutputFcn', @petunjuk_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end


% --- Executes just before petunjuk is made visible. function petunjuk_OpeningFcn(hObject, eventdata, handles,


MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to petunjuk (see VARARGIN)

% Choose default command line output for petunjuk handles.output = hObject;


% UIWAIT makes petunjuk wait for user response (see UIRESUME) % uiwait(handles.figure1);

145

% --- Outputs from this function are returned to the command line. function varargout = petunjuk_OutputFcn(hObject, eventdata,





MATLAB % handles structure with handles and user data (see GUIDATA) menuUtama close petunjuk

tentang program

function varargout = tentangProgram(varargin) % TENTANGPROGRAM M-file for tentangProgram.fig % TENTANGPROGRAM, by itself, creates a new TENTANGPROGRAM or

raises the existing % singleton*. % % H = TENTANGPROGRAM returns the handle to a new

TENTANGPROGRAM or the handle to % the existing singleton*. % % TENTANGPROGRAM('CALLBACK',hObject,eventData,handles,...)

calls the local % function named CALLBACK in TENTANGPROGRAM.M with the given

input arguments. % % TENTANGPROGRAM('Property','Value',...) creates a new

TENTANGPROGRAM or raises the % existing singleton*. Starting from the left, property

value pairs are % applied to the GUI before tentangProgram_OpeningFcn gets


application % stop. All inputs are passed to tentangProgram_OpeningFcn

via varargin. %

146

% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows


% Edit the above text to modify the response to help

tentangProgram


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @tentangProgram_OpeningFcn,

... 'gui_OutputFcn', @tentangProgram_OutputFcn,

... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end


% --- Executes just before tentangProgram is made visible. function tentangProgram_OpeningFcn(hObject, eventdata, handles,


MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to tentangProgram (see

VARARGIN)

% Choose default command line output for tentangProgram handles.output = hObject;


% UIWAIT makes tentangProgram wait for user response (see

UIRESUME) % uiwait(handles.figure1);

147

% --- Outputs from this function are returned to the command line. function varargout = tentangProgram_OutputFcn(hObject, eventdata,





MATLAB % handles structure with handles and user data (see GUIDATA) menuUtama close tentangProgram

14. Profil

function varargout = profil(varargin) % PROFIL M-file for profil.fig % PROFIL, by itself, creates a new PROFIL or raises the

existing % singleton*. % % H = PROFIL returns the handle to a new PROFIL or the handle

to % the existing singleton*. % % PROFIL('CALLBACK',hObject,eventData,handles,...) calls the

local % function named CALLBACK in PROFIL.M with the given input

arguments. % % PROFIL('Property','Value',...) creates a new PROFIL or


value pairs are % applied to the GUI before profil_OpeningFcn gets called.


application % stop. All inputs are passed to profil_OpeningFcn via

varargin. %

148

% *See GUI Options on GUIDE's Tools menu. Choose "GUI allows


% Edit the above text to modify the response to help profil


% Begin initialization code - DO NOT EDIT gui_Singleton = 1; gui_State = struct('gui_Name', mfilename, ... 'gui_Singleton', gui_Singleton, ... 'gui_OpeningFcn', @profil_OpeningFcn, ... 'gui_OutputFcn', @profil_OutputFcn, ... 'gui_LayoutFcn', [] , ... 'gui_Callback', []); if nargin && ischar(varargin{1}) gui_State.gui_Callback = str2func(varargin{1}); end


% --- Executes just before profil is made visible. function profil_OpeningFcn(hObject, eventdata, handles, varargin) % This function has no output args, see OutputFcn. % hObject handle to figure % eventdata reserved - to be defined in a future version of

MATLAB % handles structure with handles and user data (see GUIDATA) % varargin command line arguments to profil (see VARARGIN)

% Choose default command line output for profil handles.output = hObject;


% UIWAIT makes profil wait for user response (see UIRESUME) % uiwait(handles.figure1);

% --- Outputs from this function are returned to the command line. function varargout = profil_OutputFcn(hObject, eventdata, handles) % varargout cell array for returning output args (see VARARGOUT); % hObject handle to figure

149





MATLAB % handles structure with handles and user data (see GUIDATA) menuUtama close profil

BAB I PENDAHULUAN - · PDF filepencegahan/mengatasi syok ... Adapun sistematika penulisan...

Documents

Transcript of BAB I PENDAHULUAN - · PDF filepencegahan/mengatasi syok ... Adapun sistematika penulisan...