Hal: 182-188
182
Penerapan Metode Certainty Factor Dalam Mendiagnosa Virus Torch Dengan Menggunakan
Mesin Inferensi Forward Chaining
Eva Aulia
Prodi Teknik Informatika,Universitas Budi Darma, Medan, Indonesia E-mail: eva.aulia04@gmail.com
Abstrak
TORCH gabungan dari empat jenis penyakit infeksi yaitu Toxoplasma, Rubella, Cytomegalovirus dan Herpes. Keempat jenis penyakti infeksi ini, sama-sama berbahaya bagi janin bila infeksi diderita oleh ibu hamil. Untuk mengatasi masalah diatas maka dibutuhkan suatu sistem pakar yang akan diimplementasikan dengan metode certainty factor. Alasan penggunaan metode ini karena dapat memberikan hasil yang akurat yang didapatkan dari perhitungan berdasarkan bobot gejala yang dipilih mampu memberikan jawaban pada permasalahan yang tidak pasti kebenarannya seperti masalah diagnosa resiko penyakit. Aplikasi diagnosis yang dirancang merupakan sebuah sistem pakar dengan sistem penalaran yang diterapkan adalah forward chaining dan teknik representasi pengetahuan menggunakan production rule. Analisis dan perancangan aplikasi menggunakan pendekatan berbasis obyek melalui diagram UML dan memanfaatkan visual basic net 2008 untuk perancangan aplikasi berbasis dekstop. Aplikasi diagnosis virus TORCH menghasilkan diagnosis yang cocok dengan basis data pengetahuan yang sudah disusun berdasarkan hasil akuisisi pegnetahuan dengan cara pengguna melakukan cheklist pada gejala gejala yang ada pada pengguna.
Kata Kunci : Certainty Factor, Forward Chaining, Virus TORCH.
1. PENDAHULUAN
Sistem pakar adalah aplikasi berbasis komputer yang digunakan untuk menyelesaikan masalah sebagaimana yang dilakukan oleh pakar. Pakar yang dimaksud disini adalah orang yang mempunyai keahlian khusus yang dapat menyelesaikan masalah yang tidak dapat diselesaikan oleh orang awam.[1]
Penyakit yang menjadi objek dalam penelitian ini adalah virus TORCH. Penyakit TORCH merupakan kelompok infeksi beberapa jenis virus yaitu Toxoplasma, Rubella, Cytomegalovirus dan Herpes. Penyebab utama dari virus dan parasit TORCH adalah hewan yang ada disekitar kita seperti ayam, kucing, burung, tikus, merpati, dan lainnya. Virus ini juga dapat disebabkan oleh perantara (tidak langsung) seperti memakan sayuran, daging setengah matang dan lainnya.
Toxoplasma, rubella, cytomegalovirus dan herpes dapat menyebabkan rusaknya vertilitas pada ibu hamil. Sel telur maupun inti sel pada ibu hamil dirusak oleh virus tersebut kemudian sel telurnya mengecil, menyebabkan terbentuknya mioma, penyumbatan atau pelengketan, sehingga sel telur tidak bisa dibuahi dan mengakibatkan sulit hamil. Biasanya TORCH menyerang pada saraf otak, paru-paru, mata, telinga, terganggunya fungsi motorik hidrosepalus dan lain sebagainya. Oleh sebab itu, sangat penting dilakukan diagnosis dini agar dapat dilakukan pencegahan atau pengobatan lebih awal. Proses diagnosis dapat dilakukan langsung kepada dokter atau bidan, namun sering terjadi permasalahan seperti: keterbatasan waktu, keadaan fisik yang tidak memungkinkan untuk meninggalkan rumah, masalah keuangan, keterbatasan tenaga dokter atau bidan dan lain-lain.
Untuk mengatasi masalah diatas maka dibutuhkan suatu sistem pakar yang akan diimplementasikan dengan metode certainty factor. Alasan penggunaan metode ini karena dapat memberikan hasil yang akurat yang didapatkan dari perhitungan berdasarkan bobot gejala yang
telah dipilih mampu memberikan jawaban pada permasalahan yang tidak pasti kebenarannya.
Berdasarkan penelitian sebelumnya yang dilakukan oleh Asiaman Sinurat dan Harvei Desmon Hutahaean, Tahun 2015, Jurnal Jurusan Teknik Informatika, STMIK Budidarma Medan, Volume 05, No. 2, Januari, dengan judul “Sistem Pakar Diagnosa Penyakit Pada Tanaman Coklat/Kakao Dengan Metode Certainty Factor” menyatakan bahwa sistem pakar ini menghasilkan keputusan yang cukup akurat berdasarkan penerapan metode certainty factor yang digunakan. Penalaran maju (forward chaining) yang digunakan sebagai salah satu teknik penelusuran dalam sistem pakar ini, dikarenakan data dan fakta dalam melakukan proses penelitian telah didapatkan dan dari data atau fakta tersebut dapat dibuat sebuah sistem yang akan memberikan sebuah solusi bardasarkan atas sekumpulan data dan fakta tersebut. Dengan menggunakan teknik penelusuran ini peluang dalam mendapatkan suatu solusi yang lebih spesifik dapat dengan mudah di dapatkan. [2]
Stephanie Halim dan Seng Hansun, Tahun 2015, Jurnal Teknik Informatika, Universitas Multimedia Nusantara, Volume 07, No. 02, Desember, dengan judul “Penerapan Metode Certainty Factor dalam Sistem Pakar Pendeteksi Resiko Osteoporosis dan Osteoarthritis” menyatakan metode certainty factor berhasil diimplementasikan, dengan presentasi keakuratan 80% menjadi bukti nyata bahwa diagnosa gejala setiap pakar mempengaruhi tingkat keakuratan sistem sehingga untuk menghindari hal ini jika melibatkan lebih dari satu pakar, pakar-pakar tersebut harus mendiskusikan gejala yang tepat bagi pakar-pakar tersebut sehingga keakuratan sistem memiliki presentase yang lebih baik.[3]
2. TEORITIS 2.1 Kecerdasan Buatan
Hal: 182-188
183
Kecerdasan buatan (Arificial Intelligence) adalah suatu ilmu yang mempelajari cara membuat komputer melakukan sesuatu seperti yang dilakukan oleh manusia. Defenisi lain diungkapkan oleh Alan Turing kecerdasan buatan adalah jika komputer tidak dapat dibedakan dengan manusia saat berbincang melalui terminal komputer, maka dikatakan komputer itu cerdas, mempunyai kecerdasan. Kecerdasan buatan memungkinkan komputer untuk berfikir dengan cara menyederhanakan program. Dengan cara ini, kecerdasan buatan dapat menirukan proses belajar manusia sehingga informasi baru dapat diserap dan digunakan sebagai acuan di masa-masa mendatang.[4] 2.2 Sistem Pakar
Sistem pakar adalah aplikasi berbasis komputer yang digunakan untuk menyelesaikan masalah sebagaimana yang dilakukan oleh pakar. Pakar yang dimaksud disini adalah orang yang mempunyai keahlian khusus yang dapat menyelesaikan masalah yang tidak dapat diselesaikan oleh orang awam. Sistem pakar mencoba memecahkan masalah yang biasanya hanya bisa dipecahkan oleh seorang ahli, dipandang berhasil ketika mampu mengambil keputusan seperti yang dilakukan oleh pakar aslinya baik dari sisi proses pengambilan keputusan maupun hasil keputusan yang diperoleh.[4]
2.3 Virus TORCH
TORCH adalah istilah untuk menggambarkan gabungan dari empat jenis penyakit infeksi yaitu Toxoplasma, Rubella, Cytomegalovirus dan Herpes. Keempat jenis penyakti infeksi ini, sama-sama berbahaya bagi janin bila infeksi diderita oleh ibu hamil.[6]
2.4 Certainty Faktor (Faktor Kepastian)
Certainty Faktor (CF) menyatakan kepercayaan dalam sebuah kejadian (fakta atau hipotesis) berdasarkan bukti atau penilaian pakar. Faktor kepastian diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN pada tahun 1975 untuk mengakomodasi ketidakpastian pemikiran seorang pakar. Team pengembang MYCIN mencatat bahwa seorang dokter sering kali menganalisa informasi yang ada dengan ungkapan seperti: mungkin, kemugkinan besar, hampir pasti. Oleh sebab itu team MYCIN menggunakan metode certainty factor guna menggambarkan tingkat keyakinan pakar terhadap permasalahan yang sedang dihadapi.[5]
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. Ada dua cara dalam mendapatkan tingkat keyakinan (CF) dari sebuah rule, yaitu:
a. Metode ‘Net Belief’’ yang diusulkan oleh E. H. Shorlieffe dan B.G Buchanan. Ukuran kepercayaan dan ketidakpastian didefenisikan dalam istilah probabilitas: CF [h, e] = MB [h, E] – MD [h, E]...(1) MB(h,e1^e2)=MB(h,e1)+MB(h,e2)*(1-B[h,e1])...(2) MD(h,e^e2)=MD(h,e1)+MD(h,e2)* (1-D[h,e1])...(3) Dimana :
CF = Certainty Factor
MB = Measure of Belief / derajat kepercayaan MD = Measure of Disbelief / derajat ketidakpercayaan H = Hipotesis/dugaan
E = Evidence / fakta
b. Dengan cara mewawancara seorang pakar, nilai CF (Rule) didapat dari interprestasi “term” dari pakar, yang diubah menjadi nilai CF tertentu sesuai tabel berikut.
Tabel 1 Nilai CF (Rule) DariInterpretasi“Term”
Certain Term MB/MD Tidak Tahu/tidak ada
Mungkin Kemungkinan Besar Hampir Pasti Pasti 0.0 s/d 0.2 0.2 s/d 0.4 0.5 s/d 0.6 0.7 s/d 0.8 0.9 s/d 1.0
2.5 Forward Chaining (Runut Maju)
Forward chaining adalah metode pencarian atau teknik pelacakan ke depan yang dimulai dengan informasi yang ada dan penggabungan rule untuk menghasilkan suatu kesimpulan atau tujuan. Pelacakan maju ini sangat baik jika bekerja dengan permasalahan yang dimulai dengan rekaman informasi awal dan ingin dicapai penyelesaian akhir, karena seluruh proses akan dikerjakan secara berurutan maju.[5]
Forward Chaining adalah teknik pencarian yang dimulai dengan fakta yang diketahui, kemudian mencocokkan fakta-fakta tersebut dengan bagian IF dari rules IF-THEN. Bila ada fakta yang cocok dengan bagian IF, maka rule tersebut dieksekusi. Bila sebuah rule dieksekusi, maka sebuah fakta baru (bagian THEN) ditambahkan ke dalam database. Setiap kali pencocokan, dimulai dari rule teratas. Setiap rule hanya boleh dieksekusi sekali saja. Proses pencocokan berhenti bila tidak ada lagi rule yang bisa dieksekusi. Metode pencarian yang digunakan adalah Deptth-Firstf Search (DFS), Breadth-First Search (BFS) atau Best First Search. pendekatan dalam pelacakan dimulai dari informasi masukan dan selanjutnya mencoba menggambarkan kesimpulan, pelacakan kedepan mencari fakta yang sesuai dengan bagian IF dari aturan IF-THEN. Dengan metode forward chaining dari pendekatan dan aturan yang telah dihasilkan dapat ditinjau oleh para ahli untuk diperbaiki atau dimodifikasi untuk memperoleh hasil yang lebih baik.[4]
3. ANALISA
Tahapan analisa dimaksutkan untuk melakukan analisa terhadap data-data yang telah diperoleh yang selanjutnya digunakan untuk membuat aplikasi sistem pakar untuk mendiagnosa virus TORCH dengan
Hal: 182-188
184
menggunakan metode certainty factor. Sistem pakar yang dibangun akan dianalisa agar penerapan teori kedalam aplikasi yang digunakan dapat sejalan. Sehingga jika dicek baik secara manual maupun dengan programnya menghasilkan kemungkinan jenis virus yang tidak jauh beda.
3.2 Analisa Gejala Virus TORCH
Pembuatan sistem pakar diawali dengan penentuan masalah, dalam hal ini adalah virus TORCH. Hal ini sangat penting dilakukan karena akan menentukan pengetahuan yang selanjutnya akan diperlukan dalam sistem. Dari struktur sistem tersebut dapat dilihat masalah yang ditemukan, kemudian menemukan kesimpulan permasalahan yang dihadapi.
a. Identifikasi jenis virus TORCH
Pada tahap ini adalah mengidentifikasi jenis virus TORCH untuk kebutuhan input, untuk mengetahui jenis virus TORCH dengan menggunakan metode certainty factor. Adapun data tersebut nantinya akan diproses untuk menghasilkan kesimpulan gejala virus TORCH yang diterima oleh pasien. Berikut adalah data jenis virus TORCH.
Tabel 2 Data Jenis Virus
No Kode Virus Nama Virus
1 P1 Toxsoplasma
2 P2 Rubella
3 P3 Cytomegalovirus
4 P4 Herpes
b. Identifikasi gejala-gejala virus TORCH
Pada tahap ini mengidentifikasi gejala-gejala dari beberapa jenis virus TORCH dengan menggunakan metode certainty factor yang telah diberikan oleh seorang dokter (pakar) yang ahli di bidang virus TORCH. Berikut ini adalah data gejala-gejala virus TORCH:
1. Seperti flek yang terus menerus ketika hamil. 2. Janin tidak berkembang dengan normal. 3. Hamil anggur.
4. Janin meninggal dalam usia kandungan tujuh sampai delapan bulan.
5. Terjadi keguguran.
6. Bayi yang dilahirkan mengalami glukoma. 7. Kebutaan.
8. Berat badan rendah. 9. Kornea yang keruh.
10. Kerusakan pada otak atau pengapuran pada otak. 11. Bibir sumbing.
12. Tuna rungu.
13. Kelainan endokrin, misalnya hipo. 14. Sulit berbicara.
15. Keguguran terus menerus.
16. Pembesaran kepala, pengecilan kepala, tubuh transparan atau kaki dan tangan jadi bengkak. 17. Kulit kuning.
18. Radang paru-paru.
19. Kerusakan sel pada jaringan saraf pusat. 20. Kemunduran mental seperti tuli dan rabun. 21. Lepuh pada kulit.
22. Permukaan kulit bercak merah.
23. Menyerang tubuh pada bagian alat kelamin, berbentuk seperti jerawat atau sariawan pada mulut vagina atau batang venis.
24. Timbulnya demam tinggi, pasien merasa menggigil.
3.3 Menentukan Bobot Nilai Certainty Factor
Tahapan dalam menentukan bobot nilai certainty factor (CF) adalah tahapan untuk menentukan nilai kepercayaan dan nilai ketidakpercayaan pada setiap gejala virus torch. Tahapan ini dilakukan dengan mewawancarai seorang dokter atau pakar dengan memberikan pertanyaan kepercayaan dan ketidakpercayaan terhadap gejala virus TORCH berdasarkan konsep metode certainty factor. Berikut adalah nilai bobot CF gejala-gejala virus TORCH.
Tabel 3 Data GejalaData Gejala
No Kode
Gejala Nama Gejala MB MD
1 G1 Seperti flek yang terus menerus
ketika hamil 0.8 0.2
2 G2 Janin tidak berkembang dengan
normal 0.7 0.3
3 G3 Hamil anggur 0.9 0.1
4 G4
Janin meninggal dalam usia kandungan tujuh sampai delapan bulan
0.8 0.2
5 G5 Terjadi keguguran 0.7 0.3
6 G6 Bayi yang dilahirkan mengalami
glukoma 0.7 0.3
7 G7 Kebutaan 0.8 0.2
8 G8 Berat badan rendah 0.6 0.4 9 G9 Kornea yang keruh 0.8 0.2 10 G10 Kerusakan pada otak atau
pengapuran pada otak 0.8 0.2 11 G11 Bibir sumbing 0.6 0.4
12 G12 Tuna rungu 0.6 0.4
13 G13 Kelainan endokrin, misalnya hipo 0.7 0.3
14 G14 Sulit berbicara 0.9 0.1
15 G15 Keguguran terus menerus 0.8 0.2
16 G16
Pembesaran kepala, pengecilan kepala, tubuh tranparan atau kaki dan tangan jadi bengkak
0.9 0.1
17 G17 Kulit kuning 0.7 0.3
18 G18 Radang paru-paru 0.8 0.2
19 G19 Kerusakan sel pada jaringan saraf
pusat 0.6 0.4
20 G20 Kemunduran mental seperti tuli dan
rabun 0.7 0.3
21 G21 Lepuh pada kulit 0.7 0.4
22 G22 Permukaan kulit bercak merah. 0.8 0.2
23 G23
Menyerang tubuh pada bagian alat kelamin, berbentuk seperti jerawat atau sariawan pada mulut vagina atau batang venis
0.6 0.4
24 G24 Timbulnya demam tinggi, pasien
merasa menggigil 0.8 0.2
Berikut ini adalah hasil analisis sisetm pakar virus TORCH. Dibuat dalam bentuk tabel keputusan, guna untuk mempermudah dalam membaca gejala virus beserta jenis virus TORCH tersebut.
Tabel 4 Tabel Keputusan Gejala-Gejala Virus TORCH
Toxsoplasma Kode
Hal: 182-188
185
G1 Seperti flek yang
terus menerus ketika hamil 0.8 0.2 G2 Janin tidak berkembang dengan normal 0.7 0.3 G3 Hamil anggur 0.9 0.1 G4 Janin meninggal dalam usia kandungan tujuh sampai delapan bulan 0.8 0.2 G5 Terjadi keguguran 0.7 0.3 Rubella G6 Bayi yang dilahirkan mengalami glukoma 0.7 0.3 G7 Kebutaan 0.8 0.2 G8 Berat badan rendah 0.6 0.4 G9 Kornea yang keruh 0.8 0.2 G10 Kerusakan pada otak atau pengapuran pada otak 0.8 0.2 G11 Bibir sumbing 0.6 0.4 G12 Tuna rungu 0.6 0.4 G13 Kelainan endokrin, misalnya hipo 0.7 0.3 G14 Sulit berbicara 0.9 0.1 Cytomegalovirus/cmv G15 Keguguran terus menerus 0.8 0.2 G16 Pembesaran kepala, 0.9 0.1 G17 Kulit kuning 0.7 0.3 G18 Radang paru-paru 0.8 0.2 G19 Kerusakan sel
pada jaringan saraf
0.6 0.4
G20 Kemunduran
mental seperti tuli dan rabun
0.7 0.3
Herpes
G21 Lepuh pada kulit 0.7 0.4
G22 Permukaan kulit
bercak merah.
0.8 0.2
G23 Menyerang tubuh
pada bagian alat kelamin, berbentuk seperti
jerawat atau
sariawan pada
mulut vagina atau batang venis 0.6 0.4 G24 Timbulnya demam tinggi, pasien merasa menggigil 0.8 0.2
Berdasarkan representasi pengetahuan untuk mendiagnosa virus TORCH ini maka disusun daftar aturan (rule) yang didalamnya terdapat gejala-gejala virus yang disebabkan oleh toxsoplasma, rubella, cytomegalovirus dan herpes. Dari penelusuran metode forward chaining untuk sampel virus torch, dimana akan diberikan pertanyaan berupa gejala-gejala dan sistem akan memberikan hasil diagnosa dari hasil konsultasi.
a. IF
G01 = Seperti flek yang terus menerus ketika hamil True and
G02 = Janin tidak berkembang dengan normal True and G03 = Hamil anggur True and
G04 = Janin meninggal dalam usia kandungan tujuh sampai delapan bulan
True and
G05 = Terjadi keguguran True and THEN = Toxsoplasma
b. IF
G06 = Bayi yang dilahirkan mengalami glukoma True and
G07 = Kebutaan True and
G08 = Berat badan rendah True and G09 = Kornea yang keruh True and
G10 = Kerusakan pada otak atau pengapuran pada otak True and
G11 = Bibir sumbing True and G12 = Tuna rungu True and
G13 = Kelainan endokrin, misalnya hipo True and G14 = Sulit berbicara True and
THEN =Rubella c. IF
G15 = Keguguran terus menerus True and
G16 = Pembesaran kepala, pengecilan kepala, tubuh tranparan atau kaki dan tangan jadi bengkak True and
G17 = Kulit kuning True and G18 = Radang paru-paru True and
G19 = Kerusakan sel pada jaringan saraf pusat True eand
G20 = Kemunduran mental seperti tuli dan rabun True and
THEN = Cytomegalovirus (cmv) d. IF
G21= Lepuh pada kulit True and
G22 = Permukaan kulit bercak merah True and G23= Menyerang tubuh pada bagian alat kelamin,
berbentuk seperti jerawat atau sariawan pada mulut vagina atau batang venis True and G24= Timbulnya demam tinggi, pasien merasa
menggigil True and THEN = Herpes
3.4 Pengujian Algoritma Certainty Factor
Perhitungan nilai certainty factor dengan nilai yang diberikan oleh pakar akan menghasilkan suatu informasi yang lebih tepat daripada melakukan spekulasi dengan cara penentuan nilai certainty factor menggunakan rumus. Berdasarkan beberapa sampel dibawah ini, akan dicoba menghitung CF (rule) berdasarkan pemilihan gejala virus TORCH yang dipilih. Penjelasan berikut ini merupakan gambaran dari proses diagnosis, pemilihan jawaban pertanyaan mengenai gejala akan mempengaruhi hasil diagnosis.
Tabel 5 Contoh Pertanyaan Konsultasi
No. Pertayaan Konsultasi Ke User Tidak Ya
1 Seperti flek yang terus menerus ketika hamil
(G01) ✓
2 Janin tidak berkembang dengan normal (G02) ✓
3 Hamil anggur (G03) ✓
4 Janin meninggal dalam usia kandungan tujuh
sampai delapan bulan (G04) ✓
5 Terjadi keguguran (G05) ✓
Hal: 182-188
186 (G06)
7 Kebutaan (G07) ✓
8 Berat badan rendah (G08) ✓ 9 Kornea yang keruh (G09) ✓
10 Kerusakan pada otak atau pengapuran
pada otak(G10) ✓
11 Bibir sumbing (G11) ✓
12 Tuna rungu (G12) ✓
13 Kelainan endokrin, misalnya hipo (G13) ✓
14 Sulit berbicara (G14) ✓
15 Keguguran terus menerus (G15) ✓
16
Pembesaran kepala, pengecilan kepala, tubuh tranparan atau kaki dan tangan jadi bengkak (G16)
✓
17 Kulit kuning (G17) ✓
18 Radang paru-paru (G18) ✓
19 Kerusakan sel pada jaringan saraf pusat (G19) ✓
20 Kemunduran mental seperti tuli dan rabun (G20) ✓
21 Lepuh pada kulit (G21) ✓
22 Permukaan kulit bercak merah (G22) ✓
23
Menyerang tubuh pada bagian alat kelamin, berbentuk sepertijerawat atau sariawan pada mulut vagina atau batang venis (G23)
✓
24 Timbulnya demam tinggi, pasien merasa
menggigil (G24) ✓
Dari gejala yang telah dipilih, sistem akan melakukan proses sesuai dengan metode certainty factor. Setelah proses perhitungan selesai, maka sistem akan menyimpulkan jenis virus yang dialami pasien. Pada tabel 3.5 akan dijelaskan nilai MB dan nilai MD setiap gejala.
Tabel 6 Studi Kasus
Ko de Ge jal a Toksopl asma Ko de Ge jal a Rubell a Ko de Ge jal a Cytomega lovirus Ko de Ge jal a Herpes M B M D M B M D M B M D M B M D G0 1 0. 8 0. 2 G0 8 0. 6 0. 4 G0 8 0.8 0.2 G2 1 0. 7 0. 4 G0 2 0. 7 0. 3 G0 9 0. 8 0. 2 G0 9 0.8 0.2 G2 2 0. 8 0. 2 G0 3 0. 9 0. 1 G1 0 0. 8 0. 2 G1 7 0.7 0.3 G2 3 0. 6 0. 4
a. Melakukan perhitungan certainty factor.
Berikut ini adalah perhitungan dari metode certainty factor. 1. Toksoplasma: MB(h,G1^G2) = MB(h,G1)+MB(h,G2) x (1-MB[h,G1]) = 0.8 + 0.7 x (1-0.8) = 0.94 MB(h,(G1^G2)^G3) = MB(h,G1^G2)+MB (h,G3)*(1-MB[h,G1^G2]) = 0.94+ 0.9 x (1-0,94) = 0.994 MD(h,G1^G2) = MD(h,G1)+MD(h,G2)*(1-MD[h,G1]) = 0.2 + 0.3 x (1-0.2) = 0.44 MD(h,(G1^G2)^G3) = MD(h,G1^G2)+MD (h,G3)*(1-MD[h,G1^G2]) = 0.44 + 0.1 x (1-0.44) = 0.496
Hasilnya MB-MD untuk gejala G1, G2 dan G3 CF = 0.994– 0.496
CF = 0.498
Lakukan cara yang diatas terhadap semua jenis virus penyakit.
b. Hasil perhitungan certainty factor.
Berikut ini adalah hasil perhitungan dari metode certainty factor. 1. Tokoplasma Nilai CF adalah = 0.498 2. Rubella Nilai CF adalah = 0.368 3. Cytomegalovirus/cmv Nilai CF adalah = 0.436 4. Herpes Nilai CF adalah = 0.264 Mencari Nilai Maximal
Max = (0.498): (0.368) : (0.436) : (0.264) = 0.498
Berdasarkan hasil perhitungan certainty factor, maka nilai yang tertinggi yaitu pada virus toxoplasma dengan nilai 0.498. Dari hasil yang diperoleh maka sistem mendiagnosa bahwa pasien tersebut mengidap virus toxoplasma.
4. IMPLEMENTASI
Pada tahap implementasi, rancangan form yang telah dibuat kemudian diaplikasikan dengan menggunakan microsoft visual basic.net 2008. Langkah awal yang dilakukan sebelum membuat program yang mendukung penulisan skripsi ini adalah rancangan database dengan menggunakan Microsoft Access 2016. Pada Micorosft Access 2016 dibuat tabel-tabel yang dibutuhkan, seperti tabel pasien, tabel gejala, tabel jenis penyakit dan tabel diagnosa.
4.1 Desain Antarmuka (Interface)
Bentuk nyata implementasi bahasa pemograman adalah perancangan interface yang dibutuhkan untuk penyelesaian proses. Interface berbentuk form yang bisa diuraikan sebagai berikut.
a. Form Login
Form login merupakan tampilan pertama yang akan muncul pada sistem mendiagnosa virus TORCH untuk masuk kedalam program.
Gambar 1 Tampilan Form Login b. Form Menu Utama
Hal: 182-188
187
Form menu utama adalah form yang muncul saat form login berhasil dijalankan. Pada form ini bisa ditemukan menu-menu atau tombol-tombol yang bisa digunakan untuk memanggil form-form yang dibutuhkan. Bentuk form menu utama bisa terlihat pada gambar berikut ini.
Gambar 2 Tampilan Menu Utama c. Form Input Data Pasien
Form ini digunakan untuk menginput data pasien ataupun pengguna aplikasi untuk dapat melakukan proses konsultasi. Bentuk Form-nya bisa terlihat pada gambar berikut ini:
Gambar 3 Tampilan Data Pasien
Untuk memasukkan data cukup dengan mengklik tombol tambah, agar bisa megisi data yang akan di input, setelah semua data sudah di input maka tekan tombol simpan jika ingin menyimpan data kedalam tabel pasien. Untuk menghapus data klik tombol hapus, tapi sebelumnya klik terdahulu nama pasien yang akan dihapus.
d. Form Proses Konsultasi
Data gejala merupakan penjabaran yang lebih detail dari data faktor. Setiap data yang dimasukkan ke dalam form ini.
Gambar 4 Tampilan Proses Konsultasi
Pada form konsultasi, langkah pertama yang harus dilakukan adalah menekan tombol tambah agar semua yang akan di input bisa berfungsi selanjutnya klik no registrasi agar mengetahui pasien yang akan di diagnosa selanjutnya beri tanda checklist untuk menentukan gejala-gejala apa saja yang di alami oleh pasien, setelah tanda checklist selesai maka klik tombol hitung nilai, berguna untukmenghitung nilai kepastian dari metode certainty factor dan tahap terakhir yaitu menekan tombol diagnosa, berguna mengetahui diagnosa virus apa yang akan di alami pasien, selanjutnya menekan tombol simpan agar semua diagnosa akan tersimpan dalam tabel diagnosa. e. Form Hasil
Form ini digunakan untuk menampilkan hasil dari konsultasi memprediksi virus TORCH. Bentuk Form -nya bisa terlihat pada gambar berikut ini:
Gambar 5 Tampilan Hasil
5. KESIMPULAN
Setelah melakukan pembahasan dari bab-bab sebelumnya maka penulis dapat mengambil kesimpulan sebagai berikut:
Hal: 182-188
188
a. Metode certainty factor bisa digunakan untuk melakukan penelusuran gejala-gejala untuk menentukan hasil diagnosa virus torch.
b. Penerapan metode Certainty Factor dapat mempermudah dan memberikan perhitungan penyelesaian seberapa pasti user atau pasien menderita virus TORCH.
c. Dalam perancangan aplikasi ini menggunakan bahasa pemograman Visual Basic.Net 2008 dan dengan Microsoft Acces 2016 sebagai pengolah data.
Daftar Pustaka
[1] Kusrini, S.Kom Sistem Pakar Teori Dan Aplikasi. 2006.
[2] A. Sinurat, H. D. Hutahaean, M. P. Studi teknik informatika, and H. D. Hutahaean, “Sistem Pakar Diagnosa Penyakit Pada Tanaman Coklat / Kakao Dengan Metode,” J. Tek. Inform., vol. 5, no. 2, pp. 18–21, 2015.
[3] S. Halim and S. Hansun, “Penerapan Metode Certainty Factor dalam Sistem Pakar Pendeteksi Resiko Osteoporosis dan Osteoarthritis,” Jur. Tek. Inform., vol. VII, no. 2, pp. 59–69, 2015.
[4] M. K. Kusrini, Aplikasi Sistem Pakar. 2008.
[5] Arhami Muhammad, Konsep Dasar Sistem Pakar. 2005.
[6] Siti Yulaikah, SST, Maryaning Dwi A "Gambaran Pengetahuan Ibu Hamil Tentang Toxoplasmosis Rubella Cytomegalo Virus Herpes (Torch)", 2009 [7] F. F. Rohman, A. Fauzijah, and S. Pakar, “Rancang
Bangun Aplikasi Sistem Pakar Untuk Menentukan Jenis Gangguan Perkembangan Pada Anak,” vol. 6, no. 1, pp. 1–23, 2008.
[8] A. Kadir, Pengenalan sistem informasi. Yogyakarta:
Andipublisher, 2003.
[9] M. S. Rosa A. S, Modul Pembelajaran Rekayasa Perangkat Lunak (Terstruktur dan Berorientasi Objek). 2011.
[10] A. Nugroho, Belajar Sendiri Mengimplementasiksn SQL Server. Jakarta: PT.Elex Media Komputindo, 2008.
[11] Sholiq, Pemodelan Sistem Informasi Berorientasi Objek dengan Uml. Yogyakarta: Graha Ilmu, 2006. [12] Primananda Arif Aditya, Dasar-dasar Pemrograman
Database Desktop dengan Microsoft Visual Basic.Net 2008. .
