SISTEM PAKAR MENDIAGNOSA PENYAKIT LEPTOSPIROSIS
MENGGUNAKAN METODE CERTAINTY FACTOR
DENGAN PENELUSURAN FORWARD CHAINING
Polin Syahromi
Mahasiswa Program Studi Teknik Informatika STMIK BUDIDARMA MEDAN Jln. Ssisingamangaraja No. 338 Tel. 061-7875998 Sp Limun Medan
www.stmik-budidarma.ac.id // E-Mail PolinsyahRomi@Gmail.Com
ABSTRAK
Sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia kekomputer yang dirancang untuk memodelkan pengetahuan, kemampuan menyelesaikan masalah seperti layaknya seorang pakar. Dengan sistem pakar ini orang awam pun ampu menyelesaikan masalahnya atau hanya sekedar mencari informasi yang berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli dibidangnya. Sistem pakar banyak digunakan untuk nmendiagnosa penyakit, buykan hanya pada manusia dan hewan tapi juga pada tanaman. Sistem pakar dapat membantu mendiagnosa penyakit dengan perhitungan dan juga metode tertentu sehingga dengan mudah didapat penyakit, penyebab dan juga solusi dari penyakit yang ingin diketahui gejalanya. Salah satu penyebab yang dijuadikan objek aplikasi sistem pakar adalah penyakit Leptospirosis (kencing tikus). Untuk mendiagnopsa penyakit Leptospirosis (kencing tikus ) maka dibuat sistem pakar yang mampu membuat keputusan berdasarkan data penyakit dan gejalanya yang terjadi pada penderita Leptospirosis (kencing tikus).
Kata Kunci : Sistem Pakar, Penyakit, Leptospirosis, Forward Chaining. 1. PENDAHULUAN
Sistem Pakar adalah program AI yang menggabungkan basis pengetahuan dengan sistem inferensi. Program merupakan bagian software spesialisasi tingkat tinggi yang berusaha menduplikasikan fungsi seorang pakar dalam suatu bidang keahlian. Sistem Pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para pakar/ahli. Dengan pengembangan Sistem Pakar, diharapkan seorang pakar dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, Sistem Pakar juga akan membantu aktifitasnya sebagai asisten yang sangat berpengalaman.
Kesehatan merupakan hal yang begitu penting bagi manusiaya. Ironisnya banyak penyakit yang pada akhirnya terlambat didiagnosis sehingga mencapai ketahap kronis. Untuk itu diperlukan suatu penyakit meskipun didasarkan pada data yang kurang lengkap. Penyakit Leptospirosis merupakan infeksi bakteri yang disebabkan oleh strain Leptospira. Penyakit ini paling sering ditularkan dari hewan ke manusia ketika orang dengan luka terbuka di kulit melakukan kontak dengan air atau tanah yang telah terkontaminasi air kencing hewan, bakteri juga dapat memasuki tubuh melalui mata atau selaput lendir. 1.2. Perumusan Masalah
Setelah mempelajari dan mengamati sistem yang dibangun maka ditemukan beberapa permasalahan dalam perancanaan dan pengembangan sistem yang akan dibangun yaitu :
1. Bagaimana mendiagnosa penyakit Leptospirosis (Kencing Tikus) ?
2. Bagaimana menerapkan metode Certainty Factor dengan penelusuran Forward Chaining
3. Bagaimana merancang Sistem Pakar mendiagnosa penyakit Leptospirosis?
1.3. Tujuan Penelitian
Tujuan diadakannya penelitian, perancangan, dan pembuatan sistem pakar komputerisasi dalam menunjang penulisan skripsi ini adalah untuk :
1. Menjelaskan cara mendiagnosa penyakit
Leptospirosis (Kencing Tikus) dan memberikan
informasi mengenai Penyakit Leptospirosis beserta gejala-gejalanya.
2. Menerapkan metode Certainty Factor dengan penelusuran Forward Chainig untuk diagnosa penyakit Leptospirosis
3. Merancang Sistem Pakar untuk diagnosa penyakit
Leptospirosis menggunakan metode Certainty Factor dengan penelusuran Forward Chaining.
2. LANDASAN TEORI 2.1. Definisi Sistem pakar
Sistem pakar adalah sebuah perangkat yang berfungsi untuk membantu menyelesaikan masalah layaknya seorang pakar. Suyoto (2004:181) menyatakan ”Sistem pakar adalah sistem yang didesain dan diimplementasikan dengan bantuan bahasa pemograman tertentu untuk dapat menyelesaikan masalah seperti yang dilakukan oleh para ahli.”. Sistem pakar saat ini banyak diaplikasikan dalam komputer untuk memudahkan
penggunaannya. Martin dan Oxman dalam Kusrini (2006:11) menyatakan bahwa ”Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut”.
Suyoto (2004:183) menjelaskan beberapan kelebihan dan kekurangan sistem pakar. Kelebihan sistem pakar diantaranya adalah:
a. Membantu orang awam untuk menyelesaikan masalah 'tanpa' bantuan para pakar.
b. Meningkatkan kualitas dan produktivitas. c. Mampu beroperasi dalam lingkungan yang
berbahaya.
d. Memiliki kemampuan untuk mengakses pengetahuan dan keahlian para ahli baik yang biasa maupun yang langka.
e. Sebagai asisten para ahli sehingga meringankan pekerjaan para ahli.
f. Memiliki reabilitas.
g. Dapat menghemat waktu dalam pengambilan keputusan.
Adapun kelemahan sistem pakar diantaranya adalah:
a. Tidak ada jaminan bahwa sistem pakar memuat 100% kepakaran yang diperlukan. b. Pengembangan sistem pakar tergantung ada
tidaknya pakar di bidangnya sehingga pengembangannya dapat terkendala.
c. Biaya untuk mendesain,
mengimplementasikan dan memeliharanya dapat sangat mahal tergantung seberapa lengkap dan kemampuannya.
2.1.1. Ciri-Ciri Sistem Pakar
Beberapa ciri-ciri sistem pakar yaitu: 1. Terbatas pada domain keahlian tertentu
2. Dapat memberikan penalaran untuk data-data yang tidak lengkap atau tidak pasti
3. Dapat menjelaskankan alasan-alasan dengan cara-cara yang dapat dipahami
4. Berdasarkan pada rule atau kaidah tertentu 5. Mudah dimodifilkasi
6. Basis pengetahuan dan mekanisme inferensi terpisah
7. Keluarannya bersifat anjuran
8. Sistem dapat mengaktifkan kaiodah secara searah yang sesuai, dituntun oleh dialog dengan pengguna.
(Jogiyanto, 2005;1) 2.1.2. Struktur Sistem Pakar
Komponen utama pada struktur sistem pakar menurut Huet all (1987) meliputi:
1. Basis Pengetahuan (Knowledge Base)
Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu berupa representasi pengetahuan dari pakar. Basis pengetahuan tersusun atas fakta dan kaidah. Fakta adalah informasi tentang objek, peristiwa, atau situasi. Kaidah adalah cara untuk
membangkitkan suatu fakta baru dari fakta yang sudah diketahui.
2. Mesin Inferensi (Inference Engine)
Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, danfakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran dan strategi pengendalian. Strategi penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi penalaran tak pasti (Inexact Reasoning
a. Forward Chaining
Forward Chaining adalah metode pelacakan yang diawali dengan informasi atau fakta dan proses mencocokkan dengan kaidah berlanjut terus hingga menemukan kesimpulan. Gambar 1 merupakan contoh Forward Chaining. “Dalam forward chaining, kaidah interpreter mencocokkan fakta atau statemen dalam pangkalan data dalam situasi yang dinyatakan dalam bagian sebelah kiri atau kaidah IF. Bila fakta yang ada dalapangkalan data itu sudah sesuai dengan kaidah IF, maka kaidahdistimulasi” (Suparman, 1991:119).
Gambar 1. Forward Chaining Keterangan:
A, B … F = Kondisi atau gejala G = Hasil diagnosis Rule = Aturan 2.3. Basis Data (Data Base)
Basis data terdiri atas semua fakta yang diperlukan, dimana fakta-fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-kaidah dalam sistem. Basis data menyimpan semua fakta, baik fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta yang diperoleh pada saat proses penarikan kesimpulan sedang dilaksanakan. Basis data digunakan untuk menyimpan data hasil observasi dan data lain yang dibutuhkan selama pemrosesan.
2.4. Antarmuka Pemakai (User Interface)
Fasilitas ini digunakan sebagai perantara komunikasi antara pemakai.dengan komputer. Antarmuka yang digunakan biasanya berupa GUI yang memudahkan pengguna dalam menggunakan sistem pakar.Berdasarkan yang dijelaskan tentang
struktur sistem pakar tersebut diatas, maka sistem pakar dapat di ilustrasikan seperti pada gambar 2.
Gambar 2. Interface Sistem Pakar 2.5. Leptospirosis
Penyakit Leptospirosis merupakan infeksi bakteri yang disebabkan oleh strain Leptospira.
Leptospirosis ringan akan sulit untuk didiagnosa,
karena gejalanya mirip dengan flu dan infeksi umum lainnya. Prosedur diagnostik flu biasanya tidak baik untuk mengidentifikasi . Bila ada kemungkinan
Leptospirosis berat, barulah tes diagnostik yang
ditargetkan baru dilakukan. a. Diagnosa
Diagnosa Leptospirosis adalah suatu kegiatan penentuan penyakit Leptospirosis dengan pemeriksaan gejala-gejalanya menggunakan suatu cara atau alat.
Leptospirotis adalah penyakit yang tidak memandang
usia berdasarkan hasil penelitian virus leptospira disebabkan berasal dari makanan yang terkontaminasi dari kotoran tikus, anjing, kuda, babi dan sebagainya.
Ada dua jenis penyakit Leptospirosis yaitu : 1. Leptospirosis Ringan
Pasien mengalami nyeri otot, menggigil dan mungkin sakit kepala. 90% dari kasus
Leptospirosis tergolong jenis ini.
2. Leptospirosis Berat
Dapat mengancam jiwa. Ada risiko kegagalan organ dan pendarahan internal. Jenis
Leptospirosis ini terjadi ketika bakteri menginfeksi ginjal, hati dan organ utama lainnya. Para ahli tidak yakin mengapa beberapa pasien terserang bentuk yang parah sementara yang lain tidak. Pada beberapa kasus, orang yang sudah sangat sakit, seperti mereka yang menderita pneumonia, anak-anak balita, dan orang lanjut usia lebih cenderung untuk menderita
Leptospirosis yang parah.
(Dwi Sunar Prasetyono, 2012 ) 3. ANALISA DAN PERANCANGAN 3.1. Analisa Gejala Penyakit Leptospirosis
Dalam kasus ini disusun basis pengetahuan yang didasarkan pada informasi yang diperlukan dan telah didapatkan melalui penelusuran , seperti melalui internet dan jurnal yang berkaitan dengan masalah jenis penyakit Leptospirosis serta konsultasi dengan pakar. Basis pengetahuan disusun menggunakan kaidah produksi dan mesi inferensi menggunakan
penalaran berantai kedepan (forward chaining). Selanjutnya basis pengetahuan dimasukkan kedalam komputer sehingga komputer akan berperan sebagai ahli yang mampu mengidentifikasi gejala dan penyakit Leptospirosis. Berikut ini pengetahuan dasar atau informasi penyakit Leptospirosis yaitu:
Tabel 1. Informasi Penyakit Leptospirosis
Berdasarkan informasi tersebut maka pada kasus ini disusun sebanyak 8 kaidah produksi atau rule base, kaidah-kaidah tersebut adalah sebagai berikut: Aturan I :
IF Batuk Darah
AND Nyeri otot punggung dan betis (berkepanjangan) AND Kulit dan mukosa menjadi kuning AND Demam Tinggi (berkepanjangan)
THEN Penyakit Leptospirosis Ringan Aturan II :
IF Warna mata dn hidung hitam AND Radang mukosa mata
AND Pembesaran limpah dan hati AND Gagal ginjal
THEN Penyakit Leptopsirosis Berat
Berdasarkan kaidah tersebut secara default sistem hanya mampu mengidentifikasi Penyakit
Leptospirosis Ringan, dan Leptospirosis Berat.
3.2. Analisa Dan Logika Metode Certainty Factor Adapun analisa terhadap sistem pakar yang dibangun merupakan rule based expert system yang menerapkan metode certainty factor, dimana metode ini digunakan untuk mengatasi kesulitan kepastian dan gejala-gejala penyakit didalam proses mediagnosa penyakit yang diderita. Adapun logika metode
certainty factor pada sesi konsultasi sistem, pengguna
konsultasi diberi pilihan jawaban yang masing-masing memiliki bobot sebagai berikut:
Tabel 2. Pilihan Jawaban Dalam Metode CF Ucertanty Term CF Yakin 1 Iya 0.8 Mungkin 0.6 Tidak 0
Nilai 0 menunjukkan bahwa pengguna konsultasi menginformasikan bahwa Leptospirosis tidak mengalami gejala seperti yang ditanyakan oleh
sistem. Semakin pengguna konsultasi yakin bahwa gejala tersebut memang dialami Leptospirosis, maka semakin tinggi pula hasil prosentase keyakinan yang diperoleh.
proses penghitungan prosentase keyakinan diawali dengan pemecahan sebuah kaidah yang memiliki premis majemuk, menjadi kaidah-kaidah yang memiliki premis tunggal. kemudian masing-masing aturan baru dihitung CF untuk masing-masing-masing-masing aturan, kemudian nilai CF tersebut dikombinasikan. Sebagai contoh, proses pemberian bobot pada setiap premis (gejala) hingga perolehan prosentase
keyakinan untuk penyakit Leptospirosis Berat Aturan II :
IF Warna mata dan hidung hitam AND Radang mukosa mata AND Pembesaran limpah dan hati AND Radang ginjal THEN Penyakit Leptopsirosis Berat
Langkah pertama, pakar menentukan nilai bobot untuk masing-masing gejala yang telah di tentukan sebelumnya sebagai berikut :
CFpakar (Warna mata dan hidung hitam)=0.4 CFpakar (Radang mukosa mata) =0.6 CFpakar (Pembesaran limpah dan hati) =0.8 CFpakar (Radang ginjal) =1
Kemudian dilanjutkan dengan penentukan nilai bobot user. Misalkan user memilih jawaban sebagai berikut:
Warna mata dan hidung hitam =Tidak = 0 Radang mukosa mata = Mungkin = 0,6 Pembesaran limpah dan hati = Iya = 0,8 Radang ginjal = Yakin =1
Kaidah aturan II yang memiliki 4 premis dipecah menjadi kaidah dengan premis tunggal, sehingga menjadi :
IF Warna mata dan hidung hitam
THEN mungkin Penyakit Leptospirosis Berat IF Radang mukosa mata THEN penyakit
Leptospirosis Berat IF Pembesaran limpah dan hati
THEN Penyakit Leptospirosis Berat
IF Radang ginjal THEN Penyakit Leptospirosis Berat Kaidah-kaidah yang baru tersebut kemudian dihitung nilai CFnya dengan mengalikan CFuser dengan CFpakar menjadi :
CF 1.1 = 0, 4* 0 = 0
CF 1.2 = 0,6 * 0,4 = 0,24 CF 1.3 = 0,8 * 0,6 = 0,48 CF 1.4 = 1 * 0,8 = 0,8
Langkah yang terakhir adalah
mengkombinasikan nilai CF dari masing-masing kaidah :
Kombinasikan CF 1.1 dengan CF 1.2 dengan CF 1.3 : CFcombine (CF1,CF2, CF 1.3) = CF1 + CF2+ CF3 * (1-CF1), sehingga mejadi CFcombine (CF1.1,CF1.2, CF1.3) = CF1.1 + CF1.2+CF1.3 * (1-CF1.1) = 0 + 0,24 + 0,48 *(1 - 0) = 0 + 0,72 = 0,72 Cfold
Kombinasikan Cfold dengan CF 1.4 :
CFCombine (CFold, CF1.4 ) = CFold + CF1.4 * (1- CFold)
= 0,72 + 0,8 * (1-0,72)
= 0,72 + 0,224 = 0,974 CFold
Prosentase keyakinan = CFcombine * 100% = 0,974 * 100% = 9,74 %
Dengan demikian dapat dikatakan bahwa perhitungan
certainty factor yang dilakukan penyakit Leptospirosis
memiliki tingkat keyakinan sistem 99,74 %. 4. ALGORITMA
Langkah – langkah pada sistem halaman diagnosa yaitu dengan mengklik combobox sesi tanya dari halaman pertanyaan itu sendiri, kemudian akan muncul beberapa pertanyaan yang berkaitan dengan penyakit Leptospirosis (kencing tikus) itu sendiri, selanjutnya pasien memilih apakah “ Yakin” atau “cukup yakin” atau “ mungkin” atau “tidak”, kemudian akan muncul nili CF yang menjadi nilai perhitungan dari diagnosa Leptospirosis (kencing tikus) klik proses maka program akan menghitung nilai CF apakah pasien menderita penyakit
Gambar 3. Form Diagnosa Kumpulan perintah halaman diagnosa
berdasarkan rumus Certainty Factor adalah sebagai berikut:
CF [H,E] = MB [H,E] – MD [H,E]
Input : ukuran kenaikan kepercayaan (measure of
increased belief) terhadap hipotesis (H)
yang dipengaruhi oleh gejala (E) Proses : CF (H,E) = CF (E) * CF (rule)
= CF (user) * CF (pakar)
CFcombine (CF1,CF2, CF3, CF4) = CF1 + CF2 + CF3 + CF4* (1-CF1)
Output : CF (user)
CFCombine (CFold, CF1.4 ) = CFold + CF1.4 * (1- CFold)
Proses :
If (Menjawab pertanyaan dari form diagnosa = “Yakin” or “ya” or “Mungkin” )then
{Muncul nilai CF sesuai gejala yang telah dihitung sebelumnya}
Else if (Menjawab pertanyaan dari form diagnosa = “tidak”) then
{secara otomatis sistem akan diberikan nilai “0” or diagnosa tidak memiliki gejala penyakit atau tidak diderita pasien.
End if
Algoritma metode cf: If Nilai cf = “1” then Jawaban “yakin” or
Else if Nilai cf = “0,8” then Jawaban “ Iya” or Else if Nilai cf =”0,6” then
Jawaban “mungkin” or Else if Nilai cf =”0” then
Jawaban “tidak” End if
5. KESIMPULAN DAN SARAN 5.1. Kesimpulan
Setelah melakukan pembahasan dari skripsi ini, maka dapat ditarik beberapa kesimpulan sebagai berikut:
1. Cara mendiagnosa penyakit Leptospirosis
(kencing tikus) ini adalah dengan cara menggunakan metode Certainty factor dengan penelusuran forward chaining dengan cara mengalikan CF user dengan CF pakar.
2. Perancangan metode certainty factor adalah dengan cara mengalikan CF user dengan CF pakar lalu dilakukannya pengkombinasian. 3. Hasil rancangan sistem pakar mendiagnosa
penyakit Leptospirosis (kencing tikus) terdapat beberapa form yaitu form login,form menu, form Diagnosa, form data pakar, dan form data pasien. 5.2. Saran
Berikut adalah saran-saran untuk pengembangan lebih lanjut terhadap aplikasi sistem pakar yang telah dibangun.
1. Sistem ini diharapkan dapat diaplikasikan kedalam sistem online agar dikenal luas oleh pengguna melalui jaringan internet .
2. Adanya pengembangan dalam sistem untuk mendiagnosis penyakit yang disebabkan oleh Virus
3. Perlunya penambahan data untuk jenis penyakit hidung lainnya yang memiliki gejala penyakit yang hampir sama dengan Leptospirosis
(kencing tikus) sehingga sistem ini semakin berkembanga luas.
4. Sistem ini diharapkan dapat memberikan informasi yang akurat dengan melakukan percobaan-percobaan menggunakan banyak kombinasi data penyakit sehingga dapat menjadi perbandingan dalm penentuan jenis penyakit. 5. Untuk mendapatkan hasil yang lebih akurat maka
diperlukannya poenelitian lapangan yang mana peneliti dapat melihat langsung pasien yang menderita
DAFTAR PUSTAKA
1. Kasiman Peranginangin. 2006. Aplikasi Web Dengan PHP dan MySQL. Yogyakarta. Penerbit C.V Andi Offset.
2. Sri Kusuma Dewi. 2006. Fuzzy Multi-Attribute Decision Making (Fuzzy MADM). Yogyakarta. Penerbit Graha Ilmu.
3. Adhi Kusnadi. 2013. Perancangan Aplikasi Sistem Pakar Untuk Diagnosa Penyakit Pada Manusia.
library.umn.ac.id/jurnal/.../cf1a586dead0f479bc5 fb4add0331450.pdf. Waktu Akses 23 April 2014, 14:20 WIB.
4. Anugrah Susdaryanto. 2013. Penerapan Logika Fuzzy Pada Aplikasi Sistem Pakar Untuk Mendiagnosis Penyakit Neurologi Pada Manusia Berbasis Web.
eprints.mdp.ac.id/.../JURNAL%202007250062% 20MALIK%20%26%20. Waktu Akses 23 April 2014, 18:05 WIB.
5. Esthi Dyah Rikhiana. 2013. Implementasi Sistem Pakar Untuk Mendiagnosa Penyakit Dalam Pada Manusia Menggunakan Metode Dempster Shafer.
jogjapress.com/index.php/JSTIF/article/downloa d/1691/1003. Waktu Akses 10 Mei 2014, 22:10 WIB.
