APLIKASI SISTEM PAKAR DIAGNOSA PENYAKIT KEHAMILAN MENGGUNAKAN METODE TEOREMA BAYES BERBASIS WEB
1Aldi Al Akbar Muhammad, 2Joko Risanto
1Mahasiswa Program Studi S1 Sistem Informasi
2Dosen Penguji Program Studi Sistem Informasi Jurusan Ilmu Komputer
Fakultas Matematika dan Ilmu Pengetahuan Alam Kampus Bina Widya Pekanbaru, 28293, Indonesia
aldi.alakbarmuhammad@student.unri.ac.id,
ABSTRACT
Expert system is one part of man-made intelligence that contains knowledge and experience that is entered by one or many experts into a particular field of knowledge, while the method used is the Bayes Theorem, which is a theorem with two different interpretations. In Bayes's interpretation, this theorem states how far the level of subjective trust must change rationally when there are new instructions. This research is conducted by scheme and making of an expert system used to assist to determine the diagnosa of any diseases which is preceded by main symptom of pregnancy diseases.
Problems of uncertainty knowledge in this expert system is overcome by using Bayesian probability method. The process of diagnosing the patient diseases carried out in the consultancy session, will be preceded by the system raising the relevant questions to patient according to main symptom of natural by pregnancy diseases. The aim of this expert system is to help lay users to detect the onset of disease in the womb of pregnant women and provide possible treatment advice, but this system is not an absolute substitute for doctors.
Keywords : Bayes Theorem Method, Diagnose, Expert System, Pregnancy Disease.
ABSTRAK
Sistem pakar adalah salah satu bagian dari kecerdasan buatan manusia yang berisi pengetahuan dan pengalaman yang dimasukkan oleh satu atau banyak pakar ke dalam bidang ilmu tertentu, sedangkan metode yang digunakan adalah Bayes Theorem, yang merupakan teorema dengan dua interpretasi berbeda. Dalam interpretasi Bayes, teorema ini menyatakan sejauh mana tingkat kepercayaan subyektif harus berubah secara rasional ketika ada instruksi baru. Pada penelitian ini dilakukan perancangan dan pembuatan sistem pakar yang digunakan untuk membantu menentukan diagnosa suatu penyakit yang diawali dari gejala utama penyakit pada proses kehamilan. Masalah ketidakpastian pengetahuan dalam sistem pakar ini diatasi dengan menggunakan metode probabilitas Bayesian. Proses penentuan diagnosa dalam sistem pakar ini diawali dengan sesi
konsultasi, dimana sistem akan mengajukan pertanyaan-pertanyaan yang relevan kepada pasien sesuai gejala utama penyakit kehamilan yang dialami pasien. Tujuan dari sistem pakar ini adalah untuk membantu pengguna awam untuk mendeteksi timbulnya penyakit di dalam rahim wanita hamil dan memberikan saran pengobatan yang mungkin, tetapi sistem ini bukan pengganti mutlak untuk dokter.
Kata Kunci : Diagnosa, Metode Teorema Bayes, Penyakit Kehamilan, Sistem Pakar.
PENDAHULUAN
Kehamilan merupakan hal yang ditunggu-tunggu oleh pasangan suami istri yang kebanyakan baru saja menikah. Kedatangan buah hati dalam pernikahan merupakan suatu hal yang sangat menggembirakan, dimana kala kehamilan yang ditunggu-tunggu akan membawa keturunan di dalam kehangatan keluarga, perlu untuk menjaga kandungan dari gangguan yang berbahaya sehingga janin dapat dilahirkan dengan selamat. Di Indonesia angka kematian akibat kehamilan masih sangat tinggi. Jumlah Angka Kematian Ibu (AKI) di dunia tercatat 800 perempuan pertahun meninggal akibat komplikasi kelahiran.
Hal itu disebabkan akibat kurangnya pengetahuan terhadap gejala yang dialami ibu hamil saat kehamilan. Pengetahuan terhadap penyakit kehamilan tersebut masih belum banyak diketahui oleh ibu hamil.
Oleh karena itu, dibutuhkan suatu sistem yang bisa membantu masyarakat khususnya wanita/calon ibu hamil untuk mendapatkan pengetahuan tentang tanda-tanda yang berbahaya pada kehamilan. Sehingga dengan adanya sistem tersebut nantinya diharapkan dapat membantu wanita/ibu hamil agar menjaga kandungannya lebih awal dengan baik. Penelitian ini akan meneliti tanda-tanda yang muncul pada kehamilan yang diderita oleh wanita/ibu hamil di Klinik Bersalin Bidan Winarni.
Penelitian ini dilakukan untuk menguji metode yang sudah ada untuk ditetapkan pada kasus nyata.
TAHAP PENELITIAN
a. Sistem Pakar
Sistem Pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah- kaidah penarikan kesimpulan atau inference rules dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih pakar dalam bidang tertentu. Kombinasi tersebut dapat disimpan dalam komputer, yang selanjutnya digunakan dalam proses pengambilan keputusan untuk menyelesaikan masalah tertentu. Tujuan pengembangan sistem pakar sebenarnya bukan untuk menggantikan peran manusia, tetapi untuk mensubsitusikan pengetahuan manusia ke dalam bentuk sistem, sehingga dapat digunakan oleh orang banyak (Dhiaksa, 2016).
b. Diagnosa Kehamilan
Diagnosa sebagaimana halnya dengan penelitian-penelitian ilmiah, didasarkan atas metode hipotesis. Dengan metode hipotesis ini menjadikan gejala-gejala begitu mudah dikenali hanya dengan suatu kesimpulan diagnostik. Berdasarkan gejala-gejala serta
tanda-tanda yang dialami oleh penderita, maka penegakkan diagnosa akan lebih terpusat pada bagian-bagian tubuh tertentu. Dengan demikian penyebab dari gejala-gejala dan tanda-tanda tersebut dapat diketahui dengan mudah. Ibu hamil adalah seorang wanita yang sedang mengandung yang dimulai dari konsepsi sampai lahirnya janin. Kehamilan adalah waktu transisi, yaitu masa antara kehidupan sebelum memiliki anak yang sekarang berada dalam kandungan dan kehidupan nanti setelah anak itu lahir (Ratnawati, 2020).
c. Teorema Bayes
Teorema Bayes merupakan metode yang baik didalam mesin pembelajaran berdasarkan data training, dengan menggunakan probabilitas bersyarat sebagai dasarnya.
Metode Bayes juga merupakan suatu metode untuk menghasilkan estimasi parameter dengan menggabungkan informasi dari sampel dan informasi lain yang telah tersedia sebelumnya. Keunggulan utama dalam penggunaan Metode Bayes adalah penyederhanaan dari cara klasik yang penuh dengan integral untuk memperoleh model marginal. Probabilitas Bayes merupakan salah satu cara yang baik untuk mengatasi ketidak pastian data dengan menggunakan formula Bayes yang dinyatakan dengan rumus:
(Sihotang, Panggabean and Zebua 2018).
1. Mencari nilai probabilitas bayes Persamaan(1).
𝑃(𝐻𝑖|𝐸) =𝑃(𝐸|𝐻𝑖)×P(𝐻𝑖) 𝑃(𝐸) 2. Mencari nlai semesta Persamaan(2).
∑𝑛𝑘=1= G𝐽01 + 𝐺𝐽02 + 𝐺𝐽03 + ⋯ 𝑛 3. Menghitung nilai semesta P(Hi) Persamaan (3).
P(Hi, 2, … 𝑛) = (𝐻1,.2…𝑛
∑𝑛𝑘=1 ) 4. Menghitung probabilitas H Persamaan(4).
∑𝑛𝑘=1= 𝑃(𝐻1) × 𝑃(𝐸|𝐻𝑖) 5. Mencari nilai P(Hi|E) Persamaan(5).
𝑃(𝐻𝑖|𝐸) = 𝑃(𝐸|𝐻𝑖)×𝑃(𝐻𝑖) 𝑃(𝐻𝑖) 6. Menghitung total nilai bayes Persamaan(6).
∑𝑛𝐾=1𝐵𝑎𝑦𝑒𝑠 = 𝐵𝑎𝑦𝑒𝑠1 + 𝐵𝑎𝑦𝑒𝑠2 + ⋯ 𝑛. d. Kecerdasan Buatan
Kecerdasan buatan (Artificial Intelligence) adalah suatu bidang ilmu komputer yang menggunakan komputer sehingga dapat berperilaku cerdas. Kecerdasan buatan menyelesaikan permasalahan dengan menggunakan komputer untuk memecahkan masalah yang kompleks dengan cara mengikuti proses penalaran manusia. Kecerdasan buatan memiliki tujuan untuk menciptakan komputer yang lebih cerdas, mengerti tentang kecerdasan, dan membuat mesin yang lebih berguna. Dorongan utama dari kecerdasan buatan adalah mengembangkan fungsi normal komputer yang digabungkan dengan kecerdasan manusia, seperti memberi alasan, menarik kesimpulan, belajar dan memecahkan masalah. Teknologi kecerdasan buatan dipelajari dalam beberapa bidang, seperti: Robotika dan Sistem Sensor, Penglihatan Komputer (Computer Vision), Sistem Saraf Tiruan (Artificial Neural System), Agen Cerdas (Intelligent Agent), Pengenalan Suara (Speech Recognition), permainan (Game Playing) dan Sistem Pakar (Expert System) (Pelita et al, 2013).
e. Personal Home Page (PHP)
PHP merupakan kependekan dari kata Hypertext Preprocessor. PHP tergolong sebagai perangkat lunak opensource yang diatur dalam aturan general purpose licences (GPL). PHP dilekatkan pada script HTML atau sebaliknya dan PHP dikhususkan untuk pengembangan web dinamis. PHP mempunyai kelebihan sebagai berikut: PHP memiliki tingkat akses yang lebih cepat, PHP memiliki tingkat lifecycle yang cepat sehingga selalu mengikuti perkembangan teknologi internet, PHP memiliki tingkat keamanan yang tinggi, PHP mampu berjalan di beberapa server yang ada misalnya Apache, Microsoft IIS, PWS, AOL Server, phttpd,fhttpd dan Xitami. (Supriyanto, 2008).
f. MySQL
MySQL merupakan suatu database. SQL adalah salah satu contoh dari bahasa berbasis transformasi atau bahasa yang dirancang menggunakan relasi guna mentransformasikan data masukkan (input) menjadi data keluaran (output) yang dibutuhkan. Menurut Kustiyahningsih (2010) Basis data adalah sekumpulan informasi yang diatur agar mudah dicari. Dalam arti umum basis data adalah sekumpulan data yang diproses dengan bantuan komputer yang memungkinkan data dapat diakses dengan mudah dan tepat, yang dapat digambarkan sebagai aktivitas dari satu atau lebih organisasi yang berelasi (Connolly dan Begg, 2010).
g. XAMPP
XAMPP adalah kompilasi software yang membungkus Apache HTTP Server, MySQL, PHP, dan Perl. Dengan menggunakan XAMPP, instalasi paket software yang dibutuhkan untuk proses pengembangan web (Apache HTTP Server, MySQL, dan PHP) dapat dilakukan dengan sangat mudah, tanpa harus dilakukan secara terpisah (sendiri- sendiri) (Raharjo, 2015).
h. Pengertian Web
Web adalah sebuah sistem dengan informasi yang disajikan dalam bentuk teks, gambar, suara dan lain-lain yang tersimpan dalam sebuah server web internet yang disajikan dalam bentuk hiperteks. Web dapat diakses oleh perangkat lunak client web yang disebut browser. Browser membaca halaman-halaman web yang tersimpan dalam server web melalui protocol yang disebut HTTP (hypertext Transfer Protocol) Nugroho, B, (2013).
HASIL DAN IMPLEMENTASI
a. Analisis
Dalam membangun sistem pakar ini diperlukan beberapa analisis. Analisis yang dimaksud adalah analisis basis pengetahuan dan analisis perhitungan yang dilakukan dalam teorema bayes. Analisa basis pengetahuan dibangun untuk mengetahui apa saja penyakit atau masalah kehamilan yang berbahaya yang bisa dilihat dan dideteksi oleh orang yang bukan tenaga medis. Berdasarkan itu ada 6 penyakit atau masalah yang dapat diteliti oleh penulis, diantaranya adalah Hypermesis Gravidarum, Abortus, Plasenta Previa, Solusio Plasenta, Mola Hidatidosa, dan Kehamilan Ektopik. Berikut
adalah analisa yang dibutuhkan berdasarkan basis pengetahuan yang telah didapat.
Tabel 1. Tabel Penentuan Probabilitas
Nama Bagian Kode Nomor Gejala Nilai Nilai
Probabilitas
Hypermesis Gravidarum 5
HG01 1 Muntah-muntah lebih dari 3 kali dalam sehari
3 0,6
HG02 2 Badan terasa lemas dan letih
1 0,2
HG03 3 Terasa nyeri pada ulu hati 1 0,2
HG04 4 Tempo nafas lebih cepat 1 0,2
HG05 5 Bibir dan lidah kering 1 0,2
Abortus 5
A01 6 Terjadi pendarahan dari bercak hingga berjumlah banyak
2 0,4
A02 7 Perut terasa nyeri dan kaku 2 0,4 A03 8 Pengeluaran sebagian
produk konsepsi
3 0,6
A04 9 Serviks dapat tertutup maupun terbuka
1 0,2
A05 10 Ukuran kandungan lebih kecil dari yang seharusnya
2 0,4
Plasenta
Previa 5
PP01 11 Terjadi pendarahan tanpa nyeri
2 0,4
PP02 12 Darah yang keluar adalah darah segar
3 0,6
PP03 13 Si ibu dalam keadaan syok 1 0,2 PP04 14 Tidak ada kontraksi pada
uterus
1 0,2
PP05 15 Usia kehamilan diatas 22 minggu
3 0,6
Solusio Plasenta
5
SP01 16 Pendarahan dengan nyeri Intermiten Warna darah kehitaman, cair, & terdapat gumpalan
3 0,6
SP02 17 Syok yang dirasa tidak sesuai dengan darah keluar
1 0,2
SP03 18 Anemia Berat 1 0,2
SP04 19 Uterus tegang terus menerus dan nyeri
1 0,2
SP05 20 Gawat janin atau
hilangnya denyut jantung janin
4 0,8
Mola
hidatidosa 8
MH01 21 Terjadi pendarahan berupa bercak & berjumlah banyak
2 0,25
MH02 22 Mual dan muntah Hebat 1 0,125
MH03 23 Ukuran kandungan lebih besar dari usia kehamilan
3 0,375
MH04 24 Tidak di temukannya pergerakan pada janin
2 0,25
MH05 25 Nyeri Perut, 1 0,125
MH06 26 Keluar Jaringan Seperti anggur
3 0,375
MH07 27 berdebar-debar 1 0,125
MH08 28 Serviks terbuka 1 0,125
Kehamilan
Ektopik 5
KE01 29 Pendarahan dari bercak setetes / dua tetes hingga sedang
1 0,2
KE02 30 kesadaran menurun / pucat 1 0,2 KE03 31 Nyeri pada satu sisi perut 4 0,8 KE04 32 nyeri pinggul & Nyeri
goyang porso
3 0,6
KE05 33 serviks tertutup 1 0,2
Setelah semua proses perhitungan diatas maka diperolehlah nilai Probabilitas dari setiap gejala. Untuk proses selanjutnya adalah dengan memberi kesempatan pada pasien untuk melakukan konsultasi. Dari jawaban dan konsoltasi pasien nanti yang akan menentukan jawaban akhir dari proses perhitungan ini. Perhitungan manual menggunakan metode Teorema Bayes berfungsi untuk memberikan gambaran umum tentang sistem yang akan dibangun. Penerapan metode Teorema Bayes dalam perhitungan manual dicontohkan dalam 3 (tiga) kasus dimana kasus 1 (satu) berisikan perhitungan 1 (satu) gejala, kasus 2 (dua) berisikan perhitungan 2 (dua) gejala dan kasus 3 (tiga) berisikan perhitungan 3 (tiga) gejala.
1. Pada kasus ini diberikan contoh masukan 1 (satu) gejala. Perhitungan dimisalkan user memilih gejala muntah-muntah lebih dari 3 (tiga) kali dalam sehari (HG01). Dimana gejala tersebut terdapat pada jenis Hypermesis Gravidarium yang berdasarkan tabel 1 dengan satu nilai keyakinan 0,6 maka dapat dihitung:
a. Mencari Nilai Semesta menggunakan perhitungan persamaan 2.
∑ = 0,6
𝑛
𝑘=1
b. Menghitung nilai semesta P(Hi) menggunakan perhitungan persamaan 3.
P(Hi) =∑(𝐻1)
𝑛 𝑘=1
= 0,6
0,6= 1
c. Menghitung probabilitas H menggunakan perhitungan persamaan 4.
∑ = 𝑃(𝐻1) × 𝑃(𝐸|𝐻1) = 1 𝑥 0,6 = 0,6
𝑛
𝑘=1
d. Mencari Nilai P(H|E) menggunakan perhitungan persamaan 5.
𝑃(𝐻1|𝐸) =0,6 𝑥 1 0,6 = 1
e. Menghitung total Nilai Bayes menggunakan perhitungan persamaan 6.
∑ 𝐵𝑎𝑦𝑒𝑠 = 0,6 𝑥 1 = 0,6 𝑥 100% = 60%
𝑛
𝐾=1
Dari perhitungan diatas hasil deteksi dini yang dapat disimpulkan yaitu user besar kemungkinan mengalami penyakit Hypermesis Gravidarium sebesar 60%.
2. Pada kasus ini diberikan contoh masukan 2 (dua) gejala. Perhitungan dimisalkan user memilih gejala terjadi pendarahan tanpa nyeri (PP01) dan tidak ada kontraksi pada uterus (PP04). Dimana gejala tersebut terdapat pada jenis plasenta previa yang berdasarkan tabel 4.7 dengan dua nilai keyakinan 0,4 dan 0,2 , maka dapat dihitung : a. Mencari Nilai Semesta menggunakan perhitungan persamaan 2.
∑ = 0,4 + 0,2 = 0,6
𝑛 𝑘=1
b. Menghitung nilai semesta P(Hi) menggunakan perhitungan persamaan 3.
P(H1) = (𝐻1)
∑𝑛𝑘=1 = 0,4
0,6 = 0,66 𝑃(H2) = (𝐻2)
∑𝑛𝑘=1 = 0,2
0,6 = 0,33
c. Menghitung probabilitas H menggunakan perhitungan persamaan 4.
∑ = 𝑃(𝐻1) × 𝑃(𝐸|𝐻1) + 𝑃(𝐻2) × 𝑃(𝐸|𝐻2)
𝑛
𝑘=1
= (0,66 x 0,4) + (0,33 x 0,2) = 0,264 + 0,066 = 0,33 d. Mencari Nilai P(H|E) menggunakan perhitungan persamaan 5.
𝑃(𝐻1|𝐸) =0,4 𝑥 0,66
0,33 = 0,8 𝑃(𝐻2|𝐸) =0,2 𝑥 0,33
0,33 = 0,2
e. Menghitung total Nilai Bayes menggunakan perhitungan persamaan 6.
∑ 𝐵𝑎𝑦𝑒𝑠1 + 𝐵𝑎𝑦𝑒𝑠2 = (0,4 𝑥 0,8) + (0,2 𝑥 0,2)
𝑘
𝐾=1
= 0,32 + 0,04 = 0,36 x 100% = 36%
Dari perhitungan diatas diambil hasil deteksi dini yang dapat disimpulkan yaitu user kemungkinan mengalami penyakit plasenta previa sebesar 36%.
3. Pada kasus ini diberikan contoh masukan 3 (tiga) gejala. Perhitungan di misalkan user memasukkan gejala nyeri pada satu sisi perut (KE03), nyeri pinggul dan nyeri goyang porso (KE04) dan serviks tertutup (KE05). Dimana gejala tersebut terdapat pada jenis kehamilan ektopik yang berdasarkan tabel 4.7 dengan nilai 0,8 0,6 dan 0,2, maka dapat dihitung :
a. Mencari Nilai Semesta menggunakan perhitungan persamaan 2.
∑ = 0,8 + 0,6 + 0,2 = 1,6
𝑛
𝑘=1
b. Menghitung nilai semesta P(Hi) menggunakan perhitungan persamaan 3.
P(H1) = (𝐻1)
∑𝑛𝑘=1 = 0,8
1,6 = 0,5 𝑃(H2) =∑(𝐻2)𝑛
𝑘=1
= 0,6
1,6 = 0,375 𝑃(H3) =∑(𝐻3)
𝑛
𝑘=1
= 0,2
1,6 = 0,125
c. Menghitung probabilitas H menggunakan perhitungan persamaan 4.
∑ = 𝑃(𝐻1) × 𝑃(𝐸|𝐻1) + 𝑃(𝐻2) × 𝑃(𝐸|𝐻2)
𝑛
𝑘=1 + 𝑃(𝐻3) × 𝑃(𝐸|𝐻3)
= (0,5 x 0,8) + (0,375 x 0,6) + (0,125 x 0,2)
= 0,4 + 0,225 + 0,025 = 0,65
d. Mencari Nilai P(H|E) menggunakan perhitungan persamaan 5.
𝑃(𝐻1|𝐸) =0,8 𝑥 0,5
0,65 = 0,61538
𝑃(𝐻2|𝐸) =0,6 𝑥 0,375
0,65 = 0,34615 𝑃(𝐻3|𝐸) =0, 2 𝑥 0,125
0,65 = 0,03846
e. Menghitung total Nilai Bayes menggunakan perhitungan persamaan 6.
∑ 𝐵𝑎𝑦𝑒𝑠1 + 𝐵𝑎𝑦𝑒𝑠2 + 𝐵𝑎𝑦𝑒𝑠3
𝑘 𝐾=1
= (0,8 𝑥 0,61538) + (0,6 𝑥 0,34615) + (0,2 𝑥 0,03846)
= 0,492304 + 0,20769 + 0,0882752
= 0,7882692 𝑥 100% = 78,82%
Dari perhitungan diatas hasil deteksi dini yang dapat disimpulkan yaitu user besar kemungkinan mengalami penyakit kehamilan ektopik sebesar 78,82%.
b. Desain System
System yang akan dibangun merupakan sistem yang mempunyai platform berupa website platform untuk memberi gambaran dari kerja sistem tersebut, maka penulis akan menjabarkan kinerja sistem yang akan dibangun dengan menggunakan diagram.
1. Use Case Diagram
Untuk menggambarkan hubungan antara pengguna dan sistem. Desain use case diagram seperti gambar dibawah sangat dibutuhkan, karena menjadi bagian dalam permodelan untuk pembangunan system.
.
Gambar 1. Use Ase Diagram 2. Activity Diagram
Activity diagram memiliki fungsi untuk menggambarkan serta mendeskripsikan setiap prosses kegiatan yang dilakukan oleh user. Jika pada use case diagram menggambarkan apa saja hal yang bisa diakses oleh pengguna, maka activity diagram adalah diagram yang menjabarkan setiap proses tersebut.
a. Login activity Diagram
User System
Start
Finish Mengakses
Sistem
Menampilkan halaman login
Menginput Username & PW
Validasi berhasil
Menampilkan halaman Dashbo ard
ya tidak
Gambar 2. Login Activity Diagram
b. Registrasi activity Diagram
User System
Start
Finish Mengakses
Sistem
Menampilkan halaman login
Menekan m enu registrasi
V alidasi berhasil
Menampilkan halaman Lo gin
ya
tidak Menampilkan men u registras i
Mengisi d ata user
Gambar 3. Registrasi Activity Diagram c. Menambah data pasien activity Diagram
User S yst em
S tart
F inish Mengakses
S istem
Menampilk an halaman login
Menginput usernam e & PW
V alidasi berhasil
Menampilk an halaman Dashbo ard
y a Mengakses
Halam an Dat a Pasien
t idak Menampilk an Halam an Dat a
Pasien Mengakses f ungsi
t ambah Data
Menampilk an fungsi t ambah Data Menginput data
pasien baru
V alidasi berhasil
Menampilk an dan men yimp an d ata
Gambar 4. Menambah Data Pasien Activity Diagram d. Hapus dan edit data pasien activity Diagram
User S yst em
S tart
F inish Mengakses
Sistem
Menampilk an halaman login
Menginput usernam e & PW
V alidasi berhasil
Menampilk an halaman Dashbo ard
y a Mengakses
Halam an Dat a Pasien
t idak Menampilk an Halam an Dat a
Pasien Mengakses f ungsi
hapus Dat a
V alidasi berhasil
Menampilk an dan men yimp an d ata
Ha pus dat a Pas ien
User S yst em
S tart
F inish Mengakses
Sistem
Menampilk an halaman login
Menginput usernam e & PW
V alidasi berhasil
Menampilk an halaman Dashbo ard
y a Mengakses
Halam an Dat a Pasien
tidak Menampilk an Halam an Dat a
Pasien Mengakses f ungsi
edit Data
V alidasi berhasil
Menampilk an dan men yimp an d ata Menampilk an data
y an g t ersimpan Mengedit Dat a
Meny im pan Data
E dit dat a Pa sien
Gambar 5. Hapus Dan Edit Data Pasien Activity Diagram e. Diagnosis pasien activity Diagram
User S yst em
S tart
F inish Mengakses
S istem
Menampilk an halaman login
Menginput usernam e & PW
V alidasi berhasil
Menampilk an halaman Dashbo ard Mengakses
Halam an Diagnos is
Menampilk an Halam an Diagnos is Menginput Gejala
Melak uk an perhit ungan
Menampilk an hasil
Menerima Has il dan S olusi
perhit ungan berhasil
y a t idak
Dia gnosis Pa sie n
Gambar 6. Diagnosis Pasien Activity Diagram
c. Desain Database
Database pada penelitian ini memiliki banyak fungsi, salah satu fungsinya adalah sebagai penyimpanan, validasi, dan lain sebagainya. Dalam mempermudah sistem untuk pengambilan keputusan database juga sangat dibutuhkan. Satu tabel juga dapat saling berhubungan satu dengan yang lainya. Berikut penjelasan tentang tabel yang dibutuhkan oleh sistem yang dibangun penulis.
1. Tabel Pasien
Pada tabel ini memiliki banyak fungsi didalam sistem yang dibangun penulis. Salah satunya adalah fungsi tambah data pasien, yang berguna untuk menambahkan data pasien terbaru. Fungsi hapus data untuk menghapus data pasien. Fungsi edit data untuk mengubah data pasien.
Tabel 2. Tabel Pasien No Field Type Size Keterangan 1 Id Integer 11 Primary Key 2 Nama Varchar 30 Nama Pasien 3 Umur Integer 2 Umur Pasien 4 KTP Integer 30 Nomor KTP pasien 5 Alamat Varchar 50 Alamat pasien
2. Tabel User
Tabel user sendiri berfungsi untuk melakukan proses login dan melakukan proses registrasi. Dimana proses itu sendiri terhubung pada satu tabel dan database. Dalam proses ini memiliki fungsi seperti update dan validasi database.
Tabel 3. Tabel User
No Field Type Size Keterangan
1 Id Integer 11 Primary Key
2 Name Varchar 128 Nama User 3 Email Varchar 128 Email User 4 Image Varchar 128 Image User 5 Password Varchar 256 Password User 6 Role_id Integer 11 Role User 7 Is_active Integer 1 Fungsi User 8 Date_created Integer 11 Tanggal dibuat
3. Tabel User Role
Tabel user role sendiri adalah tabel yang memiliki fungsi sebagai bagian dari tabel user.
Tabel 4. Tabel User Role No Field Type Size Keterangan 1 id Integer 11 Primary Key 2 role Varcher 128 Role User
d. Implementasi
Implementasi sendiri menjadi bagian dimana semua perancangan yang telah dibangun, dituang dan diaplikasikan kedalam sistem. Dari hasil analisa dan perancangan yang telah dialakukan selanjutnya adalah menuangkannya salah satunya kedalam bentuk interface.
1. Halaman login
Pada halaman ini menjadi bagian yang paling awal dalam system yang penulis bangun.
Halaman ini menjadi pintu masuknya dari sistem ini. Dibutuhkan data email dan
password untuk masuk kedalam sistem dan mengakses halaman utama atau halaman dashboard.
Gambar 7. Halaman Login 2. Halaman Registrasi
Halaman registrasi sebenarnya menjadi bagian dari halaman login. Halaman ini hanya dapat diakses melalui halaman login dan berfungsi sebagai tempat untuk mendaftarkan pengguna baru untuk memiliki hak akses. Sebagaimana hak akses tersebut menjadi kunci untuk mengakses menu utama bagi user yang telah terdaftar.
Gambar 8. Halaman Registrasi 3. Halaman Dashboard
Halaman Dashboard adalah halaman utama dari system ini. Dimana Halaman ini adalah halaman yang pertama kali muncul ketika user telah berhasil melakukan prosses login pada halaman sebelumnya.
Gambar 9. Halaman Dashboard 4. Halaman Data Pasien
Ketika pasien baru ingin melakukan pemeriksaaan, maka data pasien tersebut perlu untuk didaftarkan. Fungsi tersebut dappat dilakukan pada halaman ini. Dan tidak hanya menambahkan data baru, tetapi pengguna juga dapat menghapus serta mengedit dan memperbarui data yang telah terdaftar.
Gambar 10. Halaman Data Pasien
Gambar 11. Input Data Pasien
Gambar 12. Edit Data Pasien 5. Halaman Diagnosis
Setelah melakukan pendaftaran pasien pada halaman sebelumnya, maka pasien harus melakukan diagnosis. Fungsi tersebut hanya ada pada halaman diagnosis.
Pasien diharuskan berkonsultasi dan menjawab setiap pertanyaan yang mengacu pada gejala penyakit. Setelah semuanya dijalankan maka hasil dari diagnosis tersebut akan muncul.
Gambar 13. Halaman Diagnosis 6. Halaman Data Admin
Halaman ini berfungsi sebagai wadah yang menampilkan semua pengguna yang terdaftar dan halaman ini juga dilengkapi dengan fungsi hapus data untuk menghapus data yang tidak diperlukan dari database.
Gambar 14. Halaman Data Admin
e. Pengujian
Pada pengujian adalah tahap terakhir dari penelitian ini. Setelah tahap analisis, desain system, desain database, dan implementasi selesai, maka tahap selanjutnya adalah tahap pengujian. Pengujian yang dilakukan oleh penulis didalam penelitian ini adalah pengujian blackbox. Pengujian blackbox ini berfungsi sebagai penggambaran apakah sistem yang dibangun dapat berjalan sesuai kebutuhan atau tidak.
Tabel 4.14 Tabel Pengujian
Deskripsi Prosedur Pengujian
Input Diharapkan Hasil
Pengujian Login
Menekan Tombol Login
(admin@Gmail.co m)
Password (1234)
Ketika pengguna
menginputkan email dan password dapat dikenali oleh database.
Ketika pengguna menekan tombol login dan sukses, maka akan mengakses halaman utama.
Sukses
Pengujian Registrasi
Menekan tombol registrasi
Nama User
(Admin)
Email User
(Admin@Gmail.co m)
Paswword (1234)
Repeat Password (1234)
Ketika tombol registrasi ditekan, maka data user yang baru akan ditambahkan ke database dan dapat melakukan prosses login.
Sukses
Pengujian Tambah Data Pasien
Menekan Tombol menambah data
Menekan tombol Save Change
Nama Pasien (Sumijem)
Umur Pasien (31)
KTP pasien
(123456789101112 13)
Alamat pasien (Jl.
Edo Tensei )
Ketika tombol save change ditekan, maka akan menambahkan data pasien baru di database dan memperbarui tampilan pada tabel di halaman tambah data pasien.
Sukses
Pengujian Hapus data
Menekan tombol hapus data pada halaman data pasien dan data admin
Data pasien (Sumijem)
Data admin
(yanglex)
Ketika tombol hapus data ditekan, maka akan menghapus data yang dipilih dari database dan memperbarui tampilan dihalaman data pasien dan data admin
Sukses
Pengujian edit data
Menekan tombol edit data pada tabel
Menekan tombol save change pada halaman edit data
Nama Pasien (Sumijem) diganti (sumanto)
Umur Pasien (31)
KTP pasien
(123456789101112 13)
Alamat pasien (Jl.
Edo Tensei ) diganti ( Jl.
Mangekyo )
Ketika tombol save changes ditekan, maka akan memperbarui dan menyimpan file yang ada didalam database dan memperbarui tampilan tabel.
Sukses
Pengujian Diagnosis
Menekan tombol simpan
Menjawab semua pertanyaan dan konsultasi didalam halaman ini
Ketika tombol simpan ditekan, maka akan menampilkan persentase terbesar dari penyakit yang diderita oleh pasien dan solusi untuk penyakit yang diderita pasien
Sukses
Pengujian Logout
Ketika tombol Logout ditekan
Menekan tombol logout.
Ketika tombol logout ditekan, maka akan menutup semua halaman yang aktif dan kembali ke halaman login.
Sukses
KESIMPULAN
Berdasarkan hasil penelitian dan penulisan Aplikasi Sistem Pakar Diagnosa Penyakit Kehamilan Menggunakan Metode Teorema Bayes Berbasis Beb ini maka dapat disimpulkan antara lain:
1. Bahasa pemrograman php dengan database mysql dapat digunakan untuk membangun sistem pakar diagnosa penyakit kehamilan berbasis web secara efektif.
2. Teorema Bayes dapat melakukan perhitungan utuk menentukan penyakit kehamilan yang bisa dijadikan penelitian hanya 6 penyakit yaitu Hypermesis Gravidarum, Abortus, Plasenta Previa, Solusio Plasenta, Mola Hidatidosa, dan Kehamilan Ektopik saja dari semua gejala yang diderita oleh pasien, dalam medukung sebuah sistem pakar.
3. Sistem telah memperoleh persetujuan dari bidan dan ibu hamil dalam uji coba dapat menemukan gejala penyakit kehamilan dengan baik untuk di uji cobakan terhadap pasien Puskesmas Garuda.
4. Untuk melakukan penelitian dan penulisan dari penelitian ini, dibutuhkan studi literatur, studi lapangan, wawancara, studi laboratorium, analisa data, analisa penyakit yang ada, analisa perhitungan, melakukan perhitungan, menentukan gejala, menentukan penyakit, menentukan nilai probabilitas, menentukan basis pengetahuan, melakukan perancangan, use case, activity diagram, sequence diagram, pembuatan sistem, dan pengujian sistem.
SARAN
Berdasarkan hasil kesimpulan, maka penulis memberikan saran-saran yang bertujuan dalam pengembangan sistem selanjutnya yaitu :
1. Disarankan mengambil studi kasus yang permasalahannya dapat dilihat tanpa alat bantu lebih luas dan lebih banyak. Sehingga ilmu dan pengalaman yang didapat oleh peneliti menjadi lebih banyak.
2. Untuk pengembangan sistem ada baiknya pada penelitian selanjutnya melakukan pengembangan sistem selain sistem berbasis web.
3. Penelitian selanjutnya dapat dikembangkan pada aplikasi berbasis mobile untuk mendeteksi penyakit kehamilan.
UCAPAN TERIMA KASIH
Penulis mengucapkan terima kasih kepada Bapak Joko Risanto, S.Kom., M.Kom. yang telah membimbing, memotivasi serta membantu penelitian dan penulisan karya ilmiah ini.
DAFTAR PUSTAKA
Connolly, Thomas and Begg, Carolyn. (2010). Database Systems A Practical Approach to Design, Implementation, and Management Fifth Edition. Boston: Pearson Education.
Dhiaksa Anindita., 2016, Sistem Pakar Diagnosa Penyakit Kulit Menggunakan Metode Forward Chaining
Kustiyahningsih, Yeni dan Amanisa, Rosa devie.(2010). Pemrograman Basis Data Berbasis Web Menggunakan PHP & MySQL. Graha Ilmu. Yogyakarta.
Nugroho,B,(2013). Dasar pemograman Web, PHP, MySQL dengan dream weaver.1st ed.
Yogyakarta: Penerbit Gava Media.
Pelita, et al. (2013). Sistem pakar untuk mendiagnosa penyakit gagal ginjal dengan menggunakan metode bayes, (911441), 129–134.
Raharjo, B. (2015). Belajar otodidak Framework Yii. Bandung: Informatika Bandung.
Ratnawati, A. (2020). Asuhan Keperawatan Maternitas. Yogyakarta: Pustaka Baru Press.
Sihotang, H. T., Panggabean, E., & Zebua, H. (2018). Sistem Pakar Mendiagnosa Penyakit Herpes Zostre Dengan Menggunakan Metode Teorema Bayes. Journal Of Informatic Pelita Nusantara, 3(1).
Supriyanto, Dodit.(2008). Buku Pintar Pemrogaman PHP, Bandung: OASE Media..