IMPLEMENTASI METODE CERTAINTY FACTOR UNTUK PENENTUAN KEPASTIAN ATURAN PENYAKIT PADA ANAK

(1)

8

1), 2) _{Program Studi Teknik Informatika}

Politeknik Negeri Samarinda Samarinda

Email: 1) _{Aldirifaldi84@gmail.com}_,2)_{yusninyura@polnes.ac.id}

Abstrak –Certainty factor merupakan nilai parameter klinis yang diberikan untuk menunjukkan besarnya kepercayaan. Certainty factor

dapat digunakan untuk mengatasi suatu ketidakpastian dalam identifikasi jenis penyakit. Metode ini menerapkan gambaran kepercayaan dan ketidakpercayaan seorang pakar dengan memberikan nilai bobot untuk masing-masing gejala penyakit dengan nilai 0 sampai dengan 1 sehingga diperoleh nilai kepastian untuk setiap aturan penyakit pada anak. Berdasarkan hasil perhitungan dengan menggunakan metode Certainty factor dapat diketahui bahwa penyakit TBC pada anak memiliki nilai CF sebesar 0.9996, sehingga berdasarkan interpretasi term pakar maka nilai aturan dasar penyakit TBC mendekati angka 1 atau pasti.

Kata kunci: Certainty factor, Penyakit Anak, Sistem Pakar

1. PENDAHULUAN

Anak, terutama umur di bawah lima tahun umumnya sangat rentan terhadap serangan penyakit, mulai dari penyakit yang bersifat biasa seperti pilek, batuk, hingga penyakit yang bersifat kompleks baik dalam penanganan maupun pengobatan. Penyakit ditandai dengan adanya sekumpulan gejala yang terdapat pada tubuh. Dengan gejala-gejala tersebut maka jenis penyakit dapat diketahui, namun diperlukan kemampuan seorang dokter untuk melakukan diagnosa. Dalam proses indentifikasi jenis penyakit anak, orang tua harus melakukan beberapa tes tanya jawab yang dilakukan oleh seorang dokter terhadap anaknya berdasarkan gejala yang dialami, selanjutnya akan diperoleh hasil berupa kesimpulan dari gejala yang ada. Hal ini tentunya akan sangat sulit diselesaikan bila persoalan/kondisi tersebut ditemukan didaerah terpencil yang memiliki keterbatasan khususnya ketersediaan seorang dokter. Untuk itu peran serta teknologi informasi khususnya pada bidang sistem pakar sangat diperlukan. Dalam hal ini sistem pakar diperlukan untuk memudahkan masyarakat tanpa harus berkonsultasi dengan dokter atau pakar, bisa mengetahui gejala penyakit lebih dini, atau juga bisa sebagai data pendukung saat berkonsultasi dengan dokter atau pakar tekait sesuai dengan hasil dari sistem pakar tersebut [1]. . Pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah. Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang

dirancang untuk memodelkan kemampuan

menyelesaikan masalah seperti layaknya seorang pakar [2]. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih seorang pakar dalam bidang tertentu. Kombinasi dari hal kedua tersebut tersimpan dalam komputer yang selanjutnya, akan diproses dalam pengambilan keputusan untuk

menyelesaikan masalah tertentu. Selain itu sistem pakar juga dapat berfungsi sebagai asisten yang pandai dari seorang pakar. Sistem pakar harus mampu bekerja dalam kondisi ketidakpastian. Metode yang dapat digunakan untuk mengatasi masalah ketidak-pastian dalam mendiagnosis penyakit pada anak adalah dengan menggunakan metode certainty factor. Metode certainty factor merupakan nilai parameter klinis yang diberikan untuk menunjukkan besarnya kepercayaan [3].

Tujuan dari penelitian ini adalah untuk mendiagnosis dan menentukan tingkat keyakinan nilai

Certainty factor untuk setiap aturan penyakit anak berdasarkan gejalanya.

2. DASAR TEORI 2.1 Penelitian Sebelumnya

Penerapan metode certainty factor dalam bidang penelitian telah banyak dilakukan, diantaranya adalah penelitian untuk melakukan diagnosis penyakit unggas dengan menggunakan metode Certainty factor. Masing-masing penyakit disertakan dengan gejala dan bobotnya, tujuannya adalah untuk memudahkan dalam melakukan diagnosis terhadap gejala penyakit yang ditimbulkan oleh bakteri maupun virus dengan cepat dan tepat. Dari penelitian yang dilakukan tersebut diperoleh hasil bahwa diagnosis penyakit yang dilakukan dengan menggunakan metode Certainty factor sangat membantu para peternak unggas dalam mengantisipasi gejala yang ditimbulkan [4].

Selanjutnya adalah penelitian dengan menggunakan 2 (dua) metode yaitu metode Forward chaining dan metode Certainty factor kedalam sebuah aplikasi, tujuannya adalah untuk melakukan diagnosa penyakit kulit pada sapi Bali. Metode Forward chaining

digunakan untuk melakukan proses awal dari sekumpulan gejala yang ada, kemudian dilanjutkan dengan melakukan inferensi terhadap gejala yang ada sehingga menghasilkan diagnosa. Hasil diagnosa yang diperoleh selanjutnya dipertegas kembali dengan

(2)

Rifaldi Dan Nyura, Implementasi Metode Certainty Factor Untuk Penentuan Kepastian Aturan Penyakit Pada Anak

menggunakan metode Certainty factor untuk menunjukkan tingkat kebenarannya atau keakuratan terhadap diagnosa tersebut. Dari penelitian yang dilakukan tersebut diperoleh hasil bahwa sistem mampu melakukan diagnosa penyakit kulit sapi Bali berdasarkan gejala-gejala yang diinputkan pengguna disertakan dengan defenisi penyakit dan cara pengobatannya [5].

Penelitian untuk mendiagnosa gangguan gizi menggunakan metode Certainty factor. Tujuan dari penelitian tersebut adalah untuk mengetahui bagaimana merancang dan membangun sistem pakar pendeteksi penyakit yang disebabkan oleh gangguan gizi menggunakan metode certainty factor. Dalam penelitian tersebut dikembangkan sistem pakar untuk mendiagnosa penyakit akibat gangguan gizi dengan menggunakan metode Certainty factor beserta rekomendasi gizinya. Sistem tersebut mengelompokkan penggunanya berdasarkan kategori Indeks Massa Tubuh (IMT), yakni kategori kurus, normal dan gemuk. Pengelompokkan dilakukan karena tiap kategori IMT memiliki kemungkinan penyakit yang diderita berbeda. Sistem bekerja dengan melakukan diagnosa berdasarkan gejala-gejala penyakit yang didasarkan oleh pengguna, selanjutnya perhitungan dilakukan menggunakan metode certainty factor berdasarkan masing-masing gejala. Berdasarkan penelitian yang dilakukan, diperoleh bahwa hasil pengujian dengan membandingkan diagnosa yang dilakukan oleh sistem dan ahli gizi mendapatkan hasil sebanyak 90 %, sehingga dapat dinyatakan bahwa sistem yang dibuat dengan menggunakan metode certainty factor layak digunakan [6].

2.2 Sistem Pakar

Secara umum, sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke dalam komputer yang dirancang untuk memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar [2]. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah kaidah penarikan kesimpulan dengan basis pengetahuan tertentu yang diberikan oleh satu atau lebih seorang pakar dalam bidang tertentu. Kombinasi dari kedua hal tersebut tersimpan dalam komputer yang selanjutnya akan diproses melalui pengambilan keputusan untuk menyelesaikan masalah tertentu.

Keuntungan sistem pakar [7], adalah :

1. Dapat memecahkan masalah lebih cepat dari manusia dengan kedalaman data yang sama 2. Menghemat waktu dalam pengambilan keputusan 3. Integrasi sistem pakar dengan komputer lebih

efektif dan dapat mencakup aplikasi lebih luas 4. Dapat menyimpan pengetahuan dan keahlian pakar 5. Tidak memerlukan biaya, berbeda jika berkonsultasi dengan dokter atau pakar yang memerlukan biaya

6. Dapat melakukan proses lebih dari satu kali atau berulang

2.2.1. Konsep Dasar Sistem Pakar

Konsep dasar sistem pakar, dimana pengguna menyampaikan fakta atau informasi kepada sistem pakar, kemudian fakta dan informasi tersebut akan disimpan ke basis pengetahuan, dan diolah dengan mekanisme inferensi, sehingga sistem dapat memberikan respon kepada penggunanya berupa keahlian atau jawaban berdasarkan pengetahuan yang dimilikinya [8].

2.2.2. Tujuan Sistem Pakar

Tujuan dari sistem pakar untuk memindahkan kemampuan (transfering expertise) dari sebuah pakar atau sumber kepakaran yang lain ke dalam komputer dan kemudian memindahkannya dari komputer kepada pengguna yang tidak ahli (non expert) [8].

Proses ini meliputi empat aktivitas [8], yaitu : 1. Akusisi Pengetahuan (Knowledge Acquisition),

yaitu kegiatan mencari dan mengumpulkan pengetahuan dari para ahli atau sumber keahlian yang lain

2. Representasi Pengetahuan (Knowledge Representation), adalah kegiatan menyimpan dan mengatur penyimpanan pengetahuan yang diperoleh dalam komputer. Pengetahuan berupa fakta dan aturan disimpan dalam komputer sebagai sebuah komponen yang disebut Basis Pengetahuan.

3. Inferensi Pengetahuan (Knowledge Inferencing), adalah kegiatan melakukan inferensi berdasarkan pengetahuan yang telah disimpan didalam komputer

4. Pemindahan Pengetahuan (Knowledge Transfer), adalah kegiatan pemindahan pengetahuan dari komputer ke pemakai yang tidak ahli.

2.3. Metode Inferensi

Inferensi merupakan proses untuk menghasilkan informasi dari fakta yang diketahui atau diasumsikan [3]. Inferensi adalah konklusi logis (logical conclusion) atau implikasi berdasarkan informasi yang tersedia. Dalam sistem pakar, proses inferensi dilakukan dalam suatu modul yang disebut mesin inferensi.

2.4. Ketidakpastian (Uncertainty)

Dalam menghadapi suatu permasalahan sering ditemukan jawaban yang tidak memiliki kepastian penuh. Ketidakpastian ini dapat berupa probabilitas

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 [3]. Hal ini sangat mudah dilihat pada sistem diagnosis penyakit,

(3)

10

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 diagnosis [3].

Sistem pakar harus mampu berkerja dalam ketidakpastian [9]. Sejumlah teori telah ditemukan untuk menyelesaikan ketidakpastian. Diantaranya Probabilitas Klasik (Classical probability), Probabilitas Bayes, Teori Hartley berdasarkan Himpunan Klasik (Hartley Theory Based On Classical Sets), Teori Shannon berdasarkan pada probabilitas (Shannon Theory Based On Probability), Teori Dempster-Shafer (Dempster-Shafer Theory), Teori Fuzzy Zadeh (Zadeh’s

Fuzzy Theory) dan Faktor Kepastian (Certainty factor) [3].

2.5. Ketidakpastian Aturan

Ada tiga penyebab ketidakpastian aturan yaitu aturan tunggal, penyelesaian konflik dan ketidakcocokan (incompatibility) antar konskuensi dalam aturan. Aturan tunggal yang dapat menyebabkan ketidakpastian dipengaruhi oleh tiga hal, yaitu: kesalahan, probabilitas dan kombinasi gejala (evidence) [3].

Kesalahan dalam ketidakpastian aturan [3] dapat terjadi karena :

1. Ambiguitas, sesuatu didefinisikan dengan lebih dari satu cara

2. Ketidaklengkapan data 3. Kesalahan informasi

4. Ketidakpercayaan terhadap suatu alat 5. Adanya bias

Probabilitas disebabkan ketidakmampuan seorang pakar dalam merumuskan suatu aturan secara pasti. Misalnya jika seseorang mengalami sakit kepala, demam dan bersin-bersin, maka ada kemungkinan orang tersebut terserang penyakit flu, tetapi bukan berarti apabila seseorang tersebut mengalami gejala tersebut pasti terserang penyakit flu. Hanya karena aturan tunggalnya benar, belum dapat menjamin suatu jawaban bernilai benar. Hal ini masih dipengaruhi oleh kompatibilitas antar aturan.

2.6.Kaidah Produksi (Production Rule)

Ada banyak cara untuk mempresentasikan pengetahuan dalam sistem pakar, diantaranya adalah Logika (logic), Jaringan Semantic (semantic rules),

Object-Atribut-Value (AOP), Bingkai (frame), dan Kaidah Produksi (production rule) [3].

Pengetahuan dalam kaidah produksi menurut [3], dapat dipresentasikan dalam bentuk berikut ini:.

JIKA [antecedent] MAKA [konskuen]

JIKA [kondisi] MAKA [aksi]

JIKA [Premis ] MAKA [konklusi]

Contoh aturan I :

JIKA terjadi Luka MAKA berikan betadine

Aturan terkadang menggunakan operator AND atau OR [2].

Contoh :

JIKA dana mencukupi

DAN pengiriman bisa dilakukan dari 1 bulan MAKA beli laser printer

2.7.Certainty Factor

Certanity factor menyatakan kepercayaan dalam sebuah kejadian (fakta atau hipotesa) berdasarkan bukti atau penilaian pakar [2]. Certainty factor

menggunakan suatu nilai untuk mengasumsikan derajat keyakinan dan ketidakyakinan yang kemudian diformulakan dalam rumus dasar [2] sebagai berikut :

𝐶𝐹[𝐻, 𝐸] = 𝑀𝐵[𝐻, 𝐸] − 𝑀𝐷[𝐻, 𝐸]

(1)

Dengan wawancara seorang pakar langsung, nilai bobot Certainty factor (rule) didapat dari interpretasi ”term” dari pakar, yang di ubah menjadi

nilai Certainty factor tertentu berdasarkan tabel 1. Berikut ini adalah deskripsi beberapa kombinasi

Certainty Factor terhadap kondisi [2].

1. Certainty factor untuk kaidah dengan premis

tunggal (single premis rules):

𝐶𝐹(𝐻, 𝐸) = 𝐶𝐹(𝐸) ∗ 𝐶𝐹(𝑅𝑈𝐿𝐸)

𝐶𝐹(𝑈𝑆𝐸𝑅) ∗ 𝐶𝐹(𝑃𝐴𝐾𝐴𝑅)

(2) 2. Certainty factor untuk kaidah dengan premis

majemuk (multiple premis rule):

𝐶𝐹(𝐴 ∧ 𝐵) = 𝑀𝑖𝑛𝑖𝑚𝑢𝑚(𝐶𝐹(𝑎), 𝐶𝐹(𝑏)) ∗

𝐶𝐹(𝑟𝑢𝑙𝑒)

(3)

𝐶𝐹(𝐴 ∨ 𝐵) = 𝑀𝑎𝑥𝑖𝑚𝑢𝑚(𝐶𝐹(𝑎), 𝐶𝐹(𝑏)) ∗

𝐶𝐹(𝑟𝑢𝑙𝑒)

(4) 3. Certainty factor untuk kaidah dengan kesimpulan yang

serupa (similarly concluded rule) :

𝐶𝐹

( |1, 𝐶𝐹

2

) = 𝐶𝐹

1

+ 𝐶𝐹

2

∗ (1 − 𝑐𝑓

1

)

𝐶𝐹

_{𝑐𝑜𝑚𝑏𝑖𝑛𝑒} (5)

Tabel 1

Nilai CF (rule) dari intrepretasi “term”

Uncertainty term CF

Pasti tidak - 1

Hampir pasti tidak - 0.8

Kemungkinan besar tidak -0.6

Mungkin tidak -0.4

Tidak tahu -0.2, 0.2

Mungkin 0.4

(4)

Nilai CF (rule) dari interpretasi “term” (lanjutan)

Uncertainty term CF

Kemungkinan besar 0.6

Hampir pasti 0.8

Pasti 1

Sumber [10]

Untuk nilai user atau pengguna dapat memilih jawaban, yang masing-masing jawaban tersebut memiliki nilai bobot [2], yaitu: Tidak = 0 dan Ya = 1.

Nilai 0 menunjukkan bahwa user tidak mengalami gejala yang ditanyakan oleh sistem. Semakin

user yakin bahwa gejala tersebut memang dialami, maka semakin tinggi pula hasil keyakinan total yang diperoleh. Proses perhitungan presentasi keyakinan dimulai dengan pemecahan sebuah kaidah (rule) yang memiliki premis majemuk, menjadi kaidah- kaidah (rules) yang memiliki premis tunggal. kemudian masing-masing kaidah baru dihitung nilai Certainty factor dengan menggunakan persamaan 2, Sehingga setelah diperoleh nilai Certainty factor untuk masing-masing kaidah, kemudian nilai Certainty factor

dikombinasikan dengan menggunakan persamaan 5 [2]. 2.8. Metode Penelitian

Secara ringkas, metode dan tahapan penelitian yang dilakukan dapat digambarkan seperti pada gambar 1. Tahapan pada penelitian ini dilakukan atas 4 tahap yaitu input, analisa, implementasi metode certainty factor serta output. Pengumpulan data pada penelitian ini diperoleh dengan melakukan penyebaran kuesioner. Responden dalam penelitian ini adalah dokter yang ahli dibidang kesehatan anak dan dokter umum.

Mulai

Pengumpulan Data Jenis dan Gejala Penyakit Anak Tabel Penyakit Anak Tabel Gejala Penyakit Anak Pembobotan nilai CF setiap gejala penyakit Menentukan aturan (rule) setiap penyakit Menghitung aturan dasar CF setiap penyakit Pengujian manual setiap aturan penyakit Selesai Analisa Analisa

Implementasi Certainty Factor Implementasi Certainty Factor Input

Input

Output Output

Gambar 1 Diagram Alir Metode Penelitian

3. HASIL DAN PEMBAHASAN 3.1.Analisa Metode Certainty Factor

Tahapan analisa data penyakit anak beserta gejalanya, dengan menggunakan metode Certainty factor terdiri atas tabel penyakit anak, tabel gejala penyakit, tabel keputusan penyakit anak. Berdasarkan data yang telah diperoleh sebelumnya, maka tahap selanjutnya adalah mengelompokkan nama penyakit anak beserta dengan gejalanya dan selanjutnya dimasukkan kedalam Tabel 2, yang terdiri atas 10 jenis penyakit yang umum terjadi pada anak khususnya anak dibawah umur 5 tahun. Selanjutnya ke 10 jenis penyakit yang umumnya terjadi pada anak, kemudian dikodekan untuk tiap-tiap jenis penyakit.

Tabel 2 Penyakit Anak

Selanjutnya penyakit yang terdapat pada anak kemudian dikelompokkan kedalam masing-masing gejala penyakit pada anak, berdasarkan Tabel 3.

Tabel 3 Gejala Penyakit Anak

Kode Penyakit

Kode

Gejala Jenis Gejala

P01

G1 Pucat di dalam sisi bibir G2 Pucat di telapak tangan

G3 Pucat di mata

G4 Kulit pucat

P02

G5 Batuk kering sering di malam hari

G6 Nafas yang berbunyi ngik

G7 Sesak nafas

G8 Dada terasa sesak

Kode Penyakit Jenis Penyakit

P01 Anemia Defiensi Besi

P02 Asma P03 Bronkitis P04 Pilek P05 Campak P06 Cacar Air P07 Cacing Kremi P08 Demam P09 TBC P10 Pneumonia

(5)

12

Tabel 3

Gejala Penyakit Anak (lanjutan)

Kode

P03

G6 Nafas yang berbunyi ngik

G9 Sesak nafas ketika melakukan

rutinitas

G10 Batuk lebih dari seminggu

G11 Batuk berdarah P04 G12 Demam G13 Bersin-bersin G14 Hidung berlendir G15 Sakit tenggorokan G16 Tampak kelelahan G17 Batuk P05 G14 Hidung berlendir G17 Batuk G18 Sakt mata G19 Demam tinggi

G20 Mulut timbul bercak putih kecil

G21 Timbul ruam kemerahan

P06

G12 Demam

G22 Perasaan tidak sehat

G23 Kurang nafsu makan

G26 Cepat merasa lelah

G27 Timbul ruam gelembung berisi

cairan

P07

G28 Gatal pada area anus

G29 Benang putih halus dalam tinja

G30 Anak sering mengaruk bagian anus

P08 G35 Suhu tubuh diatas normal 370 _C

P09

G07 Sesak nafas

G12 Demam

G22 Perasaan tidak sehat

G23 Kurang nafsu makan

G59 Menggigil

G65 Susut berat badan

G67 Dahak berdarah

G68 Berkeringat pada malam hari G69 Batuk berdahak selama 3 minggu

atau lebih

Tabel 3

Gejala Penyakit Anak (lanjutan)

Kode

P10

G12 Demam

G17 Batuk

G70 Nafas cepat

G71 Merintih

G72 Pernafasan dengan cuping hidung

G73 Mulut bayi membiru

3.2.Implementasi Metode Certainty Factor

Tabel nilai Certainty factor (CF), merupakan tabel yang berisi nilai bobot setiap gejala yang diperoleh dari wawancara pakar secara langsung. Nilai CF diperoleh dari interpretasi “term” dari pakar kemudian

diubah menjadi nilai CF sesuai dengan hukum teorema CF, dengan nilai antara -1 sampai dengan 1, karena menggunakan 3 (tiga) pakar, maka nilai CF akan dijumlahkan kemudian dibagi.

Tabel 4 Nilai Certainty Factor

No Jenis

Penyakit Jenis Gejala CF

1 Anemia

Defiensi Besi

Pucat didalam sisi bibir 0.8

Pucat ditelapak tangan 0.66

Pucat dimata 0.8

Kulit pucat 0.6

Batuk kering sering di

malam hari 0.6

Nafas yang berbunyi ngik 0.66

Sesak nafas 0.4

Dada terasa sesak 0.6

3 Bronkitis

Sesak nafas ketika

melakukan rutinitas 0.46

Batuk lebih dari seminggu 0.8 Nafas yang berbunyi ngik 0.8

Batuk berdarah 0.8

Bersin-bersin 0.8

Sakit tenggorokan 0.46

Tampak kelelahan 0.26

(6)

Tabel 4

Nilai Certainty Factor (lanjutan)

No Jenis

Batuk 0.6 Demam 0.33 5 Campak Hidung berlendir 0.4 Sakit mata 0.66 Batuk 0.6 Demam tinggi 0.73

Mulut timbul bercak putih

kecil 0.8

Timbul ruam kemerahan 0.8

6 Cacar air

Perasaan tidak sehat 0.2

Kurang nafsu makan 0.26

Demam 0.33

Cepat merasa lelah 0.26

Timbul ruam gelembung

berisi cairan 0.8

7 Cacing

Kremi

Benang putih halus dalam

tinja 0.8

Gatal pada area anus 0.8

Anak sering menggaruk

bagian anus 0.73

8 Demam Suhu diatas normal 370_C _0.8

9 Tuberkolosis

Sesak Nafas 0.4

Demam 0.33

Menggigil 0.6

Berkeringat pada malam

hari 0.8

Kurang nafsu makan 0.26

Susut berat badan 0.53

Batuk berdahak 0.8

Dahak berdarah 0.8

Perasaan tidak sehat 0.2

10 Pneumonia

Demam 0.33

Batuk 0.6

Tabel 4

Nilai Certainty Factor (lanjutan)

No Jenis

Nafas cepat 0.53

Merintih 0.46

Pernafasan dengan cuping

hidung 0.8

Mulut bayi membiru 0.8

3.3.Metode Inferensi Certainty Factor (CF) Berdasarkan Tabel 3 dan Tabel 4, maka aturan dibentuk dengan mempresentasikan pengetahuan kedalam bentuk kaidah produksi (production rule)

untuk setiap penyakit. Kemudian mesin inferensi

menelusuri basis pengetahuan sesuai data yang telah diperoleh untuk menemukan kesimpulan atau konklusi akhir berdasarkan premis untuk setiap penyakit. Aturan (rule) untuk setiap jenis penyakit anak dengan penalaran metode Certainty factor dapat dijelaskan sebagai berikut :

1. Aturan Penyakit Anemia Defiensi Besi

Aturan penyakit Anemia Defiensi Besi dalam penalaran metode Certainty factor, menggunakan aturan dalam bentuk kaidah produksi. Aturan atau rule yang diterapkan dalam aturan ini adalah kaidah derajat pertama dan operator AND dapat dilihat pada Tabel 5.

Tabel 5

Aturan Penyakit Anemia Defiensi Besi

Rule Kode

Gejala Premis CF

R-P01

G1 If pucat didalam sisi

bibir 0.8

G2 And pucat ditelapak

tangan 0.66

G3 And pucat dimata 0.8

G4 And kulit pucat 0.6

Then Anemia Defiensi Besi

Kaidah produksi digunakan dalam penalaran CF terhadap aturan penyakit Anemia Defiensi Besi. Dengan memperhatikan aturan atau rule dalam kaidah derajat pertama dan operator AND sebagai penghubung antara premis dalam menentukan konklusi atau kesimpulan akhir menyatakan bahwa rule yang dibentuk dalam aturan ini untuk penyakit Anemia Defiensi Besi telah dibuat berdsarkan gejalanya. Selanjutnya nilai bobot dari setiap premis atau gejala yang dihitung menggunakan persamaan 5.

(7)

14

CFA = CF1(G1) + CF2(G2) * (1 - CF1(G01)) = 0.8 + 0.66 * (1-0.8) = 0.932 CFB = CF3(G3) + CFA * (1 – CF3(G03)) = 0.8 + 0.923 * (1 – 0.6) = 0.9864 CFc = CF4(G4) + CFB * (1 – CF4(G04)) = 0.6 + 0.9864 * (1 – 0.8) = 0.99456

Dengan demikian tingkat keyakinan rule

sebagai dasar penilaian CF pada penyakit Anemia Defiensi Besi adalah 0.99456, sehingga berdasarkan tabel 1 dapat disimpulkan bahwa perhitungan menggunakan metode CF pada penyakit Anemia Defiensi Besi mendekati nilai 1 atau pasti.

2. Aturan Penyakit Asma

Aturan penyakit Asma dalam penalaran metode

Certanty factor, dapat dilihat pada tabel 6.

Tabel 6 Aturan Penyakit Asma

Rule Kode

Gejala Premis CF

R-P02

G8 If dada terasa sesak 0.6

G7 And sesak nafas 0.4

G6 And nafas yang

berbunyi ngik 0.66

G5 And batuk keringsering

di malam hari 0.6

Then Asma

Aturan dalam penyakit Asma menggunakan aturan kaidah produksi derajat pertama dan operator

AND sebagai penghubung antar premis dalam menentukan konklusi atau kesimpulan akhir bahwa rule

yang dibentuk dalam aturan ini menyatakan penyakit Asma berdasarkan gejalanya, kemudian nilai bobot setiap premis dihitung dengan persamaan 5 sebagai berikut : CFA = CF1(G8) + CF2(G7)*(1-CF1(G8)) = 0.6 + 0.4 * (1 - 0.6)) =0.76 CFB =CF3(G6)+CFA*(1-CF3(G6)) =0.66 + 0.76 * (1 - 0.66) =0.96736 CFC = CF4(G5) + CFB * (1 – CF4(G5)) =0.6 + 0.9184 * 1 (1 – 0.6) =0.96736

Dengan demikian, tingkat keyakinan rule dasar nilai Certainty factor pada penyakit Asma memiliki nilai CF = 0.96736, sehingga berdasarkan Tabel 1, maka perhitungan Certainty factor dasar penyakit Asma mendekati nilai 1 atau pasti.

3. Aturan Penyakit Bronkitis

Aturan penyakit Bronkitis dalam penalaran metode Certainty factor, dapat dilihat pada tabel 7.

Tabel 7 Aturan Penyakit Bronkitis

Rule Kode Gejala Premis CF R-P03 G9 If sesak nafas ketika melakukan rutinitas 0.46

G11 And batuk berdarah 0.8

G10 And batuk lebih

dari seminggu 0.8

G6 And nafas yang

berbunyi ngik 0.8

Then Bronkitis

Aturan dalam penyakit Bronkitis menggunakan aturan dalam produksi derajat pertama dan operator

AND sebagai penghubung antar premis dalam menentukan konklusi atau kesimpulan akhir bahwa rule

yang dibentuk dalam aturan ini, menyatakan penyakit Bronkitis berdasarkan gejalanya, kemudian nilai bobot setiap premis dihitung dengan persamaan 5 sebagai berikut : CFA = CF1(G9) + CF2 (G11)*(1-CF1(G9)) = 0.46 + 0.8 * (1-0.46) = 0.892 CFB = CF3(G10) + CFA * (1 – CF3(G10)) = 0.8 + 0.892 * (1 – 0.8) = 0.9784 CFC = CF4(G6) + CFB * (1-CF4(G6)) = 0.8 + 0.9784 * (1-0.8) = 0.99568

Dengan demikian tingkat keyakinan rule dasar nilai Certainty factor pada penyakit Bronkitis memiliki nilai CF = 0.99568, sehingga berdasarkan Tabel 1, maka perhitungan Certainty factor dasar penyakit Bronkitis mendekati nilai 1 atau pasti.

Selanjutnya untuk menentukan tingkat keyakinan rule dasar nilai Certainty factor pada penyakit lainnya yang terdapat pada Tabel 2 dan 3, dengan menggunakan aturan kaidah produksi derajat

(8)

pertama dan operator AND sebagai penghubung antar premis untuk mendapatkan konklusi atau kesimpulan dari masing-masing penyakit anak, maka tahap selanjutnya adalah menghitung nilai premis setiap penyakit berdasarkan gejalanya pada Tabel 4, dengan menggunakan persamaan 5. Hasil perhitungan dapat dilihat pada Tabel 8.

Tabel 8

Hasil Perhitungan Penyakit Anak Dengan Metode Centainty Factor

Rule Nama Penyakit

Premis CF Total

R-P01 Anemia Defiensi Besi 0.99456

R-P02 Asma 0.96736 R-P03 Bronkitis 0.99568 R-P04 Pilek 0.98714 R-P05 Campak 0.99911 R-P06 Cacar Air 0.94129 R-P07 Cacing Kremi 0.9892 R-P08 Demam 0.8 R-P09 TBC 0.99964 R-P10 Pneumonia 0.99727

Berdasarkan hasil perhitungan yang dilakukan dengan menggunakan metode Certainty factor pada Tabel 8, maka dapat disimpulkan bahwa penyakit TBC

pada anak memiliki nilai CF sebesar 0.99964, sehingga berdasarkan interpretasi term pakar maka nilai aturan dasar penyakit TBC mendekati angka 1 atau pasti.

4. KESIMPULAN

Berdasarkan analisa data dan implementasi metode Certainty factor yang dilakukan, maka dapat disimpulkan sebagai berikut :

1. Metode Certainty factor dapat digunakan untuk menentukan tingkat kepastian nilai Certainty factor dasar pada setiap aturan penyakit anak berdasarkan gejalanya

2. Penalaran yang dilakukan menggunakan metode

Certainty factor dapat menjadi metode yang dapat

digunakan untuk mendiagnosis jenis penyakit anak berdasarkan gejala penyakit

3. Berdasarkan perhitungan yang dilakukan dengan menggunakan metode Certainty factor pada setiap penyakit anak diperoleh hasil bahwa penyakit TBC memiliki nilai sebesar 0.99964, sehingga berdasarkan interpretasi pakar term, maka nilai CF TBC mendekati angka 1 atau pasti.

5. REFERENSI

[1] Russel, S., and Norvig, P., 2010, Artificial Inteligence : A Modern Approach, 3rd_{Edition, Pearson Education}

New Jersey.

[2] Turban, E., and Aronson, J.E., 2005, Decision Support Systems and Inteligent System. 6th_{. Edition. Prentice}

Hall international Edition. New jersey

[3] Kusrini, 2008, Aplikasi Sistem Pakar Menentukan Faktor Kepastian Pengguna dengan Metode Kuantifikasi Pertanyaan, Andi, Yogyakarta.

[4] Rojawati S. dan Supriyati R., 2010, Sistem Pakar Diagnosis Penyakit Unggas Dengan Metode Certainty Factor, Commit, Vol 4, Hal 41 – 46

[5] Supartha, I. D. K., dan Sari I.N., 2014. Sistem Pakar Diagnosa Awal Penyakit Kulit Pada Sapi Bali Dengan Menggunakan Metode Forward Chaining dan Certainty Factor, JANAPATI, Volume 3, No 3.

[6] Wulandari F., dan Yuliandri I., 2014, Diagnosa Gangguan Gizi Menggunakan Metode Certainty Factor, Jurnal Sains, Teknologi dan Industri, Vol. 11, No. 2, Hal. 305 – 313. [7] Kusumadewi S., 2003, Artificial Inteligence (Teknik dan

Aplikasinya), Graha Ilmu, Yogyakarta

[8] Wijaya R., 2007, Penggunaan Sistem Pakar Dalam Pengembangan Portal Informasi Untuk Spesifikasi Jenis Penyakit Infeksi, Jurnal Informatika, Vol. 3, No. 1, Hal 63 – 88.

[9] Giarratano J. C., and Riley G., 1994, Expert System : Principal And Programming, 2nd _{Edition, PWS}

Publishing Co., USA.

[10] Sinurat, A., dan Hutahaean, H,D.,2015, Sistem Pakar Diagnosa Penyakit Pada Tanaman Coklat/Kakao Dengan Metode Certainty Factor, Informasi dan Teknologi Ilmiah (INTI), Volume 5, No 2, Hal 18-21.