OPTIMALISASI SOLUSI INTERAKTIF PENYEMBUHAN ISLAMI
BERDASARKAN DIAGNOSA TIGA INDERA DENGAN STRATEGI
FORWARD CHAINING MENGGUNAKAN ALGORITMA FUZZY
OPTIMIZATION OF INTERACTIVE SOLUTIONS BASED DIAGNOSIS
ISLAMIC HEALING THREE SENSES WITH FORWARD CHAINING
STRATEGY USING FUZZY ALGORITHM
Ita Fitriati
1), Rhiza S. Sadjad
2), Andani Achmad
2)1
Jurusan Teknik Informatika, Fakultas Ilmu Komputer, Universitas Muslim Indonesia
2Jurusan Elektro, Prodi Informatika, Fakultas Teknik, Universitas Hasanuddin
Alamat Korespondensi:
Ita Fitriati, S.Kom
Jurusan Teknik Informatika
Fakultas Ilmu Komputer
Universitas Muslim Indonesia
Makassar. Sulawesi Selatan.
HP: 085239664789
ABSTRAK
Sistem pakar merupakan sistem yang mempekerjakan pengetahuan manusia yang ditangkap komputer untuk memecahkan suatu masalah yang biasanya membutuhkan keahlian manusia. Penelitian ini bertujuan (1) menghasilkan suatu system cerdas sebagai wadah untuk dokter dalam mengambil keputusan terhadap hasil pemeriksaan pasien, (2) mengoptimalisasi keakuratan hasil diagnosa penyakit pasien serta urutan solusi obat berdasarkan penyakit. Aplikasi ini menggunakan gabungan dua metode antara Forward Chaining dan Metode
Fuzzy. Metode Forward Chaining digunakan untuk menentukan rule berdasarkan gejala kasus, sedangkan
metode Fuzzy dipilih karena kemampuannya yang memiliki toleransi terhadap data-data yang tidak tepat sehingga mampu mengetahui cara memetakan permasalahan yang ambigu. Hasil uji konsultasi dari sistem ini mampu menampilkan nama jenis penyakit sebagai nilai hasil dari pemecahan masalah, serta mampu memberikan solusi penyembuhan dari tiap-tiap penyakit. Pada kasus yang diujikan pada satu orang pasien dengan memasukkan 7 gejala menunjukan bahwa terdapat satu penyakit yang memiliki nilai kemungkinan paling tinggi yaitu penyakit Jantung dengan 47,54%. Pengujian aplikasi yang dilakukan oleh dua dokter pada 10 orang pasien didapatkan bahwa watu pemeriksaan dapat dipercepat dengan rata-rata selisih waktu 82.22%.
Kata Kunci : Diagnosa, Forward Chaining, Algoritma Fuzzy.
ABSTRACT
Expert System is System which employ human knowledge which detect by computer to solve many problem which it’s using a human expertise. This study aims to (1) produce an intelligent system as a forum for clinicians in making decisions on the results of the examination of patients, (2) optimize the accuracy of the diagnosis of the patient's disease and the medicine solution based on the disease sequence. This application use combination of the two methods between Forward Chaining and Fuzzy Methods. Method Forward Chaining be use for specify rule base on the symptoms case.While Fuzzy method select because it’s ability that can tolerate data that is not exactly until it know how to map the ambiguous problems. The Test results of the consultation system is able to show the name of the value type of the disease as a result of solving the problem, and able to provide a cure of every disease. In the case of a person who was tested on patient with include 7 symptoms shows that there is a disease that has the highest possible value, which it is name is Heart disease is by 47.54%. Application testing conducted by two doctors in 10 patients showed that the inspection time can be accelerated with an average gap of 82.22%.
PENDAHULUAN
Berbagai macam metode penyembuhan Islami kini menjadi pilihan bagi pasien,
diantaranya adalah Bekam (Al-Hijamah) yaitu proses mengeluarkan darah kotor yang tidak
diperlukan oleh tubuh penyebab dari munculnya penyakit (Ummar, 2012).
Metode dengan mengkonsumsi beberapa obat herbal yang berasal dari
tumbuh-tumbuhan alami yang mengandung khasiat untuk penyembuhan (Lanjar, 2010).
Dengan semakin maraknya bermunculan obat-obat medis yang kebanyakan memiliki
pengaruh negatif terhadap tubuh membuat banyak pasien kurang percaya lagi terhadap
penggunaan obat-obat tersebut, selain itu kinerja obat medis yang hanya mampu memperbaiki
beberapa sistem tubuh dan kurang efektif untuk penyakit kronis membuat pasien mencoba
mencari alternatif lain sebagai obat untuk penyembuhan terhadap suatu penyakit yang
diderita. (Amborowati, 2010).
Selain dengan mengkonsumsi beberapa obat herbal yang berasal dari
tumbuh-tumbuhan alami, cara penyembuhan metode Islami lainnya adalah dengan melakukan bekam.
(Effendy, 2010)
Kebanyakan di rumah sakit atau klinik-klinik herbal yang diminati oleh masyarakat
selalu dipenuhi oleh banyak pasien, seiring dengan banyaknya jenis penyakit yang
bermunculan dengan banyaknya jenis obat-obatan yang mengakibatkan selalu terjadinya
keterlambatan dalam pengambilan keputusan dalam menentukan jenis-jenis obat serta urutan
pengobatan untuk pasien sebagai solusinya, sehingga dianggap perlu untuk merancang sebuah
Klinik Penyembuhan Islami.
Pada penelitian yang sebelumnya banyak didapatkan sistem pakar yang mendiagnosa
pada hanya satu jenis penyakit yang ditentukan, dan belum dijumpai adanya sistem pakar
yang menawarkan deteksi penyakit berdasarkan indera mata, lidah dan telapak tangan.
Pada beberapa klinik yang kami pilih untuk dijadikan lokasi penelitian menunjukan
bahwa klinik tersebut masih bersifat manual (belum komputerisasi) dan belum ada suatu
metode yang digunakan untuk menarik kesimpulan. Selama ini tindakan yang diberikan
kepada pasien hanya berdasar pada perkiraan dokter untuk menarik kesimpulan atas semua
kemungkinan penyakit yang diderita oleh pasien. Semakin banyak gejala yang ditimbulkan
maka semakin banyak pula muncul prediksi-prediksi penyakit. Karena banyaknya prediksi
pernyakit yang berbeda-beda maka akan semakin banyak pula solusi penyembuhan yang
dilakukan. Setelah dilakukan memantauan dan penelitian beberapa yang dapat disimpulkan
bahwa: (a) setelah pasien melakukan konsultasi, dokter sulit menentukan bobot nilai penyakit
pada masing-masing pasien sehingga mengakibatkan penyamarataan pemberian solusi pada
masing-masing gejala. (b) rata-rata dalam pengambilan keputusan tiap satu orang pasien
adalah berlangsung selama 30-60 menit. (c) tidak ada tampilan hasil yang berikan oleh dokter
untuk meyakinkan pasien.
Adapun tujuan penelitian ini diantaranya: (a) Menghasilkan suatu sistem yang cerdas
sebagai wadah untuk dokter dalam mengambil keputusan terhadap hasil pemeriksaan pasien.
(b) Menampilkan hasil diagnosa penyakit serta urutan solusi obat. (c) Menampikan solusi
terbaik dari hasil pemanfaatan strategi forward chaining dan algoritma Fuzzy.
BAHAN DAN METODE
Desain Penelitian
Ada dua bentuk strategi pencarian dalam system pakar: (1) Runut Maju, merupakan
strategi pencarian yang memulai proses pencarian dari sekumpulan data atau fakta, dari
data-data tersebut dicari suatu kesimpulan yang menjadi solusi dari permasalahan yang dihadapi.
(2) Runut Balik, merupakan strategi proses pencarian dimulai dari tujuan, yaitu kesimpulan
yang menjadi solusi permasalahan yang dihadapi. Jika informasi atau nilai dari atribut-atribut
yang mengarah ke kesimpulan tersebut sesuai dengan data yang diberikan maka kesimpulan
tersebut merupakan solusi yang dicari, jika tidak sesuai maka kesimpulan tersebut bukan
merupakan solusi yang dicari. Runut balik memulai proses pencarian dengan suatu tujuan
sehingga strategi ini disebut juga goal-driven. (Wawan, 2007)
Forward Chaining
Forward chaining adalah strategi penarikan kesimpulan yang dimulai dari sejumlah
fakta-fakta yang telah diketahui, untuk mendapatkan suatu fakta baru dengan memakai
rule-rule yang memiliki premis yang cocok dengan fakta dan terus dilanjutkan sampai
mendapatkan tujuan atau sampai tidak ada rules yang punya premis yang cocok atau sampai
mendapatkan fakta (Yunus, 2010).
Pada system pakar berbasis rule, domain pengetahuan direpresentasikan dalam
sebuah kumpulan rule berbentuk IF-THEN, sedangkan data direpresentasikan dalam sebuah
kumpulan fakta-fakta tentang kejadian saat ini. Mesin Inferensi membandingkan
masing-masing rule yang tersimpan dalam basis pengetahuan dengan fakta-fakta yang terdapat dalam
database. Jika bagian IF (kondisi) dari rule cocok dengan fakta, maka rule dieksekusi dan
bagian THEN (aksi) diletakkan dalam database sebagai fakta baru yang ditambahkan.
(Hamdani, 2010)
Teori Certainty Factor (CF) diusulkan oleh Shortliffe dan Buchanan pada 1975 untuk
mengakomodasi ketidakpastian pemikiran (inexact reasoning) seorang pakar. Seorang pakar
(misalnya dokter) seringkali menganalisis informasi yang ada dengan ungkapan seperti
“mungkin”, “kemungkinan besar”, “hampir pasti”. Untuk mengakomodasi hal ini kita
menggunakan Certainty Factor (CF) guna menggambarkan tingkat keyakinan pakar terhadap
masalah yang sedangn dihadapi (Mulyanto, 2011)
Certainty Factor dari sebuah rule didapat dengan cara menghitung probabilitas
kemunculan fakta - fakta (premise values) pada semua rule yang memiliki set hipotesa (Budhi
dkk, 2005).
Dalam suatu pengukuran yang tidak pasti, dibutuhkan suatu certainty factor yang
menyatakan tingkat keyakinan sang pakar dalam suatu pernyataan. CF dinilai dengan angka
dalam rentang 0 (tidak pasti) sampai 1 (pasti). Tabel kondisi dan nilai CF dapat dilihat pada
Tabel 1. (Setiawan dkk, 2010)
Logika Fuzzy
Logika Fuzzy adalah metodologi sistem kontrol pemecahan masalah, dalam logika
klasik dinyatakan bahwa segala sesuatu bersifat biner, yang artinya adalah hanya mempunyai
dua kemungkinan, “Ya atau Tidak”, “Benar atau Salah”, Baik atau Buruk”, dan lain-lain. Oleh
karena itu, semua ini dapat mempunyai nilai keanggotaan 0 dan 1. Akan tetapi, dalam logika
fuzzy memungkinkan nilai keanggotaan berada diatara 0 dan 1. Artinya, bisa saja suatu
keadaan mempunyai dua nilai “Ya dan Tidak” secara bersamaan, namun besar nilainya
bergantung pada bobot keanggotaan yang dimilikinya. (Malik dkk, 2012)
Bila dibandingkan dengan logika konvensional, kelebihan logika fuzzy adalah
kemampuannya dalam proses penalaran secara bahasa sehingga dalam perancangannya tidak
memerlukan persamaan matematik yang rumit. Beberapa alasan menggapa menggunakan
logika fuzzy diantaranya mudah dimengerti, memiliki toleransi terhadap data-data yang tidak
tepat, mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks, dapat membangun
dan mengaplikasikan pengalaman-pengalaman para pakar secara langsung tanpa harus melalui
proses pelatihan, dan didasarkan pada bahasa alami. (Kusumadewi, 2010)
Metode Pengumpulan Data
Pada penelitian ini digunakan pendekatan metode studi literature (library research) dan
studi lapangan (field search) untuk perancangan sistem. Pengembangannya dilakukan
beberapa tahap, diantaranya, identifikasi masalah, kajian pustaka, perancangan system,
implementasi system, dan pengujian sistem.
Data yang dikumpulkan dari hasil studi lapangan dan literature kemudian diolah melaui
tahap analisis data dengan menggunakan metode Forward Chaining sehingga terbentuk
beberapa rule, dan memasukkan nilai CF pada masing-masing rule.
HASIL PENELITIAN
Strategi Forward Chaining
Langkah dalam Algoritma Forward Chaining adalah mengumpulkan semua data
informasi yang berkaitan dengan penelitian, diataranya adalah data tentang jenis penyakit,
data gejala penyakit pada tiga indera dan data langkah-langkah penyembuhan pada
masing-masing penyakit.
Data jenis penyakit pada Tabel 2 adalah data yang diambil berdasarkan pengalaman
penyakit yang biasa disimpulkan dari hasil diagnosa lewat tiga indera, diantaranya telapak
tangan, lidah, dan mata. Lokasi penelitian bertempat di klinik Herbal & Bekam Islamic Healt
Care Center, dan ditunjang dari data peneletian pada Rumah Bersalin dan Balai Pengobatan
Wihdatul Ummah (RBBP) Bagian Poli Bekam, Makassar. Waktu Pengambilan data
berlangsung selama 7 bulan terhitung sejak Januari 2013.
Data penyakit dan gejala yang ditampilkan ini bukanlah keseluruhan dari semua data
jenis penyakit dan gejala yang pernah ada, data ini merupakan data sebagian besar yang
didapatkan pada pasien-pasien yang pernah melakukan konsultasi pada klinik tempat lokasi
penelitian.
Perhitungan Certainty Factor
Untuk mendapatkan nilai CF ini adalah didapat dari hasil mewawancarai dokter pakar.
Penulis memberikan suatu nilai kondisi selanjutnya pakar yang akan menentukan nilai bobot
pada tiap tipa gejala yang telah diketahui berdasarkan pengalaman dari penyakit dan gejala
pasien-pasien sebelumnya. Selanjutnya data tersebut dikelompokkan kedalam dependency
diagram, seperti pada tabel 2.
Fuzzy Expert Sistem
Suatu sistem pakar yang menggunakan perhitungan fuzzy dalam mengolah knowledge
untuk menghasilkan premis dan konklusi, sehingga menghasilkan informasi yang memiliki
keakuratan kepada user.
Jenis Penyakit =
jumlah CF tiap penyakit
Total Gejala
x 100%
Pengujian kasus terhadap satu orang pasien mengeluhkan beberapa gejala, diantaranya
seperti terlihat pada tabel 3. Dari beberapa gejala yang telah disebutkan diatas maka
disimpulkan bahwa ada 5 jenis penyakit yang berkemungkinan dihasilkan, seperti terlihat
pada tabel 3.
Tabel Pemeriksaan Pasien tersebut dapat direpresentasikan dalam bentuk fuzzy set
untuk masing-masing penyakit sebagai berikut :
P4 = {0.2/L9}
P5 = {0.8/T3}
P8 = {0.4/L9 , 0.2/L8 , 0.8/M8 , 0.6/M9}
P9 = {0.9/T3 , 0.8/T5 , 0.8/T6 , 0.4/L9}
P16 = {0.2/L9}
Berdasarkan banyak gejala yang dimasukkan maka nilai total CF Gejala adalah
Total CF Gejala = 0.9 + 0.8 + 0.8 + 0.8 + 0.4 + 0.2 + 0.2 + 0.4 + 0.2 + 0.8 + 0.6
= 6.1
Selanjutnya adalah menghitung nilai persentasi pada masing-masing penyakit yang
telah diketahui.
Contoh perhitungan Persentase P9 (Masalah Jantung)
Jenis Penyakit =
jumlah CF tiap penyakit
Total Gejala
x 100%
P9 (Masalah Jantung) =
0.9 + 0.8 + 0.8 + 0.4
6.1
x 100%
P9 (Masalah Jantung) =
2.9
6.1
100%
P9 (Masalah Jantung) = 47.54 %
Dari kasus ini tampak bahwa diagnosa penyakit yang dihasilkan adalah
berkemungkinan ada 5 jenis penyakit diantaranya: Hipertensi, Hipertiroid, Kolesterol tinggi,
Masalah Jantung, dan Stroke. Dan dihasilkan satu jenis penyakit yang nilainya lebih dominan
adalah ada pada penyakit Jantung dengan 47,54 % dari seluruh gejala yang diinput, sesuai
gambar 1. Dengan hasil tersebut maka selanjutnya akan diberikan solusi penyembuhan
berdasarkan penyakit yang memiliki presentase terbesar. Hasil pengujian terlihat pada tabel 4.
PEMBAHASAN
Penelitian ini menunjukan bahwa perancangan sistem yang haruslah dibuat 3 aktor
yang memiliki fungsi kerja masing-masing, diantaranya : a) Dokter Pakar, bertindak sebagai
dokter pakar yang menginput semua data nama penyakit, jenis penyakit, gejala penyakit,
langkah pengobatan, serta memberikan nilai bobot Certainty Factor pada masing-masing
gejala. b) Dokter, memilih data-data yang ada pada sistem sehingga dengan ini bisa dilakukan
perhitungan untuk mendapatkan satu hasil pada seorang pasien. c) Sistem, sebagai tempat
menampung semua informasi data dan tempat pengolahan data sehingga menghasilkan suatu
hasil dari proses algoritma Forward chaining dan Fuzzy Logic.
Alur kerja yang diawali oleh Dokter Pakar yang menginput data identitas dokter,
berupa: nama lengkap dokter, alamat, email, dan Password. Kemudian Dokter Pakar
memasukan semua data sebagai knowledge base. Dokter melakukan konsultasi terhadap
sistem berdasarkan keluhan pasien. Sistem mengolah data inputan konsultasi dengan
menggunakan strategi Forward Chaining dan Algoritma Fuzzy.
Pada pemeriksaan 10 orang pasien yang dilakukan oleh dua orang dokter maka dapat
dilihat bahwa menggunakan sistem aplikasi ini mampu memudahkan dokter untuk
memberikan akurasi jawaban, yang sebelumnya pemeriksaan manual diprediksi berdasarkan
gejala yang paling banyak memungkinkan diagnosa penyakit.
Rata-rata selisih waktu pada tiap konsultasi per satu orang pasien adalah 82.2 %,
dengan mempersingkat waktu masing-masing 20 menit. Pengujian aplikasi ini dilakukan pada
beberapa lokasi klinik yang memungkinkan untuk mendapatkan pasien. Pasien dipilih dari
yang berumur 15 tahun sampai 75 tahun. Data yang dimasukkan hanya berupa keluhan yang
sesuai pada objek penelitian, yaitu mengambil data keluhan pada 3 indera. Waktu ditentukan
dari pemeriksaan diagonsa hingga ditentukan kesimpulan untuk solusi penyembuhan.
KESIMPULAN DAN SARAN
Berdasarkan hasil penelitian sebagaimana yang telah diuraikan dapat disimpulkan
bahwa: a) Menggunakan beberapa metode Forward Chaining dan algoritma fuzzy sistem ini
meungkinkan dapat memberikan hasil kesimpulan yang lebih cepat dan lebih akurat. b) Hasil
dari penelitian ini menunjukkan bahwa sistem pakar ini mampu membantu dokter dalam
memberikan diagnosa hasil penyakit. c) Rata-rata selisih waktu pada tiap konsultasi per satu
orang pasien adalah 82.2 %.
Disarankan kepada peneliti selanjutnya untuk menggunakan aplikasi ini sebagai bahan
acuan untuk mengembangkan dan membangun aplikasi untuk informasi klinis dengan
menggunakan metode dan algoritma yang lebih baik. Selanjutnya diharapkan mampu
mengembangkan sistem dengan memadukannya dengan alat-alat pendeteksi pada tiap-tiap
indera (mata, telapak tangan, dan lidah) sehingga siapapun bisa mengerti dan paham dalam
penggunaannya dan mampu mendeteksi sendiri penyakit yang diderita.
DAFTAR PUSTAKA
Amborowati, Armadyah. (2010). Membangun Sistem Untuk Membantu Diagnosa Penyakit
Dalam Pada Manusia Dengan Solusi Penggunaan Herbal Sebagai Obat, Yogyakarta.
Budhi, Gregorius S., Alexander Setiawan, and Henry Octaviano. (2005). Prototipe Sistem
Pakar Untuk Mendeteksi Penyakit Umum Menggunakan Gabungan Metode Fuzzy Dan
Non-Fuzzy, Surabaya.
Effendy, Zanuar Dahlan. (2010). Sistem Pakar untuk Mendiagnosa Penyakit pada Manusia
dengan Pengobatan Bekam. Jurusan Sistem Informasi - STMIK AMIKOM
Yogyakarta
Hamdani. (2010). Sistem Pakar Untuk Diagnosa Penyakit Mata Pada Manusia. Program
Studi Ilmu Komputer, FMIPA Universitas Mulawarman. Samarinda.
Kusumadewi, Sri. (2010). Penentuan Tingkat Resiko Penyakit Menggunakan TsukamotoFuzzy
Inference System. Jurusan Teknik Informatika Universitas Islam Indonesia.
Yogyakarta
Lanjar, FX. (2010), Sembuh Total denga Obat Herbal, Madhara Pustaka : Yogyakarta.
Malik, Nugrah Susdaryanto, dan Hendri Sopryadi. (2012). Penerapan Logika Fuzzy pada
Aplikasi Sistem Pakar untuk Mendiagnosis Penyakit Neurologi pada Manusia
Berbasis WEB. Teknik informatika STMIK GI MDP. Palembang
Mulyanto, Sutojo T, Edy. (2011). Kecerdasan Buatan, Penerbit ANDI : Yogyakarta.
Setiawan, Alexander., Rolly Intan,. Debora Indriati,. (2010). Implementasi Fuzzy Expert
System untuk Analisis Penyakit Kulit pada Hewan. Jurusan Teknik Informatikan
Fakultas Teknologi Industri - Universitas Kristen Petra.
Umar, Wadda’ A. (2012), Sembuh dengan Satu Titik, Al-Qowam : Solo.
Wawan, Yunanto. (2007). Algoritma Backward Chaining pada Rule-Based Expert System.
Yunus, Mahmud. dan sigit setyowibowo. (2010). Aplikasi Sistem Pendukung Keputusan
Diagnosa Penyakit Paru-paru dengan Metode Forward Chaining. STMIK PPKIA
Pradnya Paramita Malang.
Tabel 1 Kondisi dan Nilai CF
Uncertain Term /Kondisi Tidak Pasti
CF
Unknown / Tidak pasti
0 - 0.2
Maybe / Kemungkinan
0.4
Probably / Kemungkinan besar
0.6
Almost certainly / Hampir pasti
0.8
Definitely / Pasti
1.0
Tabel 2 Gejala dan penyakit beserta Nilai CF
No
Gejala (kode)
Penyakit (kode)
CFPak ar
CF Dok ter
1
If
Kuku dan Telapak tangan terlihat sangat pucat
(T1)
Then Anemia (P1)
1.0
0.4
2
If
Lidah Pucat (L1)
Then Anemia (P1)
1.0
0.6
3
If
Bentuk mata yang cenderung lebih cekung
(M1)
Then Anemia (P1)
0.4
0.4
4
If
Kantung mata bagian dalam bawah akan
tampak warna merah agak keputihan (M2)
Then Anemia (P1)
1.0
1.0
5
If
Mata sering merasa perih dan
berkunang-kunang (M3)
Then Anemia (P1)
1.0
0.8
6
If
Semua jari menipis (T16)
Then Diabetes Militus (P2)
0.2
0.2
7
If
Lensa mata cembung &penglihatan kabur (M4)
Then Diabetes Militus (P2)
0.4
0.4
8
If
Lidah tampak besar dan Tebal (L2)
Then Diabetes Militus (P2)
0.2
0.2
9
If
Katarak pada usia dini(dibawah usia 61tahun).
(M5)
Then Diabetes Militus (P2)
0.2
0.8
10
If
Kelopak mata menurun (bukan karena Usia).
(M6)
Then Diabetes Militus (P2)
0.2
0.1
11
If
Pembengkakan Tangan (pergelangan tangan)
dibarengi dengan rasa gatal. (T2)
Then Ginjal (P3)
0.2
0.4
12
If
Pembengkakan pada pangkal jari (T12)
Then Ginjal (P3)
0.8
0.8
13
If
Penciutan pada Pangkal jari (T13)
Then Ginjal (P3)
0.8
0.2
14
If
Ada kerutan Memanjang dari buku jari hingga
buku jari kedua (T14)
Then Ginjal (P3)
0.5
0.2
15
If
Lidah Kering (L3)
Then Ginjal (P3)
0.2
0.2
16
If
Lidah Berparit (L4)
Then Ginjal (P3)
0.2
0.2
17
If
Bengkak disekeliling mata (M7)
Then Ginjal (P3)
0.5
0.9
18
If
Keringat berlebihan pada telapak tangan (T3)
Then Hipertiroid (P5)
0.9
0.9
19
If
Lidah tampak besar dan Tebal (L2)
Then Hipertiroid (P5)
0.1
0.1
20
If
Mata yang bengkak. (M15)
Then Hipertiroid (P5)
0.1
0.1
21
If
Lidah Berparit (L4)
Then Kelebihan Toxin (P6)
1.0
0.2
22
If
Lidah kering (L3)
Then Kelebihan Toxin (P6)
1.0
0.2
23
If
Selaput lidah tebal, kuning bercampur hitam
(L5)
Then Kelebihan Toxin (P6)
1.0
0.4
24
If
Pinggirnya tidak rata seolah-olah bekas tergigit.
(L6)
Then Keseimbangan (P7)
0.4
0.4
25
If
Lidah nampak agak melebar. (L7)
Then Keseimbangan (P7)
1.0
0.8
26
If
Pada bagian telapak tangan bagian ujung
jari-jari terlihat berwarna lebih merah dari tapak
tangan. (T4)
Then Kolestrol tinggi (P8)
0.8
0.1
27
If
Selaput tebal ditengah Lidah (L9)
Then Kolesterol tinggi (P8)
0.5
0.1
28
If
Timbul seperti cahaya cincin di sekitar kornea
mata. (M8)
Then Kolesterol tinggi (P8)
1.0
0.1
29
If
Lingkaran putih disekeliling kornea pada usia
muda. (M9)
Then Kolesterol tinggi (P8)
1.0
0.1
30
If
Tangan berkeringat (T3)
Then Masalah Jantung (P9)
1.0
0.4
31
If
Kuku bergelombang (T5)
Then Masalah Jantung (P9)
0.8
0.9
32
If
Telapak tangan berwarna putih pucat dan
disertai dengan bintik-bintik merah (T17)
Then Masalah Jantung (P9)
0.8
0.8
33
If
Pada jari ada gurat-gurat biru dan Hijau (T18)
Then Masalah Jantung (P9)
0.2
0.2
34
If
Jari tengah abnormal (sebelah kiri bengkok ke
kanan,sebelah kanan bengkok ke kiri) (T6)
Then Masalah jantung (P9)
0.5
0.1
35
If
Ujung lidah berwarna merah terang (L8)
Then Masalah Jantung (P9)
0.8
0.2
36
If
Selaput tebal ditengah Lidah (L9)
Then Masalah Jantung (P9)
0.2
0.2
37
If
Lidah berwarna kebiruan (L10)
Then Masalah Jantung (P9)
0.5
0.8
38
If
Ibu Jari Bengkok (T7)
Then Masalah
Kesuburan
rendah (P10)
0.8
0.2
39
If
Mata Abu-abu seperti cincin disekitar kornea
mata
Then Masalah Jantung (P9)
0.2
0.2
40
If
Jari Kelingking meruncing atau bengkok (T8)
Then Masalah Rahim (P10)
0.5
0.2
41
If
Bagian mata yang putih berubah jadi kuning.
(M10)
Then Penyakit kuning (P11) 1.0
1.0
42
If
Mata merah dengan nyeri hebat. (M11)
Then Rematik (P12)
0.2
0.1
43
If
Bagian belakang Telapak Tangan: terlihat garis
kulit sendi berwarna gelap (T9)
Then Sembelit (P13)
0.2
0.1
44
If
Ruas jari hitam (lebih gelap dari telapak tangan)
(T19)
Then Sembelit (P13)
0.5
0.1
45
If
Jari telunjuk Bengkok atau melengkung. (T10)
Then Sembelit (P13)
0.5
0.1
46
If
Mata merah dengan nyeri hebat. (M11)
Then Sifilis (P14)
0.2
0.2
47
If
Terlihat warna biru pada bagian paling bawah
telapak tangan yang terletak dibawah jempol.
(T11)
Then Sinusitis (P15)
0.5
0.1
48
If
Lidah kaku tidak dapat dikeluarkan daripada
mulut (L11)
Then Stroke (P16)
0.8
0.4
49
If
Selaput putih yang amat tebal. (L9)
Then Stroke (P16)
0.2
0.1
50
If
Ukuran pupil berbeda. (M12)
Then Stroke (P16)
0.8
0.8
51
If
Selaput tebal ditengah Lidah (L9)
Then Hipertensi (P19)
0.2
0.2
52
If
Pendarahan pada retina (M13)
Then Hipertensi (P19)
0.8
0.8
53
If
Mata berkunang-kunang (M3)
Then Hipertensi (P19)
0.5
0.4
54
If
Jari Manis Bengkok (T20)
Then Perut,usus halus (P20) 0.1
0.1
55
If
Jari Telunjuk Bengkok (T10)
Then Perut,saraf usus (P20)
0.1
0.1
56
If
Ruas jari hitam (lebih gelap dari telapak tangan)
(T21)
Then Sakit pada Persendian
(P21)
0.4
0.4
57
If
Ruas ujung jari-jari bengkok kedalam, (T15)
Then Asam urat (P18)
0.4
0.4
58
If
Pembengkakan pada pangkal jari (T12)
Then Asam Urat (P18)
1.0
1.0
59
If
Benjolan kecil terhadap kelopak mata(M14)
Then Asam urat (P18)
0.5
0.4
Tabel 3 Keluhan Pasien
Gejala pada Pasien
Kemungkinan Penyakit >> Nilai CF
Keringat berlebihan pada telapak tangan
(T3)
Hipertiroid (P5) >> 0.8
Masalah Jantung (P9) >> 0.9
Kuku bergelombang (T5)
Masalah Jantung (P9) >> 0.8
Jari tengah abnormal (sebelah kiri bengkok
ke kanan,sebelah kanan bengkok ke kiri)
(T6)
Masalah Jantung (P9) >> 0.8
Ujung lidah berwarna merah terang (L8)
Kolesterol Tinggi (P8) >> 0.2
Selaput tebal ditengah Lidah (L9)
Masalah Jantung (P9) >> 0.4
Stoke (P16) >> 0.2
Hipertensi (P4) >> 0.2
Kolesterol Tinggi (P8) >> 0.4
Timbul seperti cahaya cincin di sekitar
kornea mata. (M8)
Kolesterol Tinggi (P8) >> 0.8
Lingkaran putih disekeliling kornea pada
usia muda. (M9)
Kolesterol Tinggi (P8) >> 0.6
Gambar 1 Bagan Hasil Konsultasi
Hipertensi 3% Hipertiroid 13% Koletrerol Tinggi 33% Masalah Jantung 48% Stroke 3%
Tabel 4 Pengujian pada 10 orang Pasien
No (pasien)
Keluhan Akurasi Hasil Waktu Diagnosa (menit) Manual Sistem Menurut
Pakar
Sistem Menurut
Dokter
Manual Sistem Selisih
1 T3 T5 T6 L8 L9 M8 M9 P9 = 6 P8 = 3 P6 = 1 P5 = 1 P4 = 1 P16 = 1 P9 = 46,67 % P8 = 22,657% P6 = 13,33 % P5 = 12 % P4 = 2,67% P16 = 2,67 % P9 = 50 % P8 = 10% P5 = 10% P6 = 22,5% P4 = 5 % P16 = 2,5 % 60 10 50 (83%) 2 T12, T15, M14 P18 = 3 P18 = 100% P18 = 100% 20 3 17 (85%) 3 T7, T8, P10 = 2 P10 = 100% P10 = 100% 10 2 8 (80%) 4 T11, L9, M3 P1= 1 P6 =1 P4= 2 P15= 1 P8 = 1 P9 = 1 P16 = 1 P1= 24,39 % P6 =24,39 % P4= 17,07% P15= 12,2% P8 = 12.2% P9 = 4.88 % P16 = 4,88 % P1= 34,78% P6 =17,39 % P4= 26,09% P15= 4,35% P8 = 4,35% P9 = 8,7 % P16 = 4,35 % 15 3 12 (80%) 5 T11, L9, P8 = 1 P15 = 1 P8 = 1 P9 = 1 P4 = 1 P16 = 1 P8 = 38,46% P15 = 19,23% P8 = 19,23% P9 = 7,69% P4 = 7,69% P16 = 7,69 % P8 = 42,86% P15 = 9 P8 = 9.09% P9 = 18,18% P4 = 18,18% P16 = 9,09% 14 3 11 (78%) 6 T6, T11, L9, M3 P1 = 1 P6 = 1 P9 = 2 P4 = 2 P15 = 1 P8 = 1 P16 = 1 P1 = 21.74% P6 = 21.74% P9 = 15,22% P4 = 15,22% P15 = 10.87% P8 = 10,87% P16 = 4,35% P1 = 33,33% P6 = 16,67% P9 = 12,5% P4 = 25% P15 = 4,17% P8 = 4,17% P16 = 4,17% 18 3 15 (83%) 7 T4, L9, M9, M10 P8 = 3 P6 = 1 P11= 1 P9 = 1 P4 = 1 P16 = 1 P8 = 46,94% P6 = 20,41% P11= 20,41% P9 = 4,08% P4 = 4,08% P16 = 4,08% P8 = 13,64% P6 = 18,18% P11= 45,45% P9 = 9,09% P4 = 9,09% P16 = 4,55% 30 4 26 (86%) 8 T12, T15,M14 P18 = 3 P18 = 100% P18 = 100% 20 3 17 (85%) 9 T12, T15,M14 P18 = 3 P18 = 100% P18 = 100% 17 3 14 (82%) 10 L4 L5 P6 = 2 P8 = 1 P9= 1 P4 = 1 P3 = 1 P16 = 1 P6 = 60,61% P8 = 15,15% P9= 6,06% P4 = 6,06% P3 = 6,06% P16 = 6,06% P6 = 42,86% P8 = 7,14% P9= 14,29% P4 = 14,29% P3 = 14,29% P16 = 7,14% 10 2 8 (80%)