BAB II
LANDASAN TEORI
2.0 Pendahuluan
Pada bab ini, kami akan menjabarkan tentang berbagai penyakit darah klinis yang
biasa bisa klasifikasikan oleh para dokter pakar khususnya penyakit darah, disini
kami juga menjabarkan apa itu sistem pakar, karakteristik sistem pakar, beserta
implementasi dan penerapan sistem pakar pada bidang kesehatan dan kedokteran.
2.1 Penyakit Darah 2.1.1 Anemia
Menurut definisi yang dikemukakan oleh (Hillman, 2002) anemia adalah
keadaan dimana masa eritrosit (sel darah merah) dan masa hemoglobin yang
beredar tidak dapat memenuhi fungsinya untuk menyediakan oksigen bagi
jaringan tubuh, sedangkan oleh (Bakta, 2003) secara laboratorik dapat
diuraikan sebagai penurunan di bawah normal kadar hemoglobin, hitung
eritrosit dan hematokrit (packed red cell).
Anemia dapat dibedakan menjadi 5 jenis besar yaitu:
1. Anemia Hipokromik Mikrositer
2. Anemia Megaloblastik
3. Anemia Hemolitik
4. Anemia karena Kegagalan Sumsum Tulang
5. Anemia Pada Penyakit Sistemik
Pada umumnya untuk menegakkan diagnosis terhadap penyakit anemia
maka ada 3 langkah yang harus ditempuh, yaitu :
1. Langkah pertama : Membuktikan adanya anemia, pembuktian ini
biasanya menggunakan pendekatan klinik.
2. Langkah kedua : Menetapkan jenis anemia yang dijumpai,
pembuktian ini biasanya menggunakan pendekatan klinik.
3. Langkah ketiga : Menetapkan jenis anemia yang dijumpai,
2.1.2 Leukemia
Sebelum mengurai penyakit leukemia, perlu diketahui mengenai keganasan
hematologik, keganasan hematoligik adalah proses enoplastik yang mengenai
darah dan jaringan pembentuk darah beserta seluruh komponennya (Bakta,
2002). Sedangkan leukemia ialah keganasan hematologik akibat proses neoplasti
yang disertai gangguan diferensiasi apada berbagai tingkatan sel induk sehingga
terjadi ekspansi progresi dari kelompok sel ganas tersebut pada sumsum tulang,
kemudian leukemia beredar secara sistemik (Harmening, 2002).
2.1.3 Limfoma Maligna
Limfoma Maligna merupakan suatu penyakit keganasan primer dari jaringan
limfoid yang bersifat padat (solid), meskipun dapat menyebar secara sistemik
(Bakta, 2003). Penyakit ini dibagi kedalam 2 jenis yaitu :
1. Limfona Hodgin
2. Limfona non-Hodgin
Penyakit ini merupakan keganasan hematologik yang cukup sering di
jumpai. Penyakit ini dapat disembuhkan dengan kemoterapi karena masih
merupakan tumor padat yang dapat disembuhkan.
2.1.4 Gamopati Monoklonal
Gamopati monklonal adalah suatu penyakit yang merupakan kelainan
hematologik yang berasal dari limfosit yang menghasilkn paraprotein yang
bersifat monoklonal (Hillman, 2002). Penyakit ini biasa disebut dengan penyakit
imunoproliferatif atau plasma cell disorders atau paraproteinemias. Penyakit
ini dibagi kepada 2 jenis berdasarkan keganasannya, yaitu :
1. Mieloma Multipel
2. Makroglublinemia Waldenstrom
2.2 Sistem Pakar
Berdasarkan penjelasan oleh (Luger, 2005) dan (Krishnamoorthy, 1996). Sistem
pakar dapat diartikan sebagai sebuah sistem didalam komputer yang di program
bidang keahlian yang sesuai dengan pakar di kehidupan nyata. Sistem pakar ini
memfasilitasi pengetahuan yang di masukkan kedalam program dan memiliki
pengaturan strategi agar menghasilkan solusi atau keputusan. Bahkan menurut
(Russel, 2002), sistem pakar dapat mengambil pengetahuan dan pengalaman
didalam suatu organisasi (termasuk yang sudah berhenti) agar dapat
diakumulasikan menjadi satu kesatuan, memberikan informasi untuk
meningkatkan produktivitas pakar, dan menjadikan seseorang yang kurang
pengalaman untuk memiliki keahlian yang lebih tinggi dari level sebelumnya.
Sistem pakar bukanlah sebuah program, tetapi merupakan sistem, karena
pada perkomputeran biasa, penyelesaian masalah dan pengambilan keputusan
tidak bisa dilakukan, akan tetapi sistem pakar dapat melakukan hal yang dimaksud
karena memiliki kemampuan dalam pengetahuan dan kemampuan metafsirkan
alasan layaknya pakar manusia. Program komputer biasa hanya menyelesaikan
masalah berdasarkan algoritma yang diterapkan dan sudah didefinisikan terlebih
dahulu, dan tidak dapat menyelesaikan masalah yang memiliki data tidak
sempurna dan tepat.
Sistem pakar juga memiliki beberapa komponen berbeda seperti basis
pengetahuan, mesin inferensi, fasilitas penjelasan, dll. Semua komponen yang
berbeda ini berinteraksi satu dengan yang lain dalam menghasilkan pemprosesan
penyelesaian masalah berdasarkan aturan yang disesuaikan dengan pakar di
bidang tersebut.
Sistem pakar merupakan cabang ilmu Kecerdasan Buatan yang telah eksis
dan diterapkan lebih dari 30 tahun. Pemanfaatan sistem pakar telah merambah ke
banyak bidang, mulai dari medis, matematika, engineering, pertanian, geologi,
ilmu komputer, bisnis, hukum, pertahanan dan pendidikan (Waterman, 1986).
Khusus di bidang kesehatan dan medis, sistem pakar memiliki tempat yang
istimewa, dikarenakan komplesitas dari gejala-gejala penyakit dan kecendrungan
kesalahan pendiagnosaan, menjadikan sistem pakar dapat dimanfaatkan dengan
2.2.1 Karakteristik Sistem Pakar
Berdasarkan pendapat (Luger, 2005), dikarenakan sifat heuristik, kesesuaian
dengan basis pengetahuan, sistem pakar pada umumnya mampu untuk:
a. Mendukung inspeksi terhadap proses reasoning (pengambilan alasan),
didalam langkah awal maupun penjawaban pertanyaan pada proses
pensolusian.
b. Memberikan akses muda dalam penambahan dan pengurangan rule
(aturan) berupa fakta dan tujuan di dalam basis pengetahuan.
c. Pengambilan alasan secara heuristik, biasanya menggunakan pengetahuan
untuk mendapatkan solusi yang berguna.
Ketepatan dari jawaban sebuah permasalahan merupakan hal yang paling
utama dari sebuah sistem pakar, seberapa cepat sistem pakar memproses solusi
adalah suatu masalah lain, jika solusi yang dihasilkan memberikan akurasi yang
baik tentunya akan menjadikan sistem pakar tersebut lebih baik. Disisi lain
sistem pakar yang baik harus memiliki kecepatan dalam mendapatkan solusi
yang diinginkan. Sistem pakar bisa memiliki peran sebagai pembuat keputusan
bahkan bisa dijadikan sebagai konsultan ataupun penasihat, (Waterman, 1986)
menjabarkan dalam bukunya bahwa sistem pakar dapat menyelesaikan masalah
untuk jenis kategori sebagai berikut :
a. Interpretation (Interprestasi) : Menghasilkan kesimpulan level tinggi dari
koleksi data mentah.
b. Prediction (Prediksi) : Memproyeksikan konsekuensi kemungkinan dari
situasi yang diberikan.
c. Diagnosis (Diagnosa) : Menentukan sebab dari tidak berfungsinya situasi
yang rumit berdasarkan gejala yang diteliti.
d. Design (Desain) : Menemukan pengaturan komponen suatu sistem
sehingga mendekati perfoma yang diinginkan dan memenuhi batasan yang
telah ditetapkan.
e. Planning (Perencanaan) : Memberikan langkah tindakan yang
berorientasi pada kumpulan tujuan dengan kondisi yang telah ditentukan
f. Monitoring (Pengawasan) : Membandingkan proses sistem yang
diawasi dengan proses yang seharusnya terjadi.
g. Instruction (Instruksi) : Memberikan proses pembelajaran pada area
teknikal suatu bidang.
h. Control (Kendali) : Melakukan kendali terhadap lingkungan yang
rumit.
(Micheal Negnevitsky, 2002), pada bukunya menjabarkan bahwa
karakteristik yang unik pada sistem pakar adalah pada kemampuan penjelasan
yang disediakan. Fitur ini memberikan sistem kemampuan melakukan evaluasi
terhadap pemberian alasan sistem itu sendiri dan menjelaskan keputusan yang
diambil.
2.2.2 Arsitektur Sistem Pakar
Pada gambar dibawah ini kami jabarkan arsitektur lengkap suatu sistem pakar
Gambar 2.1 Arsitektur Lengkap Sistem Pakar (Ahmad, 2012) Knowledge
Acquisiion Facilty
Knowledge Base Rule: If-Then
Working Memory Fact
Inference Engine
Explanation Facilities
User Interface
User
database
STORE
VIEW
Gambar 2.1 menjelaskan bahwa sistem pakar memiliki beberapa buah
komponen yang berbeda, diantaranya adalah :
a. Knowledge Acquisition Facility
Mengidentifikasi pakar yang sesuai dan melibatkan orang yang sesuai
didalam proses pengambilan pengetahuan merupakan hal yang penting untuk
kesuksesan dari pengambilan pengetahuan. Beberapa orang yang terlibat dalam
pengambilan pengetahuan ini dapat dikategorikan yaitu :
1. Pakar dibidang masalah yang ingin dilakukan dengan pengalaman kerja yang
tinggi dibidang tersebut.
2. Pembuat aplikasi, orang yang memiliki kemampuan dalam menafsirkan dan
menerjemahkan pengetahuan serta mengimplementasikan pengetahuan tersebut
kedalam sistem pakar.
3. Pengguna dan manajer.
Ada beberapa hal isu yang harus diperhatikan untuk melakukan pengambilan
pengetahuan. Isu pertama yaitu adalah pemilihan pakar bidang tersebut yang
sesuai harus memenuhi 3 kriteria, yaitu reputasi yang baik, karakter pakar dan
sikap yang baik, serta ketersediaan waktu dari pakar tersebut. Isu kedua adalah
seberapa banyak pakar yang akan dilibatkan dalam pengambilan pengetahuan.
Penggunaan satu pakar biasanya lebih baik dari banyak pakar, akan tetapi untuk
kasus tertentu kadang diperlukan banyak pakar untuk mengumpulkan
pengetahuan yang diinginkan. Ada beberapa masalah yang mungkin timbul jika
menggunakan satu pakar, yaitu : susahnya membagi waktu seorang pakar untuk
pengambilan keperluan, bias seorang pakar, keterbatasan pengambilan alasan oleh
satu pakar, kepakaran yang terbatas. Dari isu ini maka perlu diambil keputusan
mana yang diperlukan, seorang pakar atau banyak pakar dalam membuat sistem
pakar yang diinginkan.
Metode yang biasa digunakan untuk pengambilan pengetahuan adalah
wawancara, observasi, dan analisis protokol. Setiap metode memiliki kesesuaian
dengan bidang ilmu yang ingin diambil pengetahuannya, akan tetapi wawancara
b. Knowledge Base
Menurut (Luger, 2005) didalam bukunya, ia berpendapat bahwa
knowledge base (basis pengetahuan) adalah hati dari sistem pakar. Basis
pengetahuan mengandung pengetahuan dari bidang ilmu yang diinginkan. Pada
jenis sistem pakar berbasis aturan, basis pengetahuan ini biasanya dituliskan
dalam bentuk jika...maka.... Aturan yang terdapat didalam basis pengetahuan
menjadi dasar dari pengambilan keputusan yang ada didalam sistem pakar.
Dari sisi teknis, tidak ada fungsi yang lebih penting daripada memilih
rangka kerja pemrograman untuk basis pengetahuan. Rangka kerja ini
merepresentasikan bagaimana pembangun sistem pakar dapat mengklasifikasikan
pengetahuan tersebut. Pada bagian ini juga dapat di tuliskan aturan (rules), frame
dan pohon keputusan. Ada beberapa jenis hal yang dapat di atur didalam basis
pengetahuan, seperti pengalasan tidak pasti (inexact reasoning) dan pemprosesan
kemampuan prosudural.
Perwakilan Pengetahuan, merupakan bagian untuk membangun sistem
berbasis pengetahuan, dan dapat diklasifikasin sesuai dengan bagaimana kita
merepresentasikan pengetahuan. Kategori yang termasuk dalam perwakilan
pengetahuan ini adalah rule-based, frame based, case based, dan fuzzy logic.
Pengalasan tidak pasti, salah satu dari kemampuan sistem pakar yang terkenal adalah kemampuannya untuk menyelesaikan masalah yang memiliki
ketidakpastian informasi dan pengetahuan. Sistem pakar harus dilengkapi dengan
metode untuk melaksanakan pengalasan ketidakpastian ini, seperti faktor
kepastian (certainty factors), metode Shafer Dempster, ataupun pendekatana
Bayesian.
Pemprosesan kemampuan prosedural, pada beberapa aplikasi diperluakan untuk menulis kode prosudural, fungsi diperlukan didalam model ini.
Pada sistem pakar berbasis model, diperlukan metode untuk mendukung
penghantaran pesan. Di sistem pakar yang besar, diperlukan model ini untuk
menuliskan kode prosudural untuk mendukung aktifitas kemampuan pemprosesan
sistem pakar tersebut.
Pada dasarnya working memory adalah tempat dimana rule diambil dari
basis pengetahuan dan dieksekusi agar melahirkan pertanyaan yang berhubungan
dengan metode reasoning yang diterapkan. Working memory biasanya dalam
bentuk stack, bertumpuk agar memudahkan chaining yang akan diterapkan
didalam sistem pakar tersebut.
d. Inference Engine
Mesin inferensi adalah bagian didalam sistem pakar yang menerapkan
pengetahuan kepada solusi yang terdapat pada permasalahan nyata. Biasanya
dinyatakan sebagai penerjemah dari basis pengetahuan (Luger, 2005). Fungsi
utama dari mesin inferensi adalah melakukan peran sebagai pengenal dan pemberi
tindakan didalam proses kontrol sistem pakar. Pada umumnya mesin inferensi
dipisahkan dari basis pengetahuan, walaupun untuk pembuatan sistem pakar
dengan batasan kecil, kedua bagian tersebut disatukan.
Mekanisme inferensi dan kontrol digunakan untuk memanipulasi
pengetahuan didalam basis pengetahuan. Dalam analogi nya mesin inferensi ini
merupakan cara pengambilan alasan yang terjadi pada manusia. Dibawah ini akan
dipaparkan beberapa teknik didalam mesin inferensi, diantaranya adalah :
Chaining (Runut), didalam sistem pakar berbasis aturan, forward chaining atau runut maju dan backward chaining ato runut mundur merupakan dua dasar teknik
inferensi yang digunakan. Backward chaining sangat baik digunakan untuk
masalah diagnosis sedangkan forward chaining sangat cocok untuk masalah
desain dan perencanaan.
Agenda, merupakan kumpulan tujuan/fakta yang dibuktikan oleh sistem inferensi yang menggunakan backward chaining
Meta-rules, merupukan deskripsi bagaimana pengetahuan lain seharusnya digunakan. Biasanya digunakan untuk mengarahkan pemprosesan dari
pengetahuan lain kepada area baru pada basis informasi yang ditemukan.
Biasanya untuk masalah yang tidak cocok menggunakan teknik chaining, maka
akan menggunakan teknik ini didalam mesin inferensinya.
Nonmonotonic reasoning, tipe inferensi ini mengijinkan perubahan terhadapa pengambilan alasan untuk fakta yang diberikan. Tidak hanya mengijinkan untuk
fakta yang lain yang terkait dengan perubahan fakta. Tipe inferensi ini bernilai
untuk aplikasi yang bersifat perencanaan, desain atau penjadwalan.
e. Explanation Facilites
Bagian ini adalah bagian untuk melakukan penjelasan dari sistem pakar
kepada pengguna. Penjelasan yang dihasilkan meliputi justifikasi dari kesimpulan
yang dihasilkan oleh sistem, penjelasan kenapa sistem memerlukan data yang
dimasukkan oleh pengguna, dan dimana kegunaan penjelasan yang dihasilkan,
panduan dan langkah-langkah mengatasi masalah yang diinginkan oleh pengguna.
Fasilitas penjelasan ini menyediakan keterbukaan bagi pengalasan di
dalam sistem pakar. Bagian ini merupakan bagian yang memberikan sisi interaktif
terhadap sistem, ketika pengguna ingin mengetahui kenapa pertanyaan diberikan
kepada dirinya, bagaimana hasil jawaban disajikan.
Sebagai contohnya sebuah sistem pendiagnosisan penyakit di dunia
kedokteran, dimana hasil keluaran dari sistem ini adalah sebuah rekomendasi obat
dan saran serta langkah yang bisa dilakukan oleh pasien. Selama proses konsultasi
dengan sistem, pengguna mungkin ingin mengetahui kenapa informasi yang
ditanyakan itu diperlukan, dan pada akhirnya rasionalitas bagaimana sistem pakar
akan sampai pada kesimpulan memberikan rekomendasi obat akan dipaparkan.
Oleh karena obat yang disarankan merupakan hasil dari penilaian dari pakar, akan
sangat mudah melihat kenapa pengguna ingin mengetahui kenapa sistem bisa
sampai kepada rekomendasi obat ini.
f. User Interface
Antarmuka adalah bagian dimana interaksi antara manusia dan sistem
pakar dilakukan, pada bagian ini akan ada pertanyaan-pertanyaan yang diberikan
oleh sistem pakar untuk dijawab oleh pengguna.
Salah satu isu dalam desain ketika membangun sebuah sistem pakar dapat
kita jabarkan dari sistem pakar MYCIN, dimana pada sistem itu pembangun
aplikasi menekankan pada pentingnya menyediakan antarmuka yang mudah
digunakan oleh pengguna dan mampu memenuhi semua kebutuhan pengguna.
Oleh karena itu sangat penting untuk memahami keinginan pengguna sebelum
Ada beberapa poin yang harus diperhatikan untuk memenuhi keinginan
pelanggan. Diantaranya adalah sebagai berikut :
Display Type, sistem pakar generasi awal hanya memaparkan antar muka
berdasarkan text, dimana pertanyaan diberikan ke pengguna berupa text dan
jawaban diberikan melalui keyboard dengan mengetikkan jawaban tersebut. Pada
saat ini sistem pakar sudah menggunakan graphical user interface (GUI) yang
membuat pengguna dapat berinteraksi lebih interakrif dengan sistem.
Information entry, banyak metode bagaimana pengguna memasukkan informasi
ke dalam sistem. Cara yang paling sederhana adalah dengan mengetikkan jawaban
terhadap pertanyaan yang diberikan, atau dengan mengisi form secara
keseluruhan. Sebuah pertanyaan dapat ditujukan untuk satu jawaban, ataupun
jawaban bisa lebih dari satu dipilih dari list yang disediakan.
g. Database
Pada basisdata ini dilakukan penyimpanan data-data yang berasal dari
mesin inferensi. Data yang disimpan adalah data yang berhubungan dengan fakta
ataupun data gejala, dll.
Dari beberapa komponen sistem pakar yang sudah dijabarkan bisa dilihat bahwa
satu komponen memiliki kebergantungan terhadap komponen lain.
2.2.2.1Rule Based Expert System
Penghasil aturan (production rule) pertama kali di paparkan oleh Emil Post pada
tahun 1943 (Post...), dalam mengkategorikan metode di dalam komputasi.
Kemudian diterapkan sebagai aturan penulisan kembali di bidang pemprosesan
bahasa pada tahun 1957 oleh Chomsky, dan digunakan oleh Newell dan Simon
didalam pemodelan penyelesaian masalah manusia (Newell-Simon,...). Teknik ini
diadaptasikan kedalam sistem pakar DENDRAL dan MYCIN untuk
merepresentasikan pengetahuan dan menjadikan teknik ini sebagai teknik paling
populer didalam pembangunan sistem pakar pada tahun 1970an.
Aturan merupakan implikasi dengan bentuk jika P maka Q. Konsekuensi dari
sebuah aturan dapat di artikan sebagai sebuah pengetahuan baru. Didalam rule
maka kita melakukan backward chaining, jika arah dilakukan dari penyabab ke
konsekuensi maka kita melakukan forward chaining.
Cara kerja sistem pakar berbasis aturan dapat dijabarkan sebagai berikut
1. Sistem pakar menetapkan basis aturan dengan bentuk xi....xn → yi....yn
dimana xi adalah mewakilkan fakta dan yi mewakilkan tindakan yang
akan dilakukan.
2. Sistem akan membuat memory yang bekerja terus memasukkan fakta yang
diambil dari domain masalah atau dari inferensi yang dihasilkan oleh
sistem.
3. Untuk setiap perulangan, sistem akan mengkomputasikan sebuah
kumpulan aturan yang memiliki kesesuaian atau keterikatan dengan fakta
yang disimpan didalam memori yang bekerja, atau proses ini biasa disebut
dengan tahap pencocokan.
4. Sebuah aturan dari kumpulan aturan yang telah disesuaikan tadi akan
dipilih untuk dieksekusi, proses ini dinamakan sebagai fase resolusi
konflik.
5. Aturan yang dipilih kemudian dieksekusi.
2.2.2.2Case Based Expert System
Cara lain didalam inferensi yang dilakukan oleh sistem pakar adalah
menggunakan pencarian alasan melalui kasus-kasus, biasa disebut juga sebagai
CBR (Case Based Reasoning). CBR ini menggunakan sebuah explicit basisdata
dari solusi masalah untuk mengalamatkan situasi baru dalam penyelesaian
masalah. Solusi yang ada dapat dikumpulkan dari pakar manusiaatau melalui hasil
sebelumnya dari keberhasilan terdahulu. Contohnya didalam kedokteran, dimana
sebuah solusi tidak hanya dilihat dari teori yang tersedia, akan tetapi juga melihat
kasus yang pernah terjadi terhadap pasien terdahulu dan penangannya.
2.2.2.3Model Based Expert System
Pada jenis ini, sistem pakar dapat dilihat sebagai hasil penggabungan dari a
masalah-masalah yang berhubungan dengan keinginan pengguna sistem pakar.
Poin utama dari sistem pakar ini adalah model yang ada tidak hanya memberikan
pengalaman heuristik seorang pakar, tetapi juga lebih kepada prinsip awal dari
deskripsi pengetahuan yang diinginkan.
2.3 Sistem Pakar pada bidang Kesehatan
Berdasarkan literatur survey yang dilakukan oleh (Durkin, 1994), MYCIN
merupakan sistem pakar yang pertama sekali digunakan untuk mendiagnosa
bakteri penyebab infeksi, kemudian dilanjutkan dengan sistem pakar PUFF yang
dibangun untuk mendiagnosa penyakit lambung, sistem pakar ANGY yang mampu
menolong dokter mendiagnosa penyempitan pembuluh darah, dan sistem pakar
BABY yang memberikan bantuan kepada dokter dalam memonitoring kelahiran
bayi dalam kondisi ICU (Giarratano, 2005).
Dari survey literatur yang sudah dilakukan, dapat disimpulkan bahwa sistem
pakar telah banyak digunakan di dunia medis secara luas, mulai dari area
pendiagnosisan sampai dengan kemampuan memberikan fasilitas publik sebagai
alat saran bagi pasien.
2.4 Backward Chaining
Metode backward chaining merupakan kebalikan dari metode forward chaining
dan sering disebut penalaran mundur (Kusrini, 2006). Menurut Schnupp dalam
(Kusrini, 2008), metode backward chaining (runut balik), penalaran dimulai
dengan tujuan merunut balik ke jalur yang akan mengarahkan ke tujuan tersebut
menurut Giarattano dan Riley dalam (Kusrini, 2006).
Adapun karakteristik backward chaining adalah :
a. Metode backward chaining lebih cocok digunakan untuk menentukan
masalah diagnosis.
b. Metode backward chaining digunakan untuk masa lalu.
c. Tujuan metode backward chaining adalah memandu, penalaran dari atas
ke bawah.
d. Bekerja ke belakang untuk mendapatkan fakta yang mendukung
e. Depth first search dimudahkan.
f. Konsekuen menentukan pencarian.
g. Penjelasan difasilitasi.
Dalam metode backward chaining, akan dipilih satu aturan dari kesimpulan
dan menganggapnya sebagai masalah yang harus diselesaikan. Setelah masalah
tersebut diselesaikan, akan dipilih salah satu dari sub masalah untuk dievaluasi
dan sub masalah yang terpilih itu kemudian menjadi sub masalah baru.
Observasi 1
Aturan A Fakta 1
Observasi 2
Aturan D
Aturan B Fakta 2 Kesimpulan
Aturan E
Observasi 3
Aturan C Fakta 3
Observasi 4
Berikut ini kami paparkan beberapa penelitian terdahulu dari sistem pakar
yang digunakan untuk Pendiagnosisan Penyakit :
Tabel 2.3 Penelitian Sebelumnya
Sumber Definisi
Ahmad ( 2012 ) Ahmad A, menjabarkan didalam riset yang
dilakukannya untuk mengimplementasikan sistem
pakar berbasis rule untuk diterapkan pada diagnosis
dan symphtom penyakit saraf, sistem yang dibangun
dapat membedakan 10 penyakit saraf, diantaranya
adalah : Alzheimer Parkinson, Huntington’s disease,
Celebral Palsy, Meningitis, Epilepsy, Multiple
Sclerosis, Stroke, Cluster headache, Migraine,
Meningitis for Children.
Saurkar ( 2012 ) Pada penelitian ini saurkar memaparkan sebuah
pengimplementasian sistem pakar berbasis aturan
untuk pendiagnosisan penyakit pada hewan.
Aplikasi yang dibangun memiliki basis data citra
untuk jenis penyakit hewan, sistem pakar mampu
menghadirkan gambar penyakit hewan dalam
pengambilan keputusan yang dilakukan dalam
sistem ini.
Nana ( 2012 ) mMes (Mobile Medical Expert System) sebuah
aplikasi sistem pakar mobile yang digunakan untuk
layanan pasien di rumah sakit di Ghana, sistem ini
memungkinkan sistem pakar dipakai secara mobile
dan terkoneksi dengan pakar lain didaerah berbeda.
Rajdeep ( 2012 ) Pada jurnal yang dipaparkan oleh Rajdeep,
dipaparkan implementasi dari sistem pakar berbasis
saraf otot. Sistem yang dibangun didalam Java
untuk mendiagnosis penyakit seperti CelebralPalsy,
Multiple Sclerosis, Muscular Dystrophy, dan Parkinson’s. Sistem ini memberikan kumpulan pertanyaan berkenaan dengan symptom penyakit
pasien berdasarkan penyakit yang di diagnosakan
kepada pasien dan memberikan saran mengenai
perawatan yang diberikan kepada pasien tersebut.
Smitha ( 2010 ) Smitha menghasilkan sebuah sistem pakar untuk
mendiagnosa penyakit diabetes, dipaparkan melalui
thesis masternya. Informasi yang diberikan tidak
hanya komplikasi yang terjadi akibat penyakit ini
saja, tetapi juga alat diagnosa awal penyakit.
Pendekatan yang digunakan adalah berbasis aturan,