PERANCANGAN SISTEM PAKAR UNTUK DIAGNOSA PENYAKIT TBC (TUBERCULOSIS) PADA ANAK
SKRIPSI
AGUSTINA ERNARIA MANURUNG 0 4 1 4 0 1 0 6 7
PROGRAM STUDI STRATA 1 ILMU KOMPUTER DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PERANCANGAN SISTEM PAKAR UNTUK DIAGNOSA PENYAKIT TBC (TUBERCULOSIS) PADA ANAK MENGGUNAKAN METODE KUANTIFIKASI PERTANYAAN
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat mencapai gelar Sarjana Komputer
AGUSTINA ERNARIA MANURUNG 041401067
DEPARTEMEN S-1 ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA UTARA
PERSETUJUAN
Judul : PERANCANGAN SISTEM PAKAR UNTUK
DIAGNOSA PENYAKIT TBC (TUBERCULOSIS) PADA ANAK
Kategori : SKRIPSI
Nama : AGUSTINA ERNARIA MANURUNG
Nomor Induk Mahasiswa : 041401067
Program Studi : SARJANA (S1) ILMU KOMPUTER Departemen : ILMU KOMPUTER
Fakultas : MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, Komisi Pembimbing :
Pembimbing 2 Pembimbing 1
Syahriol Sitorus, S.Si, MIT Prof. Dr. Muhammad Zarlis NIP 197103101997031004 NIP 195707011986011003
Diketahui/Disetujui oleh
Program Studi S1 Ilmu Komputer Ketua,
PERNYATAAN
PERANCANGAN SISTEM PAKAR UNTUK DIAGNOSA PENYAKIT TBC (TUBERCULOSIS) PADA ANAK MENGGUNAKAN METODE KUANTIFIKASI PERTANYAAN
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil karya saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Januari 2011
PENGHARGAAN
Segala puji dan hormat hanya bagi Tuhan Allah Yang Maha Esa yang mengizinkan penulis untuk menyelesaikan skripsi ini. Sebab kasih-Nya hebat dan kesetiaan Tuhan untuk selama-lamanya.
Banyak pihak yang telah memberikan dukungan kepada penulis dalam pengerjaan skripsi ini baik secara langsung maupun tidak langsung. Oleh karena itu, pada kesempatan ini penulis ingin mengucapkan terima kasih kepada: Ketua Program Studi Ilmu Komputer sekaligus Pembimbing I, Prof. Dr. Muhammad Zarlis dan Sekretaris Program Studi Ilmu Komputer sekaligus Pembimbing II Syahriol Sitorus, S.Si, MIT. Maya Silvi Lydia, B.Sc, M.Sc dan Dian Rachmawati, M.Kom selaku pembimbing pada penyelesaian skripsi ini yang telah memberikan panduan dan penuh kepercayaan kepada penulis untuk menyempurnakan skripsi ini. Seluruh dosen maupun pegawai di Program Studi Ilmu Komputer. Akhirnya, tidak terlupakan kepada yang terkasih ayah dan ibu serta seluruh keluarga, dan seluruh sahabat yang berjasa dan selalu memberikan dorongan kepada penulis selama menyelesaikan skripsi ini.
ABSTRAK
Sistem pakar untuk menangani penyakit TBC pada anak ini dirancang untuk memberikan fasilitas diagnosa penyakit anak yang memiliki gejala seperti TBC dengan menggunakan metode kuantifikasi pertanyaan untuk mendapatkan nilai faktor kepastian dari pengguna. Hasil diagnosa memungkinkan untuk diklasifikasikan oleh sistem ke dalam penyakit TBC, sehingga sistem akan menentukan bahwa pasien adalah penderita penyakit TBC.
EXPERT SYSTEM DESIGN TO DIAGNOSE OF TB DISEASE IN CHILDREN
ABSTRACT
Expert system to deal with TB disease in children is designed to provide diagnostic facilities for childhood diseases that have symptoms such as tuberculosis by using the method of quantification of questions to get value from the user’s certainty factor. The result of diagnosis makes it possible to be classified by the system into TB disease, so the system will determine that the patients are those who suffer from TB disease.
DAFTAR ISI
Halaman
Persetujuan ii
Pernyataan iii Penghargaan iv Abstrak v Abstract vi Daftar Isi vii Daftar Tabel ix Daftar Gambar x Bab 1 Pendahuluan 1.1 Latar Belakang Masalah 1
1.2 Rumusan Masalah 3
1.3 Batasan Masalah 3
1.4 Tujuan Penelitian 3
1.5 Manfaat Penelitian 4
1.6 Metodologi Penelitian 4
Bab 2 Tinjauan Pustaka 2.1 Sistem Pakar 6
2.1.1 Konsep Dasar Sistem Pakar (Expert System) 10
2.1.2 Struktur Sistem Pakar (Expert System) 12
2.1.3 Metode Inferensi 12
2.2 Certainty Factor 14
2.2.1 Metode Kuantifikasi Pertanyaan 16
2.2.1.1 Representasi Pengetahuan 16
2.2.1.2 Menentukan CF User 18
2.3 Penyakit TBC (Tuberculosis) 20
2.3.1 Kuman dan Cara Penularan 20
2.3.2 Risiko Penularan 21
2.3.3 Diagnosa Penyakit TBC (Tuberculosis) 22
Bab 3 Analisis dan Perancangan Sistem 3.1 Analisis Sistem 23
3.2 Perancangan Sistem 24
3.2.1 Basis Data Sistem Pakar 24
3.2.1.1 Data Flow Diagram (DFD) 24
3.2.1.2 Entity Relationship Diagram (ERD) 29
3.2.1.3 Perancangan Kamus Data 31
3.2.3 Mekanisme Inferensi 43
3.2.3.1 Inferensi Diagnosa 43
3.2.3.2 Inferensi Terapi 44
3.2.3.3 Perancangan Mesin Inferensi 44
3.2.4 Perancangan Antarmuka 48
3.2.4.1 Rancangan Halaman Menu Login 49
3.2.4.2 Rancangan Halaman Menu Utama Pakar 49
3.2.4.3 Rancangan Halaman Menu Data Gejala/Penyakit 50
3.2.4.4 Rancangan Halaman Menu Data Alergi 51
3.2.4.5 Rancangan Halaman Menu Data Obat 52
3.2.4.6 Rancangan Halaman Menu Data Terapi 53
3.2.4.7 Rancangan Halaman Menu Aturan Diagnosa 54
3.2.4.8 Rancangan Halaman Menu Aturan Terapi 56
3.2.4.9 Rancangan Halaman Menu Utama Paramedis 56
3.2.4.10 Rancangan Halaman Menu Pendaftaran Pasien 57
3.2.4.11 Rancangan Halaman Menu Konsultasi Kasus Baru 58
3.2.4.12 Rancangan Halaman Menu Konsultasi Lanjutan 59
3.2.4.13 Rancangan Halaman Menu Rekam Medis 60
Bab 4 Implementasi dan Penggunaan 4.1 Spesifikasi Perangkat Keras dan Perangkat Lunak 62
4.2 Cara Penggunaan Program 62
4.2.1 Login sebagai Pakar 63
4.2.2 Login sebagai Paramedis 70
4.3 Pengujian Sistem 75
Bab 5 Kesimpulan dan Saran 5.1 Kesimpulan 80
5.2 Saran 80
DAFTAR TABEL
Halaman
Tabel 3.1 Kamus Data Pengguna 31
Tabel 3.2 Kamus Data Pakar 31
Tabel 3.3 Kamus Data Data 32
Tabel 3.4 Kamus Data Obat 32
Tabel 3.5 Kamus Data Alergi 32
Tabel 3.6 Kamus Data Kontra Obat 32
Tabel 3.7 Kamus Data Terapi 32
Tabel 3.8 Kamus Data Detail Terapi 32
Tabel 3.9 Kamus Data Rule Diagnosa 33
Tabel 3.10 Kamus Data Detail Rule Diagnosa 33
Tabel 3.11 Kamus Data Rule Terapi 33
Tabel 3.12 Kamus Data Pasien 34
Tabel 3.13 Kamus Data Alergi Pasien 34
Tabel 3.14 Kamus Data Kasus 34
Tabel 3.15 Kamus Data Kunjungan 34
Tabel 3.16 Kamus Data Diagnosa 35
Tabel 3.17 Kamus Data Obat Kunjungan 35
Tabel 3.18 Ciri-ciri Penyakit TBC dan Non-TBC 35
Tabel 3.19 Akuisisi Pengetahuan Aturan Diagnosa 37
Tabel 3.20 Akuisisi Pengetahuan Aturan Terapi 41
DAFTAR GAMBAR
Halaman Gambar 3.1 DFD Level 0 Sistem Pakar untuk Diagnosa Penyakit TBC pada Anak
25
Gambar 3.2 DFD Level 1 Sistem Pakar untuk Diagnosa Penyakit TBC pada Anak 26
Gambar 3.3 Entity Relationship Diagram 30
Gambar 3.4 Pohon Keputusan Diagnosa dan Terapi Penyakit TBC Pada Anak 45 Gambar 3.5 Flowchart Sistem Pakar untuk Diagnosa Penyakit TBC Pada Anak 47 Gambar 3.6 Rancangan Halaman Menu Login 49
Gambar 3.7 Rancangan Halaman Menu Utama Pakar 50
Gambar 3.8 Rancangan Halaman Menu Data Gejala/Penyakit 50
Gambar 3.9 Rancangan Halaman Menu Tambah/Edit Data Gejala/Penyakit 51
Gambar 3.10 Rancangan Halaman Menu Data Alergi 51
Gambar 3.11 Rancangan Halaman Menu Tambah/Edit Data Alergi 52
Gambar 3.12 Rancangan Halaman Menu Data Obat 52
Gambar 3.13 Rancangan Halaman Menu Tambah/Edit Data Obat 53
Gambar 3.14 Rancangan Halaman Menu Data Terapi 53
Gambar 3.15 Rancangan Halaman Menu Tambah/Edit Data Terapi 54
Gambar 3.16 Rancangan Halaman Menu Aturan Diagnosa 55
Gambar 3.17 Rancangan Halaman Menu Tambah/Edit Aturan Diagnosa 55
Gambar 3.18 Rancangan Halaman Menu Aturan Terapi 56
Gambar 3.19 Rancangan Halaman Menu Utama Paramedis 57
Gambar 3.20 Rancangan Halaman Pendaftaran Pasien 58
Gambar 3.21 Rancangan Halaman Tambah/Edit Pasien 58
Gambar 3.22 Rancangan Halaman Menu Konsultasi Kasus Baru 59
Gambar 3.23 Rancangan Halaman Menu Konsultasi Lanjutan 60
Gambar 3.24 Rancangan Halaman Menu Rekam Medis 61
Gambar 4.1 Halaman Login 62
Gambar 4.2 Menu Utama Pakar 63
Gambar 4.3 Halaman Manajemen Data Gejala/Penyakit 64
Gambar 4.4 Halaman Penambahan Data Gejala/Penyakit 64
Gambar 4.5 Halaman Kontraindikasi 65
Gambar 4.6 Halaman Penambahan Kontraindikasi 66
Gambar 4.7 Halaman Manajemen Obat 67
Gambar 4.8 Halaman Penambahan Obat 67
Gambar 4.9 Halaman Manajemen Terapi 68
Gambar 4.10 Halaman Penambahan Terapi 68
Gambar 4.11 Halaman Manajemen Aturan Diagnosa 69
Gambar 4.12 Halaman Penambahan Aturan Diagnosa 70
Gambar 4.13 Menu Utama Paramedis 71
Gambar 4.15 Halaman Penambahan Data Pasien 72
Gambar 4.16 Halaman Konsultasi Kasus Baru 73
Gambar 4.17 Halaman Kasus Lanjutan 74
PENGHARGAAN
Segala puji dan hormat hanya bagi Tuhan Allah Yang Maha Esa yang mengizinkan penulis untuk menyelesaikan skripsi ini. Sebab kasih-Nya hebat dan kesetiaan Tuhan untuk selama-lamanya.
Banyak pihak yang telah memberikan dukungan kepada penulis dalam pengerjaan skripsi ini baik secara langsung maupun tidak langsung. Oleh karena itu, pada kesempatan ini penulis ingin mengucapkan terima kasih kepada: Ketua Program Studi Ilmu Komputer sekaligus Pembimbing I, Prof. Dr. Muhammad Zarlis dan Sekretaris Program Studi Ilmu Komputer sekaligus Pembimbing II Syahriol Sitorus, S.Si, MIT. Maya Silvi Lydia, B.Sc, M.Sc dan Dian Rachmawati, M.Kom selaku pembimbing pada penyelesaian skripsi ini yang telah memberikan panduan dan penuh kepercayaan kepada penulis untuk menyempurnakan skripsi ini. Seluruh dosen maupun pegawai di Program Studi Ilmu Komputer. Akhirnya, tidak terlupakan kepada yang terkasih ayah dan ibu serta seluruh keluarga, dan seluruh sahabat yang berjasa dan selalu memberikan dorongan kepada penulis selama menyelesaikan skripsi ini.
ABSTRAK
Sistem pakar untuk menangani penyakit TBC pada anak ini dirancang untuk memberikan fasilitas diagnosa penyakit anak yang memiliki gejala seperti TBC dengan menggunakan metode kuantifikasi pertanyaan untuk mendapatkan nilai faktor kepastian dari pengguna. Hasil diagnosa memungkinkan untuk diklasifikasikan oleh sistem ke dalam penyakit TBC, sehingga sistem akan menentukan bahwa pasien adalah penderita penyakit TBC.
BAB 1
PENDAHULUAN
1.1 Latar Belakang Masalah
Anak-anak sangat rentan terserang penyakit. Ini disebabkan oleh sistem imun di dalam tubuh anak yang memang belum terbangun dengan sempurna atau sedang dalam kondisi yang lemah. Sering kali para orang tua tidak tahu apa yang harus dilakukan kepada anak-anak mereka saat anak sedang sakit atau salah mengartikan gejala yang terjadi pada anak tersebut. Pada saat inilah peran dokter spesialis anak sangat diperlukan. Akan tetapi tidak semua orangtua dapat dan mau ke dokter spesialis anak karena beberapa alasan diantaranya adalah biaya yang cukup tinggi.
Salah satu jenis penyakit yang dapat menyerang anak adalah TBC. Bayi dan anak-anak sering terkena infeksi TBC. TBC disebabkan karena infeksi bakteri. TBC menular melalui udara saat penderita bersin atau batuk yang kemudian terhisap orang lain. Anak-anak tidak dapat menularkan TBC pada orang lain, tetapi mereka dapat tertular infeksi TBC dari orang dewasa. Lingkungan dengan ventilasi yang kurang baik serta berdesak-desakan memudahkan terjangkitnya TBC. TBC dapat menyebabkan kematian apabila tidak diterapi dengan baik dan benar.
mempermudah tenaga medis atau orang tua untuk membantu menentukan keputusan yang harus diambil.
Sistem pakar adalah suatu program komputer cerdas yang menggunakan
knowledge (pengetahuan) dan prosedur inferensi untuk menyelesaikan masalah
yang cukup sulit sehingga membutuhkan seorang ahli untuk menyelesaikannya (Feigenbaum, 1982). Sistem pakar sendiri mempunyai beberapa komponen yang diantaranya adalah basis pengetahuan. Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi dan penyelesaian masalah.
Pengetahuan (knowledge) dari pakar tentang penyakit-penyakit yang sering timbul pada anak-anak akan didata beserta gejala-gejalanya. Kemudian informasi yang telah didapat akan diformulasikan untuk memperoleh sebuah kesimpulan.
Dalam melakukan diagnosa, seorang pakar terkadang mendasarkan pada data yang kurang lengkap atau data yang tidak pasti. Agar sistem pakar dapat melakukan penalaran sebagaimana seorang pakar meskipun data yang diperoleh kurang lengkap atau kurang pasti, dapat digunakan CF (Certainty Factor).
Kebanyakan sistem pakar, untuk mendapatkan data yang tepat terhadap gejala yang ada (misalnya batuk), memerlukan nilai CF. Sementara hal ini sulit diperoleh mengingat pasien sendiri sulit memperkirakan berapa derajat ke-batuk-annya. Sehingga untuk mengetahui derajat kepercayaan pengguna terhadap gejala yang dialami, diperlukan pemakaian metode kuantifikasi pertanyaan. Yang dimaksud dengan kuantifikasi pertanyaan yaitu pemberian faktor kuantitas dan lama gejala yang dialami, setelah itu sistem akan menghitung nilai Certainty
Factor nya dengan menggunakan derajat keanggotaan kuantitas dan gejala
1.2Rumusan Masalah
Berdasarkan latar belakang yang telah diuraikan sebelumnya, maka dapat dirumuskan bahwa dibutuhkan suatu perangkat lunak atau aplikasi yang dapat membantu dalam mendiagnosa penyakit TBC pada anak. Dengan adanya aplikasi sistem pakar penanganan suatu penyakit pada anak akan dapat lebih efisien dalam hal waktu dan keakuratan. Sehingga dapat membuat suatu sistem pakar untuk mendiagnosa penyakit TBC pada anak dan memberikan saran terapi yang tepat.
1.3Batasan Masalah
Batasan-batasan masalah dalam pelaksanaan tugas akhir ini ditentukan sebagai berikut:
1. Sistem pakar ini hanya untuk mendiagnosa penyakit TBC pada anak-anak (usia 6-12 tahun).
2. Interaksi antara sistem dan user menggunakan pertanyaan berupa daftar gejala yang sudah tampak, dimana user akan diminta untuk memilih gejala pada setiap daftar gejala berdasarkan kondisi anak tersebut.
3. Metode yang digunakan adalah Certainty Factor.
4. Bahasa pemrograman menggunakan Borland Delphi 7.0 dan DBMS menggunakan Interbase Server.
1.4Tujuan Penelitian
1.5Manfaat Penelitian
1. Dapat memberikan kemudahan bagi orang awam maupun paramedis untuk menangani penyakit yang diderita pada anak secara cepat dan tepat, serta orangtua yang bisa mendeteksi secara dini penyakit anaknya untuk dapat melakukan penanggulangan atas penyakit tersebut.
2. Untuk memberikan alternatif kepada para pembangun sistem pakar bahwa metode yang digunakan dalam perancangan sistem pakar ini dapat memberikan solusi yang cukup akurat atas keluhan pasien.
1.6Metodologi Penelitian
Tahapan yang dilakukan dalam pelaksanaan tugas akhir ini: 1. Studi Literatur
Melakukan studi literatur mengenai sistem pakar dan penyakit TBC. 2. Pengumpulan Data
Pengumpulan data yang diperlukan untuk tugas ini didapatkan dari data-data yang ada dalam buku yang berkaitan dengan penyakit TBC serta informasi dari pakar yang ahli di bidang penyakit anak.
3. Perancangan
Pada tahap ini dilakukan perancangan sistem pakar untuk diagnosa penyakit TBC pada anak. Perancangan sistem dapat dirancang dalam bentuk physical
system yang dirancang dalam bentuk bagan alir sistem (systems flowchart),
yang merupakan alat berbentuk grafik yang dapat digunakan untuk menunjukkan urutan-urutan proses dari sistem. Adapun bentuk bagan alir dari Perancangan Sistem Pakar Untuk Diagnosa Penyakit TBC Pada Anak ditunjukkan
pada Bab 3. 4. Implementasi
digunakan sekaligus penerapannya sampai menghasilkan perangkat lunak yang diinginkan.
5. Pengujian
Pengujian dibuat untuk mengetahui tingkat kepuasan user dan untuk mengetahui kelemahan aplikasi ini untuk direvisi lebih lanjut. Analisis dilakukan dalam tahap pengujian dan validasi untuk mengetahui karakteristik sistem dan mengidentifikasi jika terdapat ketidakkonsistenan sistem. Hasil analisis juga digunakan sebagai dasar perbaikan.
6. Penyusunan laporan dan kesimpulan akhir
BAB 2
TINJAUAN PUSTAKA
2.1 Sistem Pakar
Kecerdasan buatan sebagaimana telah diketahui, saat ini merupakan suatu inovasi baru dalam bidang ilmu pengetahuan. Kecerdasan buatan atau Artificial Intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. Teknologi kecerdasan buatan dipelajari dalam bidang-bidang, seperti: robotika, penglihatan komputer (computer vision), jaringan saraf tiruan (artificial neural system), pengolahan bahasa alami (natural language processing), pengenalan suara
(speech recognition) dan sistem pakar (expert system).
Menurut Ignizio, James P, sistem pakar (expert system) adalah suatu metode artificial intelegence yang berguna untuk meniru cara berpikir dan penalaran seorang ahli dalam mengambil keputusan berdasarkan situasi yang ada. Ini merupakan bagian aplikasi spesialisasi tingkat tinggi yang berusaha menduplikasi fungsi seorang pakar. Program ini bertindak sebagai seorang konsultan yang cerdas dalam suatu keahlian tertentu. Sehingga seorang user dapat melakukan konsultasi kepada komputer, seolah-olah user tersebut berkonsultasi kepada seorang ahli. Dengan demikian seorang awam sekalipun bisa menggunakan sistem pakar tersebut untuk menyelesaikan berbagai permasalahan yang dihadapi.
General-(dan program-program serupa) ini mengalami kegagalan dikarenakan cakupannya terlalu luas sehingga terkadang justru meninggalkan pengetahuan-pengetahuan penting yang seharusnya disediakan. Sampai saat ini sudah banyak sistem pakar yang dibuat, beberapa contoh diantaranya adalah (Kusumadewi, 2003):
a. MYCIN
Sistem yang berdiri sendiri yang mengharuskan pengguna untuk memasukkan semua informasi yang relevan tentang pasien dengan mengetikkan jawaban dalam menanggapi pertanyaan-pertanyaan yang diberikan.
b. DENDRAL
Mengidentifikasi struktur molekular campuran yang tak dikenal. c. XCON & XSEL
Membantu konfigurasi sistem komputer besar. d. SOPHIE
Analisa sirkuit elektronik. e. Prospector
Digunakan di dalam geologi untuk membantu mencari dan menemukan deposit.
f. FOLIO
Membantu memberikan keputusan bagi seorang mamajer dalam hal stok broker dan investasi.
g. DELTA
Pemeliharaan lokomotif listrik disel.
Ada beberapa keunggulan sistem pakar, diantaranya dapat (Arhami, 2005): a. Menghimpun data dalam jumlah besar
b. Menyimpan data tersebut untuk jangka waktu yang panjang dalam suatu bentuk tertentu.
Sementara kemampuan sistem pakar, di antaranya adalah (Arhami, 2005): a. Menjawab berbagai pertanyaan yang menyangkut bidang keahliannya. b. Bila diperlukan dapat menyajikan asumsi dan alur penalaran yang
digunakan untuk sampai ke jawaban yang dikehendaki.
c. Menambah fakta kaidah dan alur penalaran sahih yang baru ke dalam otaknya.
Sistem pakar (expert system) memiliki beberapa karakteristik yang biasanya diterapkan dalam pembuatan program secara praktis. Karakteristik- karakteristik dari sistem pakar tersebut adalah sebagai berikut (Kristanto, 2004) :
a. Basis pengetahuan mudah diperbaharui.
b. Kemampuan mempelajari fakta atau kejadian barudari pengalamannya sendiri.
c. Mudah dipakai oleh siapa saja.
d. Mampu menjelaskan proses pemikiran dan langkah-langkah yang dilakukan untuk mencapai kesimpulan.
Ada beberapa masalah yang menjadi area luas aplikasi sistem pakar antara lain (Kusumadewi, 2003):
a. Interpretasi
Pengambilan keputusan dari hasil observasi, termasuk di antaranya : pengawasan, pengenalan ucapan, analisis citra, interpretasi sinyal, dan beberapa analisis kecerdasan.
b. Prediksi
Termasuk diantaranya : peramalan, prediksi demografis, peramalan ekonomi, prediksi lalu lintas, estimasi hasil, militer, pemasaran, atau peramalan keuangan.
c. Diagnosa
Termasuk diantaranya : medis, elektronis, mekanis, dan diagnosa perangkat lunak.
d. Perancangan
e. Perencanaan
Termasuk diantaranya : perencanaan keuangan, komunikasi, militer, pengembangan produk, routing, dan manajemen proyek.
f. Monitoring
Misalnya : Computer-Aided Monitoring Systems. g. Debugging
Memberikan resep obat terhadap suatu kegagalan. h. Perbaikan
i. Instruksi
Melakukan instruksi untuk diagnosa, debugging, dan perbaikan kinerja. j. Kontrol
Melakukan kontrol terhadap interpretasi, prediksi, perbaikan, dan monitoring kelakuan sistem.
Sistem pakar (expert system) menggunakan basis pengetahuan (knowledge
base) sebagai dasar pemikirannya. Knowledge base tersebut terdiri dari
sejumlah rule-rule yang tersusun secara sistematis dan spesifik, juga relasi antara data dan aturan/rule dalam pengambilan kesimpulan. Knowledge base tersebut disimpan dalam sebuah basis data pada suatu tempat penyimpanan data.
Sedangkan sebagai otak atau pusat pemrosesannya adalah inference
engine, yaitu suatu rancangan aplikasi yang berfungsi untuk memberikan
pertanyaan dan menerima input dari user, kemudian melakukan proses logika sesuai dengan knowledge base yang tersedia, untuk selanjutnya menghasilkan
output berupa suatu kesimpulan atau bisa juga berupa keputusan/decision sebagai
hasil akhir konsultasi.
User memasukkan input dan menerima output melalui sebuah interface
2.1.1 Konsep Dasar Sistem Pakar (Expert System)
Konsep-konsep dasar dari sebuah sistem pakar menurut Turban (Turban, 1995) adalah:
1. Keahlian (Expertise)
Keahlian merupakan pengetahuan khusus yang dimiliki oleh seseorang melalui latihan, belajar, serta pengalaman-pengalaman yang dialami pada suatu bidang tertentu dalam jangka waktu yang cukup lama. Pengetahuan tersebut dapat berupa fakta-fakta, teori-teori, aturan-aturan serta strategi untuk menyelesaikan suatu masalah. Dengan pengetahuan tersebut seorang pakar dapat memberikan keputusan yang lebih baik dan cepat dalam menyelesaikan suatu permasalahan yang sulit.
2. Ahli atau pakar (Expert)
Seorang pakar harus memiliki kemampuan menyelesaikan permasalahan pada bidang tertentu yang ditanganinya, kemudian memberikan penjelasan mengenai hasil dan kaitannya dengan permasalahan yang ada. Selain itu seorang pakar juga harus mempelajari hal-hal baru dari setiap perkembangan yang ada, lalu menyusun kembali pengetahuannya, dan dalam hal tertentu dapat memberikan alternatif lain agar mampu memecahkan permasalahan yang dihadapi serta menghasilkan solusi yang tepat. Seluruh karakteristik di atas harus dimiliki oleh seorang pakar. Untuk meniru kepakaran seorang manusia, perlu dibangun sebuah sistem komputer yang menunjukan seluruh karakteristik tersebut. Namun hingga saat ini, pekerjaan dibidang sistem pakar terfokus pada aktifitas penyelesaian masalah dan memberikan penjelasan mengenai solusinya.
3. Memindahkan Keahlian (Transfering Expertise)
komputer kepada orang lain yang bukan pakar. Proses ini dapat meliputi empat kegiatan :
• Perolehan pengetahuan (Knowledge Acquistion).
• Representasi pengetahuan (Knowledge Representation). • Menyimpulkan pengetahuan (Knowledge Inferencing).
• Memindahkan pengetahuan kepada pemakai (Knowledge Transfer to User). Pengetahuan tersebut ditempatkan ke dalam suatu komponen yang dinamakan basis pengetahuan (Knowledge Base).
4. Kesimpulan (Inference)
Keistimewaan dari sistem pakar adalah kemampuannya dalam memberikan saran, yaitu dengan menempatkan keahlian ke dalam basis pengetahuan (Knowledge Base) dan membuat program yang mampu mengakses basis pengetahuan sehinggga sistem dapat memberikan kesimpulan. Kesimpulan dibentuk di dalam komponen yang dinamakan mesin pengambil kesimpulan (Inference Engine), dimana berisi aturan-aturan untuk menyelesaikan masalah.
5. Aturan (Rule)
Umumnya sistem pakar adalah sistem berbasis aturan, yaitu pengetahuan yang terdiri dari aturan-aturan sebagai prosedur penyelesaian masalah. Pengetahuan tersebut digambarkan sebagai suatu urutan seri dari kaidah- kaidah yang sudah dibuat.
6. Kemampuan Penjelasan (Explanation Capability)
Keistimewaan lain dari sistem pakar adalah kemampuannya dalam memberikan saran atau rekomendasi serta menjelaskan mengapa tindakan tertentu tidak dianjurkan. Pemberian penerangan dan pendapat ini dilakukan dalam suatu subsistem yang dinamakan subsistem penjelasan (explanation
2.1.2 Struktur Sistem Pakar (Expert System)
Sistem pakar memiliki beberapa komponen utama yaitu: antar muka pengguna (user interface), basis data sistem pakar (expert system database), fasilitas akuisisi pengetahuan (knowledge acquisition facility) dan mekanisme inferensi (inference
mechanism). Selain itu ada satu komponen yang ada pada beberapa sistem pakar
yaitu fasilitas penjelasan (explanation facility).
Antar muka pengguna adalah perangkat lunak yang menyediakan media komunikasi antara pengguna dengan sistem.
Basis data sistem pakar berisi pengetahuan setingkat pakar pada subyek tertentu. Pengetahuan ini bisa berasal dari pakar, jurnal, majalah, dan sumber pengetahuan lainnya.
Fasilitas akuisisi pengetahuan merupakan perangkat lunak yang menyediakan fasilitas dialog antara pakar dengan sistem. Fasilitas akuisisi ini digunakan untuk memasukkan fakta-fakta dan kaidah-kaidah sesuai dengan perkembangan ilmu.
Mekanisme inferensi merupakan perangkat lunak yang melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir.
Fasilitas penjelasan berguna dalam memberikan penjelasan kepada pengguna mengapa komputer meminta suatu informasi tertentu dari pengguna dan dasar apa yang digunakan komputer sehingga dapat menyimpulkan suatu kondisi.
2.1.3 Metode Inferensi
atau implikasi berdasarkan informasi yang tersedia. Dalam sistem pakar proses inferensi dilakukan dalam suatu modul yang disebut Inference Engine (mesin inferensi).
Ada dua metode inferensi yang penting dalam sistem pakar yaitu: runut maju (forward chaining) dan runut balik (backward chaining).
1. Forward Chaining
Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri. Dengan kata lain, penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.
Berdasarkan penelitian yang telah dilakukan sebelumnya (Dhany, 2009), metode inferensi ini dapat digunakan apabila data penyakit sederhana dan tidak kompleks.
Contohnya : IF Sulit bernafas
AND Pilek
AND Batuk kering
AND Tarikan nafas berbunyi kasar dan penghembusan nafas berbunyi mengi
THEN Laringitis
Secara sederhana dapat dijelaskan bahwa untuk kaidah diatas, agar sistem mencapai konklusi, harus diinput terlebih dahulu fakta sulit bernapas, pilek, tarikan nafas berbunyi kasar dan penghembusan nafas berbunyi mengi. Baru sistem dapat mengeluarkan konklusi bahwa penyakit yang diderita adalah laringitis.
2. Backward Chaining
2.2 Certainty Factor
Dalam menghadapi suatu permasalahan sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini dapat berupa probabilitas atau kebolehjadian yang tergantung dari hasil suatu kejadian. Hasil yang tidak pasti disebabkan oleh dua faktor, yaitu aturan yang tidak pasti dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh sistem. Hal ini sangat mudah dilihat pada sistem diagnosa penyakit, dimana pakar tidak dapat mendefinisikan hubungan antara gejala dengan penyebabnya secara pasti, dan pasien tidak dapat merasakan suatu gejala dengan pasti pula. Pada akhirnya akan ditemukan banyak kemungkinan diagnosa.
Sistem pakar harus mampu bekerja dalam ketidakpastian. Sejumlah teori telah ditemukan untuk menyelesaikan ketidakpastian, termasuk diantaranya Probabilitas klasik, Probabilitas Bayes, Teori Hartley berdasarkan himpunan klasik, Teori Shannon berdasakan pada probabilitas, Teori Depmster-Shafer, Teori Fuzzy Zadeh, dan Faktor Kepastian (certainty factor).
Faktor kepastian (Certainty Factor) diperkenalkan oleh Shortliffe
Buchanan dalam pembuatan MYCIN (Kusumadewi, 2003). Certainty Factor (CF)
merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. Certainty Factor (CF) menunjukkan ukuran kepastian terhadap suatu fakta atau aturan.
Notasi faktor kepastian adalah:
CF[h,e] = MB[h,e]-MD[h,e]
MB[h, e1 e2] =
0 MD[h, e1 e2] = 1
MB[h, e1] + MB[h, e2].(1 – MB[h, e1]) lainnya
MD[h, e1 e2] =
0 MB[h,e1 e2] = 1
MD[h, e1] + MD[h,e 2].(1 – MD[h,e 1]) lainnya
Dengan:
CF[h,e] = faktor kepastian.
MB[h,e] = ukuran kepercayaan terhadap hipotesis h, jika diberikan
evidence e (antara 0 dan 1).
MD[h,e] = ukuran ketidakpercayaan terhadap hipotesis h, jika diberikan
edvidence e (antara 0 dan 1).
e = Evidence (peristiwa atau fakta). h = Hipotesis (dugaan).
Di dalam penggunaannya dalam membangun suatu aplikasi (Irmayani, 2010), hasil diagnosa seorang pasien dari aplikasi yang telah dihitung menggunakan metode Certainty Factor akan disesuaikan dengan hasil diagnosa yang dilakukan oleh pakar secara langsung untuk kemudian dilihat apakah diagnosa dari sistem yang telah dibuat sesuai dengan diagnosa langsung oleh pakar. Dari hasil analisis ini akan ditarik kesimpulan apakah sistem telah berjalan sesuai dengan kondisi yang sebenarnya ataukah belum sesuai.
Certainty Factor merupakan faktor keyakinan dari jawaban user. Dalam
yang sama bisa saja memberikan dua jawaban yang berbeda pula. Untuk itu diperlukan sebuah metode ketidakpastian atau uncertainty, untuk memberikan toleransi jawaban atau pertanyaan yang jawabannya tidak pasti. Tingkat ketidakpastian ditentukan dari :
• Validitas knowledge base rule. • Validitas respon user.
Dalam proses pengeksekusian knowledge base, nantinya akan dihadapkan dengan multiple rule yang mengacu pada satu kesimpulan yang sama. Untuk itu diperlukan perhitungan untuk menggabungkan multiple rule tersebut.
2.2.1 Metode Kuantifikasi Pertanyaan
Metode kuantifikasi pertanyaan merupakan metode untuk mendapatkan nilai factor kepastian dari pengguna terhadap suatu evidence dengan mengkuantifikasi pertanyaan. Sebagai contoh, diinginkan untuk mengetahui derajat kepercayaan demam seorang pasien. Nilai derajat kepercayaan adalah antara -1 s/d 1. Nilai -1 artinya tidak demam sama sekali, dan nilai 1 berarti sangat demam. Untuk mendapatkan nilai derajat kepercayaan terhadap demam yang dialami pasien, makan pertanyaan yang diberikan oleh sistem adalah “berapa derajat celcius suhu
badan pasien.”
Dari jawaban pengguna, besarnya nilai kepercayaan pengguna akan dihitung oleh sistem.
2.2.1.1 Representasi Pengetahuan
Pola umum aturan untuk melakukan diagnosa suatu penyakit adalah sebagai berikut:
Operator_Aturan_1 Data_1 dengan kuantitas Operator_kuantitas_1 Kuantitas_1 toleransi Toleransi_kuantitas_1 selama
Operator_Aturan_2 Data_2 dengan kuantitas Operator_kuantitas_2 Kuantitas_2 toleransi Toleransi_kuantitas_2 selama
Operator_waktu_2 Waktu_2 toleransi Toleransi_waktu_2 :
: : :
Operator_Aturan_n Data_n dengan kuantitas Operator_kuantitas_n Kuantitas_n toleransi Toleransi_kuantitas_n selama
Operator_waktu_n Waktu_n toleransi Toleransi_waktu_n Maka Data, CF x (Pakar)
Operator_Aturan merupakan operator logika yang menghubungkan satu
premis dengan premis yang lain dalam sebuah aturan. Operator_Aturan yang diizinkan dalam metode ini yaitu: Jika, Jika Tidak, Dan, Dan Tidak, Atau dan Atau Tidak. Sesuai hokum logika, untuk premis pertama dari sebuah aturan hanya boleh menggunakan operator_aturan ‘Jika’ dan ‘Jika tidak’, sedangkan operator_aturan yang lain digunakan untuk premis selain premis pertama.
Data adalah premis dan juga kesimpulan dari suatu aturan. Dalam hal ini,
data bisa berupa gejala, penyakit TBC atau penyakit non-TBC.
Operator_kuantitas dan Operator_waktu terdiri atas operator =, >=, <=.
Operator_kuantitas, operator_waktu, kuantitas, waktu, toleransi_kuantitas dan toleransi_waktu digunakan untuk menghitung CF user.
2.2.1.2 Menentukan CF User
CF user diperoleh dari jawaban user saat melakukan konsultasi. CF tidak secara langsung diberikan oleh user, tetapi dihitung oleh sistem berdasarkan jawaban
user.
Pilihan jawaban yang disediakan oleh sistem berupa jawaban tidak tahu (CF : 0), ya (CF : 1), tidak (CF : -1). Tetapi apabila aturan yang mengandung fungsi kuantitas dan waktu, maka CF akan dihitung sebesar gabungan derajat keanggotaan dari fungsi karakteristik kuantitas dan derajat keanggotaan dari fungsi karakteristik waktu. Fungsi-fungsi karakteristik didapatkan dari premis aturan yang berbentuk:
Operator_Aturan Data Operator_Kuantitas Kuantitas Toleransi_Kuantitas Operator_Waktu Waktu Toleransi_Waktu
Untuk fungsi karakteristik kuantitas didasarkan pada bagian aturan “Operator_Kuantitas”, “Kuantitas” dan “Toleransi_Kuantitas”.
Sedangkan fungsi karakteristik waktu didasarkan pada bagian aturan “Operator_Waktu”, “Waktu” dan “Toleransi_Waktu”
“Operator_Kuantitas” dan “Operator_Waktu” yang disediakan berupa “=”, “>=”, “<=”. “Kuantitas” dan “Waktu” merupakan syarat nilai dari berlakunya aturan itu, sedangkan “Toleransi_Kuantitas” dan “Toleransi_Waktu” memberikan batasan hingga suatu nilai yang membuat data premis ini tidak diabaikan.
Sesuai dengan jenis operatornya, ada 3 macam fungsi karakteristik untuk kuantitas dan waktu. Grafik fungsi operator “=” dapat dilihat pada rumus:
0, x <= Nilai – Toleransi Atau x >= Nilai + Toleransi (x – Nilai + Toleransi) , Nilai – Toleransi ≤ x < Nilai
CF(x) = Toleransi (2.2)
(Nilai + Toleransi – x) , Nilai < x ≤ Nilai + Toleransi Toleransi
dengan
x : Kuantitas/Waktu yang dialami user Nilai : Nilai kuantitas/waktu standar Toleransi : Toleransi kuantitas/waktu
Grafik fungsi untuk operator “>=” dapat dilihat pada rumus: 0, x <= Nilai – Toleransi
CF(x) = (x – Nilai + Toleransi) , Nilai – Toleransi < x < Nilai (2.3) Toleransi
l, x > Nilai dengan
x : Kuantitas/waktu yang dialami user Nilai : Nilai kuantitas/waktu standar Toleransi : Toleransi kuantitas/waktu
Grafik fungsi operator “<=” dapat dilihat pada rumus: 0, x >= Nilai + Toleransi
CF(x) = (Nilai + Toleransi – x) , Nilai < x < Nilai + Toleransi (2.4) Toleransi
l, x < Nilai dengan
x : Kuantitas/waktu yang dialami user Nilai : Nilai kuantitas/waktu standar Toleransi : Toleransi kuantitas/waktu
Untuk mendapatkan CF user, dilakukan perhitungan interpretasi standar dari interseksi antara CF Kuantitas dan CF Waktu yang ditunjukkan pada rumus ini:
2.3Penyakit TBC (Tuberculosis)
Tuberkulosis adalah penyakit menular langsung yang disebabkan oleh kuman TBC (Mycrobacterium tuberculosis). Sebagian besar kuman TBC menyerang paru, tetapi dapat juga mengenai organ tubuh lainnya.
Individu rentan yang menghirup basil tuberculosis dan menjadi terinfeksi. Bakteri dipindahkan melalui jalan nafas ke alveoli,tempat dimana mereka berkumpul dan mulai untuk memperbanyak diri dalam sistem imun tubuh dengan melakukan reaksi inflamasi. Fagosit (neurofil & makrofagi) menelan banyak bakteri, limfosit spesifik tuberculosis melisis (menghancurkan) basil dan jaringn normal. Reaksi jaringan ini mengakibatkan penumpukan eksudat dalam alveoli akan terjadi gangguan pertukaran gas karena sputum menumpuk akan menutupi jalan nafas, dan sputum bergerak maju ke bronkus, maka akan terjadi ganguan jalan nafas. (Smeltzer, 2002 : 585).
2.3.1 Kuman dan Cara Penularan
Kuman ini berbentuk batang, mempunyai sifat khusus yaitu tahan terhadap asam pada pewarnaan. Olah karena itu disebut pula sebagai Basil Tahan Asam (BTA). Kuman TBC cepat mati dengan sinar matahari langsung, tetapi dapat bertahan hidup beberapa jam di tempat yang gelap dan lembab. Dalam jaringan tubuh kuman ini dapat dormant, tertidur lama selama beberapa tahun.
Daya penularan dari seseorang penderita ditentukan oleh banyaknya kuman yang dikeluarkan dari parunya. Makin tinggi derajat positif hasil pemeriksaan dahak, makin menular penderita tersebut. Bila hasil pemeriksaan dahak negatip (tidak terlihat kuman), maka penderita tersebut dianggap tidak menular.
Kemungkinan seseorang terinfeksi TBC ditentukan oleh konsentrasi droplet dalam udara dan lamanya menghirup udara tersebut.
“Droplet Nucles” yang merupakan partikel 1-10 mikron, dikeluarkan oleh penderita penyakit TBC dengan cara batuk-batuk, bersin, bicara, penderita meludah ke tanah kemudian kuman tersebar ke udara. Oleh karena itu penyakit ini disebut “Airbone Infection”. Orang dapat terinfeksi kalau droplet tersebut terhirup ke dalam saluran pernafasan.
2.3.2 Risiko Penularan
Risiko penularan setiap tahun (Annual Risk of Tuberculosis Infection = ARTI) di Indonesia dianggap cukup tinggi dan bervariasi antara 1-3 % . Pada daerah dengan ARTI sebesar 1 %, berarti setiap tahun diantara 1000 penduduk, 10 (sepuluh) orang akan terinfeksi. Sebagian besar dari orang yang terinfeksi tidak akan menjadi penderita TBC, hanya sekitar 10% dari yang terinfeksi yang akan menjadi penderita TBC.
Dari keterangan tersebut di atas, dapat diperkirakan bahwa pada daerah dengan ARTI 1 %, maka diantara 100.000 penduduk rata-rata terjadi 100 (seratus) penderita tuberculosis setiap tahun, dimana 50 penderita adalah BTA positif.
2.3.3 Diagnosa Penyakit TBC (Tuberculosis)
Gejala utama Tuberculosis adalah batuk terus-menerus dan berdahak selama 3 (tiga) minggu atau lebih.
Tanda dan gejala penderita TBC:
a. Batuk-batuk dengan atau tanpa dahak lebih dari 3 minggu. b. Demam ringan, tetapi kadang-kadang dapat mencapai 40 410C. c. Sesak nafas
d. Nyeri dada e. Batuk darah
f. Badan terasa lemas g. Kehilangan nafsu makan h. Berat badan turun
i. Rasa kurang enak badan (malaise)
j. Berkeringat malam padahal tidak ada kegiatan.
Pengobatan TBC diberikan dalarn 2 tahap, yaitu tahap intensif dan lanjutan
a. Tahap intensif
Pada tahap intensif (awal) penderita mendapat obat setiap hari dan diawasi langsung untuk mencegah terjadinya kekebalan terhadap semua OAT, terutama rifampisin. Bila pengobatan tahap intensif diberikan secara tepat, biasanya penderita menular menjadi tidak menular dalam kurun waktu 1-2 minggu. Sebagian besar penderita TBC BTA positif ini menjadi BTA negatif (konversi) pada akhir pengobatan intensif.
b. Tahap Lanjutan
BAB 3
ANALISIS DAN PERANCANGAN SISTEM
3.1 Analisis Sistem
Analisis sistem adalah penguraian dari suatu sistem yang utuh ke dalam bagian-bagian komponennya dengan maksud untuk mengidentifikasikan dan mengevaluasi permasalahan, kesempatan, hambatan yang terjadi dan kebutuhan yang diharapkan sehingga dapat diusulkan perbaikan.
Sistem pakar untuk mendiagnosa penyakit TBC ini merupakan sistem dengan basis pengetahuan yang dinamis. Dimana pengetahuan tersebut dapat berubah seiring berjalannya waktu sehingga harus dapat dilakukan pembaharuan, penghapusan maupun perubahan terhadap data yang sudah disimpan sebelumnya tanpa harus mengubah isi dari program secara keseluruhan. Perubahan hanya dilakukan pada bagian basis pengetahuan saja sehingga sistem pakar ini dapat dikembangkan lebih lanjut. Tahapan analisis terhadap suatu sistem dilakukan sebelum tahap perancangan, hal ini agar perangkat lunak yang dirancang sesuai dengan masalah yang akan diselesaikan.
penyakit TBC ini mungkin saja dilakukan dalam selang waktu yang cukup lama dengan jenis terapi yang berbeda-beda.
3.2 Perancangan Sistem
Pada subbab ini akan diuraikan tahap-tahap dalam perancangan sistem pakar untuk diagnosa penyakit TBC pada anak yang memiliki beberapa komponen utama yaitu: antar muka pengguna (user interface), basis data sistem pakar (expert
system database), fasilitas akuisisi pengetahuan (knowledge acquisition facility)
dan mekanisme inferensi (inference mechanism).
3.2.1 Basis Data Sistem Pakar
Perancangan basis data sistem pakar dapat dilakukan dengan merancang Data
Flow Diagram (DFD), Entity Relationship Diagram (ERD) dan perancangan
kamus data.
3.2.1.1 Data Flow Diagram (DFD)
Data Flow Diagram adalah sebuah teknik grafis yang menggambarkan aliran
DFD Level 0 terdiri dari 2 (dua) entity yaitu Pakar dan User (Paramedis/dokter). User memberikan input ke sistem berupa data pasien serta konsultasi yang dilakukan pasien berdasarkan pertanyaan-pertanyaan yang diberikan sistem. Pakar memberikan input berupa data dasar dan akuisisi pengetahuan penyakit, sehingga nantinya akan mengeluarkan output kepada User berupa saran terapi untuk penyakit dan rekam medis dari pasien tersebut.
Di dalam DFD Level 1 dapat dilihat bahwa di Sistem Pakar ini selanjutnya terjadi 8 (delapan) proses yaitu Data Dasar, Akuisisi Pengetahuan, Data Pasien, Konsultasi, Daftar Data Dasar, Daftar Aturan, Rekam Medis, dan Saran Terapi. Di dalam Sistem Pakar ini terdapat 4 (empat) database yaitu Data Dasar, Data Aturan, Pasien, dan Konsultasi. Hubungan antara delapan proses dan empat
database ini seperti terlihat pada Gambar 3.2.
Gambar 3.1 DFD Level 0 Sistem Pakar Untuk Diagnosa Penyakit TBC Pada Anak
P.0 Sistem Pakar untuk
Diagnosa Penyakit
TBC Pada Anak Pakar
User
Data Pasien, Konsultasi
Data Dasar,
Akuisisi Pengetahuan Daftar Data Dasar, Daftar Aturan
Gambar 3.2 DFD Level 1 Sistem Pakar Untuk Diagnosa Penyakit TBC Pada Anak USER P 1.0 Olah Data Dasar P 2.0 Akuisisi Pengetahuan P 3.0 Olah Data Pasien P 4.0 Proses Konsultasi P 5.0 Daftar Data Dasar P 6.0 Daftar Aturan P 7.0 Lihat Rekam Medis P 8.0 Cari Saran Terapi Data Dasar Daftar Aturan Pasien Konsultasi PAKAR Data Pasien Jawaban Data Pasien Saran Terapi Data Dasar
Aturan Diagnosa, Aturan terapi
Data Pasien
Aturan Diagnosa
Data Dasar
Data Gejala Penyakit
Data Dasar Data Dasar
Aturan Diagnosa
Aturan Diagnosa, Aturan Terapi
Aturan Diagnosa
Data Pasien
Data Pasien
Aturan Diagnosa, Aturan Terapi
Aturan Terapi Aturan Diagnosa, Aturan Terapi
Data Dasar
Data Dasar
Proses-proses DFD level 1 Sistem Pakar untuk Diagnosa Penyakit TBC Pada Anak dapat dilihat sebagai berikut:
a. No./ Nama Proses : 1.0 / Olah Data Dasar b. Input : Data Dasar
c. Proses : Data dasar diinput oleh pakar yang kemudian dimasukkan ke dalam database Data Dasar. Data dasar digunakan dalam operasional konsultasi dan sebagai bahan untuk merepresentasikan pengetahuan. Jenis-jenis data dasar yang diperlukan dalam sistem pakar ini antara lain: sumber pengetahuan pakar, data-data gejala yang menjadi dasar diagnosa suatu penyakit, data-data penyakit TBC, data-data penyakit selain TBC, data-data pasien yang akan didiagnosa, data-data alergi yang akan menjadi dasar penentuan terapi terkait dengan kontraindikasi dari obat, data-data obat yang diberikan kepada pasien, dan data terapi yang dapat diberikan kepada pasien jika didiagnosa menderita suatu penyakit.
d. Output : Data Dasar
a. No./ Nama Proses : 2.0 / Akuisisi Pengetahuan
b. Input : Data Dasar, Aturan Diagnosa, Aturan Terapi
c. Proses : Pakar dapat memasukkan aturan diagnosa dan aturan terapi yang akan disimpan menjadi akuisisi pengetahuan. Akuisisi pengetahuan ini juga berasal dari data dasar yang telah diinput sebelumnya oleh Pakar. Yang kemudian akan disimpan ke dalam
database Daftar Aturan.
a. No./ Nama Proses : 3.0 / Olah Data Pasien b. Input : Data Pasien
c. Proses : User (paramedis) memasukkan data diri pasien yang kemudian akan disimpan ke dalam database Pasien.
d. Output : Data Pasien
a. No. / Nama Proses : 4.0 / Proses Konsultasi
b. Input : Jawaban, Data Gejala Penyakit, Aturan Diagnosa, Data Pasien
c. Proses : Pada saat login sebagai paramedis dan dilakukan proses konsultasi, maka sistem akan memanggil data gejala penyakit dan aturan diagnosa dari
database Data Dasar dan Daftar Aturan. Juga data
pasien dari database Pasien. Setelah mendapat jawaban atas gejala-gejala penyakit dari user, maka aturan diagnosa akan disimpan dalam database Konsultasi.
d. Output : Aturan Diagnosa, Aturan Terapi
a. No./ Nama Proses : 5.0 / Daftar Data Dasar b. Input : Data Dasar
c. Proses : Data dasar yang dipanggil dari database daftar data dasar yang kemudian dapat diakses oleh Pakar. d. Output : Data Dasar
a. No./ Nama Proses : 6.0 / Daftar Aturan
b. Input : Aturan Diagnosa, Aturan Terapi
c. Proses : Daftar aturan akan memanggil aturan diagnosa dan aturan terapi dari database data dasar untuk dapat diakses oleh Pakar.
a. No./ Nama Proses : 7.0 / Lihat Rekam Medis
b. Input : Data Pasien, Aturan Diagnosa, Aturan Terapi c. Proses : Setelah adanya jawaban konsultasi dan data pasien
yang diinput oleh user dan ada di dalam database Pasien dan Konsultasi, maka semua data tersebut akan ditampilkan dalam bentuk data dan rekam medis pasien tersebut.
d. Output : Data Pasien
a. No./Nama Proses : 8.0 / Cari Saran Terapi
b. Input : Aturan Diagnosa, Aturan Terapi
c. Proses : Sistem akan memanggil aturan diagnosa dan aturan terapi yang ada di dalam database Daftar Aturan dan Konsultasi yang kemudian akan ditampilkan sebagai saran terapi bagi user.
d. Output : Saran Terapi
3.2.1.2 Entity Relationship Diagram (ERD)
Entitas-entitas yang ditemukan berhubungan dengan Sistem Pakar untuk Diagnosa Penyakit TBC pada Anak adalah:
a. Pakar. Entitas ini berupa pakar yang akan menjadi sumber pengetahuan yang akan dimasukkan ke sistem pakar ini. Atribut Entitas Pakar yaitu: IdPakar, Nama, dan Keterangan.
b. Data. Entitas ini berupa gejala, penyakit TBC dan penyakit non-TBC. Atribut Entitas Data yaitu: IdData, Nama, Jenis, IsLama, IsQty, SatuanQty, dan Keterangan.
[image:44.595.44.572.104.453.2]c. Alergi. Entitas ini berupa alergi yang merupakan kontraindikasi obat. Atribut Entitas Alergi yaitu: IdAlergi, Nama, dan Keterangan.
Gambar 3.3 Entity Relationship Diagram
Mendiagnosa
Data Membuat Pakar Menggunakan
Kasus
Terapi Obat Alergi
Pasien Melaporkan Menentukan
Melaporkan
Menentukan
Menentukan
d. Obat. Entitas ini berupa obat yang akan diberikan kepada pasien berdasarkan terapi yang ditentukan. Atribut Entitas Obat yaitu: IdObat, Nama, Efeksamping, dan Keterangan.
e. Terapi. Entitas ini berupa terapi yang diberikan kepada pasien sesuai dengan penyakit yang diderita. Atribut Entitas Terapi yaitu: IdTerapi, Nama, dan Keterangan.
f. Pasien. Entitas ini berupa pasien yang akan didiagnosa. Atribut Entitas Pasien yaitu: IdPasien, Nama, Alamat, Tgl_Lahir, dan Keterangan.
g. Kasus. Entitas ini berupa catatan kasus penyakit yang dialami oleh seorang pasien. Atribut Entitas Kasus yaitu: IdKasus, IdPasien.
3.2.1.3 Perancangan Kamus Data
Kamus data merupakan sebuah daftar yang terorganisasi dari elemen data yang berhubungan dengan sistem, dan digunakan untuk menggambarkan kandungan dari objek yang didefinisikan selama analisis terstruktur. Data dari sistem pakar ini yaitu:
Tabel 3.1 Kamus Data Pengguna Nama Field Tipe Data Keterangan IdPengguna (PK) Integer AutoIncrement
Nama Varchar(30)
Pass Varchar(8)
Akses Integer 0 : Paramedis
1 : Pakar
Keterangan Varchar(80)
Tabel 3.2 Kamus Data Pakar Nama Field Tipe Data Keterangan IdPakar (PK) Integer AutoIncrement
Nama Varchar(30)
Tabel 3.3 Kamus Data Data Nama Field Tipe Data Keterangan IdData (PK) Integer AutoIncrement
Nama Varchar(30)
Jenis Integer 0 : Gejala
1 : Penyakit TBC 2 : Penyakit Non TBC
IsLama Char(1)
IsQty Char(1)
SatuanQty Varchar(30) Keterangan Varchar(80)
Tabel 3.4 Kamus Data Obat Nama Field Tipe Data Keterangan IdObat (PK) Integer AutoIncrement
Nama Varchar(30)
EfekSamping Varchar(80) Keterangan Varchar(80)
Tabel 3.5 Kamus Data Alergi Nama Field Tipe Data Keterangan IdAlergi (PK) Integer AutoIncrement
Nama Varchar(30)
Keterangan Varchar(80)
Tabel 3.6 Kamus Data Kontra Obat Nama Field Tipe Data Keterangan
[image:46.595.115.499.71.797.2]IdObat Integer Foreign Key dari tabel Obat IdAlergi (PK) Integer Foreign Key dari tabel Alergi
Tabel 3.7 Kamus Data Terapi Nama Field Tipe Data Keterangan IdTerapi (PK) Integer AutoIncrement
Nama Varchar(30)
Keterangan Varchar(80)
Tabel 3.8 Kamus Data Detail Terapi Nama Field Tipe Data Keterangan
Lama Numeric Satuan: hari Frekuensi Integer
SatuanFrekuensi Integer 0 : kali per hari 1 : kali per minggu 2 : kali per bulan 3 : kali per tahun
Maks Numeric Maksimum obat dalam mg per hari
Tabel 3.9 Kamus Data Rule Diagnosa Nama Field Tipe Data Keterangan IdRule (PK) Integer AutoIncrement
IdPakar Integer Foreign Key dari tabel Pakar IdDataKonklusi Integer Foreign Key dari tabel Data CF Numeric Nilai antara -1 s/d 1
[image:47.595.126.497.365.650.2]Keterangan Varchar(80)
Tabel 3.10 Kamus Data Detail Rule Diagnosa Nama Field Tipe Data Keterangan
IdRule (PK) Integer Foreign Key dari tabel Rule_Dignosa
Op_Rule Integer 0 : Jika
1 : Jika Tidak 2 : Dan 3 : Dan Tidak 4 : Atau 5 : Atau Tidak
IdDataPremis Integer Foreign Key dari tabel Data
Op_Qty Integer 0 : =
1 : >= 2 : <=
Qty Integer
QtyTol Integer
Op_Lama Integer 0 : =
1 : >= 2 : <=
Lama Integer
LamaTol Integer
Tabel 3.11 Kamus Data Rule Terapi Nama Field Tipe Data Keterangan IdRule (PK) Integer AutoIncrement
N : Belum pernah diterapi IdTerapi_Sebelumnya Integer Diisi jika IsDiterapi bernilai
‘Y’
Foreign Key dari tabel Terapi Lama Numeric(15,2) Diisi jika IsDiterapi bernilai
‘Y’
Perkembangan Integer Diisi jika IsDiterapi bernilai ‘Y’
0 : Baik 1 : Biasa 2 : Kurang Treatment Integer 0 : Lanjutkan
1 : Ganti Terapi 2 : Hentikan
[image:48.595.123.501.82.305.2]IdTerapi_Sekarang Integer Foreign Key dari tabel Terapi
Tabel 3.12 Kamus Data Pasien Nama Field Tipe Data Keterangan IdPasien (PK) Integer AutoIncrement
Nama Varchar(30)
Alamat Varchar(80) Tgl_Lahir Date
Keterangan Varchar(80)
Tabel 3.13 Kamus Data Alergi Pasien Nama Field Tipe Data Keterangan
IdPasien Integer Foreign Key dari tabel Pasien IdAlergi (PK) Integer Foreign Key dari tabel Alergi
Tabel 3.14 Kamus Data Kasus Nama Field Tipe Data Keterangan IdKasus (PK) Integer AutoIncrement
IdPasien Integer Foreign Key dari tabel Pasien
Tabel 3.15 Kamus Data Kunjungan Nama Field Tipe Data Keterangan IdKunjungan (PK) Integer AutoIncrement
IdKasus Integer Foreign Key dari tabel Kasus
Tgl Date
Tabel 3.16 Kamus Data Diagnosa Nama Field Tipe Data Keterangan IdDiag (PK) Integer AutoIncrement
IdKasus Integer Foreign Key dari tabel Kasus IdData Integer Foreign Key dari tabel Data
Qty Integer
Lama Integer
Tabel 3.17 Kamus Data Obat Kunjungan Nama Field Tipe Data Keterangan IdKunjungan (PK) Integer
IdObat Varchar(30) Foreign Key dari tabel Obat Dosis Numeric Satuan : mg/kg berat badan/hari
Lama Numeric Satuan : hari
Frekuensi Integer
SatuanFrekuensi Integer 0 : kali per hari 1 : kali per minggu 2 : kali per bulan 3 : kali per tahun
3.2.2 Fasilitas Akuisisi Pengetahuan
Fasilitas akuisisi pengetahuan digunakan untuk memasukkan fakta-fakta dan kaidah-kaidah sesuai dengan perkembangan ilmu. Seperti juga sistem pakar lain, sistem pakar ini memerlukan pengetahuan yang memadai untuk mendiagnosa penyakit yang diderita oleh anak yang menderita penyakit TBC atau non-TBC. Daftar pengetahuan penyakit tersebut terdapat pada Tabel 3.18.
Tabel 3.18 Ciri-ciri Penyakit TBC dan Non-TBC
No. Penyakit Ciri-ciri
1. Asma a. Batuk
b. Frekuensi nafas meningkat c. Amplitudo nafas dangkal d. Sesak Nafas
e. Nafas cuping hidung 2. Cacingan a. Nafsu makan kurang
b. Tidak diberi obat cacing secara berkala 3. Demam Tifoid a. Demam
c. Gejala syaraf sentral d. Hepatomegali e. Splenomegali f. Skilaba
g. Lidah kotor, tepi hiperemis
4. TBC a. Demam
b. Batuk c. Anoreksia d. Keringat malam e. Penurunan BB f. Malaise g. Parut BCG
h. Uji Tuberkulin Positif i. BTA positif
j. Kelainan minimal pada rontgen paru k. Rontgen positif TB
l. Pemeriksaan lab positif 5. Gejala syaraf
sentral
a. Apatis
b. Kesadaran menurun c. Mengigau
d. Delirium 6. Malaria a. Demam
b. Tinggal di daerah endemik malaria c. Anemia
d. Splenomegali e. Hepatomegali f. Ikterus g. Hipotensi h. Herpes labialis 7. Morbili a. Demam
b. Batuk c. Pilek d. Mata merah e. Tahi mata f. Fotofobi g. Diare h. Muntah i. Epistaksis j. Petekie k. Ekimosis
Sumber :
1. Pedoman Nasional Penanggulangan Tuberkulosis, Departemen Kesehatan RI.
2. dr. Yanti
format yang disediakan, yang nantinya masih bisa ditambahkan apabila ada kekurangan. Daftar aturan diagnosa dalam sistem pakar ini ditunjukkan dalam Tabel 3.19.
Tabel 3.19 Akuisisi Pengetahuan Aturan Diagnosa No Aturan
1 JIKA Batuk
DAN Frekuensi nafas meningkat DAN Amplitudo nafas dangkal DAN Sesak nafas
DAN Nafas cuping hidung MAKA Asma, CF 1
2 JIKA nafsu makan kurang
DAN TIDAK Sudah pernah diberi obat cacing MAKA Cacingan, CF 1
3 JIKA Demam dengan kuantitas 38 D. Celcius (toleransi 1 D. Celcius) selama >= 7 hari (toleransi 1 hari)
DAN Gejala Gastrointestinal DAN Gejala Syaraf Sentral DAN Hepatomegali
DAN Splenomegali DAN Skilaba
DAN Lidah kotor, tepi hiperemis MAKA Demam Tifoid, CF 1
4 JIKA Demam dengan kuantitas 38 D. Celcius (toleransi 2 D. Celcius) selama >= 14 hari (toleransi 2 hari)
DAN Batuk DAN Anoreksia DAN Keringat Malam DAN Penurunan BB DAN Malaise DAN Parut BCG
DAN Uji Tuberkulin Positif
DAN Kelainan minimal pada rontgen paru (infiltrat ringan) MAKA Gejala Klinik TB Positif, CF 1
DAN Uji Tuberkulin Positif
DAN Kelainan minimal pada rontgen paru (infiltrat ringan) MAKA Gejala Klinik TB Posistif, CF 0.85
6 JIKA Demam dengan kuantitas 38 D. Celcius (toleransi 2 D. Celcius) selama >= 14 hari (toleransi 2 hari)
DAN Anoreksia DAN Keringat Malam DAN Penurunan BB DAN Malaise DAN Parut BCG
DAN Uji Tuberkulin Positif
DAN Kelainan minimal pada rontgen paru (infiltrat ringan) MAKA Gejala Klinik TB Positif, CF 0.88
7 JIKA Demam dengan kuantitas 38 D. Celcius (toleransi 2 D. Celcius) selama >= 14 hari (toleransi 2 hari)
DAN Batuk
DAN Keringat Malam DAN Penurunan BB DAN Malaise DAN Parut BCG
DAN Uji Tuberkulin Positif
DAN Kelainan minimal pada rontgen paru (infiltrat ringan) MAKA Gejala Klinik TB Positif, CF 0.88
8 JIKA Demam dengan kuantitas 38 D. Celcius (toleransi 2 D. Celcius) selama >= 14 hari (toleransi 2 hari)
DAN Batuk DAN Anoreksia DAN Penurunan BB DAN Malaise DAN Parut BCG
DAN Uji Tuberkulin Positif
DAN Kelainan minimal pada rontgen paru (infiltrat ringan) MAKA Gejala Klinik TB Positif, CF 0.88
9 JIKA Demam dengan kuantitas 38 D. Celcius (toleransi 2 D. Celcius) selama >= 14 hari (toleransi 2 hari)
DAN Batuk DAN Anoreksia DAN Keringat Malam DAN Malaise
DAN Parut BCG
DAN Uji Tuberkulin Positif
DAN Kelainan minimal pada rontgen paru (infiltrat ringan) MAKA Gejala Klinik TB Positif, CF 0.9
selama >= 14 hari (toleransi 2 hari) DAN Batuk
DAN Anoreksia DAN Keringat Malam DAN Penurunan BB DAN Parut BCG
DAN Uji Tuberkulin Positif
DAN Kelainan minimal pada rontgen paru (infiltrat ringan) MAKA Gejala Klinik TB Positif, CF 0.92
11 JIKA Demam dengan kuantitas 38 D. Celcius (toleransi 2 D. Celcius) selama >= 14 hari (toleransi 2 hari)
DAN Batuk DAN Anoreksia DAN Keringat Malam DAN Penurunan BB DAN Malaise
DAN Uji Tuberkulin Positif
DAN Kelainan minimal pada rontgen paru (infiltrat ringan) MAKA Gejala Klinik TB Positif, CF 0.88
12 JIKA Demam dengan kuantitas 38 D. Celcius (toleransi 2 D. Celcius) selama >= 14 hari (toleransi 2 hari)
DAN Batuk DAN Anoreksia DAN Keringat Malam DAN Penurunan BB DAN Malaise DAN Parut BCG
DAN Kelainan minimal pada rontgen paru (infiltrat ringan) MAKA Gejala Klinik TB Positif, CF 0.86
13 JIKA Demam dengan kuantitas 38 D. Celcius (toleransi 2 D. Celcius) selama >= 14 hari (toleransi 2 hari)
DAN Batuk DAN Anoreksia DAN Keringat Malam DAN Penurunan BB DAN Malaise DAN Parut BCG
DAN Uji Tuberkulin Positif
MAKA Gejala Klinik TB Positif, CF 1
14 JIKA Apatis
DAN Kesadaran Menurun DAN Mengigau
DAN Delirium
15 JIKA Tes LED tinggi dengan kuantitas >= 30 (toleransi 10) MAKA Lab Positif TB, CF 1
16 JIKA Demam dengan kuantitas >= 41 D. Celcius (toleransi 1 D. Celcius) selama >= 3 hari (toleransi 1 hari)
DAN Tinggal di daerah endemik malaria DAN Anemia
DAN Splenomegali DAN Hepatomegali DAN Ikterus
DAN Hipotensi DAN Herpes labialis MAKA Malaria, CF 1
17 JIKA Demam dengan kuantitas >= 39 D. Celcius (toleransi 3 D. Celcius) selama >= 3 hari (toleransi 3 hari)
DAN Batuk DAN Pilek
DAN Mata Merah DAN Tahi Mata DAN Fotofobi DAN Diare DAN Muntah DAN Epistaksis DAN Petekie DAN Ekimosis
DAN TIDAK Vaksinasi Campak MAKA Morbili, CF 1
18 JIKA Ada Kontak dengan Penderita TB MAKA Profilaksis Primer, CF 1
19 JIKA Uji Tuberkulin Positif DAN Umur > 5 th
DAN Adolesen
MAKA Profilaksis Sekunder, CF 1
20 JIKA Pembesaran Kelenjar Hilus DAN Pembesaran Kelenjar Paratrakeal DAN Efusi Pleura
DAN Milier DAN Atelektasis DAN Emfisema lobus
MAKA Rontgen Positif TB, CF 1
Setelah seorang pasien positif terkena suatu penyakit TBC atau tidak, sistem pakar ini akan menyarankan terapi kepada pasien. Aturan terapi yang sudah dimasukkan ke dalam sistem ini ditunjukkan pada Tabel 3.20.
Tabel 3.20 Akuisisi Pengetahuan Aturan Terapi 1 Konklusi: Terapi Spesifik
Terapi sekarang: Terapi Spesifik1
INH, 15mg/kgbb/hr (1xsehari) durasi:180hari maks:400mg/hari
Pirazinamid, 25mg/kgbb/hr (2xsehari) durasi:60hari maks:1500mg/hari
2 Konklusi: Terapi Spesifik DAN Umur > 5 th
MAKA Terapi Spesifik, CF 1
22 JIKA BTA Positif
MAKA Terapi Spesifik, CF 1
23 JIKA Uji Tuberkulin Positif DAN Gejala Klinik TB Positif DAN Rontgen Positif TB DAN Lab Positif TB
MAKA Terapi Spesifik, CF 1
24 JIKA Indurasi uji tuberkulin dengan kuantitas >= 10 mm (toleransi 5 mm) DAN Belum imunisasi BCG
MAKA Uji Tuberkulin Positif, CF 1
25 JIKA Indurasi uji tuberkulin dengan kuantitas >= 15 mm (toleransi 5 mm) DAN Sudah imunisasi BCG/BCG 5 tahun
MAKA Uji Tuberkulin Positif, CF 1
26 JIKA Indurasi uji tuberkulin dengan kuantitas <= 9 mm (toleransi 5 mm) MAKA Uji Tuberkulin Positif, CF 0.5
27 JIKA Indurasi uji tuberkulin dengan kuantitas <= 5 mm (toleransi 5 mm) MAKA Uji Tuberkulin Positif, CF -1
INH, 10mg/kgbb/hr (1xsehari) durasi:180hari maks:400mg/hari
Pirazinamid, 25mg/kgbb/hr (2xsehari) durasi:60hari maks:1500mg/hari Rifampisin, 10mg/kgbb/hr (1xsehari) durasi:180hari maks:600mg/hari
3 Konklusi: Profilaksis Primer Terapi sekarang: Profilaksis Primer
INH, 10mg/kgbb/hr (1xsehari) durasi:180hari maks:400mg/hari
4 Konklusi: Profilaksis Sekunder Terapi sekarang: Profilaksis Sekunder
INH, 15mg/kgbb/hr (1xsehari) durasi:180hari maks:400mg/hari
5 Konklusi: Terapi Spesifik
Terapi sebelumnya: Terapi Spesifik1 (30 hari)
INH, 15mg/kgbb/hr (1xsehari) durasi:180hari maks:400mg/hari
Pirazinamid, 25mg/kgbb/hr (2xsehari) durasi:60hari maks:1500mg/hari Perkembangan: BAIK Treatment: LANJUTKAN
6 Konklusi: Terapi Spesifik
Terapi sebelumnya: Terapi Spesifik2 (30 hari)
INH, 10mg/kgbb/hr (1xsehari) durasi:180hari maks:400mg/hari
Pirazinamid, 25mg/kgbb/hr (2xsehari) durasi:60hari maks:1500mg/hari Rifampisin, 10mg/kgbb/hr (1xsehari) durasi:180hari maks:600 mg/hari Perkembangan: BAIK Treatment: LANJUTKAN
7 Konklusi: Terapi Spesifik
Terapi sebelumnya: Terapi Spesifik1 (180 hari)
INH, 15mg/kgbb/hr (1xsehari) durasi:180hari maks:400mg/hari
Pirazinamid, 25mg/kgbb/hr (2xsehari) durasi:60hari maks:1500mg/hari Perkembangan: BAIK Treatment: HENTIKAN
8 Konklusi: Terapi Spesifik
Terapi sebelumnya: Terapi Spesifik2 (180 hari)
INH, 10mg/kgbb/hr (1xsehari) durasi:180hari maks:400mg/hari
Pirazinamid, 25mg/kgbb/hr (2xsehari) durasi:60hari maks:1500mg/hari Rifampisin, 10mg/kgbb/hr (1xsehari) durasi:180hari maks:600mg/hari Perkembangan: BAIK Treatment: HENTIKAN
9 Konklusi: Profilaksis Primer
Perkembangan: BIASA Treatment: GANTI TERAPI Terapi sekarang: Terapi Spesifik1
INH, 15mg/kgbb/hr (1xsehari) durasi:180hari maks:400mg/hari
Pirazinamid, 25mg/kgbb/hr (2xsehari) durasi:60hari maks:1500mg/hari
10 Konklusi: Profilaksis Sekunder
Terapi sebelumnya: Profilaksis Sekunder (30 hari)
INH, 15mg/kgbb/hr (1xsehari) durasi:180hari maks:400mg/hari Perkembangan: BIASA Treatment: GANTI TERAPI
Terapi sekarang: Terapi Spesifik2
INH, 10mg/kgbb/hr (1xsehari) durasi:180hari maks:400mg/hari
Pirazinamid, 25mg/kgbb/hr (2xsehari) durasi:60hari maks:1500mg/hari Rifampisin, 10mg/kgbb/hr (1xsehari) durasi:180hari maks:600mg/hari
11 Konklusi: Profilaksis Primer
Terapi sebelumnya: HENTIKAN (30 hari)
Perkembangan: KURANG Treatment: LANJUTKAN
3.2.3 Mekanisme Inferensi
Ada 2 fasilitas utama dalam sistem ini, yaitu melakukan diagnosa terhadap suatu penyakit dan memberikan saran terapi kepada user. Pada bagian ini akan dijelaskan mekanisme inferensi diagnosa dan inferensi terapi.
3.2.3.1 Inferensi Diagnosa
Diagnosa adalah menentukan penyakit yang diderita pasien berdasarkan data-data yang diberikan oleh user. Dalam melakukan diagnosa suatu penyakit di dalam sistem ini menggunakan algoritma forward chaining dan backward chaining sekaligus. Forward chaining digunakan untuk menentukan calon-calon penyakit yang mungkin diderita oleh pasien berdasarkan gejala yang dimasukkan oleh user. Setelah diketahui daftar penyakit yang menjadi calon konklusi, dilakukan
backward chaining guna mengetahui gejala pendukung yang menentukan
Penentuan penyakit dilakukan dengan memilih diantara calon konklusi yang memiliki CF tertinggi.
3.2.3.2 Inferensi Terapi
Metode penalaran yang dipakai dalam penentuan terapi ini adalah dengan menggunakan metode forward chaining, yaitu suatu metode penelusuran dengan didasarkan hasil diagnosa kemudian menuju ke alternatif terapi yang mungkin dilakukan.
Suatu jenis terapi yang diberikan kepada seorang pasien akan menentukan obat apa saja yang harus dikonsumsi oleh pasien. Dalam mengonsumsi suatu obat, harus diperhatikan antara kontraindikasi obat tersebut dengan alergi yang diderita oleh pasien.
3.2.3.3 Perancangan Mesin Inferensi
Perancangan mesin inferensi dapat ditunjukkan dengan pohon keputusan dan atau
flowchart.
Pohon keputusan yang digunakan sebagai sebuah alat bantu/pendukung (support tool) dalam membuat suatu keputusan di dalam sistem ini seperti pada Gambar 3.4. Pohon keputusan ini menggunakan algoritma forward chaining dan
Gambar 3.4 Pohon Keputusan Diagnosa dan Terapi
2
Terapi spesifik
Uji Tuberkulin +
BTA + 4
1
2 3
Klinis TB
Umur < 5 th
Indurasi >= 10 mm
Blm imunisasi BCG
Indurasi >= 15 mm
Sdh imunisasi BCG
Demam Batuk Anoreksia Keringat Malam Malaise Penurunan BB 1 1 1
Uji Tuberkulin + Rontgen + Lab +
2 1 1
Indurasi >= 10 mm
Blm imunisasi BCG
Indurasi >= 15 mm
Sdh imunisasi BCG
Pembesaran Kelenjar hilus Efusi Pleura Milier Atelektasis Pembesaran kelenjar paratrakeal LED Tinggi Demam Batuk Anoreksia Keringat Malam Parut BCG Penurunan BB Malaise
Klinis TB Uji Tuberkulin ulang setelah 3-4 minggu +
Indurasi >= 10 mm
Blm imunisasi BCG
Sdh imunisasi BCG Indurasi >= 15 mm
1
Pohon keputusan pada gambar 3.4 dibaca dari bawah ke atas. Simpul paling atas pada pohon keputusan ini adalah simpul akar. Simpul yang ditandai dengan tanda kotak di simpul tersebut disebut dengan simpul keputusan. Cabang-cabang yang mengarah ke kanan dan ke kiri dari sebuah Cabang-cabang keputusan merepresentasikan kumpulan dari alternatif keputusan yang bisa diambil. Hanya satu keputusan yang dapat diambil dalam suatu waktu.
Terapi spesifik terdiri dari 4 alternatif keputusan yang bisa diambil, yang kemudian dibagi lagi menjadi beberapa cabang pilihan.
Jika Indurasi >= 10 mm dan belum imunisasi BCG maka keputusan yang diambil adalah Uji Tuberkulin positif dan akan disarankan untuk terapi spesifik. Jika Indurasi >= 15 mm dan pasien sudah imunisasi, maka keputusan yang diambil adalah Uji Tuberkulin positif.
Jika pasien mengalami demam, batuk, anoreksia, keringat pada malam hari, berat badan menurun dan malaise, maka pasien disarankan untuk melakukan klinis TB.
Untuk pasien berumur < 5 tahun, yang menjalani Uji Tuberkulin positif dan Klinis TB, disarankan untuk mengikuti terapi spesifik.
Jika pasien mengalami pembesaran kelenjar hilus, pembesaran kelenjar pankreas, efusi pleura, milier, atelektasis dan emfisema lobus, maka disarankan kepada pasien untuk menjalani Rongjen positif. Sedangkan untuk pasien yang memiliki LED tinggi, disarankan untuk mengikuti Lab positif.
Untuk pasien yang menjalani Uji Tuberkulin positif, Rontgen positif dan Lab positif, maka disarankan untuk mengikuti Terapi spesifik.
Jika pasien belum imunisasi dan memliki indurasi >= 10 mm, maka disarankan kepada pasien untuk mengikuti uji tuberkulin ulang setelah 3-4 minggu positif, dan jika pasien yang sudah imunisasi BCG dan Indurasi BCG, maka pasien juga akan melakukan uji tersebut.
Pasien yang menjalani BTA positif, juga disarankan menjalani terapi spesifik.
Flowchart adalah simbol-simbol yang digunakan untuk menggambarkan
sebuah pernyataan logika pemrograman serta aliran logika yang ditunjukkan dengan arah panah.