1
SISTEM PAKAR MENDIAGNOSA PENYAKIT PADA TULANG
DENGAN MENGGUNAKAN METODE
CERTAINTY FACTOR
Frans Ikorasaki
Sistem Informasi, Tehnik dan Ilmu Komputer, Universitas Potensi Utama Jl. Yosudarso Tanjung Mulia Medan
ikorasaki221@gmail.com
Abstrak
Dalam konsep pelacakan dalam mencari solusi dengan pendekatan artificial intelligent, ada berbagai metode yang dapat diterapkan untuk mengatasi masalah ketidak pastian saat proses pelacakan terjadi. Salah satunya adalah certainty factor. Adanya ketidakpastian pada proses pelacakan dapat terjadi karena adanya perubahan pengetahuan yang ada di dalam sistem. Untuk di perlukan adanya suatu metode untuk mengatasi ketidakpastian dengan certainty factor pada kasus pelacakan untuk mendiagnosa penyakit tulang. Subjek pada penelitian ini adalah proses pelacakan untuk menentukan penyakit tulang Dengan model penalaran dan metode kepastianya menggunakan certainty factor dengan cara menghitung nilai probabilitas suatu gejala penyakit tulang dan membandingkan probabilitas setiap gejalanya. Dari penelitian ini yang dilakukan menghasilkan sebuah keputusan yaitu yang mampu menentukan penyakit tulang dengan menerapkan metode certainty factor untuk mengatasi ketidakpastian. Hasil uji coba sistem menunjukkan bahwa penerapan ini layak dan dapat digunakan.
Kata kunci : Metode Certainty Factor, Penyakit Tulang, Sistem Pakar
1. PENDAHULUAN
Masalah kesehatan tubuh sangatlah bermasalah apabila terjadi gangguan yang menyebabkan terjadinya rasa sakit, dimana rasa sakit yang dialami tidak dapat di ketahui penyebabnya. Rasa sakit yang di alami manusia terkadang membuat tubuhnya terasa lemas dan tidak dapat melakukan kegiatan yang seharusnya dilakukan sehari-hari. Untuk menangani rasa sakit tersebut, manusia harus mengetahui gejala-gejala yang menyebabkan terjadinya penyakit. Tindakan untuk mencegah terjadinya penyakit atau tindakan penyembuhan diperlukan pakar dalam bidangnya, seperti yang sudah diketahui banyak sekali seorang pakar yang sibuk dalam melakukan kegiatannya. Jadi, sulit bagi penderita untuk bertemu dengan dokter pakar yang dapat memberikan tindakan-tindakan pencengahan ataupun tindakan penyembuhan penyakit.
2. TINJAUAN PUSTAKA
2.1 Kecerdasan Buatan Secara Umum
Kecerdasan buatan atau Artifical Intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan perkerjaanya seperti dan sebaiknya yang dilakukan oleh manusia.Teknologi kecerdasan buatan
dipelajari dalam bidang-bidang seperti robotika, penglihatan komputer (computer visio), jaringan saraf tiruan (artificialneural sistem), pengolahan bahasa alami (natural language processing), pengenalan suara (speech recognition), dan sistem pakar (expert sistem).
2.1.1 Sistem Pakar
Sistem pakar (Expert System) mulai dikembangkan pada pertengahan tahun 1960-an oleh Artificial Intellegence corporation. Sistem pakar yang muncul pertama kali
adalahGeneral-2 Purpose Problem Solve (GPS) yang merupakan
sebuah Predecessor untuk menyusun langkah- langkah yang dibutuhkan untuk mengubah situasi awal menjadi state tujuan yang telah ditentukan sebelumnya dengan menggunakan domain masalah yang kompleks
2.1.2 Arsitektur Sistem Pakar
Sistem pakar terdiri dari dua bagian utama, yaitu linkungan pengembangan (development environment) dan linkungan konsultasi (consultation environment). Development Environment dipakai oleh pembangun sistem pakar untuk membangun komponen-komponen dan mengenalkan suatu pengetahuan kepada knowledge base. Consultation Environment dipakai oleh user untuk mendapatkan suatu pengetahuan yang berhubungan dengan suatu keahlian (Setiawan, 2003). Komponen-komponen yang biasanya terdapat dalam sebuah sistem pakar terdiri dari:
1. Antarmuka pengguna (user interface) Pada komponen ini terjadi dialog antara program dan user, dimana sistem menerima input berupa informasi dan instruksi dari user, dan sistem memberikan output berupa informasi kepada user. 2. Basis pengetahuan (knowledge base)
Basis pengetahuan dapat dikatakan sebagai kumpulan informasi dan pengalaman seorang ahli pada suatu bidang tertentu.
3. Akuisisi pengetahuan (knowledge acqusition)
Akuisisi pengetahuan merupakan tranformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan kedalam program komputer.
4. Mesin inferensi
Mesin inferensi merupakan otak dari sistem pakar yang mengandung mekanisme fungsi berpikir dan pola-pola penalaran sistem yang digunakan oleh seorang pakar. Mesin inferensi bertindak sebagai penarik kesimpulan dan mengkontrol mekanisme dari sistem pakar.
5. Memori kerja (working memory)
Memori kerja merupakan tempat penyimpanan fakta-fakta yang diketahui dari hasil menjawab pertanyaan.
6. Subsistem penjelasan (explanation subsystem)
Komponen ini merupakan komponen tambahan yang akan meningkatkan kemampuan sistem pakar. Komponen ini menggambarkan penalaran sistem kepada pemakai dengan cara menjawab pertanyaan-pertanyaan.
7. Perbaikan pengetahuan
Pakar memiliki kemampuan untuk menganalisa dan meningkatkan kinerjanya serta kemampuan untuk belajar dari kinerjanya
2.1.3 Mesin Inferensi
Forward Chaining(Runut Maju)
Forward chaining adalah suatu strategi pengambilan keputusan yang dimulai dari bagian premis (fakta) menuju konklusi (kesimpulan akhir). Metode inferensi ini yang akan digunakan dalam sistem pakar yang akan dibangun dengan contoh penalaran sebagai berikut:
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 bernafas, pilek, tarikan nafas berbunyi kasar dan penghe
mbusan nafas berbunyi mengi. Baru sistem dapat mengeluarkan konklusi bahwa penyakit yang diderita adalah laringitis. Safia Dhany: Perancangan
Sistem Pakar Untuk Diagnosa Penyakit anak, 2.Backward Chaining(Runut Balik)
Backward chaining adalah suatu strategi pengambilan keputusan dimulai dari pencarian solusi dari kesimpulan kemudian menulusuri fakta-fakta yang ada hingga menemukan solusi yang sesuai dengan fakta-fakta yang diberikan
3 pengguna. Contoh penalaran backward
chaining adalah: Lampu 1 rusak,
IF Lampu 1 dinyalakan AND Lampu 1 tidak menyala
AND Lampu 1 dihubungkan dengan sekering AND sekering masih utuh
Secara sederhana dapat dijelaskan bahwa untuk kaidah diatas, sistem terlebih dahulu menduga bahwa lampu 1 rusak. Kebenaran praduga ini dibuktikan dengan kebenaran fakta lampu 1 tidak menyala, lampu 1 dihubungkan dengan sekering dan sekering masih utuh. Kemudian sistem mengeluarkan kesimpulan bahwa lampu 1 rusak. Namun apabila ada fakta tidak terpenuhi berarti praduga sistem salah, selanjutnya sistem akan mengecek konklusi berikutnya.
2.2 Certainty Factor
Faktor kepastian (Certainty Factor) ini diusulkan oleh Shortliffe dan Buchanan pada tahun 1975 untuk mengakomadasi ketidakpastian pemikiran (inexact reasoning) seorang pakar. Teori ini berkembang bersamaan dengan pembuatan sistem pakar MYCIN. Tim pengembang MYCIN mencatat bahwa dokter sering kali menganalisa informasi yang ada dengan ungkapan seperti misalnya: mungkin, kemungkinan besar, hampir pasti, dan sebagainya. Untuk mengakomodasi hal ini tim MYCIN.
menggunakan certainty factor (CF) guna menggambarkan tingkat keyakinan pakar terhadap masalah yang sedang dihadapi[9]. Rumus umum menentukan certainty factor : CF[H,E] = MB[H,E] – MD[H,E]
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 terha- dap evidence h, jika diberikan evidence e (antara 0 da1)
Menggunakan dari hasil wawancara dengan pakar. Nilai CF(Rule) serta bobot dari masing-masing fakta didapat dari interpretasi istilah dari pakar menjadi nilai CF serta bobot tertentu, seperti contoh pada tabel berikut: Tabel1. Interpretasi Nilai Bobot
2.4 Ketidakpastian
Dengan metode pemecahan (metode forward chaining) dianggap belum bisa memecahkan ketidakpastian diagnosa penyakit. Dalam Menghadapi suatu masalah, sering ditemukan jawaban yang tidak memiliki kepastian penuh Ketidakpastian ini bisa berupa probabilitas atau kebeolehjadian yang bergantung pada 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. HASIL DAN PEMBAHASAN
Pada hasil dan pembahasan ini penerapan perumusan tingkat kepastian di atas, misalkan pada penyakit Osteoarthritis ditunjukkan oleh gejala nyeri pada sendi, bengkak pada sendi, nyeri pada sendi dipagi hari, turun berat badan. Seandainya diketahui dari pakar penyakit tulang bahwa probabilitas berpenyakit Osteoarthritis adalah 0.03
(nyeri pada sendi /tulang) 0.03 (nyeri sendi pada pagi hari) 0.4 (bengkak pada sendi ) 0.5 (rasa hangat pada sendi) 0.4 (merah pada sendi yang sakit) 0.1
4 (Berat badan menurun ) 0.1
dengan menganggap : H : nyeri pada sendi /tulang E1 : nyeri sendi pada pagi hari E2 : bengkak pada sendi E3 : rasa hangat pada sendi E4 : merah pada sendi yang sakit E5 : Berat badan menurun
MB (H,E1) = (0.4 – 0.03) / (1-0.03) = 0.37 / 0.97
= 0.381
MD (H, E1) = (0.03 – 0.03) / (0 – 0.03) = 0 CF (H, E1) = MB (H, E1) – MD (H, E1)
= 0.381 – 0 = 0.381 CF1 = 0.381
Dengan cara yang sama sistem menghitung tingkat kepastian penyakit Osteoarthritis berdasarkan gejala bengkak pada sendi MB (H, E2) = (0.5 – 0.03) / (1-0.03) = 0.47 / 0.97 = 0.484 MD (H,E2) = 0.03 – 0.03) / (0-0.03) = 0 CF (H, E2) MB (H,E2) = 0.484 – 0 = 0.484 CF2 = 0.484
Tingkat kepastian penyakit Osteoarthritis berdasarkan gejala Rasa hangat pada sendi MB (H, E3) = (0.4-0.03) / (1-0.03)
= 0.37 / 0.97 = 0.381
MD (H,E3) = (0.03 – 0.03) / (0-0.03) = 0 CF (H, E3) = MB (H,E3) – MD (H,E3)
= 0.381 – 0 = 0.381 CF3 = 0.381
Tingkat kepastian penyakit Osteoarthritis berdasarkan gejala merah pada sendi yang sakit
MB (H, E4) = (0.1-0.03) / (1-0.03) = 0.07 / 0.97
= 0.072
MD (H,E4) = (0.03 – 0.03) / (0-0.03) = 0 CF (H, E4) = MB (H,E4) – MD (H,E4)
= 0.072 – 0 = 0.072 CF4 = 0.072
Tingkat kepastian penyakit Osteoarthritis berdasarkan gejala berat badan menurun MB (H, E5) = (0.1-0.03) / (1-0.03)
= 0.07 / 0.97 = 0.072
MD (H,E5) = (0.03 – 0.03) / (0-0.03) = 0 CF (H, E5) = MB (H,E5) – MD (H,E5)
= 0.072-0 = 0.072 CF5 = 0.072
Dari kelima perhitungan di atas, ketika sistem menyimpulkan bahwa penyakit yang diderita pasien adalah Osteoarthritis maka tingkat kepastiannya adalah hasil perhitungan berikut ini:
CFkombinasi (CF1, CF2,CF3,CF4,CF5) = CF (H,E1) + CF (H,E2) + CF (H,E3) + CF (H,E4) (1-CF(H,E1)
CFk = CF(H,E1) + CF(H,E2) (1-CF(H,E1) = 0.381 + 0.484 (1-0.381) = 0.619*0.484+0.381 = 0.3 + 0.381 CFk1 = 0.681 CFk2 = CFk1+ CF(H,E3) (1-CFk1) = 0.681 + 0.381 (1-0.681) = 0.319 * 0.381 + 0.681 = 0.121539 + 0.681 CFk2 = 0.803 CFk3 = CFk2+ CF(H,E4) (1-CFk2) = 0.803 + 0.1 (1 - 0.803) = 0.197 * 0.1 + 0.803 = 0.0197 + 0.803 CFk3 = 0.823
5 CFk4 = CFk3 CF(H,E4) (1-CFk3) = 0.823 + 0.1 (1- 0.823) = 0.177 * 0.1 + 0.823 = 0.0177 + 0.823 CFk4 = 0.8407
Hasil dari perhitungan menunjukkan bahwa nilai kepastian pasien menderita penyakit Osteoarthritis dengan tingkat kepastian 0.8407
4. KESIMPULAN DAN SARAN
Implementasi ini mampu menyimpan representasi pengetahuan pakar berdasarkan nilai kepercayaan (Certainty Factor). Dengan menggunakan implementasi certainty factor ini dapat dijadikan solusi alternatif bagi masyarakat untuk melakukan diagnosa dini terhadap gejala-gejala penyakit tulang pada manusia.
Namun disarankan Pada penelitian ini digunakan kriteria yang hanya berupa gejala
fisik dari pasien, pengembangan lebih lanjut sebaiknya menggunakan kriteria lainnya seperti hasil pemeriksaan laboratorium sehingga hasil diagnosa menjadi lebih tepat dan akurat.
DAFTAR PUSTAKA
[1] Vincent Suhartono, Kecerdasan Buatan, Jakarta, 2011.
[2] Kusrini. 2006. Sistem Pakar Teori dan Aplikasi. Yogyakarta: Penerbit Andi. [3] Ubaidurrahman, 2006. “Sistem Pakar
Untuk Diagnosa Troubleshooting hardware Komputer Menggunakan Metode Certainty Factor,Yogyakarta. [4] Hartati, 2005. “Media Konsultasi Penyakit
Kelamin Pria dengan Penanganan Ketidakpastian Menggunakan Certainty Factor Bayesian,: Andi:Yogyakarta.
