SISTEM PAKAR UNTUK MENDIAGNOSIS GANGGUAN PERILAKU DAN SIFAT PADA ANAK MENGGUNAKAN
METODE FUZZY EXPERT SYSTEM
(STUDI KASUS LEMBAGA PSIKOLOG “DR. SOETOMO”)
Donny Priyo SJ.1) Dr Jusak.2) Julianto Lemantara, S.Kom, OCA., MCTS.3)
1)
Mahasiswa SI / Jurusan Sistem Informasi STIKOM Surabaya 2)
Dosen SI / Jurusan Sistem Informasi STIKOM Surabaya 3)
Dosen SI / Jurusan Sistem Informasi STIKOM Surabaya
Email : 1)unicornsc@yahoo.com2)jusak@sikom.edu3)julianto@stikom.edu
Abstract :
Expert systems in general are trying to adopt a system of human knowledge into a computer, so the computer can resolve the issue as was done by experts. Another definition of an expert system is a system designed and implemented by specific programming language to be able to resolve the issue as was done by the experts. Hopefully with this system, ordinary people can solve certain problems better 'bit' tricky or complicated though 'without' the help of experts in the field. As for the experts, this system can be used as an inexperienced assistant. Applications developed aimed to determine the types of developmental disorders in children under 10 years old with only observe the symptoms experienced. Diagnostic test results from 10 data obtained from the Institute of Psychologists' Dr. Soetomo "indicates that the system is able to identify the type and nature of behavioral disorders in children with the diagnosis accuracy of 90%, which is only 1 data are the results of the diagnosis does not fit. This system also can provide knowledge in the form of a description, the causes, and ways of handling the behavior and properties of the interference experienced by the child.
Keyword :
Expert System, Nature of Behavioral Disorder in Children
1. Pendahuluan
Gangguan perilaku dan sifat
pada anak adalah masalah yang
dihadapi oleh orang tua dalam
menghadapi perkembangan anaknya. Gangguan perilaku tersebut antara lain,
gangguan konsentrasi, gangguan
belajar, gangguan emosi, keterlambatan
bicara, hiperaktif/ Attention Deficit and
Hyperactivity Disorder (ADHD) dan
Autisme. Masalah gangguan perilaku ini tidak boleh dianggap sebagai masalah kecil. Karena perilaku anak
yang menyimpang dapat menghambat proses pembelajaran anak tersebut dan berdampak buruk pada perkembangan sosialnya. Orang tua yang anaknya mempunyai gangguan perilaku juga
merasa resah karena minimnya
pengetahuan tentang gangguan perilaku dan sifat anak. Biaya terapi yang harus
dikeluarkan penderita gangguan
perilaku juga terbilang mahal dan
membutuhkan waktu yang lama
tergantung dari seberapa parah atau tidaknya gangguan yang di derita.
Belum ditemukan data penderita
gangguan perilaku (salah satu
contohnya autis) yang akurat di
Indonesia, namun dalam suatu
wawancara di Koran Kompas; Dr. Melly Budhiman, seorang Psikiater Anak dan Ketua dari Yayasan Autisme
Indonesia menyebutkan adanya
peningkatan yang luar biasa. “Bila
sepuluh tahun yang lalu jumlah
penyandang autisme diperkirakan satu per 5.000 anak, sekarang meningkat menjadi satu per 500 anak” (Kompas, 2000). Tahun 2000 yang lalu, Dr. Ika
Widyawati; staf bagian Psikiatri
Fakultas Kedokteran Universitas
Indonesia memperkirakan terdapat
kurang lebih 6.900 anak penyandang autisme di Indonesia. Jumlah tersebut
menurutnya setiap tahun terus
meningkat. Hal ini sungguh patut diwaspadai karena jika penduduk di Indonesia saat ini mencapai lebih dari 180 juta, kira-kira berapa orang yang terdata sungguh-sungguh menyandang austime beserta spektrumnya? Saat ini, jumlah perbandingan tersebut semakin padat, 1:100, menurut informasi yang dirilis situs detikhealth.com (Agustus 2009).
Tujuan dari tugas akhir ini
adalah membuat sebuah program
komputer yaitu sistem pakar yang
digunakan untuk membantu
pakar/psikolog anak untuk menentukan jenis gangguan perkembangan pada anak dengan menggunakan metode
Fuzzy Expert System. Dengan adanya
sistem pakar ini, diharapkan mampu
menghasilkan cara mendiagnosis
gangguan perilaku dan sifat pada anak, mengetahui penyebab dan cara untuk menangani gangguan perilaku dan sifat yang di alami seorang anak seperti halnya yang di lakukan seorang pakar atau psikolog anak.
2. Sistem Pakar
Sistem pakar adalah sistem berbasis komputer yang menggunakan
pengetahuan, fakta, dan teknik
penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut Sistem pakar memberikan nilai tambah pada teknologi untuk membantu dalam menangani era informasi yang semakin canggih (Kusrini, 2006).
Konsep dasar suatu sistem pakar
mengandung beberapa unsur,
diantaranya adalah keahlian, ahli,
pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan. Keahlian merupakan salah satu penguasaaan pengetahuan di bidang tertentu yang didapatkan baik secara formal maupun non formal. Ahli adalah seseorang yang mempunyai pengetahuan tertentu dan mampu menjelaskan suatu tanggapan dan mempunyai keinginan untuk belajar
memperbaharui pengetahuan dalam
bidangnya. Pengalihan keahlian adalah mengalihkan keahlian dari seorang pakar dan kemudian dialihkan lagi ke orang yang bukan ahli atau orang awam
yang membutuhkan. Sedangkan
inferensi, merupakan suatu rangkaian proses untuk menghasilkan informasi
dari fakta yang diketahui atau
diasumsikan. Kemampuan menjelaskan, merupakan salah satu fitur yang harus dimiliki oleh sistem pakar setelah tersedia program di dalam komputer (Turban, 1995).
Tujuan pengembangan sistem
pakar sebenarnya tidak untuk
menggantikan peran para pakar, namun
untuk mengimplementasikan
pengetahuan para pakar ke dalam bentuk perangkat lunak, sehingga dapat digunakan oleh banyak orang dan tanpa biaya yang besar. Untuk membangun
sistem yang difungsikan untuk
bisa melakukan hal-hal yang dapat dikerjakan oleh para pakar.
Sistem pakar mempunyai 3
bagian utama, yaitu user interface,
interface engine, dan knowledge base.
Hubungan ketiga bagian tersebut dapat dinyatakan seperti Gambar 1.
User User Interface Inference Engine Knoledge Base
Gambar 1. Bagian Utama Sistem Pakar
1. User Interface berfungsi sebagai
media pemasukan pengetahuan
kedalam knowledge base dan
melakukan komunikasi dengan
user.
2. Inference Engine merupakan bagian
dari sistem pakar yang melakukan penalaran dengan menggunakan isi knowledge base berdasarkan urutan
tertentu. Mekanisme inferensi
berfungsi untuk mensimulasikan strategi penyelesaian masalah dari seorang pakar. Selama proses penalaran, mekanisme inferensi menguji aturan-aturan dari basis pengetahuan satu persatu.
3. Knowledge Base merupakan suatu
database yang menangani informasi khusus dan aturan tentang subyek tertentu yang diperlukan untuk membuat fakta-fakta dan teknik dalam menerangkan masalah yang disusun dalam urutan yang logis.
Knowledge base terdiri dari dua
bagian :
a. Fakta
Fakta adalah suatu kenyataan atau kebenaran yang diketahui. Fakta menyatakan hubungan antara dua objek atau lebih.
b. Aturan
Dalam menerangkan masalah
digunakan suatu aturan untuk
menentukan hal apa yang harus
dilakukan dalam situasi tertentu dan
aturan tersebut terdiri dari dua bagian
yaitu if dan then, dimana if merupakan
kondisi yang mungkin benar atau yang
mungkin salah, sedangkan then
merupakan tindakan yang dilakukan jika kondisi benar.
Ada beberapa keuntungan yang
diperoleh dengan mengembangkan
sistem pakar (Kusrini, 2006), antara lain :
1. Membuat seorang yang awam dapat
bekerja seperti layaknya seorang pakar.
2. Dapat bekerja dengan informasi
yang tidak lengkap atau tidak pasti.
3. Meningkatkan output dan
produktivitas.
4. Meningkatkan kualitas.
5. Menyediakan nasihat atau solusi
yang konsisten dan dapat
mengurangi tingkat kesalahan.
6. Membuat peralatan yang kompleks
dan mudah dioperasionalkan karena sistem pakar dapat melatih pekerja yang tidak berpengalaman.
7. Sistem tidak dapat lelah atau bosan
8. Memungkinkan pemindahan
pengetahuan ke lokasi yang jauh
serta memperluas jangkauan
seorang pakar, dapat diperoleh atau dipakai dimana saja.
Ada beberpa kelemahan yang
diperoleh dengan mengembangkan
sistem pakar, antara lain :
1. Daya kerja dan produktivitas
manusia menjadi berkurang karena
semuanya dilakukan secara
otomatis oleh sistem.
2. Pengembangan perangkat lunak
sistem pakar lebih sulit
dibandingkan dengan perangkat lunak konvensional.
3. Biaya pembuatan mahal, karena
seorang pakar membutuhkan
pembuat aplikasi untuk membuat sistem pakar yang diinginkan.
3. Fuzzy Expert System
Expert system di dalam bekerja
berdasarkan rule based yang disimpan
di dalam database. Bentuk umum rule
based yang dipakai dalam expert system
adalah if A then B atau jika A maka B,
dimana A disebut sebagai premis dan B disebut sebagai konklusi. Didalam
pengerjaan dengan metode rule based
akan banyak ditemui
kelemahan-kelemahan yaitu:
1. Membutuhkan pencocokan yang
benar-benar pas, contohnya jika sakit kepala dan suhu badan naik maka terkena demam. Jika diberi pernyataan sakit kepala saja, maka
rule diatas tidak dapat memberi
kesimpulan apakah terkena demam atau tidak.
2. Seringkali sulit untuk
menghubungkan rule-rule yang
berhubungan dengan sebuah
inference chain (otak dari system pakar untuk melakukan pengecekan
dari rule yang satu ke rule lainnya).
3. Bisa menjadi sangat lambat jika
menampung banyak rule.
4. Tidak cocok untuk permasalahan
tertentu.
Untuk mengatasi kekurangan
dari sistem pakar yang berbasis rule,
maka dikembangakn suatu sistem pakar
yang berbasis fuzzy sebagai
pengolahannya sehingga sistem tersebut
dikenal dengan nama fuzzy expert
system.
Fuzzy expert system adalah suatu
sistem pakar yang menggunakan
perhitungan fuzzy dalam mengolah
knowledge untuk menghasilkan
konsekuensi, premis dengan konklusi atau kondisi dengan akibat sehingga menhasilkan informasi yang memiliki
keakuratan kepada end user atau
pengguna. Bentuk umum fuzzy expert
system hampir sama dengan bentuk rule
based pada expert system yaitu if A then
B dimana A dan B adalah fuzzy sets
(Klir, 1995).
4. 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 diagnosis 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 diagnosis.
Pakar sering membuat perkiraan saat memecahkan masalah. Informasi
yang didapatkan sering hanya
merupakan perkiraan dan tidak lengkap, sehingga dibutuhkan suatu cara untuk menyarakan informasi yang tidak pasti.
Certainty Factor (CF) digunakan untuk
menyatkan tingkat keyakinan pakar dalam suatu pernyataan (Levine, 1988).
Certainty Factor dinilai dengan angka
dalam rentang -1 (yakin negatif) sampai 1 (yakin positif). Pemberian nilai untuk pembagian tingkat keyakinan dapat dilihat pada Tabel 1.
Tabel 1. Tingkat Keyakinan CF
Uncertain Term / Kondisi
Tidak Pasti Nilai
Definitely not / Pasti Tidak -1.0
Almost certainly not / Hampir
pasti tidak -0.8
Probably not / kemungkinan
besar tidak -0.6
Maybe not / Kemungkinan
Unknown / Tidak tahu -0.2 to 0.2
Maybe / Kemungkinan 0.4
Probably / Kemungkinan
Besar 0.6
Almost Certainly / Hampir
pasti
0.8
Definitely / Pasti 1.0
Aturan untuk penghitungan
Certainty Factor (CF) : Rule Kombinasi IF Evidence 1 (E1) CF (E1) THEN Hipotesis (H) IF Evidence 2 (E2) CF (E2) THEN Hipotesis (H) CF(CF1, CF2) = CF1 + CF2 * (1-CF1) nilai CF1 dan CF2 > 0 CF(CF1, CF2) = CF1 + CF2 * (1+CF1) nilai CF1 dan CF2 < 0 CF(CF1, CF2) = (CF1 + CF2) / (1-min{|CF1|,|CF2|}) nilai CF1 atau CF2 > 0
5. Jenis-Jenis Gangguan Perilaku dan Sifat
Menurut Prayitno dan Amti (2005) jenis-jenis gangguan perilaku dan sifat adalah sebagai berikut :
1. Hiperaktif atau ADHD (Attention
Deficit Hiperactivity Disorder) Anak hiperaktif adalah anak yang mengalami gangguan pemusatan perhatian dengan hiperaktivitas atau
attention deficit and hyperactivity
disorder (ADHD). Kondisi ini juga
disebut sebagai gangguan hiperkinetik. Dahulu kondisi ini sering disebut
minimal brain dysfunction syndrome.
Gangguan hiperkinetik adalah gangguan pada anak yang timbul pada masa perkembangan dini (sebelum berusia 7 tahun) dengan ciri utama tidak
mampu memusatkan perhatian,
hiperaktif dan impulsif. Ciri perilaku ini mewarnai berbagai situasi dan dapat berlanjut hingga dewasa.
2. Autisme
Autisme adalah suatu kondisi
mengenai seseorang sejak lahir ataupun saat masa balita, yang membuat dirinya tidak dapat membentuk hubungan sosial atau komunikasi yang normal. Seorang anak yang menderita autisme mulai tampak sejak lahir atau saat masih kecil, biasanya sebelum anak berusia 3 tahun.
3. Disleksia (Dyslexia)
Disleksia (dyslexia) timbul
karena masalah dalam proses
pengolahan informasi di otak, terutama pada bagian yang menjadi pusat bahasa. Gejala disleksia bisa dideteksi sejak anak berusia dini, misalnya pada usia prasekolah atau sekolah dasar (Shodiq, 1996).
4. Diskalkulia (Dyscalculia)
Diskalkulia dikenal juga dengan
istilah "math difficulty" karena
menyangkut gangguan pada
kemampuan kalkulasi secara
matematis.Kesulitan ini dapat ditinjau secara kuantitatif yang terbagi menjadi
bentuk kesulitan berhitung (counting)
dan mengkalkulasi (calculating). Anak
yang bersangkutan akan menunjukkan kesulitan dalam memahami proses-proses matematis.
5. Dispraksia (Dyspraxia)
Dispraksia berasal dari kata “dys”, yang artinya tidak mudah atau sulit dan “praxis”, yang berarti
bertindak, melakukan. Nama lain
dispraksia adalah Developmental
Co-ordination Disorder (DCD), Dulunya
dikenal sebagai Clumsy Child
Syndrome. Dispraksia adalah gangguan
atau ketidakmatangan anak dalam mengorganisasikan gerakan.
6. Perancangan Sistem
Secara garis besar perencanaan sistem pakar dibagi menjadi empat tahapan utama, yaitu dapat dilihat pada Gambar 2.
Perencanaan Pembuatan Rule-Rule Perencanaan Sistem Pakar Perencanaan Basis Data Perencanaan User Interface
Gambar 2. Diagram Analisis dan Perancangan Sistem
7. Perencanaan Sistem Pakar 7.1 Sisflow Maintenance data
System flow untuk admin
menggambarkan tentang proses
acquisition pengetahuan dari seorang
pakar. Pengetahuan dari seorang pakar
direpresentasikan dalam bentuk fuzzy
database dan rule fuzzy. Dalam
melakukan maintenance data, admin
harus melakukan pengisian beberapa data yang diperlukan seperti tentang
data nilai certainty factor, agar nantinya
dapat menghasilkan suatu output yang
diharapkan. Selain itu admin juga dapat melakukan perubahan terhadap data
yang telah ada sebelumnya. System flow
untuk maintenance data dapat dilihat
pada Gambar 3.
System Flow Maintenance Data
System Admin Tidak Tidak Tidak Orang Tua Validasi password password valid ? Maintenance Data anak ? Maintenance data Orang Tua ? Mulai Maintenance Data Gejala ? Maintenance Data Gangguan? Tidak Simpan data gangguan Perilaku dan sifat Selesai Simpan data Orang Tua Input data Orang
Tua
Simpan data Rule Base
Gangguan Perilaku dan sifat pada anak Orang Tua
Simpan data gejala
Gejala Input data Gejala
Input data Anak Ya
Ya
RuleBase DetilRule Ya
Ya Input data Gangguan
Ya
Maintenance data
Rule Base ? Ya Input data Rule Base
Anak Simpan data Anak
Tidak A Tidak Form Login Input Password Menampilkan Menu Menu Utama Memilih menu Maintenance data Orang Tua Maintenance data Anak Maintenance data Gangguan Perilaku dan sifat
Maintenance data Gejala
Maintenance
data Rule Base A
Gambar 3. Sisflow Maintenance Data
7.2 Sisflow Diagnosis dan Melihat History Diagnosis
System flow untuk diagnosis
menjelaskan tentang proses diagnosis yang dilakukan oleh user. Proses diagnosis dilakukan dengan cara login terlebih dahulu, setelah itu proses
konsultasi dilakukan dengan cara
menjawab pertanyaan yang diberikan oleh sistem. Setelah menjawab semua pertanyaan yang diberikan, sistem akan menampilkan kesimpulan mengenai gangguan perilaku dan sifat apa yang diderita anak dan informasi berupa
deskripsi, penyebab, dan cara
penanganan berdasarkan data yang ada
di dalam database. Laporan history
diagnosis bisa di akses oleh user apabila user tersebut sebelumnya sudah pernah
melakukan diagnosis. System flow
diagnosis dan melihat history diagnosis
System Flow Diagnosis dan Melihat History Diagnosis
System User
Ya Tidak
Membuat laporan hasil diagnosIs dan informasi gangguan yang di alami anak
Selesai
DetilDiagnosis Simpan Hasil Diagnosis
Diagnosis
Laporan hasil diagnosis dan Informasi gangguan HasilDIagnosis RuleBase DetilRule Memproses hasil jawaban user User dan password valid ? Mulai Anak Validasi user dan
password Gejala Gangguan Melakukan Diagnosis? Melihat History Diagnosis? Ya Tidak Sudah Pernah melakukan diagnosis sebelumnya? Ya Tidak Meminta History Diagnosis Ya Mencari History Diagnosis Menampilkan History Diagnosis Laporan hIstory Diagnosis
Form Login Input Password
Menu Utama
Menampilkan Menu Memilih Menu
Memilih gejala pada interface form diagnosis sesuai kondisi yang paling mendekati yang di
alami oleh anak Form Diagnosis Cetak Hasil diagnosis? hasil diagnosis dan Informasi gangguan Mencetak hasil diagnosis dan Informasi gangguan Ya Mencetak history diagnosis Informasi History diagnosis Cetak History Diagnosis? Tidak A Ya A B B
Gambar 4. Sisflow Diagnosis dan Melihat History Diagnosis
7.3 Data Flow Diagram (DFD)
Pembuatan DFD pada aplikasi ini untuk menjelaskan aliran informasi dan transformasi data baik pemasukan data oleh pakar hingga keluaran data
yang dapat dilihat oleh user. Untuk
aplikasi sistem pakar pembuatan hanya sampai pada context diagram.
Context diagram dari DFD untuk aplikasi sistem pakar ini dapat dilihat pada Gambar 5.
Data Rule Base
Laporan Rekap Pasien Data Anak
Hasil diag nosis Jawaban
Pertanyaan
Data Orang Tua
Pertanyaan
Laporan History Diag nosis Laporan Hasil Diag nosis
Jawaban Data Gangg uan
Data Gejala
1
Sistem Pakar Diag nosis Gangg uan Prilaku & Sifat
Anak
Pakar User
Gambar 5 Context Diagram
7.4 Conceptual Data Model (CDM)
CDM digunakan untuk
menggambarkan secara detail struktur basis data dalam bentuk logik. Struktur
ini independent terhadap semua
software maupun struktur data storage tertentu yang digunakan dalam aplikasi ini. CDM terdiri dari objek yang tidak di implementasikan secara langsung ke dalam basis data yang sesungguhnya. Diagram untuk CDM dapat dilihat pada Gambar 3.8.
Gambar 5 Entity Relationship Diagram – Conceptual Data Model
7.5 Physical Data Model (PDM)
PDM merupakan penggambaran secara detail basis data dalam bentuk fisik. Penggambaran rancangan PDM memperlihatkan struktur penyimpanan data yang benar pada basis data yang
digunakan sesungguhnya. Diagram
Mempunyai Menghasilkan Menghasilkan Mempunyai Mempunyai Mempunyai Mempunyai melakukan Mempunyai Anak KodeAnak NamaAnak Umur Gender Pass Gejala KodeGejala NamaGejala CF Gangg uan KodeGang g uan NamaGang g uan Deskripsi Penyebab Penang anan OrangTua KodeOrang Tua NamaOrang Tua Alamat NoTlp NoHP Email RuleBase KodeRuleBase JmlGejala Diag nosis KodeDiagnosis TglDiag nosis DetilRule HasilDiag nosis Nilai DetilDiag nosis Keterangan
untuk PDM dapat dilihat pada Gambar 6.
Gambar 6 Entity Relationship Diagram – Physical Data Model
8. Hasil dan Pembahasan
Form user login muncul ketika aplikasi pertama kali di jalankan atau bisa juga dengan memilih login pada
menustrip sistem. Untuk user
admin/pakar hanya cukup memasukkan password, sedangkan user orang tua harus memasukkan user id anak dan password. Form user Login dapat dilihat pada Gambar 7.
Gambar 7 Form Login
Form generate rules digunakan
untuk menambahkan dan menghitung data gejala yang dimiliki oleh setiap
gangguan. Form generate rule dapat
dilihat pada Gambar 8.
Gambar 8 Form Generate rules Form diagnosis bisa digunakan oleh pakar maupun user. Pakar bisa mencoba melakukan diagnosis setelah selesai maintenance master data rule base. Sedangkan user menggunakan
form diagnosis untuk mengetahui
gangguan perilaku dan sifat apa yg di alami oleh anaknya. Form diagnosis dapat dilihat pada Gambar 9.
Gambar 9 Form Diagnosis Form laporan hasil diagnosis hanya bisa di akses jika user sudah
melakukan diagnosis pada proses
sebelumnya. Pada form laporan hasil diagnosis hanya terdapat crystal report saja yang menampilkan hasil diagnosis, kesimpulan, dan detil diagnosis. Form laporan hasil diagnosis dapat dilihat pada Gambar 10. KODEGEJALA = KODEGEJALA KODEDIAGNOSIS = KODEDIAGNOSIS KODEDIAGNOSIS = KODEDIAGNOSIS KODEGANGGUAN = KODEGANGGUAN KODEGEJALA = KODEGEJALA KODERULEBASE = KODERULEBASE KODEGANGGUAN = KODEGANGGUAN KODEANAK = KODEANAK KODEORANGTUA = KODEORANGTUA ANAK KODEANAK varchar(10) KODEORANGTUA varchar(10) NAMAANAK varchar(50) UMUR numeric(2) GENDER varchar(9) PASS varchar(6) GEJALA KODEGEJALA varchar(10) NAMAGEJALA varchar(255) CF numeric(3,2) GANGGUAN KODEGANGGUAN varchar(10) NAMAGANGGUAN varchar(255) DESKRIPSI varchar(3500) PENYEBAB varchar(3500) PENANGANAN varchar(3500) ORANGTUA KODEORANGTUA varchar(10) NAMAORANGTUA varchar(50) ALAMAT varchar(75) NOTLP varchar(15) NOHP varchar(15) EMAIL varchar(30) RULEBASE KODERULEBASE varchar(10) KODEGANGGUAN varchar(10) JM LGEJALA numeric(2) DIAGNOSIS KODEDIAGNOSIS varchar(10) KODEANAK varchar(10) TGLDIAGNOSIS date DETILRULE KODEGEJALA varchar(10) KODERULEBASE varchar(10) HASILDIAGNOSIS KODEDIAGNOSIS varchar(10) KODEGANGGUAN varchar(10) NILAI numeric(4,2) DETILDIAGNOSIS KODEDIAGNOSIS varchar(10) KODEGEJALA varchar(10) KETERANGAN varchar(15)
Gambar 10 Form Laporan Hasil Diagnosis
9. Kesimpulan
Berdasarkan hasil
implementasi dan evaluasi, maka
kesimpulan dari Tugas Akhir ini adalah sebagai berikut :
1. Sistem Pakar untuk Mendiagnosis
Gangguan Perilaku dan Sifat pada
Anak mampu melakukan
identifikasi dengan ketepatan hasil diagnosis sebesar 90%, yang mana dari 10 data hasil uji coba hanya 1 data yang hasilnya kurang tepat.
2. Sistem Pakar untuk Mendiagnosis
Gangguan Perilaku dan Sifat pada
Anak telah berhasil
diimplementasikan dengan
menggunakan metode fuzzy expert
system kepada 10 orang anak yang
mengalami gangguan perilaku dan sifat di Lembaga Psikologi Dr. Soetomo, sehingga nantinya sistem
pakar ini dapat dioperasikan
sebagai alat bantu untuk
mendiagnosis gangguan perilaku dan sifat pada anak.
3. Sistem Pakar untuk Mendiagnosis
Gangguan Perilaku dan Sifat pada
Anak mampu memberikan
informasi meliputi deskripsi
gangguan perilaku dan sifat,
penyebabnya, dan penanganan
berdasarkan jenis gangguan
perilaku dan sifat yang dialami anak dalam bentuk suatu laporan.
10. Daftar Pustaka
Ignizio, J.P. 1991. Introduction to
Expert System: The
Development and
Implementation of Rule-Based
Expert System. Singapore:
McGraw-Hill BookCo.
Intan, R., Mukaidono, M. 2002. On
Knowledge-based Fuzzy Sets,
International Journal of Fuzzy Systems, Vol. 4(2) Tahun 2002
Intan, R. 2004. Rarity-based Similarity
Relations in a Generalized
Fuzzy Information System,
IEEE Conference on
Cybernetics and Intelligent
Systems (CIS 2004),
Singapore, 1-3 Dec 2004.
Klir, G.J., Yuan, B. 1995. Fuzzy Sets
and Fuzzy Relation: Theory
and Applications. New Jersey:
Prentice Hall.
Kusrini. 2006. Sistem Pakar Teori dan
Aplikasi, Yogyakarta: Andi
Offset.
Le Fanu, J. 2002. Deteksi Dini
Gangguan Perkembangan
pada Anak. London: James Le
Fanu.
Levine, Robert I. 1998. A
comprehensive guide to AI and expert systems using turbo
pascal international edition.
Singapore : McGraw-Hill Book Co.
Prayitno dan Erman Amti. 2005.
Dasar-dasar Bimbingan dan
Konseling. Jakarta: Rineka
Cipta.
Shodiq, M. 1996. Pendidikan Bagi Anak
Disleksia. Jakarta: Dirjen Dikti
Depdikbud PPTA.
Turban, Efraim. 1995. Decision support
and expert systems
Management support systems
(fourth edition). Prentice-Hall