BAB II

TINJAUAN PUSTAKA

2.1 Sistem Pakar

2.1.1. Pengertian Sistem Pakar

Sistem pakar (Expert System) menurut Kusumadewi (2003) merupakan

sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar

komputer dapat menyelesaikan masalah seperti yang dilakukan oleh para ahli.

Sistem pakar baik dirancang agar dapat menyelesaikan suatu permasalahan

tertentu dengan meniru kerja para ahli. Bagi para ahli pun sistem pakar ini juga

dapat membantu aktivitasnya sebagai sistem asisten yang berpengalaman.

Adapun beberapa definisi tentang sistem pakar menurut para ahli, antara

lain (Kusumadewi, 2003) :

a. Menurut Durkin : Sistem pakar adalah suatu program komputer yang dirancang

untuk memodelkan kemampuan penyelesaian masalah yang dilakukan oleh

seorang pakar.

b. Menurut Ignizio : Sistem pakar adalah suatu model dan prosedur yang

berkaitan, dalam suatu domain tertentu, yang mana tingkat keahliannya dapat

dibandingkan dengan keahlian seorang pakar.

c. Menurut Giarratano dan Riley : Sistem pakar adalah suatu sistem komputer

yang bisa menyamai atau meniru kemampuan seorang pakar.

Adapun pengertian lain dari sistem pakar adalah salah satu cabang dari AI

yang membuat penggunaan secara luas knowledge yang khusus untuk

penyelesaian masalah tingkat manusia yang pakar (Arhami, 2005).

Dari definisi-definisi diatas dapat disimpulkan bahwa sistem pakar

merupakan suatu sistem aplikasi yang dapat membantu dalam pengambilan

keputusan atau memecahkan suatu permasalahan dengan meniru kemampuan

seorang pakar.

2.1.2. Ciri-Ciri Sistem Pakar

Menurut Kusrini (2006) ciri-ciri sistem pakar adalah sebagai berikut:

a. Terbatas pada bidang keahlian yang spesifik.

b. Dapat memberikan penalaran untuk data-data yang tidak lengkap / tidak pasti.

c. Dapat mengemukakan rangkaian alasan-alasan yang diberikan dengan cara

yang dapat dipahami

d. Berdasarkan rule atau kaidah tertentu

e. Dirancang untuk dikembangkan secara bertahap

f. Keluaran bersifat anjuran atau nasehat

g. Keluaran tergantung dari dialog dengan user

2.1.3. Arsitektur Sistem Pakar

Menurut turban (2001) Sistem pakar disusun oleh dua bagian utama, yaitu

Lingkungan Pengembangan dan Lingkungan Konsultasi. Lingkungan

Pengembangan digunakan untuk memasukan pengembangan pakar ke dalam

lingkungan sistem pakar, Lingkungan Konsultasi digunakan oleh nonpakar untuk

memperoleh pengetahuan dan nasihat pakar. (Sasmito, 2010)

LINGKUNGAN KONSULTASI LINGKUNGAN

PENGEMBANGAN

Pemakai

Antar Muka (Interfance)

Aksi yang direkomendasikan

Fasilitas Penjelasan

Workplace

Mesin Inferensi

Perbaikan

Pengetahuan

Basis Pengetahuan:

fakta dan aturan

Knowledge Engineer

Pakar

Fakta tentang kejadian tertentu

Gambar 2.1 Arsitektur Sistem Pakar (Turban 2001)

Komponen-komponen yang terdapat dalam sistem pakar adalah sebagai

berikut :

a. Antarmuka pengguna (user interface)

Perangkat lunak yang menyediakan media komunikasi antara pengguna dengan

sistem. Antarmuka menerima informasi dari pengguna dan mengubahnya

kedalam bentuk yang dapat diterima oleh sistem. Pada bagian ini terjadi dialog

antara program dan pengguna, yang memungkinkan sistem pakar dapat

menerima instruksi dan informasi (input) dari pengguna, serta memberikan

(output) kepada pengguna berupa informasi.

b. Basis Pengetahuan

Basis pengetahuan merupakan penerimaan atau perolehan untuk penyelesaian

masalah yang diperoleh dari seorang pakar, buku, laporan, penelitian, jurnal

dan sumber pengetahuan lainnya.

c. Akuisisi Pengetahuan

Akuisisi pengetahuan merupakan trasformasi keahlian dalam menyelesikan

masalah dari sumber pengetahuan kedalam program komputer

d. Mesin Inferensi

Mesin inferensi merupakan otak dari sistem pakar, berupa perangkat lunak

yang melakukan tugas inferensi penalaran sistem pakar, dapat dikatakan

sebagai mesin pemikir (thinking manchine). Pada prinsipnya mesin inferensi

inilah yang akan mencari solusi dari suatu permasalahan.

e. Fasilitas Penjelasan

Fasilitas Penjelasan adalah komponen tambahan yang akan meningkatkan

kemampuan sistem pakar. Komponen ini menggambarkan penalaran sistem

kepada pengguna dengan cara menjawab pertanyaan-pertanyaan yang

dijabarkan dan memberikan solusi terhadap masalah yang terjadi sesuai fakta

yang diberikan oleh pakar

f. Workplace

Merupakan area dari sekumpulan kerja (working memory). Workplace

digunakan untuk merekam hasil-hasil dan kesimpulan yang dicapai.

g. Perbaikan Pengetahuan

Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerjanya

serta kemampuan untuk belajar dan kinerjanya dan meningkatkan untuk

konsultasi mendatang

2.2. Osteoporosis

2.2.1. Pengertian Osteoporosis

Osteoporosis merupakan suatu keadaan tulang yang menjadi keropos,

tanpa mengubah bentuk atau struktur tulang luar, tetapi daerah dalamnya yang

berlubang sehingga mudah patah.

Menurut WHO (World Health Organization), osteoporosis adalah suatu

penyakit yang ditandai dengan berkurangnya massa tulang dan adanya perubahan

mikroaksitektur jaringan tulang, mengakibatkan menurunya kekuatan tulang,

meningkatnya kerapuhan tulang dan resiko terjadinya patah tulang. Osteoporosis

juga merupakan penipisan massa tulang sehingga tulang menjadi rapuh (fragil)

dan mudah patah. (Nurrahmani, 2012)

2.3. Mesin Inferensi

Komponen ini mengandung mekanisme pola pikir dan penalaran yang

digunakan oleh pakar dalam menyelesaikan suatu masalah. Mesin inferensi adalah

program komputer yang memberikan metodologi untuk penalaran tentang

informasi yang ada dalam basis pengetahuan dan dalam workplace, dan untuk

menformulasikan kesimpulan (Turban, 1995).

Kebanyakan sistem pakar berbasis aturan menggunakan strategi inferensi

yang dinamakan modus panen. Berdasarkan strategi ini, jika terdapat aturan “IF A

THEN B”, dan jika diketahui bahwa A benar maka dapat disimpulkan bahwa B

juga benar. Strategi inferensi modus panen dinyatakan dalam bentuk :

[A AND (A→B)]→B

dengan A dan A→B adalah proposisi-proposisi dalam basis pengetahuan.

Terdapat dua pendekatan untuk mengontrol inferensi dalam sistem pakar

berbasis aturan, yaitu pelacakan ke belakang (backward chaining) dan pelacakan

ke depan (forward chaining). Pelacakan ke belakang adalah pendekatan yang

dimotori tujuan (goal-driven). Dalam pendekatan ini pelacakan dimulai dari

tujuan, selanjutnya dicari aturan yang memiliki aturan tersebut untuk

kesimpulannya. Selanjutnya proses pelacakan menggunakan premis untuk aturan

tersebut sebagai tujuan baru dan mencari aturan lain dengan tujuan baru sebagai

kesimpulannya. Proses berlanjut sampai semua kemungkinan ditemukan.

Gambar 2.2 Proses Backward Chaining

Pelacakan ke depan adalah pendekatan yang dimotori data (data-driven).

Dalam pendekatan ini pelacakan dimulai dari informasi masukan dan selanjutnya

mencoba menggambarkan kesimpulan. Pelacakan ke depan mencari fakta yang

sesuai dengan bagian IF dari aturan IF-THEN.

Gambar 2.3 Proses Forward Chaining

Kedua metode inferensi tersebut dipengaruhi oleh tiga macam

penelusuran, yaitu Depth-first search, Breadth- first search dan Best- first search.

1. Depth-first search, melakukan penelusuran kaidah secara mendalam dari

simpul akar bergerak menurun ke tingkat dalam yang berurutan.

2. Breadth- first search, bergerak dari simpul akar, simpul yang ada pada

setiap tingkat diuji sebelum pindah ke tingkat selanjutnya.

3. Best- first search, bekerja berdasarkan kombinasi kedua metode

sebelumnya.

Dalam memilih apakah akan menggunakan pelacakan ke depan atau ke

belakan semuanya bergantung masalah yang akan dibuat sistem pakarnya, dan

belum dapat dibuktikan mana yang lebih baik di antara kedua metode inferensi

ini.

Untuk sebuah sistem pakar yang besar, dengan jumlah rule yang relatif

banyak, metode pelcakan ke depan akan dirasakan sangat lamban dalam

pengambilan kesimpulan, sehingga untuk sistem-sistem yang besar digunakan

metode pelacakan ke belakang.

Sehingga dalam penyelesaian aplikasi sistem pakar untuk mendiagnosa

osteoporosis menggunakan metode naïve bayes ini menggunakan pelacakan ke

depan karena pelacakan dimulai dari informasi masukan dan selanjutnya

mencoba menggambarkan kesimpulan. Dimana user memasukan gejala yang

mereka rasakan kemudian sistem yang akan menentukan apakah mereka terkena

osteoporosis atau tidak osteoporosis.

2.4. Metode Naïve Bayes

Metode Naive Bayes merupakan suatu metode untuk menghasilkan

estimasi parameter dengan menggabungkan informasi dari sampel dan informasi

lain yang telah tersedia sebelumnya.

Adapun rumus naïve bayes yaitu :

P(Y|X) = P(Y)𝑞

ⁱ₌₁ P(X

𝑞

ⁱ| Y )

(1) . . . . . . . . . . . . . . . .

Dimana:

P(Y|X) = probabilitas data dengan vector X pada kelas Y

P(Y) = probailitas awal kellas Y

𝑞

ⁱ₌₁ P(X

ⁱ| Y ) = probabilitas independen kelas Y dari semua fitur dalam vector

X.

Untuk menerapkan rumus naive bayes kita membutuhkan suatu tabel

aturan seperti pada Tabel 2.1 dibawah ini :

Tabel 2.1 Rule

Selanjutnya untuk mendapatkan hasil akhir dari perhitungan naïve bayes,

pertama kita harus mengetahui nilai probabilitas setiap fitur pada setiap kelas,

nilai tersebut dapat dilihat pada Table 2.2.

Tabel 2.2 Probabilitas Fitur dan Kelas

Gejala Osteoporosis Tidak Osteoporosis

Tidak mengalami menstruasi

Tidak mengalami menstruasi slma 2 bulan

Ras

Nyeri tulang belakang

Nyeri pada kaki

Nyeri pada betis

Nyeri pada paha

Tinggi badan menurun

Nyeri pada tangan

Riwayat operasi sel indung telur

Riwayat mengkonsumsi obat-obatan

Riwayat mengkonsumsi alcohol

Riwayat merokok

Bentuk kaki X dan O

Riwayat keluarga

Pikun

Diare

P (Tidak mengalami menstruasi = ya /

Osteoporosis) = 4/6

P (Tidak mengalami menstruasi = tidak /

Osteoporosis) = 2/6

P (Tidak mengalami menstruasi = ya

/Tidak Osteoporosis) = 2/6

P (Tidak mengalami menstruasi = tidak

/Tidak Osteoporosis) = 4/6

6

7

5

5

5

3

5

9

5

6

5

3

7

2

4

6

7 5

6

5

7

7

7

9

7

3

7

6

7

9

5

10

8

6

P (Tidak mengalami menstruasi 2 bulan

= ya / Osteoporosis ) = 3/6

P (Tidak mengalami menstruasi 2 bulan

= tidak / Osteoporosis ) = 7/6

P (Ras = ya / Osteoporosis ) = 2/6

P (Ras = tidak / Osteoporosis ) = 3/6

P (Nyeri tulang belakang = ya /

Osteoporosis) = 4/6

P (Nyeri tulang belakang = tidak /

Osteoporosis) = 3/6

P (Nyeri pada kaki = ya / Osteoporosis)

= 4/6

P (Nyeri pada kaki = tidak /

Osteoporosis) = 3/6

P (Nyeri pada betis = ya / Osteoporosis)

= 5/6

P (Nyeri pada betis = tidak /

Osteoporosis) =2/6

P (Nyeri pada paha = ya / Osteoporosis)

= 4/6

P (Nyeri pada paha = tidak /

Osteoporosis) = 5/6

P (Tinggi badan menurun = ya /

P (Tidak mengalami menstruasi 2 bulan =

ya/ Tidak Osteoporosis) = 3/6

P (Tidak mengalami menstruasi 2 bulan =

tidak/ Tidak Osteoporosis) = 2/6

P (Ras = ya/ Tidak Osteoporosis) = 4/6

P (Ras = tidak/ Tidak Osteoporosis) = 3/6

P (Nyeri tulang belakang = ya / tidak

Osteoporosis) = 2/6

P (Nyeri tulang belakang = tidak / tidak

Osteoporosis) = 3/6

P (Nyeri pada kaki = ya / tidak

Osteoporosis) = 2/6

P (Nyeri pada kaki = tidak / tidak

Osteoporosis) = 3/6

P (Nyeri pada betis = ya / tidak

Osteoporosis) = 1/6

P (Nyeri pada betis = tidak / tidak

Osteoporosis) = 4/6

P (Nyeri pada paha = ya / tidak

Osteoporosis) = 2/6

P (Nyeri pada paha = tidak / tidak

Osteoporosis) = 1/6

P (Tinggi badan menurun = ya / tidak

Osteoporosis) = 6/6

P (Tinggi badan menurun = tidak /

Osteoporosis) = 2/6

P (Nyeri pada tangan = ya /

Osteoporosis) =1/6

P (Nyeri pada tangan = tidak /

Osteoporosis) = 3/6

P (Riwayat operasi sel indung telur = ya

/ Osteoporosis) = 6/6

P (Riwayat operasi sel indung telur =

tidak / Osteoporosis) = 1/6

P (Riwayat mengkonsumsi obat-obatan

atau jamu = ya / Osteoporosis) = 5/6

P (Riwayat mengkonsumsi obat-obatan

atau jamu = tidak / Osteoporosis) = 1/6

P (Riwayat mengkonsumsi alcohol = ya

/ Osteoporosis) = 4/6

P (Riwayat mengkonsumsi alcohol =

tidak / Osteoporosis) = 2/6

P (Riwayat merokok = ya / Osteoporosis)

= 5/6

P(Riwayat merokok = tidak /

Osteoporosis) = 4/6

Osteoporosis) = 0

P (Tinggi badan menurun = tidak / tidak

Osteoporosis) = 4/6

P (Nyeri pada tangan = ya / tidak

Osteoporosis) = 5/6

P (Nyeri pada tangan = tidak / tidak

Osteoporosis) = 3/6

P (Riwayat operasi sel indung telur = ya

/ tidak Osteoporosis) = 0

P (Riwayat operasi sel indung telur =

tidak / tidak Osteoporosis) = 5/6

P (Riwayat mengkonsumsi obat-obatan

atau jamu = ya / tidak Osteoporosis) = 1/6

P (Riwayat mengkonsumsi obat-obatan

atau jamu = tidak / tidak Osteoporosis) = 5/6

P (Riwayat mengkonsumsi alcohol = ya /

tidak Osteoporosis) = 2/6

P (Riwayat mengkonsumsi alcohol =

tidak / tidak Osteoporosis) = 4/6

P (Riwayat merokok = ya / tidak

Osteoporosis) = 1/6

P (Riwayat merokok = tidak / tidak

Osteoporosis) = 2/6

Untuk melakukan perhitungan naïve bayes kita akan menggunakan

sebuah contoh berupa salah seorang masyarakat melakukan konsultasi dengan

memilih gejala, Tidak mengalami menstruasi = ya, Tidak mengalami menstruasi 2

bulan = ya, Ras= ya, Nyeri tulang belakang = ya, Nyeri pada kaki = ya, Nyeri

pada betis = ya, Nyeri pada paha= ya, Tinggi badan menurun= ya, Nyeri pada

tangan = tidak, Riwayat operasi sel indung telur = ya, Riwayat mengkonsumsi

obat-obatan atau jamu = ya, Riwayat mengkonsumsi alcohol = tidak, Riwayat

merokok = ya, Bentuk kaki X dan O = tidak, Riwayat keluarga = ya, Pikun = ya,

Diare = tidak.

P(Bentuk kaki X dan O = ya /

Osteoporosis) = 0

P (Bentuk kaki X dan O = tidak /

Osteoporosis) = 5/6

P (Riwayat keluarga = ya /

Osteoporosis) = 4/6

P (Riwayat keluarga = tidak /

Osteoporosis) = 6/6

P (Pikun = ya / Osteoporosis) = 4/6

P (Pikun = tidak / Osteoporosis) = 3/6

P (Diare = ya / Osteoporosis) = 3/6

P (Diare = tidak / Osteoporosis) = 3/6

P (Bentuk kaki X dan O = ya / tidak

Osteoporosis) = 6/6

P (Bentuk kaki X dan O = tidak / tidak

Osteoporosis) = 1/6

P (Riwayat keluarga = ya / tidak

Osteoporosis) = 2/6

P (Riwayat keluarga = tidak / tidak

Osteoporosis) = 0

P (Pikun = ya / tidak Osteoporosis) = 2/6

P(Pikun = tidak / tidak Osteoporosis) =

3/6

P (Diare = ya / tidak Osteoporosis) = 3/6

P (Diare = tidak / tidak Osteoporosis)

=3/6

Apakah masyarakat tersebut terkena osteoporosis atau tidak ?

Setelah kita mengetahui nilai probabilitas setiap fitur pada setiap kelas,

barulah kemudian menghitung probabilitas akhir untuk setiap kelas,adapun

langkah-langkahnya :

1. Mengambil nilai probabilitas pada setiap fitur pada Tabel 2.2 sesuai dengan

gejala yang ada pada contoh kasus dengan nilai probabilitas pada kelas

Osteoporosis dan Tidak Osteoporosis.

Osteoporosis : P (Tidak mengalami menstruasi = ya / Osteoporosis) = 4/6

P (Tidak mengalami menstruasi 2 bulan = ya / Osteoporosis) = 3/6

P (Ras = ya / Osteoporosis ) = 2/6

P (Nyeri tulang belakang = ya / Osteoporosis) = 4/6

P (Nyeri pada kaki = ya / Osteoporosis) = 4/6

P (Nyeri pada betis = ya / Osteoporosis) = 5/6

P (Nyeri pada paha = ya / Osteoporosis) = 4/6

P (Tinggi badan menurun = ya / Osteoporosis) = 6/6

P (Nyeri pada tangan = tidak / Osteoporosis) = 5/6

P (Riwayat operasi sel indung telur = ya / Osteoporosis) = 6/6

P (Riwayat mengkonsumsi obat-obatan atau jamu = ya /

Osteoporosis)=5/6

P (Riwayat mengkonsumsi alcohol = tidak / Osteoporosis) = 2/6

P (Riwayat merokok = ya / Osteoporosis) = 5/6

P (Bentuk kaki X dan O = tidak / Osteoporosis) = 6/6

P (Riwayat keluarga = ya / Osteoporosis) = 4/6

P (Pikun = ya / Osteoporosis) = 4/6

P (Diare = tidak / Osteoporosis) = 3/6

Tidak Osteoporosis : P (Tidak mengalami menstruasi = ya /Tidak Osteoporosis) = 2/6

P (Tidak mengalami menstruasi 2 bulan = ya/ Tidak

Osteoporosis)= 4/6

P (Ras = ya/ Tidak Osteoporosis) = 3/6

P (Nyeri tulang belakang = ya / tidak Osteoporosis) = 3/6

P (Nyeri pada kaki = ya / tidak Osteoporosis) = 3/6

P (Nyeri pada betis = ya / tidak Osteoporosis) = 2/6

P (Nyeri pada paha = ya / tidak Osteoporosis) = 5/6

P (Tinggi badan menurun = ya / tidak Osteoporosis) = 2/6

P (Nyeri pada tangan = tidak / tidak Osteoporosis) = 3/6

P (Riwayat operasi sel indung telur = ya / tidak Osteoporosis) = 1/6

P (Riwayat mengkonsumsi obat-obatan atau jamu = ya /tidak

Osteoporosis) =1/6

P (Riwayat mengkonsumsi alcohol = tidak / tidak Osteoporosis) = 4/6

P (Riwayat merokok = ya / tidak Osteoporosis) = 4/6

P (Bentuk kaki X dan O = tidak / tidak Osteoporosis) = 1/6

P (Riwayat keluarga = ya / tidak Osteoporosis) = 6/6

P (Pikun = ya / tidak Osteoporosis) = 3/6

P (Diare = tidak / tidak Osteoporosis) = 3/6

2. Setelah menngetahui nilai probabilitas fitur pada setiap kelas selanjutnya kita

menghitung nilai probabilitas fitur pada kelas Osteoporosis dan Tidak

Osteoporosis .

P(X | Osteoporosis)= P (Tidak mengalami menstruasi = ya / Osteoporosis) *P

(Tidak mengalami menstruasi 2 bulan = ya /

Osteoporosis ) * P (Ras = ya / Osteoporosis ) * P (Nyeri

tulang belakang = ya / Osteoporosis) *P (Nyeri pada

kaki = ya / Osteoporosis) * P (Nyeri pada betis = ya

/Osteoporosis) * P (Nyeri pada paha = ya /

Osteoporosis) *P (Tinggi badan menurun = ya /

Osteoporosis) * P (Nyeri pada tangan = tidak /

Osteoporosis) * P (Riwayat operasi sel indung telur = ya

/ Osteoporosis) * P (Riwayat mengkonsumsi obat-

obatan atau jamu = ya / Osteoporosis) * P (Riwayat

mengkonsumsi alcohol = tidak / Osteoporosis) * P

(Riwayat merokok = ya / Osteoporosis) * P (Bentuk

kaki X dan O = tidak / Osteoporosis) * P (Riwayat

keluarga = ya / Osteoporosis) * P (Pikun = ya /

Osteoporosis) * P (Diare = tidak / Osteoporosis)

=4/6 x 3/6 x 2/6 x 4/6 x 4/6 x 5/6 x 4/6 x 6/6 x 5/6 x 6/6

x 5/6 x 2/6 x 5/6 x 6/6 x 4/6 x 4/6 x 3/6 = 0.001176

P(X | Tidak Osteoporosis)= P (Tidak mengalami

menstruasi = ya /Tidak Osteoporosis) *P (Tidak

mengalami menstruasi 2 bulan = ya/ Tidak

Osteoporosis) * P (Ras = ya/ Tidak Osteoporosis) * P

(Nyeri tulang belakang = ya / tidak Osteoporosis) * P

(Nyeri pada kaki = ya / tidak Osteoporosis) * P (Nyeri

pada betis = ya / tidak Osteoporosis) * P (Nyeri pada

paha = ya / tidak Osteoporosis) * P (Tinggi badan

menurun = ya / tidak Osteoporosis) *P (Nyeri pada

tangan = tidak / tidak Osteoporosis) * P (Riwayat

operasi sel indung telur = ya / tidak Osteoporosis) * P

(Riwayat mengkonsumsi obat-obatan atau jamu = ya /

tidak Osteoporosis) * P (Riwayat mengkonsumsi

alcohol = tidak / tidak Osteoporosis) * P (Riwayat

merokok = ya / tidak Osteoporosis) * P (Bentuk kaki X

dan O = tidak / tidak Osteoporosis) *P (Riwayat

keluarga = ya / tidak Osteoporosis) * P (Pikun = ya /

tidak Osteoporosis) * P (Diare = tidak / tidak

Osteoporosis)

=2/6 x 4/6 x 3/6 x 3/6 x 3/6 x 2/6 x 5/6 x 2/6 x 3/6 x 1/6

x 1/6 x 4/6 x 4/6 x 1/6 x 6/6 x 3/6 x 3/6 = 0.000001

Hasil : Anda di diagnose terkena Osteoporosis.

3. Setelah kita mengetahui nilai antara kelas Osteoporosis dan Tidak Osteoporosis

dapat ditentukan bahwa masyarakat tersebut terkena Osteoporosis.

2.5. Tinjauan Penelitian Terkait

Aprilia Sulistyohati dan Taufiq Hidayat. 2008 pada penelitian tentang

“Aplikasi Sistem Pakar Diagnosa Penyakit Ginjal Dengan Metode Dempster-

Shafer” Dari penelitian ini diperoleh kesimpulan bahwa nilai kepercayaan yang

dihasilkan dari sistem ini sama dengan hasil perhitungan secara manual dengan

menggunakan teori Dempster-Shafer. Sehingga keakuratan hasilnya sudah sesuai

dengan perhitungan yang diharapkan.

Yakub, Suardin. 2008 pada penelitian tentang “Sistem Pakar Deteksi

Penyakit Diabetes Mellitus Dengan Menggunakan Pendekatan Naïve Bayesian

Berbasis WEB” Dari penelitian ini diperoleh bahwa metode naïve bayes

menetukan apakah seseorang terkena diabetes melitus atau tidak dengan

menghitung probibalitis serta kemungkinan dari penyakit dan gejala-gejala yang

timbul berdasarkan nilai yang diberikan oleh pakar.

Dari kedua penelitian diatas, maka dapat disimpulkan bahwa kedua

metode tersebut dapat digunakan dan menyelesaikan masalah yang terjadi, baik

dengan menggunakan metode Dempster-Shafer maupun dengan menggunakan

metode Naïve Bayes. Oleh karena itu penulis tertarik dalam mengembangkan

sistem pakar untuk mendiagnosa osteoporosis dengan menggunakan metode

Naïve Bayes karena metode naïve bayes dapat menyelesaikan permasalahan yang

terjadi tentang osteoporosis sesuai dengan fakta yang diberikan oleh pakar serta

menentukan seseorang terkena osteoporosis atau tidak.