SISTEM PAKAR DETEKSI DINI TINGKAT RISIKO PADA
IBU HAMIL TERHADAP PREEKLAMPSIA DENGAN
LOGIKA
FUZZY
SKRIPSI
ADINDA MUSTIKA NUGRAHENI
PROGRAM STUDI S1 SISTEM INFORMASI
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
SURABAYA
SISTEM PAKAR DETEKSI DINI TINGKAT RISIKO PADA
IBU HAMIL TERHADAP PREEKLAMPSIA DENGAN
LOGIKA
FUZZY
SKRIPSI
ADINDA MUSTIKA NUGRAHENI
NIM : 081211633011
PROGRAM STUDI S1 SISTEM INFORMASI
FAKULTAS SAINS DAN TEKNOLOGI
UNIVERSITAS AIRLANGGA
SURABAYA
PEDOMAN PENGGUNAAN SKRIPSI
Skripsi ini tidak dipublikasikan, namun tersedia di perpustakaan dalam
lingkungan Universitas Airlangga, diperkenankan untuk dipakai sebagai referensi
kepustakaan, tetapi pengutipan harus seijin penyusun dan harus menyebutkan
sumbernya sesuai dengan kebiasaan ilmiah.
KATA PENGANTAR
Puji syukur kehadirat Allah
subhanahu wa ta’ala,
yang telah melimpahkan
anugerah-Nya, hingga penulis dapat menyelesaikan skripsi yang berjudul “
Sistem
Pakar Deteksi Dini Tingkat Risiko Pada Ibu Hamil Terhadap Preeklampsia
dengan Logika
Fuzzy
”
dengan baik, serta
Sholatu Wa Salam
semoga tetap
terlimpahkan kepada
Rasulullah
Muhammad SAW yang mengantarkan pada
sebuah kehidupan yang penuh keselamatan di dunia dan di akhirat.
Penyusunan naskah skripsi ini dibuat sebagai acuan untuk memenuhi satuan
kredit semester (SKS) yang dibebankan kepada penulis dan seklaigus sebagai
syarat untuk memperoleh gelar sarjana strata satu (S1) dibidang Sistem Informasi,
Fakultas Sains dan Teknologi, Universitas Airlangga.
Penulis mengharapkan kritik dan saran yang bersifat membangun demi
kesempurnaan proposal skripsi ini. Semoga proposal skripsi ini dapat memberikan
manfaat dan wawasan yang berguna. Aamiin.
Surabaya, 25 April 2016
UCAPAN TERIMA KASIH
Syukur alhamdulillah kehadirat Allah SWT karena berkat rahmat dan
hidayah-Nya, sehingga penulisan naskah skripsi yang berjudul “
Sistem Pakar
Deteksi Dini Tingkat Risiko Pada Ibu Hamil Terhadap Preeklampsia dengan
Logika
Fuzzy
”
dengan baik.
Dalam pelaksanaan dan penyusunan skripsi ini, banyak menemui kendala,
namun atas bantuan dari berbagai pihak, akhirnya laporan ini bisa terselesaikan.
Maka tidak lupa penulis mengucapkan banyak terima kasih kepada :
1.
Allah SWT yang senantiasa memberikan rahmat dan hidayah-Nya serta
Nabi besar Muhammad SAW beserta para sahabat.
2.
Kedua orang tuaku tercinta Bapak Rahmanu Dwiputro Yuwono dan Ibu
Sri Utami yang selalu mencurahkan doa, kasih sayangnya serta
dukungan motivasi kepada penulis tanpa henti-hentinya hingga saat ini.
3.
Kakak-kakak tercintaku Irka Wiragama Anoraga, Fitria Yusnita,
Anugrah Ashari Adisaka, Aldilla Cerelia Calista yang selalu
memberikan motivasi untuk penulis. dan Keponakanku Faathir Hutama
Putra yang selalu memberikan keceriaan tanpa batas.
5.
Bapak Drs. H. Kartono, M.Kom. selaku dosen pembimbing II, yang
dengan sabar membimbing dan memberikan ilmunya kepada penulis
sehingga skripsi dapat terselesaikan sampai tuntas.
6.
Bapak Indra Kharisma selaku dosen wali yang selalu membantu pada
saat proses perencanan kuliah terimakasih atas bimbingan dan ilmunya.
7.
Arya Dwi Utomo Budi yang selalu sabar menemani, membantu dan
memotivasi penulis tanpa henti hingga skripsi ini dapat terselesaikan,
semangat semoga sukses.
8.
Afifah Nurrosyidah, Novita Priandini, Dian Ramadhan, Rindu Puspita
Wibawa sahabat-sahabatku masa kuliah yang selalu memotivasi dan
bantuan tanpa henti semoga kita sukses bersama.
9.
Ana Fathonah, Nihayatus, Rosabella, Azizah, Zahra, Hasna, Anggi
sahabat-sahabatku masa SMA yang selalu memberikan dukungan.
10.
Bhevi dan Indah kawanku KKN yang selalu memberikan dukungan.
11.
Kawanku di Sistem Informasi angkatan 2012 Putri, Fitdzul, Zila, Facha,
Hana, Karina, Icun, Fatich, Irul, Fiqhi, Iqbal, Fiska, Emil, Merry,
Jessica, Irfan, Tiara, Bagus, Alwan dan yang lainnya yang tidak bisa
disebutkan satu-satu atas semua bantuan, motivasi, semoga kita sukses.
12.
Rio Ramadhan, Pascalina dan Dinis terimakasih atas segala bantuannya
menunjang keberhasilan skripsi ini.
Adinda Mustika Nugraheni, 2016, Sistem Pakar Deteksi Dini Tingkat Risiko Pada
Ibu Hamil Terhadap Preeklampsia dengan Logika Fuzzy. Skripsi ini dibawah
bimbingan Ir. Dyah Herawatie, M.Si. dan Drs. H. Kartono, M.Kom. Program
Studi S1 Sistem Informasi, Fakultas Sains dan Teknologi, Universitas Airlangga,
Surabaya.
ABSTRAK
Eklampsia menempati urutan kedua penyebab kematian ibu. Deteksi dini
Preeklampsia yang merupakan pendahuluan dari eklampsia perlu dilaksanakan
untuk menurunkan angka kematian ibu dan anak. Tujuan penelitian ini adalah
membuat sistem pakar deteksi dini tingkat risiko pada ibu hamil terhadap
preeklampsia dengan logika
fuzzy
.
Tahapan metodologi penelitian meliputi identifikasi masalah, analisis
kebutuhan, penentuan aturan-aturan, pengembangan sistem pakar, perancangan
sistem, implementasi sistem, pengujian sistem, serta evaluasi sistem. Variabel
yang digunakan ada 7 yaitu tekanan darah sistolik, tekanan darah diastolik,
kenaikan berat badan, Usia Kehamilan, Usia Ibu, Edema, Proteinuria kemudian
dianalisis secara umum dengan 3 tahapan fuzzy yaitu fuzzifikasi, inferensi dan
defuzzyfikasi. Output sistem berupa status risiko kehamilan ibu yaitu hamil
normal, preeklampsia ringan, atau preeklampsia berat. Implementasi sistem pakar
ini menggunakan smartphone android.
Untuk mengetahui akurasi sistem dilakukan evaluasi sistem dengan cara
membandingkan hasil pakar dengan hasil sistem terhadap 20 data testing, dan
mendapatkan hasil 3 menunjukkan hasil salah dan 17 hasil benar. Dengan
demikian prosentase akurasi sistem sebesar 85%.
Adinda Mustika Nugraheni, 2016, Expert system of Early Detection Risk Level In
Pregnant Women Against Preeclampsia with Fuzzy Logic. This undergraduate
thesis was under guidance by Ir. Dyah Herawatie, M.Si. dan Drs. H. Kartono,
M.Kom. Bachelor Degree Information System Study Program. Faculty Of Science
and Technology, Universitas Airlangga, Surabaya.
ABSTRACT
Early detection Preeclampsia is a foretaste of eclampsia needs to be done
to reduce maternal mortality and child. The purpose of this study is to make an
expert system for early detection of risk levels in pregnant mothers against
preeclampsia with fuzzy logic. Eclampsia ranks second cause of maternal
mortality.
Stages of research methodology includes the identification of problems,
needs analysis, determination of rules, expert system development, system design,
system implementation, system testing, and evaluation systems. Variables that are
used there 7 that the systolic blood pressure, diastolic blood pressure, weight gain,
Age Pregnancy, Age Mother, edema, proteinuria is then analyzed in general by
three stages, namely fuzzy fuzzification, inference and defuzzyfication. The
system output is a status the risk of the mother's pregnancy is normal pregnancy,
preeclampsia mild or severe preeclampsia. This expert system implementation
using android smartphone.
To determine the accuracy of the system to evaluate the system by
comparing the results of the expert with the results of testing the system against
the data 20, and get results 3 shows the results of one and 17 correct results. Thus
the system's accuracy percentage of 85%.
DAFTAR ISI
Halaman
HALAMAN JUDUL ... i
HALAMAN PERNYATAAN ... ii
HALAMAN PENGESAHAN ... iii
PEDOMAN PENGGUNAAN SKRIPSI ... iv
SURAT PERNYATAAN TENTANG ORISINALITAS ... v
KATA PENGANTAR ... vi
UCAPAN TERIMA KASIH ... vii
ABSTRAK ... ix
ABSTRACT ... x
DAFTAR ISI ... xi
DAFTAR GAMBAR ... xiv
DAFTAR TABEL ... xvi
DAFTAR LAMPIRAN ... xvii
BAB I PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Rumusan Masalah ... 3
1.3 Tujuan Penelitian... 3
1.4 Manfaat Penelitian... 3
BAB II TINJAUAN PUSTAKA ... 6
2.1 Kehamilan Preeklampsia ... 6
2.2 Sistem Pakar ... 12
2.3 Logika
Fuzzy
... 15
2.4 Pemrograman Mobile ... 24
2.5
Testing
... 25
BAB III METODE PENELITIAN ... 27
3.1 Identifikasi Masalah ... 27
3.2 Analisis Kebutuhan ... 27
3.3 Penentuan Aturan ... 29
3.4 Analisis Sistem Pakar Fuzzy Inferensi Mamdani ... 29
3.5 Perancangan Sistem... 30
3.6 Implementasi Sistem ... 31
3.7 Pengujian Sistem ... 31
3.8 Evaluasi Sistem ... 31
BAB IV HASIL DAN PEMBAHASAN ... 33
4.1 Hasil Identifikasi Masalah ... 33
4.2 Hasil Analisis Kebutuhan ... 33
4.4 Analisis Sistem Pakar Fuzzy ... 35
4.5 Perancangan Sistem... 49
4.6 Implementasi Sistem ... 57
4.7 Pengujian Sistem ... 61
4.8 Evaluasi Sistem ... 64
BAB V KESIMPULAN DAN SARAN ... 66
5.1 Kesimpulan... 66
5.2 Saran ... 66
DAFTAR GAMBAR
Nomor
Judul Gambar
Halaman
2.1 Struktur Sistem Pakar ... 13
2.2 Representasi Fungsi Keanggotaan Kurva Segitiga ... 17
2.3 Representasi Fungsi Keanggotaan Kurva Trapesium ... 17
2.4 Fungsi Keanggotaan Suatu Variabel ... 19
3.1 Contoh Suatu Aturan ... 29
4.1 Fungsi Keanggotaan dari Variabel Tekanan Darah Sistolik ... 36
4.2 Fungsi Keanggotaan dari Variabel Tekanan Darah Diastolik... 37
4.3 Fungsi Keanggotaan dari Variabel Kenaikan Berat Badan ... 38
4.4 Fungsi Keanggotaan dari Variabel Usia Kehamilan ... 40
4.5 Fungsi Keanggotaan dari Variabel Usia Ibu ... 41
4.6 Fungsi Keanggotaan dari Variabel Edema ... 42
4.7 Fungsi Keanggotaan dari Variabel Proteinuria ... 42
4.8 Fungsi Keanggotaan dari Variabel Output Status Risiko ... 47
4.9 Flowchart Keseluruhan Rancangan Bangun Sistem Pakar ... 50
4.10 Algoritma Fuzzifikasi Tekanan Darah Sistolik ... 51
4.11 Algoritma Fuzzifikasi Tekanan Darah Diastolik ... 51
4.12 Algoritma Fuzzifikasi Kenaikan Berat Badan ... 52
4.13 Algoritma Fuzzifikasi Usia Kehamilan ... 52
4.14 Algoritma Fuzzifikasi Usia Ibu ... 53
4.16 Algoritma Fuzzifikasi Proteinuria ... 53
4.17 Algoritma Fungsi Nilai Miu Seluruh Rule ... 54
4.18 Algoritma Pencarian Nilai Miu Terkecil dari Seluruh Kriteria Input ... 55
4.19 Algoritma Pencarian Nilai Terbesar dari Seluruh Kategori Output ... 56
4.20 Algoritma Fungsi Penentuan Kategori Output ... 56
4.21 Algoritma Fungsi Pencarian Nilai Z ... 57
4.22 Algoritma Output ... 57
4.23 Desain Halaman Awal Aplikasi ... 58
4.24 Desain Halaman Pendaftaran User... 60
4.25 Desain Halaman Profil User ... 60
4.26 Desain Halaman Pengecekan ... 60
DAFTAR TABEL
Nomor
Judul Tabel
Halaman
2.1 Fuzzy Sets Suatu Variabel ... 19
3.1 Contoh Pengujian Sistem ... 30
4.1 Fuzzy Sets Tekanan Darah Sistolik... 36
4.2 Fuzzy Sets Tekanan Darah Diastolik ... 37
4.3 Fuzzy Sets Kenaikan Berat Badan ... 39
4.4 Fuzzy Sets Usia Kehamilan ... 40
4.5 Fuzzy Sets Usia Ibu ... 41
4.6 Contoh Inputan Variabel ... 43
4.7 Hasil Perhitungan Fuzzifikasi Variabel Linguistik ... 45
4.8 Contoh Nilai Fuzzyfikasi Dengan Evaluasi Aturan ... 46
4.9 Hasil Nilai Maksimum ... 47
4.10 Pengujian Sistem Halaman Verifikasi Nomor ... 61
4.11 Pengujian Sistem Halaman Pendaftaran ... 62
4.12 Pengujian Sistem Halaman Pengguna ... 62
4.13 Pengujian Sistem Halaman Pengecekan ... 63
4.14 Pengujian Sistem Halaman Hasil ... 63
DAFTAR LAMPIRAN
Nomor
Judul Lampiran
1.
100 Pengambilan Data Antenatal Care
2.
1458 Rule Deteksi Dini Tingkat Risiko Terhadap Preeklampsia
3.
Perhitungan Inferensi Mamdani (nilai min-max)
4.
Laporan Wawancara
BAB I
PENDAHULUAN
1.1
Latar Belakang
Penyebab kematian ibu yang paling umum di Indonesia disebabkan oleh
obstetri langsung, diantaranya perdarahan sebanyak 28%, eklampsia sebanyak
24%, dan infeksi sebanyak 11%, sedangkan penyebab obstetri tidak langsung
adalah trauma obstetri 5% dan lain-lain 11%. (BKKBN, 2010). Berdasarkan
prosentase penyebab kematian ibu menunjukkan bahwa eklampsia menempati
urutan kedua penyebab kematian ibu pada masa kehamilan. Eklampsia merupakan
pendahulu dari preeklampsia. Preeklampsia merupakan penyakit dengan
tanda-tanda hipertensi, edema, dan proteinuria yang timbul karena kehamilan
(Wiknjosastro, et al., 2005). Kematian ini umumnya dapat dicegah apabila dapat
di deteksi sejak dini, kemudian mendapatkan penanganan yang tepat pada saat
yang paling kritis yaitu pada masa sekitar persalinan (Faiqoh, et al., 2014).
Sistem Pakar adalah paket perangkat lunak pengambilan keputusan yang
dapat mencapai tingkat performa yang setara atau bahkan lebih dengan pakar
manusia di beberapa bidang khusus. Ide dasar dibalik sistem pakar adalah
sederhana, keahlian ditransfer dari pakar ke suatu komputer. Pengetahuan ini
kemudian disimpan di dalam komputer, dan pengguna menjalankan komputer
untuk nasihat spesifik yang diperlukan. Sistem pakar menanyakan fakta-fakta dan
dapat membuat inferensi dan sampai pada suatu kesimpulan khusus. Kemudian,
seperti konsultan manusia, ia menasihati
nonexpert
dan menjelaskan, jika perlu,
logika di balik nasihat yang diberikan. (Turban, et al., 2005)
bukan pada
crisp membership
logika biner klasik. Tidak seperti dua nilai logika
Boolean, logika fuzzy bersifat multi-nilai (Negnevitsky, 2005). Beberapa
penelitian logika fuzzy yang diaplikasikan pada ilmu kesehatan yaitu penelitian
dari Adeli Ali dan Neshat Mehdi dengan judul
A Fuzzy Expert System for Heart
Disease Diagnosis
(Adeli, et al., 2010) dan penelitian oleh Ahmad Fashel dkk
dengan judul
Aplikasi Pendukung Keputusan Untuk Deteksi Dini Risiko Penyakit
Stroke Menggunakan Logika Fuzzy Mamdani : Studi Kasus Di RS XYZ
(Sholeh, et
al., 2012).
Penelitian ini akan membuat “Sistem Pakar Deteksi Dini Tingkat Risiko
Pada Ibu Hamil Terhadap Preeklampsia Dengan Logika Fuzzy” yang dapat
digunakan untuk mendeteksi tingkat risiko ibu hamil mengalami kehamilan
normal, mengalami preeklampsia ringan, atau preeklampsia berat.
1.2
Rumusan Masalah
Berdasarkan latar belakang masalah, maka rumusan masalah dalam
penelitian ini adalah bagaimana membuat sistem pakar deteksi dini tingkat risiko
pada ibu hamil terhadap preeklampsia dengan logika
fuzzy
?
1.3
Tujuan Penelitian
Tujuan penelitian ini adalah membuat sistem pakar deteksi dini tingkat
risiko pada ibu hamil terhadap preeklampsia dengan logika
fuzzy
.
1.4
Manfaat Penelitian
1.
Bagi klinisi (tenaga medis)
Membantu dalam memberikan deteksi dini tingkat risiko pada ibu hamil
yang mengalami preeklampsia sehingga mengurangi kejadian
eklampsia.
2.
Bagi pasien
Membantu dalam memberikan deteksi dini tingkat risiko pada ibu hamil
agar tingkat kewaspadaan pasien lebih meningkat sehingga penanganan
awal dapat segera diberikan.
3.
Bagi pihak lain
Penelitian ini diharapkan dapat menambah bahan bacaan maupun
referensi mengenai sistem pakar dalam memberikan deteksi dini pada
ibu hamil yang mengalami preeklampsia bagi masyarakat luas maupun
bagi penelitian selanjutnya.
1.5
Batasan Masalah
Batasan masalah dalam membuat sistem pakar deteksi dini tingkat risiko
pada ibu hamil terhadap preeklampsia dengan logika
fuzzy
,
1.
Input
sistem meliputi tekanan darah sistolik, tekanan dasar diastolik,
kenaikan berat badan, usia kehamilan, usia ibu, edema (pembengkakan)
dan proteinuria.
normal, preeklampsia ringan, preeklampsia berat.
5.
Untuk output yang diberikan pada sistem ini merujuk pada buku Ilmu
Kebidanan selaku buku panduan Obstetri dan Ginekologi.
BAB II
TINJAUAN PUSTAKA
2.1
Kehamilan Preeklampsia
Pada bagian ini akan dijelaskan definisi kehamilan preeklampsia, kriteria
deteksi kehamilan preeklampsia, dan derajat kehamilan preeklampsia.
2.1.1
Kehamilan Preeklampsia
Menurut (Wiknjosastro, et al., 2005) Preeklampsia ialah penyakit dengan
tanda-tanda hipertensi, edema, dan proteinuria yang timbul karena kehamilan.
Penyakit ini umumnya terjadi dalam triwulan ke-3 kehamilan, tetapi dapat terjadi
sebelumnya.
Hipertensi biasanya timbul lebih dahulu daripada tanda-tanda lain. Untuk
menegakkan diagnosis preeklampsia, kenaikan tekanan sistolik harus 30 mm Hg
atau lebih di atas tekanan yang biasanya ditemukan, atau mencapai 140 mm Hg
atau lebih. Kenaikan tekanan diastolik sebenarnya lebih dapat dipercaya. Apabila
tekanan diastolik naik dengan 15 mm Hg atau lebih, atau menjadi 90 mmHg atau
lebih, maka diagnosis hipertensi dapat dibuat.
mungkin. Mempersiapkan ibu dan keluarga dapat berperan dengan baik dalam
memelihara bayi agar dapat tumbuh dan berkembang secara normal (Faiqoh, et
al., 2014). Berikut adalah penjabaran mulai dari frekuensi, gambaran klinik,
diagnosis, pencegahan dan penanganan ibu yang mengalami preeklampsia :
1.
Frekuensi
Frekuensi preeklampsia untuk tiap negara berbeda-beda karena banyak
faktor yang mempengaruhinya: jumlah primigravida (kelahiran pertama), keadaan
sosial-ekonomi, perbedaan kriteria dalam penentuan diagnosis, dan lain-lain.
2.
Gambaran Klinik
Biasanya tanda-tanda preeklampsia timbul dalam urutan; pertambahan berat
badan yang berlebihan, diikuti edema, hipertensi, dan akhirnya proteinuria. Pada
preeklampsia ringan tidak ditemukan gejala-gejala subyektif. Pada preeklampsia
berat didapatkan sakit kepala di daerah frontal, skotoma, diplopia, penglihatan
kabur, nyeri di daerah epigastrum, mual atau muntah-muntah. Gejala-gejala ini
sering ditemukan pada preeklampsia yang meningkat dan merupakan petunjuk
bahwa eklampsia akan timbul. Tekanan darah pun meningkat lebih tinggi, edema
menjadi lebih umum, dan proteinuria bertambah banyak.
3.
Diagnosis
sempurna. Pada umumnya diagnosis preeklampsia didasarkan atas adanya 2 dari
trias tanda utama: hipertensi, edema, dan proteinuria. Hal ini memang berguna
untuk kepentingan statistik, tetapi dapat merugikan penderita karena tiap tanda
dapat merupakan bahaya kendatipun ditemukan tersendiri. Adanya satu tanda
harus menimbulkan kewaspadaan, apa lagi oleh karena cepat tidaknya penyakit
meningkat tidak dapat diramalkan; dan bila eklampsia terjadi, maka prognosis
bagi ibu maupun janin menjadi jauh lebih buruk. Tiap kasus preeklampsia oleh
sebab itu harus ditangani dengan sungguh sungguh.
4.
Pencegahan
Pemeriksaan antenatal (sebelum kelahiran) yang teratur dan teliti dapat
menemukan tanda-tanda dini preeklampsia, dan dalam hal itu harus dilakukan
penanganan semestinya. Walaupun timbulnya preeklampsia tidak dapat dicegah
sepenuhnya, namun frekuensinya dapat dikurangi dengan pemberian penerangan
secukupnya dan pelaksanaan pengawasan yang baik pada wanita hamil. Istirahat
tidak selalu berarti berbaring di tempat tidur, namun pekerjaan sehari-hari perlu
dikurangi, dan dianjurkan lebih banyak duduk dan berbaring. Diet tinggi protein
dan rendah lemak, karbohidrat, garam dan penambahan berat badan yang tidak
berlebihan perlu dianjurkan.
5.
Penanganan
preeklampsia berat dan eklampsia; (2) melahirkan janin hidup; (3) melahirkan
janin dengan trauma sekecil-kecilnya. Pada dasarnya penanganan preeklampsia
terdiri atas pengobatan medik dan penanganan obstretik. Penanganan obstretik
ditujukan untuk melahirkan bayi pada saat yang optimal, yaitu sebelum janin mati
dalam kandungan, akan tetapi sudah cukup matur untuk hidup di luar uterus.
Setelah persalinan berakhir, jarang terjadi eklampsia, dan janin yang sudah cukup
matur lebih baik hidup di luar kandungan daripada dalam uterus. Waktu optimal
tersebut tidak selalu dapat dicapai pada penanganan preeklampsia, terutama bila
janin masih sangat prematur. Dalam hal ini diusahakan dengan tindakan medis
untuk dapat menunggu selama mungkin, agar janin lebih matur.
Pada umumnya indikasi untuk merawat penderita preeklampsia di rumah
sakit ialah; (1) tekanan darah sistolik 140 mmHg atau lebih dan/atau tekanan
darah diastolik 90 mmHg atau lebih; (2) proteinuria 1+ atau lebih; (3) kenaikan
berat badan 1,5 kg atau lebih dalam seminggu yang berulang; (4) penambahan
edema berlebihan secara tiba-tiba. Perlu diperhatikan bahwa apabila hanya 1
tanda ditemukan, perawatan belum seberapa mendesak, akan tetapi pengawasan
ditingkatkan, dan kepada yang bersangkutan dianjurkan untuk segera datang jika
ada keluhan. Sementara itu, dinasehatkan pula untuk banyak beristirahat dan
mengurangi pemakaian garam dalam makanan.
2.1.2
Derajat Tingkat Preeklampsia
hari (40 minggu atau 9 bulan 7 hari) dihitung dari hari pertama haid terakhir.
Kehamilan dibagi menjadi 3 trimester yaitu trimester pertama di mulai dari
konsepsi sampai 3 bulan, trimester kedua dari bulan keempat sampai 6 bulan.
Trimester ketiga dari bulan ketujuh sampai 9 bulan (Saifuddin, et al., 2002).
Diagnosis kehamilan normal digambarkan
a.
Ibu sehat, tidak ada riwayat obstetri buruk.
b.
Pemeriksaan fisik dan laboratorium normal.
c.
Tekanan darah dibawah 140/90 mmHg.
d.
Kenaikan berat badan ½ kg setiap minggu masih dianggap normal.
Menurut (Manuaba, 1998) Preeklampsia digolongkan ke dalam
preeklampsia ringan dan preeklampsia berat dengan gejala dan tanda
1)
Preeklampsia Ringan
a.
Tekanan darah sistolik 140 atau kenaikan 30 mmHg dengan interval
pemeriksaan 6 jam.
b.
Tekanan darah diastolik 90 atau kenaikan 15 mmHg dengan interval
pemeriksaan 6 jam.
c.
Kenaikan berat badan 1 kg atau lebih dalam seminggu.
d.
Proteinuria 0,3 gr atau lebih dengan tingkat kualitatif plus 1 sampai 2
pada urin kateter atas urin aliran pertengahan.
2)
Preeklampsia Berat
a.
Tekanan darah 160/110 mmHg
b.
Proteinuria lebih dari 3 gr/liter
c.
Keluhan subyektif:
i.
Nyeri epigastrum
ii.
Gangguan penglihatan
iii.
Nyeri kepala
iv.
Edema paru dan sianosis
v.
Gangguan kesadaran
d.
Pemeriksaan:
i.
Kadar enzim hati meningkat disertai ikterus
ii.
Perdarahan pada retina
iii.
Trombosit kurang dari 100.000/mm
Peningkatan gejala dan tanda preeklampsia berat memberikan petunjuk
akan terjadi eklampsia, yang mempunyai prognosa buruk dengan angka
kematian maternal dan janin tinggi.
2.2
Sistem Pakar
Sistem pakar menanyakan fakta-fakta dan dapat membuat inferensi dan sampai
pada suatu kesimpulan khusus. Kemudian, menasehati
nonexpert
dan
menjelaskan, jika perlu, logika di balik nasehat yang diberikan.
2.2.1
Struktur Sistem Pakar
Sistem pakar terdiri dari 2 bagian pokok, yaitu: lingkungan pengembangan
(
development environtment
) dan lingkungan konsultasi (
consultation
environtment
). Lingkungan pengembangan digunakan sebagai pembangun sistem
pakar dari segi pembangunan komponen maupun basis pengetahuan. Lingkungan
konsultasi digunakan oleh seorang yang bukan ahli untuk berkonsultasi (Turban,
1995).
Gambar 2.1 Struktur Sistem Pakar
Komponen-komponen yang terdapat dalam sebuah sistem pakar terdiri dari,
1.
Antarmuka pengguna (
user interface
)
2.
Basis pengetahuan (
knowledge base
)
Basis pengetahuan dapat dikatakan sebagai kumpulan informasi dan
pengalaman seorang ahli pada suatu bidang tertentu.
3.
Akuisisi pengetahuan (
knowledge acquisition
)
Akuisisi pengetahuan merupakan transformasi keahlian menyelesaikan
masalah dari sumber pengetahuan kedalam program komputer.
4.
Mesin inferensi
Mesin inferensi merupakan otak dari sistem pakar yang mengandung
mekanisme fungsi berpikir dan pola-pola penalaran sistem yang digunakan
oleh seorang pakar. Mesin inferensi bertindak sebagai penarik kesimpulan
dan mengontrol mekanisme dari sistem pakar.
5.
Daerah Kerja (
Workplace
)
Untuk merekam hasil sementara yang akan dijadikan sebagai keputusan dan
untuk menjelaskan sebuah masalah yang terjadi, sistem pakar membutuhkan
workplace
, yaitu area pada memori yang berfungsi sebagai basis data.
6.
Subsistem penjelasan (
explanation subsystem
)
Komponen ini adalah komponen tambahan yang akan meningkatkan
kemampuan sistem pakar. Menggambarkan penalaran sistem kepada pemakai
dengan cara menjawab banyak pertanyaan-pertanyaan.
7.
Perbaikan pengetahuan
2.3
Logika
Fuzzy
Pada tahun 1965 Lotfi Zadeh, Profesor dan Kepala Teknik Elektro
Departemen di University of California di Berkeley, menerbitkan penelitiannya
yang terkenal yaitu “Fuzzy Set”. Zadeh memperkenalkan konsep baru dari logika
matematika untuk mengaplikasikan istilah bahasa alami (
natural language term).
Logika baru ini direpresentasikan dan dimanipulasi kekaburannnya sehingga
disebut Logika Fuzzy. Logika fuzzy ditentukan sebagai seperangkat prinsip
matematika untuk pengetahuan representasi berdasarkan derajat keanggotaan
bukan pada
crisp membership
logika biner klasik. Tidak seperti dua nilai logika
Boolean, logika fuzzy bersifat multi-
valued
. Ini berkaitan dengan derajat
keanggotaan dan derajat kebenaran. Logika fuzzy menggunakan kontinum nilai
logis antara 0 (sepenuhnya salah) dan 1 (sepenuhnya benar) daripada hanya hitam
dan putih, menerima bahwa hal bisa sebagian benar dan sebagian salah pada
waktu yang sama. (Negnevitsky, 2005).
2.3.1
Himpunan Fuzzy
Sebuah himpunan fuzzy dapat didefinisikan sebagai satu himpunan dengan
batasan fuzzy. Dalam teori fuzzy, himpunan fuzzy A dari semesta X didefinisikan
oleh fungsi µA(x) yang disebut sebagai fungsi keanggotaan dari himpunan A.
µ
A(x) : X
[0,1]
(2.1)
dimana :
µ
A(x) = 1 jika x adalah bagian himpunan A;
µ
A(x) = 0 jika x bukan bagian himpunan A;
0 < µ
A(x) < 1 jika x adalah bagian dari himpunan A
.
Himpunan ini memungkinkan sebuah kontinum dari kemungkinan pilihan.
Untuk setiap elemen x dari semesta X, fungsi keanggotaan µA(x) sama dengan x
sebagai elemen dari himpunan A. Oleh karena itu, nilai antara 0 dan 1, mewakili
derajat keanggotaan, juga disebut nilai keanggotaan, elemen x di himpunan A.
2.3.2
Fungsi Keanggotaan
Cara untuk merepresentasikan himpunan fuzzy adalah terlebih dahulu
menentukan fungsi keanggotaan yang dilakukan untuk pemenuhan titik-titik input
data ke dalam nilai keanggotaannya. Fungsi-fungsi ini dapat mewakili data real di
set fuzzy, tetapi juga meningkatkan waktu komputasi. Oleh karena itu, dalam
prakteknya, sebagian besar menggunakan
linear fit functions
dengan representasi
segitiga dan trapesium (Negnevitsky, 2005).
1)
Representasi kurva segitiga
Gambar 2.2 Representasi Fungsi Keanggotaan Kurva Segitiga
Fungsi keanggotaan kurva segitiga, menurut (Saleh, et al., 2011), ditunjukkan
pada persamaan 2.1 berikut
0;
x ≤ a
(x-a)/(b-a); a < x < b
µ(x) =
1;
x = b
(c-x)/(c-b);
b < x < c
0;
x ≥ c
(2.2)
2)
Representasi kurva trapesium
Kurva trapesium pada dasarnya seperti bentuk segitiga hanya saja ada
beberapa titik yang memiliki nilai keanggotaan 1. Representasi kurva
trapesium ditunjukkan pada Gambar.2.3.
Gambar 2.3 Representasi Fungsi Keanggotaan Kurva Trapesium
0;
x ≤ a
(x-a)/(b-a);
a < x < b
µ(x) =
1;
b ≤ x ≤ c
(d-x)/(d-c); c < x < d
0;
x ≥ d
(2.3)
2.3.3
Fuzzy
Inferensi Mamdani
I
nferensi fuzzy dapat didefinisikan sebagai proses pemetaan dari input yang
diberikan kepada output, menggunakan teori fuzzy set. Salah satu model inferensi
fuzzy adalah inferensi mamdani. Teknik kabur inferensi yang paling umum
digunakan adalah metode Mamdani. Pada tahun 1975, Profesor Ebrahim
Mamdani dari Universitas London membangun satu dari sistem fuzzy pertama
untuk mengendalikan mesin uap dan kombinasi boiler. Ia menerapkan satu
himpunan aturan fuzzy yang disediakan oleh operator manusia yang
berpengalaman. Proses dari mamdani inferensi fuzzy dilakukan dalam empat
langkah: fuzzifikasi dari variabel masukan, evaluasi aturan, agregasi aturan
output, dan terakhir defuzzifikasi. (Negnevitsky, 2005).
Langkah 1 : Fuzzifikasi
Fuzzifikasi adalah langkah pertama dari metode Mamdani yang bertugas
mengambil nilai input berupa nilai
crisp,
dan menentukan derajat dari input
sehingga input dapat dikelompokkan pada himpunan fuzzy yang tepat. Fuzzifikasi
adalah proses membuat bilangan
crisp
yang memiliki nilai fuzzy. Pada tahap
pertama ini, nilai input yang berupa nilai
crisp
akan dikonversikan menjadi nilai
fuzzy, sehingga dapat dikelompokkan pada himpunan fuzzy tertentu.
himpunan semestanya. Range himpunan semesta pun dapat ditentukan oleh
penilaian pakar. Misalnya, jika terdapat suatu fungsi keanggotan contohnya
BESAR dan KECIL untuk menentukan massa suatu benda, maka pakar dapat
diminta untuk memberikan angka diantara 0 hingga 100 yang dapat mewakili
massa suatu benda besar ataupun kecil tersebut. Dengan kata lain, pakar
diperlukan untuk menentukan fungsi keanggotaan yang benar-benar memadai.
Seperti contoh dalam Tabel 2.1 terdapat suatu input Her2 dalam
menentukan diagnosa kanker payudara (Saleh, et al., 2011). Dibutuhkan suatu
contoh inputan seperti misal input Her2 adalah 1,5. Setelah menentukan input
crips, nilai input ini akan terfuzzifikasi berdasarkan himpunan fuzzy linguistiknya.
Sehingga untuk “Negative” memiliki nilai miu 1 sementara “Postive” memiliki
nilai miu 0.
Tabel 2.1. Fuzzy Set dari Suatu Variabel
Input
Field Range
Fuzzy
Set
Her2
<=1.5
Negative
1.5 – 3 Maybe Negative or Positive
>=3
Positive
Maka fungsi keanggotaan variabel Her2 ditunjukkan pada Gambar 2.4,
1;
x ≤ 1,5
µNegative(x) =
(3-x)/1,5;
1,5 < x < 3
0;
x ≥ 3
(2.4)
0;
x ≤ 1,5
µPositive(x) =
(x-1,5)/1,5; 1,5 < x < 3
1;
x ≥ 3
Langkah 2 : Evaluasi Aturan
Langkah kedua adalah mengambil input yang telah di-fuzzyfikasikan dan
mengaplikasikannya pada
antecedents
di dalam aturan-aturan fuzzy lalu
diimplikasikan. Fungsi implikasi yang digunakan adalah MIN ditunjukkan dalam
persamaan 2.5.
µA
⋂
B = min(µA[x], µB[y])
(2.5)
Dalam contoh kasus diagnosis kanker payudara, setelah menentukan input dan
menghitung nilai fuzzifikasi pada setiap fungsi keanggotaan, dilakukan
pengaplikasikan evaluasi aturan, dan berikut adalah salah satu contoh aturan
dalam kasus tersebut :
R[1] IF Her2 = Negative AND Hormon Receptors = Weak Positive AND
Age = Low AND Grade = Grade1 AND Tumor Size = Small
AND Lymph Node = Zero
THEN Risk Status = Low Risk.
α-Predikat1 = min(μNegative[4], μWeakPositive[35], μLowRisk[35],
μGrade1[4], μSmallSize[3], μZero[5])
Dimana contoh kasus diagnosis kanker payudara ternyata memiliki 14 aturan
maka hasil evaluasi aturan adalah :
Low Risk =
a. µ-predikat1
= 0
b. µ-predikat2
= 0
c. µ-predikat3
= 0
d. µ-predikat4
= 0
e. µ-predikat5
= 0
f. µ-predikat6
= 0
Intermediate Risk = g. µ-predikat7
= 0
h. µ-predikat8
= 0
i. µ-predikat9
= 0
j. µ-predikat10
= 0
k. µ-predikat11
= 0
l. µ-predikat12
= 0
High Risk =
m. µ-predikat13
= 0,625
n. µ-predikat14
= 0,3
Langkah 3 : Aggregasi Aturan Output
Aggregasi aturan adalah proses penggabungan nilai output dari semua
aturan. Pada tahap ini, digunakan metode MAX, dimana solusi himpunan fuzzy
diperoleh dengan cara mengambil nilai maksimum aturan yang kemudian
digunakan untuk memodifikasi daerah fuzzy.
Penerapan dalam contoh kasus diagnosis kanker payudara bahwa proses
penggabungan nilai output dari semua aturan untuk memodifikasi daerah fuzzy :
i.
μLowRisk
= max(0;0;0;0;0;0) = 0
ii.
μIntermediateRisk
= max(0;0;0;0;0;0) = 0
iii.
μHighRisk
= max(0,625;0,3) = 0,625
Langkah 4 : Defuzzyfikasi
Langkah terakhir dari proses inferensi fuzzy adalah untuk
mengkonversikan nilai fuzzy hasil dari aggregasi aturan ke dalam sebuah bilangan
crisp.
Metode yang digunakan dalam inferensi fuzzy mamdani adalah metode
Weight Average yang ditunjukkan pada persamaan. Dimana y* suatu nilai
crisp
.
y * = ∑
µ (𝒚)𝒚
µ (𝒚)
(2.7)
Sebagai contoh ditunjukkan Gambar 2.5 menunjukkan variabel output
dalam kasus Diagnosa Kanker. Proses defuzzifikasi dimulai setelah agregasi
aturan output memiliki hasil output ditiap daerah fuzzy. Kemudian dihitung batas
atas dan batas bawah dari kurva output. Adapun batas bawah baru dan batas atas
barunya sebagai berikut :
a. Hasil μLowRisk = 0, jika μ(Low Risk) = μ(LR) maka :
μ(LR) = (z1-b)/(c-b)
0 = (z1-1)/(2-1)
z1 = 1
b. Hasil μIntermediateRisk = 0, jika μ(Intermediate Risk) = μ(IR) maka :
μ(IR) = (z2-b)/(c-b)
0 = (z2-2)/(3-2)
z2 = 2
c. Hasil μHighRisk = 0,625 , jika μ(High Risk) = μ(HR) maka :
μ(HR) = (z3-b)/(c-b)
0,625 = (z3-3)/(4-3)
z3 = 3,625
Kemudian menggunakan metode Weight Average dikonversikan agar
menjadi sebuah bilangan
crisp.
z
=
𝑧1.µ(
LR)
+ 𝑧2.µ(
IR)
+ 𝑧3.µ(
HR)
µ
