BAB 2
TINJAUAN PUSTAKA
2.1 Sistem Pakar
Kecerdasan buatan sebagaimana telah diketahui, saat ini merupakan suatu inovasi baru dalam bidang ilmu pengetahuan. Kecerdasan buatan atau Artificial Intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. Teknologi kecerdasan buatan dipelajari dalam bidang-bidang, seperti: robotika, penglihatan komputer (computer vision), jaringan saraf tiruan (artificial neural
system), pengolahan bahasa alami (natural language processing), pengenalan suara
(speech recognition) dan sistem pakar (expert system).
Menurut Ignizio, James P, sistem pakar (expert system) adalah suatu metode artificial intelegence yang berguna untuk meniru cara berpikir dan penalaran seorang ahli dalam mengambil keputusan berdasarkan situasi yang ada. Ini merupakan bagian aplikasi spesialisasi tingkat tinggi yang berusaha menduplikasi fungsi seorang pakar. Program ini bertindak sebagai seorang konsultan yang cerdas dalam suatu keahlian tertentu. Sehingga seorang user dapat melakukan konsultasi kepada komputer, seolah-olah user tersebut berkonsultasi kepada seorang ahli. Dengan demikian seorang awam sekalipun bisa menggunakan sistem pakar tersebut untuk menyelesaikan berbagai permasalahan yang dihadapi.
Sistem pakar pertama kali dikembangkan oleh komunitas AI pada pertengahan tahun 1960. Sistem pakar yang muncul pertama kali adalah General-purpose Problem Solver (GPS) yang dikembangkan oleh Newel dan Simon. GPS
(dan program-program serupa) ini mengalami kegagalan dikarenakan cakupannya terlalu luas sehingga terkadang justru meninggalkan pengetahuan-pengetahuan penting yang seharusnya disediakan. Sampai saat ini sudah banyak sistem pakar yang dibuat, beberapa contoh diantaranya adalah (Kusumadewi, 2003):
a. MYCIN
Sistem yang berdiri sendiri yang mengharuskan pengguna untuk memasukkan semua informasi yang relevan tentang pasien dengan mengetikkan jawaban dalam menanggapi pertanyaan-pertanyaan yang diberikan.
b. DENDRAL
Mengidentifikasi struktur molekular campuran yang tak dikenal. c. XCON & XSEL
Membantu konfigurasi sistem komputer besar. d. SOPHIE
Analisa sirkuit elektronik. e. Prospector
Digunakan di dalam geologi untuk membantu mencari dan menemukan deposit.
f. FOLIO
Membantu memberikan keputusan bagi seorang mamajer dalam hal stok broker dan investasi.
g. DELTA
Pemeliharaan lokomotif listrik disel.
Ada beberapa keunggulan sistem pakar, diantaranya dapat (Arhami, 2005): a. Menghimpun data dalam jumlah besar
b. Menyimpan data tersebut untuk jangka waktu yang panjang dalam suatu bentuk tertentu.
c. Mengerjakan perhitungan secara cepat dan tepat tanpa jemu mencari kembali data yang tersimpan dengan kecepatan tinggi.
Sementara kemampuan sistem pakar, di antaranya adalah (Arhami, 2005): a. Menjawab berbagai pertanyaan yang menyangkut bidang keahliannya. b. Bila diperlukan dapat menyajikan asumsi dan alur penalaran yang
digunakan untuk sampai ke jawaban yang dikehendaki.
c. Menambah fakta kaidah dan alur penalaran sahih yang baru ke dalam otaknya.
Sistem pakar (expert system) memiliki beberapa karakteristik yang biasanya diterapkan dalam pembuatan program secara praktis. Karakteristik- karakteristik dari sistem pakar tersebut adalah sebagai berikut (Kristanto, 2004) :
a. Basis pengetahuan mudah diperbaharui.
b. Kemampuan mempelajari fakta atau kejadian barudari pengalamannya sendiri.
c. Mudah dipakai oleh siapa saja.
d. Mampu menjelaskan proses pemikiran dan langkah-langkah yang dilakukan untuk mencapai kesimpulan.
Ada beberapa masalah yang menjadi area luas aplikasi sistem pakar antara lain (Kusumadewi, 2003):
a. Interpretasi
Pengambilan keputusan dari hasil observasi, termasuk di antaranya : pengawasan, pengenalan ucapan, analisis citra, interpretasi sinyal, dan beberapa analisis kecerdasan.
b. Prediksi
Termasuk diantaranya : peramalan, prediksi demografis, peramalan ekonomi, prediksi lalu lintas, estimasi hasil, militer, pemasaran, atau peramalan keuangan.
c. Diagnosa
Termasuk diantaranya : medis, elektronis, mekanis, dan diagnosa perangkat lunak.
d. Perancangan
e. Perencanaan
Termasuk diantaranya : perencanaan keuangan, komunikasi, militer, pengembangan produk, routing, dan manajemen proyek.
f. Monitoring
Misalnya : Computer-Aided Monitoring Systems. g. Debugging
Memberikan resep obat terhadap suatu kegagalan. h. Perbaikan
i. Instruksi
Melakukan instruksi untuk diagnosa, debugging, dan perbaikan kinerja. j. Kontrol
Melakukan kontrol terhadap interpretasi, prediksi, perbaikan, dan monitoring kelakuan sistem.
Sistem pakar (expert system) menggunakan basis pengetahuan (knowledge base) sebagai dasar pemikirannya. Knowledge base tersebut terdiri dari sejumlah rule-rule yang tersusun secara sistematis dan spesifik, juga relasi antara data dan aturan/rule dalam pengambilan kesimpulan. Knowledge base tersebut disimpan dalam sebuah basis data pada suatu tempat penyimpanan data.
Sedangkan sebagai otak atau pusat pemrosesannya adalah inference engine, yaitu suatu rancangan aplikasi yang berfungsi untuk memberikan pertanyaan dan menerima input dari user, kemudian melakukan proses logika sesuai dengan knowledge base yang tersedia, untuk selanjutnya menghasilkan output berupa suatu kesimpulan atau bisa juga berupa keputusan/decision sebagai hasil akhir konsultasi.
User memasukkan input dan menerima output melalui sebuah interface atau tampilan, yaitu sebagai sarana penghubung interaksi antara user dengan sistem.
2.1.1 Konsep Dasar Sistem Pakar (Expert System)
Konsep-konsep dasar dari sebuah sistem pakar menurut Turban (Turban, 1995) adalah:
1. Keahlian (Expertise)
Keahlian merupakan pengetahuan khusus yang dimiliki oleh seseorang melalui latihan, belajar, serta pengalaman-pengalaman yang dialami pada suatu bidang tertentu dalam jangka waktu yang cukup lama. Pengetahuan tersebut dapat berupa fakta-fakta, teori-teori, aturan-aturan serta strategi untuk menyelesaikan suatu masalah. Dengan pengetahuan tersebut seorang pakar dapat memberikan keputusan yang lebih baik dan cepat dalam menyelesaikan suatu permasalahan yang sulit.
2. Ahli atau pakar (Expert)
Seorang pakar harus memiliki kemampuan menyelesaikan permasalahan pada bidang tertentu yang ditanganinya, kemudian memberikan penjelasan mengenai hasil dan kaitannya dengan permasalahan yang ada. Selain itu seorang pakar juga harus mempelajari hal-hal baru dari setiap perkembangan yang ada, lalu menyusun kembali pengetahuannya, dan dalam hal tertentu dapat memberikan alternatif lain agar mampu memecahkan permasalahan yang dihadapi serta menghasilkan solusi yang tepat. Seluruh karakteristik di atas harus dimiliki oleh seorang pakar. Untuk meniru kepakaran seorang manusia, perlu dibangun sebuah sistem komputer yang menunjukan seluruh karakteristik tersebut. Namun hingga saat ini, pekerjaan dibidang sistem pakar terfokus pada aktifitas penyelesaian masalah dan memberikan penjelasan mengenai solusinya.
3. Memindahkan Keahlian (Transfering Expertise)
Tujuan dari sistem adalah memindahkan keahlian yang dimiliki oleh seorang pakar ke dalam sebuah sistem komputer, kemudian dari sebuah sistem
komputer kepada orang lain yang bukan pakar. Proses ini dapat meliputi empat kegiatan :
• Perolehan pengetahuan (Knowledge Acquistion).
• Representasi pengetahuan (Knowledge Representation). • Menyimpulkan pengetahuan (Knowledge Inferencing).
• Memindahkan pengetahuan kepada pemakai (Knowledge Transfer to User). Pengetahuan tersebut ditempatkan ke dalam suatu komponen yang dinamakan basis pengetahuan (Knowledge Base).
4. Kesimpulan (Inference)
Keistimewaan dari sistem pakar adalah kemampuannya dalam memberikan saran, yaitu dengan menempatkan keahlian ke dalam basis pengetahuan (Knowledge Base) dan membuat program yang mampu mengakses basis pengetahuan sehinggga sistem dapat memberikan kesimpulan. Kesimpulan dibentuk di dalam komponen yang dinamakan mesin pengambil kesimpulan (Inference Engine), dimana berisi aturan-aturan untuk menyelesaikan masalah.
5. Aturan (Rule)
Umumnya sistem pakar adalah sistem berbasis aturan, yaitu pengetahuan yang terdiri dari aturan-aturan sebagai prosedur penyelesaian masalah. Pengetahuan tersebut digambarkan sebagai suatu urutan seri dari kaidah- kaidah yang sudah dibuat.
6. Kemampuan Penjelasan (Explanation Capability)
Keistimewaan lain dari sistem pakar adalah kemampuannya dalam memberikan saran atau rekomendasi serta menjelaskan mengapa tindakan tertentu tidak dianjurkan. Pemberian penerangan dan pendapat ini dilakukan dalam suatu subsistem yang dinamakan subsistem penjelasan (explanation subsystem).
2.1.2 Struktur Sistem Pakar (Expert System)
Sistem pakar memiliki beberapa komponen utama yaitu: antar muka pengguna (user interface), basis data sistem pakar (expert system database), fasilitas akuisisi pengetahuan (knowledge acquisition facility) dan mekanisme inferensi (inference mechanism). Selain itu ada satu komponen yang ada pada beberapa sistem pakar yaitu fasilitas penjelasan (explanation facility).
Antar muka pengguna adalah perangkat lunak yang menyediakan media komunikasi antara pengguna dengan sistem.
Basis data sistem pakar berisi pengetahuan setingkat pakar pada subyek tertentu. Pengetahuan ini bisa berasal dari pakar, jurnal, majalah, dan sumber pengetahuan lainnya.
Fasilitas akuisisi pengetahuan merupakan perangkat lunak yang menyediakan fasilitas dialog antara pakar dengan sistem. Fasilitas akuisisi ini digunakan untuk memasukkan fakta-fakta dan kaidah-kaidah sesuai dengan perkembangan ilmu.
Mekanisme inferensi merupakan perangkat lunak yang melakukan penalaran dengan menggunakan pengetahuan yang ada untuk menghasilkan suatu kesimpulan atau hasil akhir.
Fasilitas penjelasan berguna dalam memberikan penjelasan kepada pengguna mengapa komputer meminta suatu informasi tertentu dari pengguna dan dasar apa yang digunakan komputer sehingga dapat menyimpulkan suatu kondisi.
2.1.3 Metode Inferensi
Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan. Inferensi adalah konklusi logis (logical conclusion)
atau implikasi berdasarkan informasi yang tersedia. Dalam sistem pakar proses inferensi dilakukan dalam suatu modul yang disebut Inference Engine (mesin inferensi).
Ada dua metode inferensi yang penting dalam sistem pakar yaitu: runut maju (forward chaining) dan runut balik (backward chaining).
1. Forward Chaining
Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri. Dengan kata lain, penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis.
Berdasarkan penelitian yang telah dilakukan sebelumnya (Dhany, 2009), metode inferensi ini dapat digunakan apabila data penyakit sederhana dan tidak kompleks.
Contohnya : IF Sulit bernafas
AND Pilek
AND Batuk kering
AND Tarikan nafas berbunyi kasar dan penghembusan nafas berbunyi mengi
THEN Laringitis
Secara sederhana dapat dijelaskan bahwa untuk kaidah diatas, agar sistem mencapai konklusi, harus diinput terlebih dahulu fakta sulit bernapas, pilek, tarikan nafas berbunyi kasar dan penghembusan nafas berbunyi mengi. Baru sistem dapat mengeluarkan konklusi bahwa penyakit yang diderita adalah laringitis.
2. Backward Chaining
Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan. Dengan kata lain, penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan.
2.2 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 diagnosa 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 diagnosa.
Sistem pakar harus mampu bekerja dalam ketidakpastian. Sejumlah teori telah ditemukan untuk menyelesaikan ketidakpastian, termasuk diantaranya Probabilitas klasik, Probabilitas Bayes, Teori Hartley berdasarkan himpunan klasik, Teori Shannon berdasakan pada probabilitas, Teori Depmster-Shafer, Teori Fuzzy Zadeh, dan Faktor Kepastian (certainty factor).
Faktor kepastian (Certainty Factor) diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN (Kusumadewi, 2003). Certainty Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. Certainty Factor (CF) menunjukkan ukuran kepastian terhadap suatu fakta atau aturan.
Notasi faktor kepastian adalah:
CF[h,e] = MB[h,e]-MD[h,e] MB[h, e1 e2] = 0 MD[h, e1 e2] = 1 MB[h, e1] + MB[h, e2].(1 – MB[h, e1]) lainnya (2.1)
MD[h, e1 e2] =
0 MB[h,e1 e2] = 1
MD[h, e1] + MD[h,e 2].(1 – MD[h,e 1]) lainnya
Dengan:
CF[h,e] = faktor kepastian.
MB[h,e] = ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e (antara 0 dan 1).
MD[h,e] = ukuran ketidakpercayaan terhadap hipotesis h, jika diberikan edvidence e (antara 0 dan 1).
e = Evidence (peristiwa atau fakta). h = Hipotesis (dugaan).
Di dalam penggunaannya dalam membangun suatu aplikasi (Irmayani, 2010), hasil diagnosa seorang pasien dari aplikasi yang telah dihitung menggunakan metode Certainty Factor akan disesuaikan dengan hasil diagnosa yang dilakukan oleh pakar secara langsung untuk kemudian dilihat apakah diagnosa dari sistem yang telah dibuat sesuai dengan diagnosa langsung oleh pakar. Dari hasil analisis ini akan ditarik kesimpulan apakah sistem telah berjalan sesuai dengan kondisi yang sebenarnya ataukah belum sesuai.
Certainty Factor merupakan faktor keyakinan dari jawaban user. Dalam penyusunan rule, user sering kali dihadapkan pada suatu premis yang meminta suatu kebenaran yang absolut. Sedangkan pada kenyataannya sering kali ditemui suatu fakta yang kebenarannya tidak bersifat absolut. Untuk itu perlu ditentukan faktor keyakinan atau certainty factor terhadap suatu fakta. Misalnya pada sebuah pertanyaan, ‘Apakah pasien menderita nyeri pada perut?’. Untuk memasukkan suatu value ke dalam inference engine, user terkadang merasa bingung, rasa nyeri yang dimaksudkan adalah rasa nyeri yang bagaimana, apakah nyeri sedikit saja sudah dapat dimasukkan sebagai value, atau nyeri yang hebat saja yang dimasukkan sebagai value. Ataukah dalam rule tersebut rasa nyeri dapat diabaikan saja. Bisa saja dibuat pertanyaan pelengkap ‘Nyatakan intensitas nyeri yang
yang sama bisa saja memberikan dua jawaban yang berbeda pula. Untuk itu diperlukan sebuah metode ketidakpastian atau uncertainty, untuk memberikan toleransi jawaban atau pertanyaan yang jawabannya tidak pasti. Tingkat ketidakpastian ditentukan dari :
• Validitas knowledge base rule. • Validitas respon user.
Dalam proses pengeksekusian knowledge base, nantinya akan dihadapkan dengan multiple rule yang mengacu pada satu kesimpulan yang sama. Untuk itu diperlukan perhitungan untuk menggabungkan multiple rule tersebut.
2.2.1 Metode Kuantifikasi Pertanyaan
Metode kuantifikasi pertanyaan merupakan metode untuk mendapatkan nilai factor kepastian dari pengguna terhadap suatu evidence dengan mengkuantifikasi pertanyaan. Sebagai contoh, diinginkan untuk mengetahui derajat kepercayaan demam seorang pasien. Nilai derajat kepercayaan adalah antara -1 s/d 1. Nilai -1 artinya tidak demam sama sekali, dan nilai 1 berarti sangat demam. Untuk mendapatkan nilai derajat kepercayaan terhadap demam yang dialami pasien, makan pertanyaan yang diberikan oleh sistem adalah “berapa derajat celcius suhu badan pasien.”
Dari jawaban pengguna, besarnya nilai kepercayaan pengguna akan dihitung oleh sistem.
2.2.1.1 Representasi Pengetahuan
Pola umum aturan untuk melakukan diagnosa suatu penyakit adalah sebagai berikut:
Operator_Aturan_1 Data_1 dengan kuantitas Operator_kuantitas_1 Kuantitas_1 toleransi Toleransi_kuantitas_1 selama
Operator_Aturan_2 Data_2 dengan kuantitas Operator_kuantitas_2 Kuantitas_2 toleransi Toleransi_kuantitas_2 selama
Operator_waktu_2 Waktu_2 toleransi Toleransi_waktu_2 :
: : :
Operator_Aturan_n Data_n dengan kuantitas Operator_kuantitas_n Kuantitas_n toleransi Toleransi_kuantitas_n selama
Operator_waktu_n Waktu_n toleransi Toleransi_waktu_n Maka Data, CF x (Pakar)
Operator_Aturan merupakan operator logika yang menghubungkan satu premis dengan premis yang lain dalam sebuah aturan. Operator_Aturan yang diizinkan dalam metode ini yaitu: Jika, Jika Tidak, Dan, Dan Tidak, Atau dan Atau Tidak. Sesuai hokum logika, untuk premis pertama dari sebuah aturan hanya boleh menggunakan operator_aturan ‘Jika’ dan ‘Jika tidak’, sedangkan operator_aturan yang lain digunakan untuk premis selain premis pertama.
Data adalah premis dan juga kesimpulan dari suatu aturan. Dalam hal ini, data bisa berupa gejala, penyakit TBC atau penyakit non-TBC.
Operator_kuantitas dan Operator_waktu terdiri atas operator =, >=, <=. Operator_kuantitas, operator_waktu, kuantitas, waktu, toleransi_kuantitas dan toleransi_waktu digunakan untuk menghitung CF user.
Aturan-aturan diagnosa tersebut bersumber dari pakar. Pakar akan memasukkan pengetahuan yang dimilikinya ke format yang disediakan.
2.2.1.2 Menentukan CF User
CF user diperoleh dari jawaban user saat melakukan konsultasi. CF tidak secara langsung diberikan oleh user, tetapi dihitung oleh sistem berdasarkan jawaban user.
Pilihan jawaban yang disediakan oleh sistem berupa jawaban tidak tahu (CF : 0), ya (CF : 1), tidak (CF : -1). Tetapi apabila aturan yang mengandung fungsi kuantitas dan waktu, maka CF akan dihitung sebesar gabungan derajat keanggotaan dari fungsi karakteristik kuantitas dan derajat keanggotaan dari fungsi karakteristik waktu. Fungsi-fungsi karakteristik didapatkan dari premis aturan yang berbentuk:
Operator_Aturan Data Operator_Kuantitas Kuantitas Toleransi_Kuantitas Operator_Waktu Waktu Toleransi_Waktu
Untuk fungsi karakteristik kuantitas didasarkan pada bagian aturan “Operator_Kuantitas”, “Kuantitas” dan “Toleransi_Kuantitas”.
Sedangkan fungsi karakteristik waktu didasarkan pada bagian aturan “Operator_Waktu”, “Waktu” dan “Toleransi_Waktu”
“Operator_Kuantitas” dan “Operator_Waktu” yang disediakan berupa “=”, “>=”, “<=”. “Kuantitas” dan “Waktu” merupakan syarat nilai dari berlakunya aturan itu, sedangkan “Toleransi_Kuantitas” dan “Toleransi_Waktu” memberikan batasan hingga suatu nilai yang membuat data premis ini tidak diabaikan.
Sesuai dengan jenis operatornya, ada 3 macam fungsi karakteristik untuk kuantitas dan waktu. Grafik fungsi operator “=” dapat dilihat pada rumus:
0, x <= Nilai – Toleransi Atau x >= Nilai + Toleransi (x – Nilai + Toleransi) , Nilai – Toleransi ≤ x < Nilai
CF(x) = Toleransi (2.2)
(Nilai + Toleransi – x) , Nilai < x ≤ Nilai + Toleransi Toleransi
dengan
x : Kuantitas/Waktu yang dialami user Nilai : Nilai kuantitas/waktu standar Toleransi : Toleransi kuantitas/waktu
Grafik fungsi untuk operator “>=” dapat dilihat pada rumus: 0, x <= Nilai – Toleransi
CF(x) = (x – Nilai + Toleransi) , Nilai – Toleransi < x < Nilai (2.3) Toleransi
l, x > Nilai dengan
x : Kuantitas/waktu yang dialami user Nilai : Nilai kuantitas/waktu standar Toleransi : Toleransi kuantitas/waktu
Grafik fungsi operator “<=” dapat dilihat pada rumus: 0, x >= Nilai + Toleransi
CF(x) = (Nilai + Toleransi – x) , Nilai < x < Nilai + Toleransi (2.4) Toleransi
l, x < Nilai dengan
x : Kuantitas/waktu yang dialami user Nilai : Nilai kuantitas/waktu standar Toleransi : Toleransi kuantitas/waktu
Untuk mendapatkan CF user, dilakukan perhitungan interpretasi standar dari interseksi antara CF Kuantitas dan CF Waktu yang ditunjukkan pada rumus ini:
2.3 Penyakit TBC (Tuberculosis)
Tuberkulosis adalah penyakit menular langsung yang disebabkan oleh kuman TBC (Mycrobacterium tuberculosis). Sebagian besar kuman TBC menyerang paru, tetapi dapat juga mengenai organ tubuh lainnya.
Individu rentan yang menghirup basil tuberculosis dan menjadi terinfeksi. Bakteri dipindahkan melalui jalan nafas ke alveoli,tempat dimana mereka berkumpul dan mulai untuk memperbanyak diri dalam sistem imun tubuh dengan melakukan reaksi inflamasi. Fagosit (neurofil & makrofagi) menelan banyak bakteri, limfosit spesifik tuberculosis melisis (menghancurkan) basil dan jaringn normal. Reaksi jaringan ini mengakibatkan penumpukan eksudat dalam alveoli akan terjadi gangguan pertukaran gas karena sputum menumpuk akan menutupi jalan nafas, dan sputum bergerak maju ke bronkus, maka akan terjadi ganguan jalan nafas. (Smeltzer, 2002 : 585).
2.3.1 Kuman dan Cara Penularan
Kuman ini berbentuk batang, mempunyai sifat khusus yaitu tahan terhadap asam pada pewarnaan. Olah karena itu disebut pula sebagai Basil Tahan Asam (BTA). Kuman TBC cepat mati dengan sinar matahari langsung, tetapi dapat bertahan hidup beberapa jam di tempat yang gelap dan lembab. Dalam jaringan tubuh kuman ini dapat dormant, tertidur lama selama beberapa tahun.
Sumber penularan adalah penderita TBC BTA positif. Pada waktu batuk atau bersin, penderita menyebarkan kuman ke udara dalam bentuk droplet (percikan dahak). Droplet yang mengandung kuman dapat bertahan di udara pada suhu kamar selama beberapa jam. Orang dapat terinfeksi kalau droplet tersebut terhirup ke dalam saluran pernafasan. Setelah kuman TBC masuk ke dalam tubuh manusia melalui pernafasan, kuman TBC tersebut dapat menyebar dari paru ke bagian tubuh lainnya, melalui sistem peredaran darah, sistem saluran limfe, saluran nafas, atau penyebaran langsung ke bagian-bagian tubuh lainnya.
Daya penularan dari seseorang penderita ditentukan oleh banyaknya kuman yang dikeluarkan dari parunya. Makin tinggi derajat positif hasil pemeriksaan dahak, makin menular penderita tersebut. Bila hasil pemeriksaan dahak negatip (tidak terlihat kuman), maka penderita tersebut dianggap tidak menular.
Kemungkinan seseorang terinfeksi TBC ditentukan oleh konsentrasi droplet dalam udara dan lamanya menghirup udara tersebut.
“Droplet Nucles” yang merupakan partikel 1-10 mikron, dikeluarkan oleh penderita penyakit TBC dengan cara batuk-batuk, bersin, bicara, penderita meludah ke tanah kemudian kuman tersebar ke udara. Oleh karena itu penyakit ini disebut “Airbone Infection”. Orang dapat terinfeksi kalau droplet tersebut terhirup ke dalam saluran pernafasan.
2.3.2 Risiko Penularan
Risiko penularan setiap tahun (Annual Risk of Tuberculosis Infection = ARTI) di Indonesia dianggap cukup tinggi dan bervariasi antara 1-3 % . Pada daerah dengan ARTI sebesar 1 %, berarti setiap tahun diantara 1000 penduduk, 10 (sepuluh) orang akan terinfeksi. Sebagian besar dari orang yang terinfeksi tidak akan menjadi penderita TBC, hanya sekitar 10% dari yang terinfeksi yang akan menjadi penderita TBC.
Dari keterangan tersebut di atas, dapat diperkirakan bahwa pada daerah dengan ARTI 1 %, maka diantara 100.000 penduduk rata-rata terjadi 100 (seratus) penderita tuberculosis setiap tahun, dimana 50 penderita adalah BTA positif.
Faktor yang mempengaruhi kemungkinan seseorang menjadi penderita TBC adalah daya tahan tubuh yang rendah, diantaranya karena gizi buruk atau
2.3.3 Diagnosa Penyakit TBC (Tuberculosis)
Gejala utama Tuberculosis adalah batuk terus-menerus dan berdahak selama 3 (tiga) minggu atau lebih.
Tanda dan gejala penderita TBC:
a. Batuk-batuk dengan atau tanpa dahak lebih dari 3 minggu. b. Demam ringan, tetapi kadang-kadang dapat mencapai 40 410C. c. Sesak nafas
d. Nyeri dada e. Batuk darah
f. Badan terasa lemas g. Kehilangan nafsu makan h. Berat badan turun
i. Rasa kurang enak badan (malaise)
j. Berkeringat malam padahal tidak ada kegiatan.
Pengobatan TBC diberikan dalarn 2 tahap, yaitu tahap intensif dan lanjutan
a. Tahap intensif
Pada tahap intensif (awal) penderita mendapat obat setiap hari dan diawasi langsung untuk mencegah terjadinya kekebalan terhadap semua OAT, terutama rifampisin. Bila pengobatan tahap intensif diberikan secara tepat, biasanya penderita menular menjadi tidak menular dalam kurun waktu 1-2 minggu. Sebagian besar penderita TBC BTA positif ini menjadi BTA negatif (konversi) pada akhir pengobatan intensif.
b. Tahap Lanjutan
Pada tahap lanjutan penderita mendapat jenis obat lebih sedikit, namun dalam jangka waktu yang lebih lama. Tahap lanjutan penting untuk membunuh kuman persisten (dormant) sehingga mencegah terjadinya kekambuhan.
