Vol.4, No.1, Juni 2021, pp. 42-49
ISSN 2621-1416 42
Sistem Pakar Untuk Mendiagnosis Penyakit Kelinci Menggunakan Metode Certainty Factor
M. Zein Fikry Lazuardi1, Husni Mubarok2, Neng Ika Kurniati3
1,2,3 Program Studi Informatika, Fakultas Teknik, Universitas Siliwangi, Indonesia
1 127006077@student.unsil.ac.id, 2 husni@unsil.ac.id, 3 nengikakurniati@unsil.ac.id
Korespondensi:
M. Zein Fikry Lazuardi, Informatika, Fakultas Teknik Universitas Siliwangi.
127006077@
student.unsil.ac.id
Abstrak
Kelinci merupakan salah satu jenis binatang yang mudah ditemui saat ini.
Bentuknya yang lucu dan menggemaskan membuat banyak orang tertarik untuk menjadikan kelinci sebagai binatang peliharaan (kesayangan) maupun sebagai binatang ternak untuk diambil daging, kulit, atau bulunya. Hal yang harus diperhatikan ketika memelihara kelinci adalah kesehatannya, karena kelinci akan rentan mati jika sudah terserang penyakit. Akan tetapi, keberadaan dokter hewan di kota Tasikmalaya jumlahnya masih sedikit dan ketersediaannya terbatas oleh jam kerja. Agar pemilik kelinci dapat mengkonsultasikan kesehatan kelincinya kapanpun dan darimanapun, maka perlu adanya sebuah sistem yang dapat melakukan diagnosis terhadap penyakit yang diderita kelinci dan memberikan saran penanganan dini terhadap penyakit tersebut. Penelitian ini membahas tentang proses perancangan dan pembuatan sistem pakar untuk menentukan kemungkinan penyakit yang menyerang kelinci serta memberikan saran penanganan dini terhadap penyakit tersebut dengan metode Certainty Factor dan teknik penelusuran forward chaining. Hasil dari penelitian ini adalah sebuah sistem pakar yang dapat menentukan kemungkinan penyakit yang diderita kelinci berdasarkan gejala-gejala yang dirasakannya serta memberikan saran penanganan dini terhadap penyakit tersebut. Berdasarkan pengujian yang telah dilakukan terhadap akurasi nilai Certainty Factor hasil konsultasi menunjukkan bahwa nilai Certainty Factor hasil konsultasi yang diperoleh dari sistem dan nilai Certainty Factor hasil konsultasi yang diperoleh dari perhitungan manual mempunyai nilai yang sama. Hal ini membuktikan bahwa metode Certainty Factor telah berhasil diimplementasikan ke dalam sistem pakar penyakit kelinci ini.
Kata kunci: Forward Chaining, Kecerdasan Buatan, Certainty Factor, Penyakit Kelinci, Sistem Pakar.
1. PENDAHULUAN
Kelinci ternak yang terdapat dan dikenal sekarang ini, dahulu berasal dari kelinci liar. Dalam klasifikasi biologi, kelinci termasuk ordo Logomorpha. Ordo ini tergolong hewan purba. Fosil yang ditemukan membuktikan bahwa fosil berasal dari kata Eosen [1].
Dalam memelihara kelinci, sang pemilik harus benar-benar memperhatikan kondisi kesehatan kelinci tersebut. Kelinci rentan mati jika sudah terserang penyakit. Jumlah kematian kelinci yang disebabkan penyakit cukup tinggi, berkisar antara 15% sampai 40%. Kematian terjadi dari masa kelahiran hingga penyapihan [1].
Adapun faktor-faktor penyebab timbulnya penyakit antara lain kebersihan kandang yang kurang diperhatikan, pemberian pakan yang buruk, kekurangan nutrisi, tertular kelinci lain yang sakit, perubahan cuaca dan ketidaktahuan mengenai penyakit kelinci.
Ketika kelinci sudah terserang penyakit, maka biasanya sang pemilik akan membawanya ke dokter hewan. Akan tetapi, keberadaan dokter hewan di Kota Tasikmalaya masih sedikit. Selain itu, ketersediaan dokter hewan juga terbatas oleh jam kerja. Oleh karena itu, perlu adanya sebuah sistem yang dapat bekerja layaknya seorang dokter hewan yang mampu melakukan diagnosis terhadap penyakit kelinci yang dapat diakses kapanpun dan darimanapun. Sistem ini juga harus mampu memberikan informasi tindakan pertolongan pertama terhadap kelinci yang sakit.
Berdasarkan permasalahan yang telah diuraikan, maka penulis bermaksud untuk melakukan penelitian yang berjudul “Sistem Pakar untuk Mendiagnosis Penyakit Kelinci Menggunakan Metode Certainty Factor”.
Dengan adanya penelitian ini, diharapkan para pemilik kelinci dapat melakukan konsultasi terkait kesehatan kelincinya kapanpun dan darimanapun.
2. LANDASAN TEORI
2.1 Kecerdasan Buatan
Kecerdasan buatan adalah salah satu bidang ilmu komputer yang mendayagunakan komputer sehingga dapat berperilaku cerdas seperti manusia. Ilmu komputer tersebut mengembangkan perangkat lunak dan perangkat keras untuk menirukan tindakan manusia [2].
2.2 Sistem Pakar
Menurut Martin dan Oxman, sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat diselesaikan oleh seorang pakar dalam bidang tertentu [3]. Sedangkan menurut Ignizio, sistem pakar merupakan bidang yang dicirikan oleh sistem berbasis pengetahuan (Knowledge Base System), memungkinkan komputer dapat berfikir dan mengambil kesimpulan dari sekumpulan kaidah [4].
2.3 Forward Chaining
Forward Chaining atau runut maju merupakan proses perunutan yang dimulai dengan menampilkan kumpulan data atau fakta yang meyakinkan menuju konklusi akhir. Runut maju bisa juga disebut sebagai penalaran forward (forward reasoning) atau pencarian yang dimotori data (data driven search). Jadi dimulai dari premis-premis atau informasi masukan (if) dahulu kemudian menuju konklusi atau derived information (then) [2]. Runut maju dapat dimodelkan sebagai berikut:
IF (informasi masukan) THEN (konklusi) 2.4 Certainty Factor
Certainty Factor atau faktor kepastian diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN. Certainty Factor (CF) merupakan nilai parameter klinis yang yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan. Certainty Factor didefinisikan sebagai berikut [5]:
CF(H,E) = MB(H,E) – MD(H,E)
CF(H,E). Certainty Factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E. Besarnya CF berkisar antara -1 sampai dengan 1. Nilai -1 menunjukkan ketidakpercayaan mutlak, sedangkan nilai 1 menunjukkan kepercayaan mutlak.
MB(H,E). Ukuran kenaikan kepercayaan (measure of increased belief) terhadap hipotesis H yang dipengaruhi oleh gejala E.
MD(H,E). Ukuran kenaikan ketidakpercayaan (measure of increased disbelief) terhadap hipotesis H yang dipengaruhi oleh gejala E.
Bentuk dasar rumus Certainty Factor sebuah aturan dalam bentuk IF E THEN H adalah sebagai berikut [5]:
CF(H,e) = CF(E,e) * CF(H,E) CF(E,e). Certainty Factor evidence E yang dipengaruhi oleh evidence e.
CF(H,E). Certainty Factor hipotesis dengan asumsi evidence diketahui dengan pasti, yaitu ketika CF(E,e) = 1.
CF(H,e). Certainty Factor hipotesis yang dipengaruhi oleh evidence e.
Formula CF untuk beberapa kaidah yang mengarah pada hipotesa yang sama dapat dituliskan sebagai berikut [2]:
𝐶𝐹(𝐻) = {
𝐶𝐹(𝑅1) + 𝐶𝐹(𝑅2) − [𝐶𝐹(𝑅1) ∗ 𝐶𝐹(𝑅2)]; 𝐶𝐹(𝑅1) 𝑑𝑎𝑛 𝐶𝐹(𝑅2) > 0 𝐶𝐹(𝑅1) + 𝐶𝐹(𝑅2) + [𝐶𝐹(𝑅1) ∗ 𝐶𝐹(𝑅2)]; 𝐶𝐹(𝑅1) 𝑑𝑎𝑛 𝐶𝐹(𝑅2) < 0
𝐶𝐹(𝑅1) + 𝐶𝐹(𝑅2) 1 − min[|𝐶𝐹(𝑅1)| + |𝐶𝐹(𝑅2)|]
Dimana:
H : Hipotesa R1 : Kaidah 1 R2 : Kaidah 2
3. METODELOGI PENELITIAN
Perancangan dan pembangunan sistem pakar ini menggunakan metode RUP (Rational Unified Process). RUP (Rational Unified Process) adalah pendekatan pengembangan perangkat lunak yang dilakukan berulang-ulang (iterative), fokus pada arsitektur (architecture-centric), lebih diarahkan berdasarkan penggunaan kasus (use case driven) [6]. Berikut adalah tahapan-tahapannya:
3.1 Inception (permulaan)
Inception merupakan tahap pertama dalam metode RUP. Tahap ini lebih pada memodelkan proses bisnis yang dibutuhkan (business modeling) dan mendefinisikan kebutuhan sistem yang akan dibuat (requirements) [6]. Berikut ini aktifitasaktifitas yang dilakukan pada tahap inception.
1. Sumber Pengetahuan
Pengetahuan merupakan pemahaman secara praktis maupun teoritis terhadap suatu obyek atau domain tertentu. Dalam perancangan sistem pakar ini, pengetahuan diperoleh dari drh. Aceu Siti Maemunah selaku dokter hewan di TIGRIE Pet Clinic, Pet Shop & Grooming. Selain itu, sumber pengetahuan juga berasal dari buku-buku tentang pemeliharaan kelinci, antara lain buku yang berjudul “Kelinci Potong dan Hias” yang ditulis oleh B. Sarwono dan buku yang berjudul “Tambang Emas dari Kelinci Hias” yang ditulis oleh drh. Nurheti Yuliarti.
2. Representasi pengetahuan
Representasi pengetahuan merupakan metode yang digunakan untuk mengorganisasikan pengetahuan dalam bentuk dan format tertentu agar dapat dimengerti oleh komputer. Representasi pengetahuan dimodelkan dalam beberapa bentuk, salah satunya adalah kaidah produksi. Kaidah produksi menyediakan cara formal untuk merepresentasikan rekomendasi, arahan, atau strategi. Kaidah produksi dituliskan dalam bentuk jika-maka (if- then). Kaidah produksi untuk sistem pakar ini adalah:
Rule 1
JIKA Suhu badan induk panas DAN Nafsu makan berkurang DAN Puting susu bengkak dan keras DAN Induk tak mau menyusui anaknya MAKA Mastitis
Rule 2
JIKA Nafsu makan berkurang DAN Berat badan turun DAN Badan lesu
DAN Gigi berkerot menahan sakit DAN Berak mencret bercampur darah atau berlendir putih
MAKA Kokkidiosis
Rule 3
JIKA Nafsu makan berkurang
DAN Kepala sering diangkat tinggi-tinggi DAN Mata dan telinga kebiru-biruan DAN Sesak nafas
DAN Lemas
DAN Kotorannya encer MAKA Pneumonia
Rule 4
JIKA Nafsu makan berkurang DAN Berat badan turun DAN Kulit kemerah-merahan DAN Badan penuh koreng DAN Bulu rontok DAN Gatal-gatal MAKA Scabies
Rule 5
JIKA Berat badan turun
DAN Kepala sering digoyang-goyangkan dan digeleng-gelengkan
DAN Daun telinga digaruk-garuk DAN Kulit telinga kemerah-merahan DAN Cairan keluar dari lubang telinga DAN Gatal dan sakit pada telinga yang terserang
MAKA Radang Telinga
Rule 6 JIKA Gatal-gatal
DAN Terdapat bercak merah pada kulit DAN Bulu menggumpal dan kusut DAN Terdapat rontokan bulu yang menempel dan menutupi gumpalan bulu yang sudah ada
MAKA Ring Worm
Rule 7 JIKA Bulu patah
DAN Terdapat sisik merah dan keras DAN Kulit kepala tampak pecah pecah MAKA Favus
Rule 8
JIKA Kadang-kadang keluar cairan bernanah dari mata
DAN Radang berwarna merah pada kelopak mata atau selaput mata DAN Bulu sekitar mata basah DAN Kelopak mata membengkak MAKA Radang Mata
Rule 9
JIKA Nafsu makan berkurang DAN Badan lesu
DAN Badan kurus DAN Kelinci terlihat pucat DAN Bulu kusam
DAN Sering menggaruk-garuk bulu disekitar dubur
DAN Diare MAKA Cacingan
Rule 10
JIKA Nafsu makan berkurang DAN Berat badan turun DAN Suka makan bulu DAN Kanibal
DAN Sulit hamil/keguguran MAKA Malnutrisi
Rule 11
JIKA Tulang kaki lemah
DAN Tulang kaki bengkok berbentuk huruf O atau X
DAN Tidak kuat menahan berat badan DAN Sering makan tanah
MAKA Hipocalcium
Rule 12
JIKA Nafsu makan berkurang DAN Hanya minum terus DAN Tidak aktif bermain
DAN Sering diam di salah satu sudut kandang
DAN Pandangan mata suram, kadang seperti berkaca-kaca
MAKA Kembung
3. Metode Inferensi
Sistem pakar penyakit kelinci ini menggunakan metode inferensi runut maju (forward chaining).
Dalam studi kasus sistem pakar untuk diagnosis penyakit, runut maju dimulai dengan mengumpulkan gejala- gejala yang dialami oleh pasien. Setelah itu, gejala-gejala tersebut dianalisis sampai menghasilkan suatu kesimpulan berupa kemungkinan penyakit yang diderita pasien.
Gambar 1. Flowchart inferensi sistem pakar penyakit kelinci 3.2 Elaboration (perluasan/perencanaan)
Tahap ini lebih difokuskan pada perencanaan arsitektur sistem. Tahap ini lebih pada analisis dan desain sistem serta implementasi sistem yang fokus pada purwarupa sistem (prototype) [6]. Berikut ini aktifitas-aktifitas yang dilakukan pada tahap Elaboration.
1. Perancangan UML
UML merupakan bahasa visual untuk pemodelan dan komunikasi mengenai sebuah sistem dengan menggunakan diagram dan teks-teks pendukung. UML muncul karena adanya kebutuhan pemodelan visual untuk menspesifikasikan, menggambarkan, membangun dan dokumentasi dari sistem perangkat lunak [6].
Berikut ini adalah salah satu UML sistem pakar penyakit kelinci:
Gambar 2. Use Case Diagram Sistem Pakar Penyakit Kelinci 2. Perancangan Antarmuka
Berikut ini adalah salah satu rancangan antarmuka sistem pakar penyakit kelinci.
Gambar 3. Rancangan tampilan menu sesi konsultasi 3.3 Construction (konstruksi)
Tahap ini lebih pada implementasi dan pengujian sistem yang fokus pada implementasi perangkat lunak pada kode program [6]. Tahap ini akan dibahas pada bagian selanjutnya.
3.4 Transition (Transisi)
Tahap ini lebih pada deployment atau instalasi sistem agar dapat dimengerti oleh user. Aktifitas pada tahap ini termasuk pada pelatihan user, pemeliharaan dan pengujian sistem apakah sudah memenuhi harapan user [6]. Tahap ini akan dibahas pada bagian selanjutnya.
4. HASIL DAN PEMBAHASAN
4.1 Implementasi Perangkat Lunak
Tahap ini merupakan bagian dari tahap construction pada metode RUP. Pada tahap ini dilakukan penulisan kode program dengan menggunakan framework Codeigniter yang berbasis bahasa pemrograman PHP. Sedangkan untuk tampilan antarmuka sistem menggunakan template AdminLTE. Berikut ini adalah salah satu tampilan antarmuka sistem pakar penyakit kelinci:
Gambar 4. Tampilan halaman sesi konsultasi 4.2 Pengujian
Tahap ini merupakan bagian dari tahap transition pada metode RUP. Pada tahap ini dilakukan pengujian terhadap sistem untuk mengidentifikasi adanya error, bug atau kesalahan lainnya. Pada perancangan sistem pakar penyakit kelinci ini terdapat dua pengujian, yaitu pengujian terhadap akurasi nilai CF hasil konsultasi dan pengujian terhadap perangkat lunak dengan metode black-box.
Pengujian akurasi nilai CF hasil konsultasi bertujuan untuk mengetahui apakah perhitungan nilai CF hasil konsultasi yang dilakukan sistem sudah sesuai dengan konsep perhitungan metode Certainty Factor atau belum. Pengujian ini dilakukan dengan cara membandingkan nilai CF hasil konsultasi yang diperoleh dari sistem dengan nilai CF hasil konsultasi yang diperoleh dari perhitungan manual.
1. CF Hasil Konsultasi dari Sistem
Misalkan, ketika melakukan sesi konsultasi pengguna memilih gejala dan memasukkan nilai kepastian pengguna sebagai berikut:
Gambar 5. Gejala yang dipilih dan nilai kepastiannya
Gambar 6. Nilai CF hasil konsultasi dari sistem
Gambar 6 menunjukkan bahwa nilai CF hasil konsultasi dari sistem adalah 99,92%
2. CF Hasil Konsultasi dari Perhitungan Manual
Dengan menggunakan gejala dan nilai kepastian pengguna yang sama dengan pengujian sebelumnya, maka nilai CF hasil konsultasi dengan perhitungan manual adalah sebagai berikut:
Diketahui:
E1 : Nafsu makan berkurang E2 : Suhu badan induk panas E3 : Puting susu bengkak dan keras E4 : Induk tak mau menyusui anaknya
Berdasarkan gejala-gejala tersebut, maka penyakit yang diderita kelinci adalah Mastitis. Kemudian masing-masing gejala tersebut dibentuk menjadi rule baru. Setelah itu, hitung nilai CF(H,E) dengan cara mengurangi MB dengan MD tiap gejala sebagaimana tabel berikut ini.
Tabel 1. Nilai CF(H,E) Tiap Rule
Rule Penyakit Gejala MB MD CF(H,E)
R1 Mastitis E1 0,9 0 0,9
R2 Mastitis E2 1 0 1
R3 Mastitis E3 1 0 1
R4 Mastitis E4 1 0 1
Setelah itu, hitung nilai CF(H,e) dengan cara mengalikan nilai CF(H,E) dengan nilai kepastian pengguna.
Tabel 2. Nilai CF(H,e) tiap Rule
Rule CF(H,E) Kepastian CF(H,E)
R1 0,9 0,9 0,81
R2 1 0,9 0,9
R3 1 0,8 0,8
R4 1 0,8 0,8
Karena Mastitis dipengaruhi oleh 4 evidence, maka perlu dilakukan perhitungan lagi sebagai berikut.
CF(H1,2) = 0,81 + 0,9 – (0,81 * 0,9)
= 1,71 - 0,729
= 0,981
CF(H1,2,3) = 0,981 + 0,8 – (0,981 * 0,8)
= 1,781 - 0,7848
= 0,9962
CF(H1,2,3,4) = 0,9962 + 0,8 – (0,9962 * 0,8)
= 1,7962 - 0,79696
= 0,99924
= 0,9992
Jadi, nilai CF hasil konsultasi dari perhitungan manual adalah sebesar 0,9992 atau 99,92%. Berikut ini adalah perbandingan nilai CF hasil konsultasi yang diperoleh dari sistem dengan nilai CF hasil konsultasi yang diperoleh dari perhitungan manual.
Tabel 3. Perbandingan Nilai CF hasil Konsultasi dari Sistem dan Perhitungan Manual
Penyakit CF Hasil Konsultasi Hasil Perhitungan Manual
Mastitis 99,92% 99,92%
Tabel 3 menunjukkan bahwa nilai CF hasil konsultasi yang diperoleh dari sistem dan nilai CF hasil konsultasi yang diperoleh dari perhitungan manual memiliki nilai yang sama. Hal ini menunjukkan bahwa metode Certainty Factor telah berhasil diimplementasikan ke dalam sistem pakar penyakit kelinci ini.
4.3 Kelebihan dan Kekurangan
Berikut ini adalah kelebihan dari sistem pakar penyakit kelinci. Sistem pakar ini meminta nilai kepastian kepada pengguna yang selanjutnya digabungkan dengan nilai CF pakar sampai akhirnya menghasilkan nilai CF hasil konsultasi. Dengan demikian, nilai CF hasil konsultasi dapat lebih objektif.
Administrator dan pakar mempunyai halaman beranda yang berisi statistik dalam bentuk diagram batang, sehingga data-data yang disajikan lebih mudah dipahami. Selain itu, terdapat pula data yang disajikan dalam bentuk tabel, sehingga penjelasannya lebih rinci. Mempunyai menu artikel yang membahas seputar
pemeliharaan kelinci. Administrator, pakar dan pengguna mempunyai masing-masing halaman untuk mengelola profil dan password mereka.
Berikut ini adalah kekurangan dari sistem pakar penyakit kelinci. Jumlah basis pengetahuan yang terdapat dalam sistem pakar ini adalah hanya 12 penyakit. Sistem pakar ini belum bisa menentukan dosis obat yang diberikan untuk mengobati penyakit kelinci. Belum mempunyai fasilitas lupa password. Belum mempunyai fitur verifikasi email saat melakukan pendaftaran konsultasi.
5. KESIMPULAN
Berdasarkan hasil penelitian yang telah dibahas pada bab sebelumnya, maka dapat disimpulkan bahwa. Telah dihasilkan sebuah sistem pakar yang dapat menentukan kemungkinan penyakit yang diderita kelinci berdasarkan gejala-gejala yang dirasakannya dengan menggunakan metode Certainty Factor. Sistem pakar penyakit kelinci ini dapat memberikan saran cara penanganan dini berdasarkan jenis penyakit yang diderita kelinci. Telah berhasil mengimplementasikan metode Certainty Factor ke dalam sistem pakar penyakit kelinci. Hal ini didasarkan pada hasil pengujian terhadap akurasi nilai CF hasil konsultasi dimana nilai CF hasil konsultasi dari sistem dan nilai CF hasil konsultasi yang diperoleh dari perhitungan manual memiliki nilai yang sama. Sistem pakar penyakit kelinci ini dapat berfungsi dengan baik. Hal ini didasarkan pada hasil pengujian black-box dimana respon yang diberikan sistem sesuai dengan respon yang diharapkan.
REFERENSI
[1] Sarwono, B., (2001). Kelinci Potong & Hias. Jakarta: AgroMedia Pustaka.
[2] Hartati, S., Iswanti, S., (2008). Sistem Pakar dan Pengembangannya. Yogyakarta: Graha Ilmu.
[3] Martin, J., Oxman, S., (1988). Building Expert System: A Tutorial. New York: Prentice-Hall.
[4] Ignizio, J. P., (1991). Introduction to Expert System. USA: McGraw-Hill. Inc.
[5] Giarratano, J., Riley, G., (1994). Expert System Principles and Programming. Boston: PWS Publishing Company.
[6] Rosa., Shalahudin, M., (2015). Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objek. Bandung: Penerbit Informatika.