Fakultas Ilmu Komputer
Universitas Brawijaya
2158
Implementasi Metode Weighted Product
–
Certainty Factor
untuk Diagnosa Penyakit Malaria
Yayuk Wiwin Nur Fitriya1, Nurul Hidayat2, Marji3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1yayukwiwinnurfitriya@gmail.com, 2ntayadih@ub.ac.id, 3marji@ub.ac.id
Abstrak
Malaria adalah penyakit yang disebabkan oleh parasit plasmodium. Malaria menyebar melalui gigitan nyamuk yang sudah terinfeksi oleh parasit tersebut. Gejala malaria diantaranya sakit kepala, demam tinggi, diare, nadi cepat, nafas cepat, dan muntah-muntah. Malaria bahkan bisa mematikan karena menyebabkan kerusakan malaria-malaria, jantung, ginjal bahkan otak. Sehingga diperlukan aplikasi berbasis web untuk mendiagnosa penyakit malaria. Diharapkan aplikasi ini dapat membantu pengguna untuk mendapatkan diagnosa awal sebagai rujukan dokter. Parameter input pada sistem berdasarkan gejala yang ditimbulkan penyakit malaria. Data yang sudah dimasukkan pengguna kemudian diolah menggunakan algoritma Weight Product dan Certainty Factor untuk menghasilkan diagnosa awal jenis malaria yang mungkin diderita pengguna. Berdasarkan kasus uji yang telah dilakukan, didapatkan hasil pengujian tingkat akurasi rata-rata sebesar 84%. Nilai akurasi didapatkan dari 5 skenario pengujian dengan varian data yang berbeda yang mengindikasikan bahwa sistem telah bekerja dengan baik.
Kata kunci: Malaria, Weighted Product, Certainty Factor
Abstract
Malaria is a disease caused by plasmodium parasites. Malaria is spread through mosquito bites that have been infected by the parasite. Malaria symptoms include headaches, high fever, diarrhea, rapid breathing,nausea and vomiting. Malaria can be deadly because it causes damage to heart, kidney and brain damage. So we need a system application to diagnose malaria. It is expected this application can help people or users to get an initial diagnosis as a doctor's referral. In this application the user selects the yes or no buttons for the parameters of malaria symptoms. The data that the user entered is then processed using an algorithm of weighted product and certainty factor to generate early diagnosis type of malaria. In this method there are 22 criteria used and 4 types of malaria. Based on test cases the results accuracy level obtained the test results of an average accuracy of 84%. Accuracy values are derived from 5 test scenarios with different data variants indicating the application was works properly.
Keywords: Malaria, Weighted Product, Certainty Factor
1. PENDAHULUAN
Malaria adalah penyakit infeksi parasit yang disebabkan oleh parasit plasmodium. Malaria menyebar melalui gigitan nyamuk yang sudah terinfeksi oleh parasit tersebut (http://www.alodokter.com/malaria/penyebab,
2015). Istilah malaria diambil dari dua kata bahasa italy yaitu mal (buruk) dan area (udara) atau udara buruk karena duhalu banyak terdapat rawa-rawa yang mengeluarkan bau busuk. Umumnya penderita ditemukan pada daerah-daerah terpencil dan mengancam status kesehatan masyarakat dengan golongan
ekonomi lemah. Oleh karena itu malaria dipandang sebagai penyakit “rakyat”. Di Indonesia, sekitar 35 persen penduduknya tinggal di daerah berisiko terinfeksi malaria dan dilaporkan sebanyak 38 ribu orang meninggal per tahun karena malaria berat akibat
sebuah diagnosa penyakit malaria untuk diwujudkan, karena gejala penyakit malaria selama ini hanya didiagnosa masyarakat awam berdasarkan ciri-ciri yang diketahui tanpa oleh fakta dan pertimbangan medis lainnya. Sehingga masyarakat atau penderita sulit membedakan penyakit malaria dengan penyakit demam atau
influenza biasa pada umumnya.
Pada penelitian sebelumnya yang dilakukan oleh (Rika Rosnelli, 2011) yang berjudul
“Pengembangan Sistem Informasi Diagnosis
Penyakit Tropis Menggunakan Algoritma Naive Bayesian” dengan akurasi pencarian nilai
probabilitas tertinggi.
Pada penelitian ini digunakan metode
Weighted Product - Certainty Factor. Metode
weighted product memerlukan proses normalisasi karena metode ini mengalikan hasil penilaian setiap atribut. Hasil perkalian tersebut belum bermakna jika belum dibandingkan (dibagi) dengan nilai standart. Metode weighted product menggunakan perkalian untuk menghubungkan rating atribut, dimana rating setiap atribut harus dipangkatkan dulu dengan bobot yang bersangkutan. Proses ini sama halnya dengan proses normalisasi. Sedangkan Faktor kepastian (certainty factor) menyatakan kepercayaan dalam sebuah kejadian (atau fakta atau hipotesis) berdasarkan bukti atau penilaian pakar (Turban, 2005). Certainty factor
menggunakan suatu nilai untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu data. Certainty factor memperkenalkan konsep keyakinan dan ketidakyakinan yang kemudian diformulasikan ke dalam rumusan dasar.
Pada penelitian terkait dengan metode
certainty factor ini pernah dilakukan oleh (Arienta Ramadhaniar, 2015) dengan judul
“Implementasi Metode certainty factor pada Sistem Pakar Diagnosa Penyimpangan Tumbuh Kembang Anak.”. Metodecertainty factor yang dilakukan pada penelitian tersebut digunakan pengolahan pengetahuan untuk mendapatkan kesimpulan berupa hasil diagnosa. Penelitian tersebut menghasilkan tingkat akurasi sebesar 93,3%. Berdasarkan latar belakang dan penelitian sebelumnya, penulis mengusulkan
judul “Implementasi Metode Weight Product - Crtainty Factor Untuk Diagnosa Penyakit
Malaria”. Penelitian ini akan memberi fasilitas
informasi tentang diagnosa penyakit malaria berdasarkan gejala-gjala yang ada dengan penelitian ini diharapkan mampuh mempermudah proses diagnosa penyakit malaria.
2. Landasan Kepustakaan
2.1 Metode
Weigthted ProductWeigthted Product adalah metode penyelesaian dengan menggunakan perkalian untuk menghubungkan rating atribut, dimana rating harus dipangkatkan terlebih dahulu dengan bobot atribut yang bersangkutan. Proses ini sama halnya dengan proses normalisasi.
Formula untuk menghitung perbaikan bobot:
Wj =∑ Wj𝑊𝑗 [2.1]
Keterangan
W : Nilai bobot
wj : nilai bobot ke j
Setelah dilakukan perbaikan bobot, kemudian menentukan nilai vektor S dengan cara menjumlahkan nilai dari perkalian nilai kriteria dengan nilai perbaikan bobot. Formula perbaikan bobot yaitu sebagai berikut:
𝑆𝑖 = ∏𝑛𝑗=1𝑋𝑖𝑗𝑤𝑗 [2.2]
Keterangan:
S : menyatakan preferensi alternatif yang dianalogikan sebagai vektor S
x : menyatakan nilai kriteria w : menyatakan bobot kriteria i : menyatakan alternatif j : menyatakan kriteria
n : menyatakan banyaknya kriteria
Menentukan nilai perferensi didapatkan dari nilai dari vektor dibagi dengan jumlah dari jumlah vector
𝑉𝑖 =𝑆1+ 𝑆2𝑆1 [2.3]
Keterangan :
V : menyatakan preferensi alternatif yang dianalogikan sebagai vektor V
x : menyatakan nilai kriteria w : menyatakan bobot kriteria i : menyatakan alternatif j : menyatakan kriteria
n : menyatakan banyaknya kriteria
Rumus diatas digunakan untuk mencari nilai akhir dari perhitungan bobot.
2.2 Metode Certainty Factor
mengasumsikan derajat keyakinan seorang pakar terhadap suatu data. Secara garis besar dalam mendapatkan tingkat keyakinan CF dari sebuah aturan yaitu metode ‘Net Belief’ yang diusulkan oleh E.H Shortlife dan B.G. Buchanan ditunjukkan pada persamaan 2.4.
CF [H, E] = MB[H, E] − MD[H, E] [2.4]
Keterangan:
CF[H,E] : certainty factor hipotesa yang dipengaruhi oleh gejala (evidence) E. Besarnya CF berkisar antara 0 sampai 1. Nilai 0 menunjukkan ketidakpercayaan mutlak, sedangkan nilai 1 menunjukkan kepercayaan mutlak
MB[H,E] :measure of belief terhadap hipotesa H, jika diberikan evidence E (antara 0 dan 1)
MD[H,E] :Measure of Disbelief (Nilai Ketidakpercayaan) terhadapa hipotesa H yang jika diberikan evidence E
Formula dasar digunakan apabila belum ada nilai CF untuk setiap gejala yang menyebabkan penyakit. Kombinasi certainty factor yang digunakan untuk mengdiagnosa penyakit adalah (Turban: 2005):
a) Certainty Factor untuk kaidah dengan premis/gejala tunggal (single premis rules):
CFgejala=CF[pengguna]*CF[pakar] [2.5]
b) Apabila terdapat kaidah dengan kesimpulan yang serupa (similiary concluded rules) atau lebih dari satu gejala, maka CF selanjutnya dihitung dengan persamaan:
CF Combine digunakan jika gejala lebih dari satu gejala
CFcombine= CFold+ CFgejala *(1- CFold) [2.6]
Keterangan:
CFold = Merupakan nilai hasil dari penjumlahan dari CF gejala 1 dan CF gejala 2
CFgejala = Merupakan nilai bobot yang diberikan oleh pakar
c) Sedangkan untuk menghitung persentase
terhadap penyakit, digunakan persamaan:
CFpersentase= CFcombane*100 [2.7]
Untuk mengetahui presentase terhadap penyakit maka hasil dari CF combine dikalikan 100. Untuk menentukan keterangan faktor keyakinan dari pakar, dilihat dari CFcombine
dengan berpedoman dari tabel interpretasi (term) certainty factor. Adapun tabel tersebut dapat dilihat pada Tabel 1. :
Tabel 1. Tabel Interpretasi Certainy Factor
No. Certainty Term CFakhir
1. Pasti Tidak -1,0 2. Hampir Pasti Tidak -0,8 3. Kemungkinan Besar Tidak -0,6 4. Mungkin Tidak -0,4 5. Tidak Tahu/Tidak Yakin -0,2 - 0,2 6. Mungkin 0,4 7. Kemungkinan Besar 0,6 8. Hampir Pasti 0,8 9. Pasti 1,0
Proses penghitungan prosentase keyakinan diawali dengan pemecahan sebuah kaidah (rule) yang memiliki gejala majemuk, menjadi kaidah-kaidah (rules) yang memiliki gejala tunggal. Kemudian masing-masing rule baru dihitung CF nya dengan memggunakan persamaan 2.3:
CFgejala=CF[pengguna]*CF[pakar]
Namun apabila terdapat lebih dari satu gejala, maka CF penyakit dihitung dengan menggunakan persamaan 2.5:
CFcombine= CFold+ CFgejala *(1- CFold)
2.3 Pengujian Akurasi
Pengujian Akurasi merupakan seberapa dekat suatu angka hasil pengukuran terhadap angka sebenarnya (true value atau reference value). Dalam penelitian ini pengujian akurasi dilakukan untuk mengetahui performa dari sistem dalam memberikan kesimpulan deteksi. Secara umum perhitungan akurasi seperti pada Persamaan 2.8 (Bramer, 2007).
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 =(𝑃+𝑁)𝑇𝑃 +(𝑃+𝑁)𝑇𝑁 [2.8]
Keterangan :
TP : Jumlah true positif. TN : Jumlah true negatif. P : Jumlah record positif. N : Jumlah record negatif.
3. PERANCANGAN
3.1. Perancangan Sistem
perangkat terdiri atas diagnosa aktor, analisa kebutuhan masukan, analisa kebutuhan proses, dan analisa kebutuhan keluaran. Perancangan pada sistem pakar sendiri terdiri dari perancangan akuisisi, pengetahuan, basis pengetahuan, representasi pengetahuan, basis pengetahuan, mesin inferensi, blackboard, fasilitas penjelas, dan interface user. Model Tree
dari perancangan sistem pakar dapat dilihat lebih jelasnya pada Gambar 1.
Gambar 1. Pohon Perancangan
3.2 Kebutuhan Fungsionalitas
Tabel kebutuhan fungsional memiliki penjelasan kebutuhan yang harus disediakan oleh sistem, aktor yang berperan pada kebutuhan tersebut, serta nama proses yang menunjukkan fungsionalitasnya. Daftar kebutuhan fungsional terdapat pada table 2.
Tabel 2. Daftar Kebutuhan Fungsional
ID Requirements Aktor Ketera
ngan
FO_ 01
Sistem mampu menampilkan informasi mengenai jenis-jenis penyakit malaria
Sistem menyediakan antarmuka registrasi untuk pengguna baru
Penggun melakukan Login (pengguna dan pakar) menerima data gejala yang diinputkan oleh pengguna untuk proses diagnosa menampilkan hasil diagnosa penyakit malaria
antarmuka untuk memasukkan data gejala
Pakar/A melakukan perubahan data gejala mengedit data gejala
Pakar/A menghapus data gejala
Pakar/A menghapus data malaria
Pakar/A menambahkan data malaria melakukan perubahan data malaria
Sistem menyediakan antarmuka logout
3.3 Akuisisi Pengetahuan
Akuisisi pengetahuan merupakan akumulasi, transfer, dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan kedalam komputer dan meletakkannya dalam basis pengetahuan dengan format tertentu. Bahan pengetahuan dapat diperoleh dengan beberapa cara, seperti dari buku internet, maupun pengetahuan yang berasal dari pakar. Pada penelitian ini proses akuisisi pengetahuan diperoleh dari buku , jurnal dan wawancara dengan pakar. Hasilnya diperoleh jenis penyakit malaria serta gejala-gejala yang pada penyakit malaria yang disebutkan pada Tabel 3 dan Tabel 4
Tabel 3. Jenis Penyakit Malaria
Kode Nama Penyakit
PM001 Malaria Pernisiosia (Plasmodium Ovale) PM001 Malaria Tertiana (Plasmodium Vivax) PM001 Malaria Tropica (Plasmodium
Falciamalariam)
PM001 Malaria Quartana (Plasmodium Malariae)
Tabel 4. Gejala Penyakit Malaria
Kode Gejala
GM001 Demam tinggi (40 derajat) atau lebih
GM003 Kepala sampai seluruh badan basah
GM004 Kulit dingin
GM005 Kulit kering
GM006 Kulit menjadi merah
GM007 Kulit panas dan kering (40 derajat)
GM008 Lelah
GM009 Lemah
GM010 Menggigil
GM011 Menggigil 15 menit – 1jam
GM012 Muntah-muntah
GM013 Nadi cepat
GM014 Nafas cepat
GM015 Nyeri kepala
GM016 Nyeri otot
GM017 Pucat
GM018 Sakit kepala
GM019 Suhu meningkat (1jam pertama)
GM020 Suhu turun
GM021 Syok (periode ini selama 2jam setelah
periode dingin)
GM022 Wajah memerah
3.4 Basis Pengetahuan
Basis pengetahuan berisi tentang pengetahuan yang relevan yang diperlukan untuk memahami, merumuskan dan memecahkan persoalan Basis pengetahuan merupakan inti program dari sistem dimana basis pengetahuan merupakan representasi pengetahuan dari seorang pakar.
Tabel 5. Tabel Aturan
No Aturan (Rule)
R1
IF demam tinggi (40 derajat) atau lebih AND kepala sampai seluruh badan basah AND lemah
AND menggigil AND muntah – muntah AND nadi cepat AND nyeri kepala AND nyeri otot AND sakit kepala
AND suhu meningkat (1jam pertama) AND wajah memerah
THEN Pernisiosia
R2
IF diare
AND kulit menjadi merah AND lemah
AND nyeri otot AND pucat AND sakit kepala AND wajah memerah THEN Tertiana
R3
IF kulit dingin AND kulit kering
AND kulit panas dan kering (40 derajat) AND lemah
AND menggigil
AND menggigil 15 menit – 1 jam AND muntah – muntah AND nadi cepat AND nafas cepat AND nyeri kepala AND nyeri otot
AND syok (periode ini selama 2jam setelah periode dingin)
THEN Tropica
R4
IF kulit dingin AND lelah AND lemah AND menggigil AND nadi cepat AND nyeri kepala
AND suhu meningkat (1jam pertama) AND suhu turun
THEN Quartana
4. IMPLEMENTASI
Bab ini membahas mengenai implementasi perangkat lunak berdasarkan hasil yang telah diperoleh dari analisis kebutuhan dan proses perancangan perangkat lunak yang telah dibuat.
Implementasi yang dibahas menggunakan bahasa pemrograman PHP dan menggunakan database PHPMyAdmin. Bahasa pemrograman PHP digunakan untuk membangun aplikasi. Database PHPMyAdmin digunakan untuk menyimpan data.
5. PENGUJIAN DAN ANALISIS
Pada bab ini membahas mengenai proses pengujian sistem pakar diagnosa Penyakit Tanaman Jeruk yang telah dibangun. Proses pengujian yang dilakukan ialah pengujian akurasi. Pengujian akurasi digunakan untuk menguji tingkat akurasi antara perhitungan tes secara manual dengan perhitungan tes yang telah diimplementasikan menjadi sistem pakar.
5.1. Pengujian Akurasi
Pengujian akurasi dilakukan untuk mengetahui performa dari pemodelan sistem pakar untuk memberikan hasil diagnosa sistem dengan hasil dari pakar.
Tabel 6. Skenario Pengujian.
No. Tahap Pengujian
Jumlah data uji
Jumlah Data latih
Hasil Akurasi
1 Pengujian
2 Pengujian
2 30 5 80 % 3 Pengujian
3 25 5 80 % 4 Pengujian
4 20 5 80 % 5 Pengujian
5 15 5 80 %
5.2 Hasil Pengujian Akurasi
Proses analisa dari pengujian akurasi sistem diagnosa penyakit malaria menggunakan metode weight product – Certainty factor dilakukan berdasarkan percocokan hasil diagnosa dari pakar dengan hasil diagnosa sistem pada berdasarkan 40 data yang dengan 5 kali pengujian dengan variasi data latih dan data yang berbeda adala 66,4 %. Nilai persentase tersebut diperoleh dari rata – rata hasil dari 5 kali pengujian yang telah dilakukan.
6. KESIMPULAN
1. Sistem diagnosa penyakit malaria dibangun sebagai salah satu upaya bagi pengguna khususnya masyarakat untuk melakukan diagnosa terhadap penyakit malaria. Sistem ini dibangun dengan menggunakan metode Weighted Product - Certainty Factor. dengan cara menghitung nilai bobot setiap penyakit berdasarkan jurnal dan interpretasi pakar. Kemudian sistem akan memilih penyakit dengan nilai bobot terbesar, Sehingga menghasilkan persentase hasil akhir keluaran sistem
2. Berdasarkan hasil pengujian validasi fungsionalitas sistem yang menunjukkan bahwa fungsionalitas sistem sebesar 100%. Pada tahap pengujian akurasi dilakukan melalui 5 tahapan skenario. Pada skenario 1 dengan data uji sebanyak 35 data dan data latih 5 mendapat nilai akurasi sebesar 100%. Pada skenario 2 dengan data uji sebanyak 30 data dan data latih 5 mendapat nilai akurasi sebesar 80%. Pada skenario 3 dengan data uji sebanyak 25 data dan data latih 5 mendapat nilai akurasi sebesar 80%. Pada skenario 4 dengan data uji sebanyak 20 data dan data latih 5 mendapat nilai akurasi sebesar 80%. Pada skenario 5 dengan data uji sebanyak 15 data dan data latih 5 mendapat nilai akurasi sebesar 80%. Berdasarkan pengujian dengan 5 variasi data latih dan data uji penyakit malaria yang berbeda didapatkan nilai rata-rata akurasi
sebesar 84 %. Ketidakakurasian sistem pakar ini sebesar 16% dapat disebabkan oleh beberapa kemungkinan, yaitu subyektifitas pakar dalam pemberian nilai kepercayaan gejala penyakit dikarenakan keyakinan tiap pakar berbeda dan masukan data gejala fakta yang komplikasi dengan penyakit yang belum terdapat pada sistem.
DAFTAR PUSTAKA
Arienta Ramadhaniar, 2015. Implementasi Metode Certainty Factor pada Sistem Pakar Diagnosa Penyimpangan Tumbuh Kembang Anak. Universitas Brawijaya.
Arya, I Putu Gede. 2012. “ implementasi Metode Naive Bayes Dalam Penentuan Penyakit
Malaria berbasis Android”. Sekolah
TInggi Manajemen Informatika dan Teknik Komputer Bali.
Bramer, M. 2007. “Principles of Data Mining: Undergraduate Topics in Computer.”
Science. Springer-Verlag: London
Fitrah Rumaisah, 2010. Sistem Pakar Diagnosa Awal Kanker Serviks Dengan Metode Certainty Factor. Universitas Widyatama.
http://www.alodokter.com/malaria/penyebab, 2015
Kementerian Kesehatan, 2012. “InfoDATIN:
Pusat Data dan Informasi Kementerian Kesehatan RI". Jakarta
Nur Anjas Sari, 2013. Sistem Pakar Mendiagnosa Penyakit Demam Berdarah Menggunakan Metode Certainty Factor.STMIK Budidarma Medan.
Nur Arifah Syafitri, 2016. Penerapan metode Weighted Product dalam sistem pendukung keputusan pemilihan laptop berbasis web.
Rika Rosnelli, 2011. Pengembangan Sistem Informasi Diagnosis Penyakit Tropis Menggunakan Algoritma Naive Bayesian. Universitas Gajah Mada.
