Sistem Pakar Dengan Case Base Reasoning Dan Certainty Factor Untuk Diagnosa THT

Penulis

  • Rahmat Budiarsa Universitas Esa Unggul
  • Nova Perdana Putra badal.isqh31@gmail.com

DOI:

https://doi.org/10.55382/jurnalpustakaai.v6i2.1718

Kata Kunci:

Case-Based Reasoning, Certainty Factor, Similarity, Expert System, THT

Abstrak

Perbandingan jumlah dokter spesialis telinga hidung dan tenggorokan (THT) dengan jumlah provinsi di Indonesia adalah 1: 48 dokter spesialis THT. Penyakit yang dibahas dalam penelitian ini adalah penyakit otitis media akut, presbikusis, vestibulitis, sinusitis, Faringitis, Tonsilitis, Perforasi Septum, Deviasi Septum, dan Abses Parafaringeal dengan 40 gejala. Menurut dr.Nova Perdana Putra, Sp.THT-KL kesembilan penyakit yang disebutkan sebelumnya adalah penyakit yang biasa diderita oleh masyarakat Kerinci, Jambi. Tujuan dan Manfaat penelitian ini adalah mempermudah dan mempercepat pasien atau masyarakat dalam mendiagnosa awal 9 penyakit THT dan memberikan pengetahuan tentang penyakit yang kemungkinan diderita sebelum ke dokter THT serta membantu diagnosa awal yang dilakukan dokter THT.

Metode pengumpulan data yang dilakukan adalah wawancara, studi literatur dan observasi berjumlah 150 data. Analisis yang dilakukan adalah analisis data, user dan kebutuhan sistem. Pada tahap perancangan sistem pakar dilakukan akuisisi pengetahuan, membuat tabel basis pengetahuan, membuat basis aturan, Decision Tree, membuat alur keputusan sistem dan perancangan basis data. Implementasi dilakukan dalam bentuk web sesuai dengan alur keputusan sistem dimulai dari menginputkan data (pasien dan gejala), decision tree, menghitung similarity, menghitung certainty factor, menyimpan data kasus baru, konfirmasi data, dan menampilkan hasil diagnosa. Tingkat akurasi sistem diuji menggunakan metode accuracy testing. Dalam Penelitian ini penentuan penyakit dengan kasus baru menggunakan kasus lama dapat diterapkan jika similarity gejala pada kedua kasus ? 80%. Penelitian ini telah diuji menggunakan 105 data uji kasus dan menghasilkan tingkat akurasi 93,33% yang berhasil didiagnosa oleh sistem dan disetujui oleh pakar THT dr. Nova Perdana Putra, Sp.THT-KL.

Unduhan

Data unduhan belum tersedia.

Referensi

Direktorat Jenderal Kependudukan dan Pencatatan Sipil. (2024). Jumlah penduduk Indonesia mencapai 282.477.584 jiwa per 30 Juni 2024. Kementerian Dalam Negeri Republik Indonesia. https://www.kemendagri.go.id

Perhimpunan Dokter Spesialis THT-BKL. (2022). Jumlah dokter spesialis THT-BKL tidak memadai di Indonesia. Perhati-KL. https://perhati-kl.or.id/jumlah-dokter-spesialis-tht-bkl-tidak-memadai/

Wiryawan, I. Gede, et al. (2024). The Certainty Factor Algorithm Applied in Case Based Reasoning Method for Stunting Detection Expert System. Jurnal Pekommas, 9(1). https://doi.org/10.56873/jpkm.v9i1.5279

Andreswari, D., Sari, J. P., & Irwanda, S. (2022). Analisis Perbandingan Metode CBR dan CF pada Sistem Pakar Diagnosis Hama dan Penyakit Tanaman Padi. Rekursif: Jurnal Informatika, 10(2). https://doi.org/10.33369/rekursif.v10i2.23276

Pulungan, F. H., Syaifuddin, M., & Elfitriani, E. (2024). Penerapan Metode CF dan CBR pada Sistem Pakar Diagnosa Hama Anggrek. Jurnal Sistem Informasi Triguna Dharma. https://doi.org/10.53513/jursi.v3i6.8921

Nosa, M. R. (2024). Expert System Using CBR for Scalp Disease Diagnosis. Scientica: Jurnal Ilmiah Sains dan Teknologi, 2(7), 262–270.

Mustaqim, M., Ramadhan, A. G., & Iskandar, A. (2025). Perbandingan CF dan CBR dalam Mendeteksi Arteritis Takayasu. KLIK: Kajian Ilmiah Informatika dan Komputer. https://doi.org/10.30865/klik.v4i4.1735

Ratnawati, F., Hardinata, N., & Supendi, S. (2025). Development of CF-Based Expert System for Nutrition Consultation and Stunting Prevention. Jurnal Teknologi dan Open Source. https://doi.org/10.36378/jtos.v8i2.4858

Arinal, V. & Simarmata, N. I. (2025). Expert System for Diagnosing Brain Tumors Using CF. Jurnal JTIK, 9(3), 1010–1015. https://doi.org/10.35870/jtik.v9i3.3825

Abdul Karim, et al. (2024). Sistem Pakar Deteksi Penyakit Otitis dengan Perbandingan CF, Bayes, dan Dempster-Shafer. Jurnal Media Informatika Budidarma. https://doi.org/10.30865/mib.v7i4.6595

Amrullah, et al. (2026). Implementasi CF dalam Sistem Pakar Deteksi Kerusakan Mesin. Jurnal Sistem Informasi Triguna Dharma. https://doi.org/10.53513/jursi.v5i1.12479

Sun, J. & Fei, L. (2025). A Generative AI-Enhanced CBR Method for Risk Assessment. Mathematics. https://doi.org/10.3390/math13172735

Triswardani, G., & Hasibuan, N. A. (2018). Penerapan Case Based Reasoning (CBR) pada Sistem Pakar Diagnosa Penyakit Otitis Media Supuratif Kronis (OMSK) pada Orang Dewasa. Jurnal Media Informatika Budidarma, 2(2), 34–39. https://doi.org/10.30865/mib.v2i2.597

Arhami, M. (2005). Konsep Dasar Sistem Pakar. Yogyakarta: Andi Offset.

Newell, A., Shaw, J. C., & Simon, H. A. (1959). Report on a General Problem-Solving Program. In Proceedings of the International Conference on Information Processing (ICIP), Paris, pp. 256–264.

Turban, E. (2002). Decision Support Systems and Intelligent Systems (7th ed.). Upper Saddle River, NJ: Prentice Hall.

Kusumadewi, S. (2003). Artificial Intelligence: Teknik dan Aplikasinya (Edisi 1). Yogyakarta: Graha Ilmu.

Parwita, O. D., dkk. (2016). Sistem Pakar Diagnosa Penyakit Kejiwaan Skizofrenia Menggunakan Metode Tsukamoto. Jurnal Sistem dan Teknologi Informasi (JUSTIN), 1(1), 1–6.

##submission.downloads##

Diterbitkan

2026-06-30

Cara Mengutip

Budiarsa, R., & Perdana Putra, N. . (2026). Sistem Pakar Dengan Case Base Reasoning Dan Certainty Factor Untuk Diagnosa THT. Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence), 6(2), 210–221. https://doi.org/10.55382/jurnalpustakaai.v6i2.1718