Upload
truongtu
View
219
Download
0
Embed Size (px)
Citation preview
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.