2. Teori Penunjang
2.1. Sistem Pakar
Sistem Pakar adalah salah satu cabang dari kecerdasan buatan / Artificial Inte- lligence (AI). Definisi secara umum yang kita ketahui dari AI adalah membuat kom- puter dapat berpikir dan bertindak seperti manusia. Ketika suatu sistem berhasil melalui serangkaian tes yang diujikan, maka sistem tersebut dianggap sebagai strong AI, namun apabila dari serangkaian tes yang dilakukan tersebut tidak dapat dilewati oleh sistem tersebut, maka mereka disebut sebagai weak AI. Sistem pakar adalah metode pengaplikasian dari teknologi kecerdasan buatan yang sangat baik (Giaratano, Joseph C., Riley, Gary D., 2005).
Pengetahuan dari seorang pakar spesifik berdasarkan bidang mereka terhadap suatu problem domain. Problem domain adalah suatu area masalah yang khusus, seperti pengobatan, keuangan, sains, atau suatu masalah teknik di mana seorang pakar dapat memecahkan masalah tersebut dengan menggunakan pengetahuannya.
Pada umumnya, seorang pakar hanya memiliki spesialisasi didalam satu problem domain. Knowledge yang mereka punya disebut sebagai knowledge domain dari seorang pakar (Giaratano, Joseph C., Riley, Gary D., 2005).
Gambar 2.1 Hubungan antara problem domain dan knowledge domain Sumber: Giaratano, Joseph C., Riley, Gary D., Expert System: Principles and
Programming, Fourth Edition, 2005.
Pada gambar 2.1 dijelaskan bahwa sepenuhnya area knowledge domain berada di dalam problem domain, hal ini menunjukkan bahwa area yang berada di luar dari
knowledge domain merupakan Grey Zone, di mana tidak adanya knowledge me- ngenai masalah yang ada d idalam problem domain tersebut.
Dalam implementasinya, sistem pakar dirancang dengan memiliki beberapa karakteristik, diantaranya ialah (Giaratano, Joseph C., Riley, Gary D., 2005) :
• High Performance: Sebuah sistem pakar harus dapat merespon setiap kon- disi yang terjadi dilapangan sama baiknya atau lebih baik dari pakar terse- but.
• Adequate Response Time: Tempo yang dibutuhkan dari suatu sistem pakar untuk menganalisa problem dan memberikan diagnose dalam waktu yang wajar atau lebih cepat dari pakar tersebut.
• Good Reliability: Ketahanan dari suatu sistem pakar tersebut sangat tinggi.
• Understandable: Harus dapat dipahami dari setiap hasil analisa dan diagnosa yang diberikan oleh sistem pakar tersebut.
• Domain Specificity: Setiap sistem pakar menguasai satu domain know- ledge.
Beberapa keuntungan dari sistem pakar :
• Mengurangi biaya.
• Meningkatkan ketersediaan ahli didalam suatu bidang.
• Dapat bekerja terus-menerus.
• Fast response.
• Sistem pakar bersifat rigid, di mana dalam setiap analisis dan diagnosa yang dihasilkan tidak adanya gangguan dari sekitar. Jika pada umumnya seorang pakar merasa kelelahan atau stres, hal tersebut tentu saja dapat menggangu proses analisa dan diagnosa yang nantinya akan dihasilkan.
Menurut Sri Kusumadewi (2003), secara umum, sistem pakar adalah sebuah sistem yang mengadopsi pengetahuan seorang pakar kedalam komputer yang di- rancang untuk memodelkan kemampuan menyelesaikan masalah seperti selayak- nya seorang pakar. Dengan adanya sistem pakar ini, orang awam juga dapat menye- lesaikan masalahnya atau hanya sekedar mencari informasi yang dibutuhkannya.
Sistem pakar ini juga dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. Dalam proses pe-
nyusunannya, sistem pakar terbuat dari kaidah-kaidah penarikan kesimpulan (inference rules) dengan basis pengetahuan tertentu yang diberikan oleh seorang pakar atau lebih pada bidang yang berhubungan. Kombinasi dari yang berbeda ter- sebut kemudian disimpan dalam komputer yang selanjutnya digunakan dalam pro- ses pengambilan keputusan untuk menyelesaikan masalah tertentu.
2.1.1. Sejarah Sistem Pakar
Menurut Sri Kusumadewi (2003), expert system (ES) dikembangkan pada pertengahan tahun 1960-an oleh Artificial Intelligence Corporation. Periode pene- litian artificial intelligence ini didominasi oleh suatu keyakinan dasar bahwa nalar yang digabungkan dengan komputer canggih akan menghasilkan prestasi pakar atau manusia super. Salah satu contohnya adalah General Purpose Problem Solver (GPS). GPS merupakan sebuah prosedur yang dikembangkan Allen Newell, John Cliif Show, dan Herbert Alexander Simon dari Logic Theorist, merupakan sebuah percobaan untuk menciptakan mesin yang cerdas. GPS sendiri merupakan sebuah Predecessor menuju Expert System (ES). GPS berusaha untuk menyusun langkah- langkah yang dibutuhkan untuk mengubah situasi awal menjadi state tujuan yang telah ditentukan sebelumnya.
Menurut Sri Kusumadewi (2003), pada pertengahan tahun 1960-an, terjadi pergantian dari program serba bias (general-purpose) ke progam yang spesialis (special-purpose) dengan dikembangkannya DENDRAL oleh E.Feigenbaum dari Universitas Standford dan kemudian diikuti oleh MYCIN. Problem yang kompleks membutuhkan pengetahuan yang banyak sekali tentang area problem. Pada pertengahan tahun 1970-an, beberapa ES mulai muncul, sebuah pengetahuan kunci yang dipelajari saat itu adalah kekuatan ES berasal dari pengetahuan spesifik yang dimilikinya bukan dari formalism khusus dan pola penarikan kesimpulan yang digunakan.
Menurut Sri Kusumadewi, pada awal tahun 1980 teknologi ES yang mula- mula dibatasi oleh kebutuhan akademis perlahan-lahan mulai muncul sebagai aplikasi komersial, khususnya XCON, XSEL (dikembangkan dari R-1 pada Digital Equipment Corp) dan CATS-1 (dikembangkan oleh General Electric).
Sistem pakar untuk melakukan diagnosis pertama dibuat oleh Bruce Buchanan dan Edward Shortliffe di Standford University. Sistem ini diberi nama MYCIN (Heckerman,1986).
Menurut Sri Kusumadewi (2003), MYCIN merupakan program interaktif yang melakukan diagnosis penyakit meningitis dan infeksi bacremia serta memberikan rekomendasi terapi anti-mikrobia. MYCIN mampu memberikan penjelasan atas penalarannya secara detail. Dalam uji coba, dia mampu menunjukan kemampuan seperti seorang spesialis. Meskipun MYCIN tidak pernah digunakan secara rutin oleh dokter, MYCIN merupakan referesnsi yang bagus dalam penelitian kecerdasan buatan yang lain.
Sistem pakar ini dari tahun ke tahun selalu mengalami perkembangan dalam proses implementasinya dan penggunaannya. Berikut adalah beberapa perkemba- ngan terakhir dari sistem pakar (Kusrini, 2010) :
1. Peningkatan penggunaan sistem pakar dalam berbagai pekerjaan, mulai dari bidang militer yang kompleks sampai bidang perbankan dan aplikasi ruang angkasa.
2. Pengembangan sisten yang kompleks banyak sumber pengetahuan, banyak jalur penalaran, informasi fuzzy, ataupun neural network, seperti Neuro Logic.
3. Penyebaran sistem pakar dalam berbagai sistem organisasi.
4. Penggabungan sistem pakar dengan computer basis sistem informasi lain, terutama dengan database dan Decission Support System (DSS).
5. Peningkatan pemakaian dari pendekatan Object Oriented Programming (OOP) dalam representasi pengetahuan, khususnya untuk frame.
6. Banyaknya desain peralatan untuk mempercepat pembuatan sistem pakar sehingga dapat mengurangi biaya rekayasa.
7. Penggunaan teknologi sistem pakar sebagai suatu metodologi untuk mempercepat atau memperlancar pembuatan sistem informasi biasa.
8. Penggunaan bermacam-macam basis pengetahuan.
Menurut Sutojo (2011), sistem pakar memiliki beberapa kemampuan sebagai berikut :
1. Meningkatkan produktivitas, karena sistem pakar dapat bekerja lebih cepat daripada manusia.
2. Membuat seseorang yang awam bekerja seperti layaknya seorang pakar.
3. Meningkatkan kualitas, dengan memberi nasehat atau pengarahan yang konsisten dan mengurangi kesalahan.
4. Mampu menangkap pengetahuan dan kepakaran seseorang.
5. Dapat beroperasi dilingkungan berbahaya.
6. Memudahkan akses pengetahuan seorang pakar.
7. Handal.
8. Sebuah sistem pakar tidak akan pernah menjadi bosan dan kelelahan ataupun sakit. Meningkatkan kapabilitas sistem komputer. Integrase sistem pakar dengan sistem computer lain membuat sistem lebih efektif dan mencakup lebih banyak aplikasi.
9. Mampu bekerja dengan informasi yang tidak lengkap atau tidak pasti.
Berbeda dengan sistem komputer konvensional, sistem pakar dapat bekerja dengan informasi yang tidak lengkap.
10. Pengguna dapat merespon dengan “tidak tahu” dan “tidak yakin” pada satu atau lebih pertanyaan selama konsultasi dan sistem pakar akan tetap memberikan jawabannya.
11. Sistem pakar dapat digunakan sebagai media pelengkap pelatihan.
Pengguna pemula yang bekerja dengan sistem pakar akan menjadi lebih berpengalaman karena adanya fasilitas penjelas yang berfungsi sebagai guru.
2.1.2. Perbandingan Sistem Konvensional dengan Sistem Pakar
Menurut Nita Merlina (2012), perbandingan antara sistem konvensional dengan sistem pakar adalah sebagai berikut :
1. Sistem Konvensional
Informasi dan pemrosesannya biasanya menjadi satu dengan program.
Biasanya tidak dapat dijelaskan kenapa suatu input data itu dibutuhkan atau bagaimana output itu didapatkan. Memodifikasi program cukup sulit dan membosankan. Sistem hanya akan beroperasi jika riule yang diperlukan su- dah lengkap. Eksekusi dilakukan step by step menggunakan data. Tujuan utamanya untuk meningkatkan efisiensi.
2. Sistem Pakar
Knowledge based merupakan bagian dari mekanisme inference engine.
Pengubahan rule dapat dilakukan dengan mudah. Sistem dapat beroperasi hanya dengan beberapa rule. Eksekusi dapat dilakukan pada keseluruhan knowledge based. Menggunakan pengetahuan, tujuan utamanya untuk me- ningkatkan efektivitas.
Table 2.1 Perbandingan Sistem Konvensional dengan Sistem Pakar
Sistem Konvensional Sistem Pakar
Informasi dan pengolahannya biasanya digabungkan dalam satu program berurutan
Basis pengetahuan secara nyata dipisahkan dari mekanisme pengolahan (inferensi) Program tidak melakukan kesalahan
(programmer atau user yang melakukan kesalahan).
Program dapat melakukan kesalahan.
Perubahan dalam program sangat membosankan (kecuali dalam DOS )
Perubahan dalam aturan mudah dilakukan.
Biasanya tidak menjelaskan mengapa data input diperlukan atau bagaimana kesimpulan dihasilkan.
Penjelasan merupakan bagian dari expert system.
Memerlukan semua data input.
Berfungsi dengan tidak tepat apabila ada data yang hilang, kecuali
dirancang demikian.
Tidak memerlukan semua fakta awal.
Biasanya dapat menghasilkan kesimpulan yang masuk akal, sekalipun ada fakta yang hilang.
Sistem beroperasi hanya jika data lengkap.
Sistem dapat beroperasi dengan sedikit aturan.
Eksekusi dilakukan pada basis algoritma langkah demi langkah.
Eksekusi dilakukan dengan
menggunakan heuristic dan logika.
Manipulasi efektif pada database besar.
Manipulasi efektif pada basis pengetahuan.
Representasi dan penggunaan data. Representasi dan penggunaan pengetahuan.
Efisiensi menjadi tujuan utama.
Efektivitas penting hanya untuk DSS. Efektivitas adalah tujuan utama.
Mudah menangani data kuantitatif. Mudah menangani data kualitatif.
Menggunakan representasi data numerik.
Menggunakan representasi
pengetahuan simbolik dan numerik.
Menyerap, memperbesar dan mendistribusikan akses ke data atau informasi numerik.
Menyerap, memperbesar dan mendistribusikan akses ke penilaian atau pengetahuan.
Sumber : Merlina, Nita. Perancangan Sistem Pakar. 2012.
2.1.3. Knowledge Base System (KBS)
Menurut Giarratano (2005), knowledge based system adalah sebuah sistem komputer yang mecoba untuk menirukan suatu fungsi yang dilakukan oleh manu- sia. Knowledge Based System digunakan untuk menangkap, meneliti, dan mendis- tribusikan akses untuk pengambilan keputusan. Pada dasarnya, Knowledge Based System digunakan untuk membuat pengguna agar dapat melakukan konsultasi de-
ngan sistem komputer sehingga dapat seperti berkonsultasi layaknya dengan pakar untuk mendiagnosa masalah dan menentukan pengambilan keputusan dalam suatu masalah.
Menurut Giarratano (2005), knowledge based system terdiri dari tiga bagian utama, yaitu: pengetahuan, alat pengantara dan fasilitas penjelasan. Pengetahuan adalah kumpulan dari informasi atau pengetahuan seorang ahli mengenai bidang tertentu. Alat pengantara adalah sebuah program yang membuat sistem bekerja, di mana sistem ini melakukan proses logika dalam Knowledge Based System ini. Fa- silitas penjelasan ini menyimpan semua data konsultasi yang berguna dalam pe- ngambilan kesimpulan.
Menurut Giarratano (2005), Gambar 2.2 menjelaskan tentang konsep dasar dari knowledge-based dalam sistem pakar. User memberikan masukkan berupa fak- ta atau informasi lainnya kepada sistem pakar, kemudian user akan menerima res- pon dari sistem pakar berupa saran dari sistem pakar. Di dalam sistem pakar terda- pat dua komponen, yaitu knowledge-base, yang di dalamnya terdapat berbagai ma- cam knowledge dan inference engine, yang dapat menghasilkan suatu kesimpulan.
Kesimpulan yang telah dibuat oleh sistem pakar tersebut merupakan respon terha- dap pertanyaan user mengenai suatu keahlian.
Gambar 2.2 Fungsi Dasar Sistem Pakar
Sumber : Giarratano, Joseph C., Riley, Gary D., Expert System Principles and Programming Fourth Edition, 2005.
2.1.4. Certainty Factor (CF)
Menurut John Durkin (1994), pakar sering membuat perkiraan saat meme- cahkan masalah. Informasi yang didapatkan sering hanya merupakan perkiraan dan tidak lengkap, sehingga dibutuhkan suatu cara utuk menyatakan suatu informasi yang tidak pasti. Misalnya ketika muncul pertanyaan “Apakah pasien merasa pu- sing ?” Jawaban dari pasien bisa ya, tidak, mungkin, atau tidak tahu. Oleh karena itu, untuk keadaan yang tidak pasti digunakan Certainty Factor (CF) yang menya- takan tingkat keyakinan pakar dalam suatu pernyataan. Rentang nilai CF-1 (yakin negatif) sampai 1 (yakin positif). Rentang CF dapat dilihat pada Tabel 2.2
Tabel 2.2 Rentang Nilai CF
Kondisi Tidak Pasti CF
Pasti tidak -1,0
Hampir pasti tidak -0,8
Kemungkinan besar tidak -0,6
Kemungkinan tidak -0,4
Tidak tahu -0,2 / 0,2
Kemungkinan 0,4
Kemungkinan besar 0,6
Hampir pasti 0,8
Pasti 1,0
Contoh : Rule 1
If langit mendung = yes CF : 1.0
And ada kilat = yes CF : 0.7
Then akan hujan CF : 0.8
Maka tingkat keyakinan akan Rule 1 adalah : Min(1.0;0.7) * 0.8
0.7 * 0.8 = 0.56
Rule 2
If langit mendung = yes CF : 1.0
Or ada kilat = yes CF : 0.7
Then akan hujan CF : 0.8
Maka tingkat keyakinan akan Rule 1 adalah : Max(1.0;0.7) * 0.8
1.0 * 0.8 = 0.8
Dalam aplikasi sistem pakar ini, menggunakan nilai Certainty Factor (CF) yang telah disesuaikan dengan melalui proses Analisa dari pakar itu sendiri dan menggunakan hasil riset penelitian lainnya sebagai sumber acuan. Berikut adalah nilai-nilai dalam Certainty Factor yang digunakan di dalam aplikasi sistem pakar :
• Apabila data yang digunakan merupakan data asal atau data yang tingkat validasinya rendah : (((62.5 / 100) * 0.47) * 100)
• Apabila data yang digunakan merupakan hasil test lab < 3 bulan : (((62.5 / 100) * 1) * 100)
• Apabila data yang digunakan merupakan hasil test lab > 3 bulan : (((62.5 / 100) * 0.8) * 100)
• Apabila data yang digunakan merupakan hasil test lab > 6 bulan : (((62.5 / 100) * 0.5) * 100)
• Apabila data yang digunakan merupakan hasil test lab > 9 bulan : (((62.5 / 100) * 0.3) * 100)
2.1.5. Metode Forward Chaining
Menurut Giarratano dan Riley (2005), forward chaining adalah salah satu me- tode dari sistem pakar yang mencari atau menelusuri solusi melalui masalah. De- ngan kata lain metode ini melakukan pertimbangan dari fakta-fakta yang ada, ke- mudian berujung pada sebuah kesimpulan yang berdasarkan pada fakta tersebut.
Metode ini merupakan kebalikan dari metode backward chaining yang melakukan pencarian berawal dari hipotesis menuju ke fakta-fakta untuk mendukung hipotesis tersebut.
Menurut Giarratano dan Riley (2005), pada gambar 2.3 dijelaskan mengenai konsep dasar dari forward chaining dalam rule-based system. Rule digerakkan oleh fakta yang memenuhi sebelumnya atau disebut dengan left-hand-sides (LHS). Se- bagai contoh, rule R1 harus memenuhi fakta B dan C agar bisa berjalan. Namun, hanya fakta C yang tersedia, sehingga R1 tidak bisa berjalan. Rule R2 dijalankan oleh fakta C dan D, di mana keduanya tersedia, sehingga R2 menghasilkan fakta menengah, yaitu fakta H. Rule lain yang terpenuhi adalah R3, R6, R7, R8, dan R9.
Eksekusi dari rule R8 dan R9 menghasilkan kesimpulan dari forward-chaining.
Kesimpulan-kesimpulan itu bisa berupa fakta, output dan sebagainya.
Gambar 2.3 Forward Chaining
Sumber : Sumber : Giarratano, Joseph C., Riley, Gary D., Expert System Principles and Programming Fourth Edition, 2005
2.2. Coronary Heart Disease
Penyakit jantung koroner merupakan penyebab kematian utama di kota-kota besar atau metropolitan. Banyaknya jumlah penderita setiap harinya, tentu saja hal tersebut sangat berbahaya. Ada kemungkinan bahwa didalam diri kita sendiri, me- miliki potensi untuk terjadinya penyakit jantung koroner. Pada umumnya, gejala klinis dari jantung koroner adalah nyeri dibagian dada disertai nyeri yang menjalar dipergelangan tangan kiri, akan tetapi ada beberapa kasus dimana penderita jantung koroner tidak mengalami gejala-gejala seperti tersebut. Gejala yang mungkin
diderita setiap orang dapat berbeda-beda, hal ini disebabkan oleh metabolisme dalam tubuh mereka sendiri. Meskipun seseorang memiliki aktivitas fisik yang sangat padat dan memiliki pola makan yang sehat, bukan merupakan suatu jaminan bahwa mereka 100% terbebas dari potensi jantung koroner. Pemilihan topik skripsi dengan membahas mengenai implementasi sistem pakar dalam menentukan resiko penyakit jantung koroner dipilih, karena sangat sesuai untuk menjawab kebutuhan medis saat ini.
2.3. Framingham Heart Study
Penyakit kardiovaskular atau Cardiovascular Disease merupakan penyakit berbahaya dan merupakan salah satu penyebab kasus kematian terbanyak hingga sekarang ini. Pada tahun 1948, Dr. Thomas Royle Dawber, MD, mengagas suatu proyek untuk melakukan penelitian di dalam bidang riset kesehatan. Di saat itu, pengetahuan mengenai penyebab umum penyakit jantung dan stroke belum diketa- hui sehingga banyak memakan korban, rata-rata kematian yang disebabkan oleh Cardiovascular Disease (CVD) terus meningkat tajam dari tahun ketahun dan men- jadi salah satu wabah epidemik yang menakutkan. Tujuan utama dari Framingham Heart Study ini adalah untuk mengetahui faktor-faktor umum apa saja yang menye- babkan Cardiovascular Disease (CVD).
Penelitian ini dilakukan mulai tahun 1948 hingga sekarang, dengan partisi- pan sebanyak 5.209 pria dan wanita yang berusia diantara 30 tahun hingga 62 tahun.
Penelitian dalam mengumpulkan data sampel dilakukan setiap dua tahun sekali. Di tahun 1971 penelitian dilanjutkan dengan menggunakan generasi penerus dari par- tisipan pertama sebanyak 5.124 pria dan wanita yang merupakan penerus partisipan pertama. April 2002, penelitian dilanjutkan lagi dengan menggunakan partisipan dari generasi ketiga.
Dalam metode Framingham, menggunakan enam parameter utama yang di- gunakan sebagai acuan untuk menentukan besaran persentase seseorang untuk me- miliki penyakit Coronary Heart Disease. Adapun enam paramenter tersebut seba- gai berikut : Usia, total kolesterol, HDL-C, tekanan darah Systolic, diabetes, status perokok.
Adapun di dalam metode Framingham, menggunakan empat metode perhi- tungan yang saling berkaitan satu dengan lain nya guna untuk menentukan besarnya persentase seseorang dalam memiliki resiko penyakit Coronary Heart Disease.
Dalam implementasinya juga menggunakan metode atau rumus yang sama , diterapkan dalam bahasa pemrograman untuk menjadi suatu aplikasi. Metode penggunaan rumus Framingham secara langsung ataupun secara implementasi melalui aplikasi sistem pakar tidak memiliki perbedaan. Berikut metode perhitungan yang digunakan dalam metode Framingham :
L_CHOL = β*age + β.TC + β.HDL-C + β.BP + β.Diabetes + β.Smoker (1) A = L – G (2)
B = e^A (3)
P = 1 - [S(t)]^B (4) Penjelasan :
Tabel 2.3 Nilai β koefisien
e = 2.71828 Gmen = 3.0975 Gwomen = 9.92545
Contoh :
Seorang pria dengan usia 55 tahun dengan kolesterol 250mg/dL, HDL-C 39 mg/dL, tekanan darah Systolic 146 mmHg, tanpa diabetes dan perokok. Tentukan faktor resiko CHD yang dimilikinya dalam 10 tahun kedepan.
L_CHOL = β*age + β.TC + β.HDL-C + β.BP + β.Diabetes + β.Smoker (1) L = 55*0.04826 + 0.50539 + 0.24310 + 0.52168 + 0.52337
L = 4.4478 …….. (1)
A = L – G (2) A = 4.4478 – 3.0975 A = 1.3503 …… (2)
B = e^A (3) B = 2.71828^1.3503 B = 3.85874 …… (3)
P = 1 - [S(t)]^B (4) P = 1 – 0.900153.85874 P = 1 – 0.66637
P = 0.3336 * 100% ≡ 33% …… (4)
Gambar 2.4 Framingham Sample Points Table
Sumber: Wilson, P. W. F., Wilson, P. W. F., D’Agostino, R. B., Levy, D., Belanger, A. M., Silbershatz, H., & Kannel, W. B. (1998).
