APLIKASI DIAGNOSA PENYAKIT LEUKEMIA MENGGUNAKAN METODE DEMPSTER-SHAFER BERBASIS WEB
Ditta Amelia1, Kartina Diah Kesuma W2, Erwin Setyo Nugroho3
1) Prodi Teknik Informatika, Politeknik Caltex Riau, Pekanbaru
2) Prodi Teknik Informatika, Politeknik Caltex Riau, Pekanbaru 3) Prodi Komputer, Politeknik Caltex Riau, Pekanbaru
(E-mail : [email protected], [email protected], [email protected])
Abstrak
Kecerdasan buatan merupakan salah satu cabang ilmu komputer yang berkonsentrasi pada pengautomatisasian mesin, agar dapat melakukan pekerjaan seperti dan sebaik manusia. Banyak kasus yang bisa dijadikan penelitian dalam kecerdasan buatan, salah satunya diagnosa kemungkinan menderita penyakit leukemia. Leukemia atau lebih dikenal dengan kanker darah memiliki angka kematian yang tinggi. Pada tugas akhir ini dibangun suatu aplikasi diagnosa perkiraan menderita penyakit leukemia berbasis web yang memungkinkan masyarakat melakukan deteksi dini dengan jalan menjawab pertanyaan tentang gejala gejala penyakit Leukemia. Metode kecerdasan buatan yang digunakan pada proyek akhir adalah Dempster-Shafer. Metode ini menggunakan parameter nilai densitas yang diperoleh dari pakar yang kemudian diolah untuk mendapatkan jenis penyakit Leukemia dan nilai persentase kemungkinan terkena penyakit Leukemia. Dalam penerapan metode ini didapatkan hasil tingkat keakurasian metode Dempster-Shafer sebesar 85%.
Kata Kunci : Dempster-Shafer, Nilai Densitas, Leukemia
Abstract
Artificial Intelligence existed in computer science division which concentrates on the automatization in order to make the machine or computer operates as well as humans. Artificial intelligence can be implemented in many cases, one of them is leukemia disease. Leukemia also known as blood cancer has a high mortality rate, this final project build a web-based application of leukimia diagnosys that allows people to diagnose the type of leukemia by answering questions from the symptoms. Artificial intelligence method that used in this final project is Dempster-Shafer. This method used density value parameter revieved from expert, which then proccessed to result type and infection probability percentage of Leukemia. On Implementation of this method, Dempster-Shafer resulting 85% of accuracy.
Keywords : Dempster-Shafer, Density Value, Leukemia
1. Pendahuluan 1.1 Latar Belakang
Pemanfaatan kecerdasan buatan atau artificial intelligence semakin banyak digunakan dalam berbagai bidang, termasuk dalam bidang medis. Dalam kemampuannya untuk mendiagnosis penyakit, aplikasi ini dapat diterapkan untuk diagnosis penyakit leukemia. Kurangnya pengetahuan masyarakat umum terhadap leukemia dan gejalanya yang
beragam, membuat keahlian pakar yang cepat dan efisien menjadi semakin dibutuhkan. Penelitian ini membangun aplikasi diagnosis menggunakan metode Dempster-Shafer, karena metode ini dianggap lebih mudah dalam merepresentasikan fakta-fakta dan keakuratan data dapat terjaga. Studi kasus dalam penelitian ini dilakukan pada gejala penyakit leukemia secara umum dan diharapkan dapat memberikan hasil hasil jenis dan persentase kemungkinan yang dibutuhkan dalam hal diagnosis penyakit leukemia.
1.2 Tujuan
Adapun tujuan dari proyek akhir ini adalah :
1. Membangun website diagnosis penyakit leukemia menggunakan metode
Dempster-Shafer.
2. Mengimplementasikan interface yang user friendly dalam website diagnosis
penyakit leukemia.
1.3 Rumusan Masalah
Dalam proyek akhir ini memiliki beberapa perumusan masalah antara lain:
1. Bagaimana membangun aplikasi diagnosis penyakit leukemia untuk memberikan informasi jenis dan persentase kemungkinan penyakit dari hasil diagnosis yang telah dilakukan menggunakan metode Dempster-Shafer.
2. Bagaimana membangun interface sistem yang user friendly.
1.4 Ruang Lingkup
Proyek akhir ini dibatasi pada masalah :
1. Pembangunan aplikasi menggunakan metode Dempster-Shafer.
2. Pengguna sistem terdiri dari administrator dan user.
3. Diagnosis hanya pada penyakit leukemia dengan hasil diagnosis berupa jenis
penyakit dan nilai persentase kemungkinan penyakit tersebut.
4. Sistem ini dibuat menggunakan bahasa pemrograman web PHP dan database My
SQL.
2. Tinjauan Pustaka
2.1 Kecerdasan Buatan (Artificial Intelligence)
Kecerdasan buatan berasal dari bahasa Inggris, “Artificial intelligence” atau disingkat AI, yaitu intelligence adalah kata sifat yang berarti cerdas, sedangkan artificial artinya buatan.
Dalam Sutojo (2011), menuliskan beberapa definisi kecerdasan buatan menurut para ahli yaitu:
1. Herbert Alexander Simon :
“Kecerdasan buatan (artificial intelligence) merupakan kawasan penelitian, aplikasi dan instruksi yang terkait dengan pemrograman komputer untuk melakukan sesuatu hal yang dalam pandangan mausia adalah cerdas”
2. Rich and Knight (1991) :
“Kecerdasan buatan (AI) merupakan sebuah studi tentang bagaimana membuat komputer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia”.
“Kecerdasan buatan (AI) merupakan cabang ilmu komputer yang dalam merepresentasi lebih banyak menggunakan bentuk simbol-simbol daripada bilangan, dan memproses informasi berdasarkan metode heuristic atau dengan berdasarkan sejumlah aturan.”
Dapat disimpulkan bahwa Artificial intelligence (AI) atau kecerdasan buatan
merupakan salah satu cabang ilmu komputer yang berkonsentrasi pada
pengautomatisasian agar mesin atau komputer dapat melakukan pekerjaan seperti dan sebaik manusia.
2.2 Metode Ketidakpastian
Dalam kenyataan sehari-hari banyak masalah didunia ini tidak dapat dimodelkan secara lengkap dan konsisten. Suatu penalaran karena adanya penambahan fakta baru mengakibatkan ketidakkonsistenan, dengan ciri-ciri penalaran sebagai berikut :
1. Adanya ketidakpastian.
2. Adanya perubahan pada pengetahuan.
3. Adanya penambahan fakta baru dapat mengubah konklusi yang sudah terbentuk harus mampu bekerja dalam ketidakpastian.
Sejumlah teori telah ditemukan untuk menyelesaikan ketidakpastian, antara lain: 1. Probabilitas klasik (classical probability)
2. Probabilitas Bayes (Bayesian probability)
3. Teori Hartley berdasarkan himpunan klasik (Hartley theory based on classical
sets)
4. Teori Shannon berdasarkan pada probabilitas (Shanon theory based on probability) 5. Teori Dempster-Shafer (Dempster-Shafer theory)
6. Teori fuzzy Zadeh (Zadeh’s fuzzy theory) 7. Faktor kepastian (Certainty factor)
Pada tugas akhir ini akan dibahas penyelesaian ketidakpastian dalam aplikasi diagnosa penyakit jantung koroner dengan menggunakan metode Dempster-Shafer.
2.3 Metode Dempster-Shafer
Ada berbagai macam penalaran dengan model yang lengkap dan sangat konsisten, tetapi pada kenyataannya banyak permasalahan yang tidak dapat terselesaikan secara lengkap dan konsisten. Ketidakkonsistenan yang tersebut adalah akibat adanya penambahan fakta baru. Penalaran yang seperti itu disebut dengan penalaran non monotonis. Untuk mengatasi ketidakkonsistenan tersebut maka dapat menggunakan penalaran dengan teori
Dempster-Shafer. Secara umum teori Dempster-Shafer ditulis dalam suatu interval
(Kusumadewi, 2003). Penulisan umum : [belief, plausibility]
1. Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan
proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada evidence, dan jika bernilai 1 menunjukkan adanya kepastian.
2. Plausibility (P1) dinotasikan sebagai :
Daftar
Edit densitas edit penyakit
tambah
penyakit Tambah gejala
Edit gejala Admi n Edit data admin User Diagnos a Hasil Diagnosa <<include> > logi n Cek login <<include> > Tambah densitas Lihat data user
Edit data user
Plausibility juga bernilai 0 sampai 1. Jika yakin akan ⌐s, maka dapat dikatakan bahwa
Bel( ⌐s) = 1, dan PI( ⌐ s) = 0.
Pada teori Dempster-Shafer dikenal adanya frame of discernment yang dinotasikan dengan θ. Frame ini merupakan semesta pembicaraan dari sekumpulan hipotesis. Tujuannya adalah mengkaitkan ukuran kepercayaan elemen-elemen θ. Tidak semua evidence secara langsung mendukung tiap-tiap elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen-elemen θ saja, namun juga semua subsetnya. Sehingga jika θ berisi n elemen, maka subset θ adalah
2n . Jumlah semua m dalam subset θ sama dengan 1. Apabila tidak ada informasi apapun
untuk memilih hipotesis, maka nilai : m{θ} = 1,0.
Apabila diketahui X adalah subset dari θ, dengan m1 sebagai fungsi densitasnya,
dan Y juga merupakan subset dari θ dengan m2 sebagai fungsi densitasnya, maka dapat
dibentuk fungsi kombinasi m1 dan m2 sebagai m3, yaitu :
……...….………...(2)
Keterangan :
m = nilai densitas (kepercayaan) XYZ = Himpunan evidence Ø = Himpunan Kosong
3. Perancangan
3.1 Perancangan Usecase Diagram
Perancangan yang telah dibuat pada sistem ini adalah perancangan usecase Aplikasi
Diagnosa Penyakit Leukemia Menggunakan Metode Dempster-Shafer Berbasis Web.
Gambar 1 Usecase Diagram Aplikasi Diagnosis Penyakit Leukemia Menggunakan
Berdasarkan Gambar 1 dapat diketahui bahwa Aktor/ pengguna yang dapat berinteraksi dengan sistem ini yaitu admin dan user. Admin dapat melakukan beberapa aksi seperti tambah gejala, edit gejala, tambah penyakit, edit penyakit, tambah densitas, edit densitas, ubah data admin, lihat user, diagnosa, lihat hasil diagnosa setelah melalui proses otentikasi/ login. Sedangkan setelah melakukan proses otentikasi, user hanya dapat melakukan ubah data user, melakukan diagnosis, dan melihat hasil diagnosisnya. User harus registrasi terlebih dahulu, untuk masuk ke halaman utama user.
3.2 Diagram Alir
Flowchart atau diagram alir digunakan untuk menggambarkan alur suatu program
menjadi lebih sederhana sehingga program tersebut dapat lebih dimengerti. Pada aplikasi ini terdapat beberapa flowchart, yaitu :
1. Flowchart Administrator
Flowchart untuk menunjukkan proses dari administrator tampak pada gambar 2 dibawah
ini.
Add gejala T Edit gejala Edit densitas
Gejala tidak sama
Pesan sukses end Tampil list gejala Y Pilih gejala Tampil list densitas Y Pilih densitas Pesan gagal T Tampil list gejala Y Y Simpan ke database Input nama gejala dan pertanyaan
Edit gejala Hapus densitas
Simpan ke database T Penyakit sama Tampil list penyakit Y Pilih penyakit Tampil list penyakit Y T Simpan ke database Input penyakit Edit penyakit Simpan ke database Add penyakit Edit
penyakit T Pesan gagal Y Input username dan password Login valid Tampilkan pesan gagal Start Y T Edit data Tampil data admin yang login
Edit data admin
Simpan ke database Y T Simpan ke database Tampil list densitas Y T Input dennsitas Simpan ke database
Add densitas T Diagnosa
Y Tampilkan pertanyaan Jawab pertanyan Cek Adakah pertanyaan selanjutnya Tampil hasil diagnosa T Lihat Riwayat Diagnosa Tampilkan data riwayat diagnosa T Y Ulang diagnosa T Y Tampilkan rekap jawaban T Y Ubah password T Input pass lama & input pass baru Y Pass lama cocok Simpan ke database Y Tampil pesan gagal T Simpan ke database T
2. Flowchart User
Adapun flowchart untuk menunjukkan alur proses dari user sebagai berikut.
Start Daftar Y T Input data lengkap Y Valid Y T Diagnosa Y Tampilkan pertanyaan Jawab pertanyan Cek Adakah pertanyaan selanjutnya Tampil hasil diagnosa T End Data valid T Tampilkan menu user Input username & password
Edit data user
Tampilkan data Y Ubah password T Input pass lama & input pass baru Y Pass lama cocok Simpan ke database Y Tampil pesan gagal T Lihat Riwayat Diagnosa Tampilkan data riwayat diagnosa Edit data Tampilkan pesan sukses Ulang diagnosa T Y Tampilkan rekap jawaban T Y Simpan ke database Simpan ke database T
Gambar 3. Flowchart user 3. Flowchart Dempster-Shafer
Untuk proses penarikan kesimpulan dari metode Dempster-Shafer dapat dilihat pada gambar 4 yang merupakan gambaran pencarian solusi dari aplikasi dengan menggunakan flowchart atau diagram alir.
Mulai Banyaknya Gejala = 0 y selesai Gejala (gi) Densitas gi (mi {Y} ) m3(Z) = ΣX∩Y=Z m1 (X). m2(Y) 1- ΣX∩Y= Ø m1 (X). m2(Y) i = i + 1 Gejala habis ? Max (m { } ) Penyakit = yang mempunyai densitas terbesar y t M{Ø} = 1- m1 {X} t
Keterangan:
X,Y,Z = Himpunan Penyakit
i = jumlah gejala
m = nilai densitas / kepercayaan
3.3 Sequence Diagram Tambah Gejala
Sequence diagram yang ditunjukkan pada gambar 5 menggambarkan proses penambahan gejala dilakukan oleh admindengan menginputkan id gejala dan nama gejala yang baru.
Gambar 5 Sequence Diagram Tambah Gejala
3.4 Sequence Diagram Diagnosa
Sequence diagram yang ditunjukkan pada gambar 6 ini menggambarkan proses interaksi user dan admin terhadap aplikasi pada saat melakukan diagnosa.
Gambar 6 Sequence Diagram Diagnosa
: user : form diagnosa : diagnosa : dbDiagnosis tampil form diagnosa(
) Input jawaban( ) simpan( ) validasi( ) hasil diagnosa () :
admin : formGejala : inputGejala
: dbgejala tampil form gejala(
) input id_gejala( ) input Data_gejala( ) simpan( ) validasi( ) pesan konfirmasi( )
3.5 Entity Relationship Diagram (ERD)
ERD berfungsi untuk menggambarkan hubungan antar tabel yang akan digunakan pada sistem ini.
Admin Email Nama Password User Id_user Nama_user password Jenis_kelamin Umur diagnosis M gejala M Id_gejala Nama_gejala Punya M Id_punya penyakit M Id_penyakit Nama_penyakit Id_diagnosis Tgl_diagnosis Username_admin email Hasil_diagnosis Id_admin Username Keterangan Pertanyaan Densitas M jawaban Gambar
Gambar 7 Entity Relationship Diagram
4 Pengujian dan Analisa 4.1 Pengujian
4.1.1. Pengujian Sistem
Tahapan perancangan aplikasi telah dikerjakan. Mulai dari rancangan, sistem, rancangan input, rancangan output, rancangan database dan juga rancangan antar muka user (user interface).
Adapun hasil aplikasi yang telah dibuat dijelaskan dibawah ini.
1. Tampilan Form Diagnosa
Fasilitas diagnosa ini digunakan untuk melakukan diagnosa terhadap member maupun admin dengan menjawab pertanyaan-pertanyaan yang ditampilkan oleh sistem. Tampilan form diagnosa dapat dilihat pada gambar 8
Gambar 8 Tampilan Form Diagnosa
2. Tampilan Form Hasil Diagnosa
Form ini digunakan untuk menampilkan hasil diagnosa kepada member. Tampilan form hasil diagnosa dapat dilihat pada gambar 9.
Gambar 9 Tampilan Form Hasil Diagnosa
4.1.2. Pengujian Hasil Oleh Masyarakat dan Dokter (kuisioner)
Kuisioner diberikan kepada 30 masyarakat dan dilakukan pengujian terhadap dokter. Kuisioner ini terdiri dari 4 pertanyaan, 4 pertanyaan satu jenis yaitu dari segi Interaksi Manusia Komputer (IMK) dan kuisioner dari segi aplikasi diagnosa penyakit jantung koroner. Pengujian terhadap dokter terdapat 8 pertanyaan. Setiap pertanyaan diberi poin yaitu dengan poin nilai 1 sampai 5 dengan keterangan sebagai berikut.
Gambar 11. Rekapitulasi Kuisioner Jumlah Responden
Gambar 12 Skala Likert Hasil Kuisioner Nilai Responden 4.2 Analisa
Analisa Menggunakan Teknik Sampling dari Hasil Diagnosa
Dari hasil diagnosa sistem, dilakukan pengambilan sampel yang akan mewakili beberapa hasil diagnosa sistem. Dari 27 gejala yang ada didalam sistem, diperoleh kemungkinan hasil kombinasi sebanyak 134.217.748 kemungkinan jawaban.
Dari seluruh kemungkinan hasil jawaban, akan dipilih 20 sampel untuk mendapatkan hasil analisa apakah perhitungan sistem berupa hasil jenis penyakit leukemia dan persentase kemungkinan penyakit sesuai dengan analisa dokter. Dalam analisa untuk menilai keakuratan dari sampel, tingkat akurasi sistem dinilai berdasarkan kesesuaian hasil diagnosa berdasarkan jumlah gejala yang dipilih dan nilai densitas tiap gejala yang dipilih. Sehingga dapat dianalisa mengenai akurasi sistem dalam diagnosa penyakit Leukemia. Hasil perhitungan sistem dibandingkan dengan hasil analisa oleh dr. Anda Citra Utama, Sp.PD yang telah berpengalaman selama 10 tahun dalam bidang spesialis penyakit
dalam. Dari 20 sampel yang diambil, sebanyak 16 dari 20 atau sebesar 85% hasil diagnosa sistem dinyatakan sesuai dengan hasil analisa dokter. Sedangkan 15% dinyatakan tidak sesuai.
5 Kesimpulan
Setelah menerapkan aplikasi diagnosa penyakit jantung koroner dengan metode dempster-shafer dapat disimpulkan bahwa.
1. Metode Dempster-Shafer telah berhasil diimplementasikan dalam website diagnosa penyakit
leukemia.
2. Aplikasi ini telah dinyatakan user friendly menurut hasil penilaian kuesioner dimana hasil
kuesioner bernilai 87% untuk kategori kenyamanan dalam penggunaan.
3. Berdasarkan pengujian yang telah dilakukan oleh dokter spesialis penyakit dalam tentang aplikasi
diagnosa penyakit leukemia, maka aplikasi ini layak untuk digunakan kepada pasien untuk mendiagnosa penyakit leukemia dimana 85% hasil diagnosa sistem sesuai dengan analisa dokter.
Daftar Pustaka
[1] Kusumadewi, Sri. 2003. Artificial intelligence (Teknik dan Aplikasinya). Yogyakarta : Graha Ilmu. [2] Kusrini. 2006. Teori dan Aplikasi. Yogyakarta: Penerbit Andi.
