IMPLEMENTASI SISTEM PAKAR UNTUK DIAGNOSA
PENYAKIT MATA PADA MANUSIA
Johni S Pasaribu1
1Manajemen Informatika, Politeknik Piksi Ganesha Bandung
Jl Jend Gatot Subroto no 301, Bandung 40296 Telp. (022) 87340030
E-mail: [email protected])
ABSTRAK
Mata merupakan suatu panca indra yang sangat penting dalam kehidupan manusia untuk melihat. Jika mata mengalami gangguan atau penyakit mata, maka akan berakibat sangat fatal bagi kehidupan manusia. Jadi sudah seharusnya mata merupakan anggota tubuh yang perlu dijaga dalam kesehatan sehari-hari. Sistem pakar merupakan suatu bagian metode ilmu artificial intelligence untuk dibuat suatu program aplikasi diagnosa penyakit mata pada manusia yang terkomputerisasi serta berusaha menggantikan dan menirukan proses penalaran dari seorang ahlinya atau pakar dalam memecahkan masalah spesifikasi, dapat dikatakan duplikat dari seorang pakar karena pengetahuan ilmu tersebut tersimpan di dalam suatu sistem database. Implementasi Sistem Pakar Untuk Diagnosa Penyakit Mata Pada Manusia menggunakan metode forward chaining bertujuan menelusuri gejala yang ditampilkan dalam bentuk pertanyaan-pertanyaan agar dapat mendiagnosa jenis penyakit dengan perangkat lunak berbasis dekstop management sistem. Perangkat lunak sistem pakar dapat mengenali jenis penyakit mata setelah melakukan konsultasi dengan menjawab beberapa pertanyaan-pertanyaan yang ditampilkan oleh aplikasi sistem pakar serta dapat menyimpulkan beberapa jenis penyakit mata yang diderita oleh pasien. Data penyakit yang dikenali menyesuaikan rules (aturan-aturan) yang dibuat untuk dapat mencocokkan gejala-gejala penyakit mata dan memberi pengetahuan agar mengetahui nilai pendekatan jenis penyakit pasien.
Kata Kunci : Sistem Pakar, Forward Chaining, Diagnosa, Mata, Manusia.
1. PENDAHULUAN
(Daniel dan Virginia, 2010) menyebutkan bahwa salah satu masalah di dalam dunia medis atau
kedokteran adalah adanya ketidakseimbangan
antara pasien dan dokter. Selain itu, sebagian besar dari masyarakat tidak terlatih secara medis sehingga apabila mengalami gejala penyakit yang diderita
belum tentu dapat memahami cara-cara
penanggulangannya. Sangat disayangkan apabila gejala-gejala yang sebenarnya dapat ditangani lebih awal menjadi penyakit yang lebih serius akibat kurangnya pengetahuan. Pengetahuan sebenarnya dapat diperoleh dari buku-buku atau situs-situs internet yang membahas tentang kesehatan. Akan tetapi, untuk mempelajari hal tersebut tidaklah mudah karena selain memerlukan waktu yang cukup lama untuk memahaminya, sumber-sumber tersebut juga belum tentu dapat mendiagnosis jenis penyakit seperti yang dilakukan oleh seorang dokter.
Sistem pakar merupakan salah satu bagian dari kecerdasan buatan yang akhir – akhir ini mengalami perkembangan yang sangat pesat. Sistem ini dirancang untuk menirukan keahlian seorang pakar dalam menjawab pertanyaan dan menyelesaikan suatu permasalahan baik di bidang kesehatan atau kedokteran, bisnis, ekonomi dan sebagainya. Sistem pakar merupakan program komputer yang mampu menyimpan pengetahuan dan kaidah seorang pakar yang khusus. Sistem pakar sangat membantu untuk pengambilan keputusan, dimana sistem pakar ini
dapat mengumpulkan dan menyimpan pengetahuan dari seseorang atau beberapa orang pakar dalam
suatu basis pengetahuan (knowledge base) dan
menggunakan sistem penalaran yang menyerupai seorang pakar dalam memecahkan masalah. Jadi, sistem pakar ini dapat memecahkan suatu masalah tertentu karena sudah menyimpan pengetahuan secara keseluruhan (Naser dan Zaiter, 2008).
Oleh karena itu, di dunia kedokteran, sudah banyak bermunculan aplikasi sistem pakar. Sistem pakar ini mampu mendiagnosis berbagai jenis penyakit pada manusia, baik penyakit mata, THT (telinga, hidung, tenggorokan), mulut, organ dalam (jantung, hati, ginjal), maupun AIDS (Fatta, H. dan Wibowo, S. 2010). Dengan adanya sistem pakar ini, orang awam mampu mendeteksi adanya penyakit pada dirinya berdasarkan gejala-gejala yang dirasakan oleh orang tersebut dengan menjawab pertanyaan pada aplikasi seperti halnya konsultasi ke dokter. Dengan demikian, orang awam dapat mendeteksi penyakit beserta solusi pengobatannya sejak dini sehingga bisa dilakukan penanganan segera, bahkan dapat dilakukan upaya pencegahan terhadap penyakit tertentu (Kumar dan Prava, 2010).
Jadi, dengan pengembangan sistem pakar,
diharapkan bahwa orang awam pun dapat
menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli (Handayani dan Sutikno, 2008).
Untuk penelitian ini, jenis penyakit yang didiagnosis oleh sistem pakar adalah jenis penyakit mata. Organ mata dipilih karena mata merupakan panca indera yang sangat penting untuk penglihatan. Dengan mata yang dapat melihat secara normal, manusia dapat menikmati keindahan alam dan berinteraksi dengan lingkungan sekitar dengan baik. Dengan mata, manusia dapat belajar lebih banyak tentang pengetahuan di dunia daripada melalui panca indera yang lain (Naser dan Zaiter, 2008). Hampir setiap kegiatan, manusia menggunakan mata, misalnya membaca, bekerja, menonton televisi, menulis, berkendara, dan lain-lain sehingga banyak orang yang setuju bahwa mata merupakan panca indera yang paling penting. Jika mata mengalami gangguan atau penyakit mata, maka akan berakibat sangat fatal bagi kehidupan manusia. Proses pembelajaran dan interaksi manusia akan terganggu. Jadi, sudah mestinya mata merupakan anggota tubuh yang perlu dijaga dalam kesehatan sehari-hari dan sudah semestinya manusia tahu sejak dini apabila terkena gejala penyakit mata tertentu sehingga tidak semakin parah dan membahayakan mata apalagi hingga terjadi kebutaan. Pada kenyataannya, banyak kasus penyakit mata dapat menimbulkan kebutaan karena terlambat ditangani (Naser dan Zaiter, 2008).
Berdasarakan uraian tadi, maka perumusan
masalah pada penelitian dapat dirumuskan
“Bagaimana suatu sistem pakar dapat mendiagnosa jenis penyakit mata manusia menggunakan metode forward chaining”. Adapun tujuan penelitian ini adalah membuat suatu perangkat lunak untuk dapat diagnosa penyakit mata pada manusia menggunakan rekayasa sistem pakar (expert system). Agar setiap penderita penyakit mata dapat dengan mudah dan cepat mengetahui jenis penyakit mata tanpa harus ke dokter terlebih dahulu. Sistem nantinya untuk menggantikan ahlinya untuk mengenai jenis penyakit dan mencari solusi dalam pengobatannya.
Pembuatan perangkat lunak diagnosa penyakit mata pada manusia menggunakan sistem pakar ini memberikan manfaat untuk:
a. Untuk menghasilkan suatu prototype sistem
pakar untuk diagnosa penyakit mata dan
penerapannya dalam ilmu kedokteran mata.
b. Membantu dokter mengambil keputusan
dalam mendiagnosa penyakit mata, sehingga dapat digunakan oleh pengguna yang minimal mempunyai dasar tentang anatomi mata, seperti perawat dan dokter spesialis mata.
2. PEMBAHASAN
2.1 Landasan Teori
2.1.1 Proses Diagnosis Penyakit
Proses diagnosis merupakan perpaduan dari aktifitas intelektual dan manipulatif. Menurut Handayani dan Sutikno (2008), diagnosis sendiri
didefinisikan sebagai suatu proses penting
pemberian nama dan pengklasifikasian
penyakit-penyakit pasien, yang menunjukkan kemungkinan
nasib pasien dan yang mengarahkan pada
pengobatan tertentu. Diagnosis sebagaimana halnya dengan penelitian-penelitian ilmiah, didasarkan atas metode hipotesis. Dengan metode hipotesis ini
menjadikan penyakit-penyakit begitu mudah
dikenali hanya dengan suatu kesimpulan diagnostik. Diagnosis dimulai sejak permulaan wawancara
medis dan berlangsung selama melakukan
pemeriksaan fisik.
Dari diagnosis tersebut akan diperoleh
pertanyaan-pertanyaan yang terarah, perincian pemeriksaan fisik yang dilakukan untuk menentukan pilihan tes-tes serta pemeriksaan khusus yang akan dikerjakan. Data yang berhasil dihimpun akan dipertimbangkan dan diklasifikasikan berdasarkan keluhan-keluhan dari pasien serta hubungannya terhadap penyakit tertentu. Berdasarkan gejala-gejala serta tanda-tanda yang dialami oleh penderita, maka pemusatan diagnosis akan lebih terpusat pada bagian-bagian tubuh tertentu. Dengan demikian penyebab dari gejala-gejala dan tanda-tanda tersebut dapat diketahui dengan mudah dan akhirnya diperoleh kesimpulan awal mengenai penyakit tertentu.
2.1.2 Sistem Pakar
Menurut Naser dan Zaiter (2008), sistem pakar
adalah suatu sistem yang memanfaatkan
pengetahuan manusia yang ditangkap di sebuah komputer untuk memecahkan masalah yang biasanya membutuhkan keahlian manusia. Durkin dalam Daniel dan Virginia (2010) juga menyebutkan hal yang senada bahwa sistem pakar adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang untuk memodelkan
kemampuan menyelesaikan masalah seperti
layaknya seorang pakar. Sistem pakar mencari dan
memanfaatkan informasi yang relevan dari
pengguna dan dari basis pengetahuan yang tersedia untuk membuat rekomendasi. Sistem pakar juga
dapat didefinisikan sebagai sistem berbasis
komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut. Sistem pakar memberikan nilai tambah pada teknologi untuk membantu dalam menangani era informasi yang semakin canggih (Daniel dan Virginia, 2010). Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli (Prabowo dkk, 2008).
Sulistyohati dan Hidayat (2008) mengatakan bahwa konsep dasar suatu sistem pakar mengandung beberapa unsur, diantaranya adalah keahlian, ahli,
pengalihan keahlian, inferensi, aturan, dan
kemampuan menjelaskan. Keahlian adalah salah satu penguasaan pengetahuan di bidang tertentu dan mempunyai keinginan untuk belajar memperbaharui pengetahuan dalam bidangnya. Pengalihan keahlian
adalah mengalihkan keahlian dari seorang pakar dan kemudian dialihkan lagi ke orang yang bukan ahli atau orang awam yang membutuhkan. Pengalihan keahlian ini adalah tujuan utama dari sistem pakar. Inferensi merupakan suatu rangkaian proses untuk menghasilkan informasi dari fakta yang diketahui
atau diasumsikan. Kemampuan menjelaskan
merupakan salah satu fitur yang harus dimiliki oleh sistem pakar setelah tersedia program di dalam komputer.
Tujuan pengembangan sistem pakar sebenarnya tidak untuk menggantikan peran para pakar, namun untuk mengimplementasikan pengetahuan para pakar ke dalam bentuk perangkat lunak, sehingga dapat digunakan oleh banyak orang dan tanpa biaya yang besar (Sulistyohati dan Hidayat, 2008). Selain itu, bagi para ahli, sistem pakar ini justru akan membantu aktifitasnya sebagai asisten yang sangat berpengalaman (Handayani dan Sutikno, 2008). Untuk membangun sistem yang difungsikan untuk menirukan seorang pakar maka harus bisa melakukan hal-hal yang dapat dikerjakan oleh para pakar. Menurut Setiawan (2009), untuk membangun sistem yang seperti itu, dibutuhkan komponen-komponen sebagai berikut:
1. Basis pengetahuan (Knowledge base). Berisi pengetahuan-pengetahuan yang dibutuhkan untuk memahami, memformulasikan dan memecahkan persoalan. Bentuk basis pengetahuan yang umum digunakan ada 2, yaitu: penalaran berbasis aturan dan penalaran berbasis kasus.
2. Motor inferensi (inference engine). Ada 2 cara yang dapat dikerjakan dalam melakukan inferensi, yaitu:
a. Forward chaining merupakan grup dari
multiple inferensi yang melakukan pencarian dari
suatu masalah kepada solusinya. Forward chaining
adalah data-driven karena inferensi dimulai dengan informasi yang tersedia dan baru konklusi diperoleh. Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kiri (IF dulu). Dengan kata lain, penalaran dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis. Gambar 1 berikut
menunjukkan diagram Forward chaining.
Gambar 1. Diagram Forward Chaining
b. Backward chaining menggunakan
pendekatan goal-driven, dimulai dari ekspektasi apa
yang diinginkan terjadi (hipotesis), kemudian mencari bukti yang mendukung (atau kontradiktif)
dari ekspektasi tersebut. Pencocokan fakta atau pernyataan dimulai dari bagian sebelah kanan (THEN dulu). Dengan kata lain, penalaran dimulai dari hipotesis terlebih dahulu, dan untuk menguji kebenaran hipotesis tersebut harus dicari fakta-fakta yang ada dalam basis pengetahuan. Gambar 2
berikut menunjukkan diagram Backward chaining.
Gambar 2. Diagram Backward Chaining
3. Blackboard. Merupakan area kerja memori yang disimpan sebagai database untuk deskripsi persoalan terbaru yang ditetapkan oleh data input dan digunakan juga untuk perekaman hipotesis dan keputusan sementara.
4. Subsistem akuisisi pengetahuan. Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi keahlian pemecahan masalah dari pakar atau sumber pengetahuan terdokumentasi ke
program komputer untuk membangun atau
memperluas basis pengetahuan.
5. Antarmuka pengguna (User Interface).
Digunakan untuk media komunikasi antara user dan
program.
6. Subsistem penjelasan. Digunakan untuk melacak respon dan memberikan penjelasan tentang kelakuan sistem pakar secara interaktif melalui pertanyaan.
7. Sistem penyaring pengetahuan.
Untuk lebih jelasnya, komponen sistem pakar dapat dilihat pada Gambar 3.
Gambar 3. Komponen Sistem Pakar 1 (Turban, 1995) Observasi 1 Observasi 2 Kaidah A Kaidah B Fakta 1 Fakta 2 Fakta 3 Kaidah D Kaidah E Kesimpulan 1 Kaidah C Kesimpulan 2 Kesimpulan 3 Kesimpulan 4 Observasi 1 Observasi 2 Observasi 3 Observasi 4 Kaidah A Kaidah B Kaidah C Fakta 1 Fakta 2 Fakta 3 Kaidah D Kaidah E Tujuan Pengguna Antarmuka Pengguna Aksi yang direkomendasikan Mesin Inferensi Menarik kesimpulan Fasilitas Penjelasan Fakta tentang kejadian tertentu
Blackboard (tempat kerja) Rencana Agenda Solusi Deskripsi masalah Perbaikan pengetahuan Basis Pengetahuan : Fakta dan Aturan
Knowledge Engineer Pengetahuan Pakar Pengetahuan terdokumentasi
Lingkungan Konsultasi Lingkungan Pengembangan
Akuisisi pengetahuan
Sementara itu, Naser dan Zaiter (2008) menyebutkan bahwa sistem pakar itu terdiri dari 6 komponen, yaitu:
- Rule-based systems - Knowledge-based systems - Intelligent agent (IA) - Database methodology - Inference engine
- System-user interaction (User Interface) Komponen sistem pakar seperti ini dapat dilihat pada Gambar 4.
Gambar 4. Komponen Sistem Pakar 2 (Turban, 1995)
Dari komponen-komponen sistem pakar di atas, secara garis besar ada 3 komponen utama, yaitu: basis pengetahuan, mesin inferensi, dan antarmuka pengguna (Daniel dan Virginia, 2010). Terkait dari salah satu komponen sistem pakar yaitu akuisisi
pengetahuan, Milton, N.R dalam bukunya
menegaskan terdapat tiga aspek dalam akuisisi pengetahuan (Daniel dan Virginia, 2010), yaitu :
1. Knowledge capture
Knowledge capture adalah teknik yang
digunakan ketika bertemu pakar. Teknik ini terdiri dari interview techniques, modelling techniques, dan
specialised techniques.
2. Knowledge analysis
Analisis pengetahuan ini merupakan proses mengidentifikasi elemen yang dibutuhkan dalam membangun basis pengetahuan. Terdapat 4 elemen penting dalam membangun basis pengetahuan, yaitu konsep, atribut, value/nilai dan relasi.
3. Knowledge modelling
Knowledge modelling yaitu menciptakan cara
yang berbeda dalam mengubah dan menampilkan basis pengetahuan. Terdiri dari bagian-bagian seperti pohon (trees), matriks, map, timeline, frame dan
knowledge page.
Terkait dengan komponen rule base, kaidah
produksi yang biasa dikenal rule base (basis aturan) ini menjadi acuan yang sangat sering digunakan oleh sistem inferensi. Kaidah produksi ini merupakan
salah satu model untuk merepresentasikan
pengetahuan (knowledge base). Kaidah produksi
merupakan kumpulan kaidah-kaidah yang saling berhubungan satu sama lain (Fattah dan Wibowo, 2010). Kaidah produksi dituliskan dalam bentuk
pernyataan IF-THEN (Jika-Maka). Pernyataan ini
menghubungkan bagian premis (IF) dan bagian
kesimpulan (THEN) yang dituliskan dalam bentuk :
IF [premis] THEN [konklusi]
Jadi, kaidah ini dapat dikatakan sebagai suatu implikasi yang terdiri dari dua bagian, yaitu premis dan bagian konklusi. Apabila bagian premis dipenuhi maka bagian konklusi akan bernilai benar. Bagian premis dalam aturan produksi dapat memiliki lebih dari satu proposisi.
Proposisi-proposisi tersebut dihubungkan dengan
menggunakan operator logika AND atau OR.
2.2 Metode
2.2.1 Alur Kerja Sistem
Pengetahuan medis dari dokter spesialis
diperlukan untuk pengembangan sistem pakar. Menurut Naser dan Zaiter (2008), pengetahuan ini dikumpulkan dalam dua tahap. Pada tahap pertama, latar belakang medis suatu penyakit dicatat melalui wawancara pribadi dengan dokter dan pasien. Pada tahap kedua, seperangkat aturan dibuat di mana masing-masing aturan yang terkandung dalam
bagian IF mempunyai gejala dan dalam bagian
THEN mempunyai penyakit yang dispesifikasikan.
Mesin inferensi (forward chaining) adalah algoritma
pencocokkan pola yang tujuan utamanya adalah untuk mengasosiasikan fakta (data input) dengan aturan yang berlaku dari basis aturan (rule base). Dengan demikian, kesimpulan mengenai jenis penyakit dan penanganannya nantinya dapat dihasilkan oleh mesin inferensi tersebut.
2.2.2 Sumber Data
Sumber data yang digunakan dalam sistem pakar untuk mendiagnosis penyakit mata pada manusia meliputi data jenis penyakit mata dan data gejala yang menyerang penyakit mata tersebut (Hamdani, 2010).
2.2.3 Desain Proses
Untuk kasus diagnosis penyakit mata ini, desain proses dijelaskan menggunakan decision tree yang berhubungan dengan tabel dan sering digunakan dalam analisis sistem (sistem non AI). Sebuah
decision tree dapat dianggap sebagai suatu semantic
network hirarki yang diikat oleh serangkaian aturan
(rule). Tree ini mirip dengan pohon keputusan yang
digunakan pada teori keputusan. Tree dibentuk oleh
simpul (node) yang mempresentasikan tujuan (goal)
dan hubungan (link) yang dapat mempresentasikan keputusan (decision). Akar (root) dari pohon berada di sebelah kiri dan daun (leaves) berada di sebalah kanan. Keuntungan utama dari decision tree yaitu
tree dapat menyederhanakan proses akuisi
Tree yang digunakan pada masalah diagnosis
penyakit mata merupakan suatu forward chaining
tree. Pada forward chaining tree penelusuran
informasi dilakukan secara forward (ke depan)
seperti yang umumnya digunakan pada masalah-masalah diagnosis lainnya. Dari pernyakit mata yang
diketahui, kemudian mencoba melakukan
penelusuran ke depan untuk mencari fakta-fakta yang cocok berupa gejala-gejala penyebab penyakit mata yang bersangkutan. Pada tree tersebut dapat dilihat bagaimana suatu gejala penyakit atau kesimpulan gejala penyakit merujuk kepada suatu jenis penyakit tertentu, dan bagaimana beberapa gejala yang sama dapat merujuk kepada beberapa penyakit yang berbeda. Pada penelusuran dengan
metode forward chaining dapat dilihat bahwa
penelusuran ke depan untuk mengenali penyebab dan jenis penyakit yang dialami oleh pasien. Untuk lebih jelasnya, dapat dilihat pada Gambar 5.
Gambar 5. Decision Tree Dengan Forward
Chaining
2.2.4 Desain Diagram Konteks
Beberapa jurnal melakukan perancangan sistem pakar untuk mendiagnosis penyakit mata ini menggunakan diagram konteks. Diagram ini menjelaskan tentang hubungan input/output antara sistem dengan dunia luarnya. Suatu diagram konteks selalu mengandung satu proses saja yang mewakili proses seluruh sistem. Perancangan sistem dimulai dari hal yang paling global hingga menjadi model yang paling detail. Aliran data bersumber dari
pengetahuan yang didapatkan dari pakar,
dimasukkan ke dalam sistem, kemudian diproses. Dalam hal ini, pakar bertugas memasukkan data-data baru mengenai gejala dan jenis penyakit. Pasien memasukan gejala yang dirasakan untuk keperluan diagnosis, kemudian pasien mendapatkan hasil diagnosis penyakit. Secara umum, diagram konteks sistem pakar untuk diagnosis penyakit mata pada manusia dapat dilihat pada Gambar 6.
Gambar 6. Diagram Konteks Sistem Pakar Diagnosis Penyakit Mata
Pada diagram konteks ini terdapat 3 sistem yang mempengaruhi pemprosesan untuk mendiagnosa penyakit mata pada manusia, diantaranya adalah:
1. Pakarnya (dokter/admin sistem) dapat berfungsi sebagai administrator untuk memasukkan data-data baru mengenai gejala dan jenis penyakit.
2. User (pemakai sistem pakar) adalah pasien
yang berkonsultasi dengan sistem perangkat lunak diagnosa penyakit mata.
3. System Engineer (mesin sistem pakar) untuk
mengelola dan mempresentasikan jenis penyakit dan mengelola rules (aturan-aturan) gejala menjadi jenis penyakit.
2.2.5 Data Flow Diagram
Merupakan suatu gambaran grafis dari suatu sistem yang menggunakan sejumlah bentuk-bentuk simbol untuk menggambarkan bagaimana data mengalir melalui suatu proses yang saling berkaitan. Walaupun nama diagram ini menekankan pada data, situasinya justru sebaliknya: penekanannya ada pada
Pakar / Administrator /
Dokter
Laporan penyakit
System Engineer Data gejala dan penyakit
Referensi penyakit
Hasil diagnosa penyakit mata Data pasien (user id dan password)
Data jenis penyakit Data gejala penyakit
Sistem Pakar Untuk Diagnosa Penyakit Mata
Pada Manusia Laporan gejala penyakit
Laporan data pasien
User Sistem Pakar Data konsultasi
Lekas capek kalau kerja dekat Peradangan Mata Glaukoma Alergi Gigitan Serangga Sistimik Sekret Konjungtiva Kemerahan Skwama Edema Krusta
Bulu mata jatuh dan tidak diganti dengan yang baru
Mata kering
Bulu mata jatuh dan diganti dengan yang baru
Tidak tampak krusta
Ada ketombe di kepala
Ada ketombe di mata atau telinga
Mata kalau pagi lengket
Panas
Gatal
Tidak tahan cahaya
Palpebra bengkak
Merah sakit
Terdapat tonjolan pada palpebra
Blefaritis
Konjungtivitis yang menahun
Anemia
Acne vulgaris
GI Meiboom
GI Zeis
Pembengkakan sebesar kacang
Ujung kelenjar Meiboom terdapat masa yang kuning dari sekresi
Jaringan granulasi menonjol keluar
Gangguan refleksi Edema palpebra inflamatoir Edema palpebra noninflamatoir Dermatitis palpebra Blefaritis Blefaritis ulserativa Blefaritis nonulserativa Hordeolum Konjungtivitis Keratitia Cuperficial Hordeolum internum Hordeolum eksternum Kalazion
proses. Dari analisis yang dilakukan, diperoleh data flow diagram seperti gambar 7 berikut:
Gambar 7. DFD Level 1 Sistem Pakar Diagnosis Penyakit Mata
2.2.6 Hasil dan Pembahasan
Setelah dibuat decision tree dengan metode
forward chaining, hasil implementasinya dapat
dilihat pada Gambar 8.
Gambar 8. Implementasi Rule
Berdasarkan aturan-aturan (rule) yang
diimplementasikan tersebut, dengan metode forward
chaining, sistem pakar akan dapat memberikan
kesimpulan hasil diagnosis penyakit mata sesuai dengan gejala yang dirasakan pasien sebagai pengguna aplikasi. Contoh penerapan aplikasi sistem pakar untuk diagnosis penyakit mata dapat dilihat pada Gambar 9.
Gambar 9. Contoh Aplikasi Sistem Pakar Untuk Diagnosis Penyakit Mata
Pada Gambar 9, merupakan tampilan jendela aplikasi untuk melakukan proses konsultasi, pasien
(user) dapat langsung menjawab option Ya atau
Tidak dari pertanyaan-pertanyaan yang ditampilkan
pada kolom tersebut. Selanjutnya sistem akan dapat menyimpulkan jenis penyakit yang diderita oleh pasien pada kolom Kesimpulan Penyakit Mata. Tombol OK untuk memproses pertanyaan untuk dijawab. Tombol OK, tidak dapat diklik apabila suatu pertanyaan belum dijawab oleh pasien. Sedangkan tombol Keluar adalah untuk keluar atau menutup jendela aplikasi konsultasi. Perhatikan pada
gambar hasil proses diagnosa di bawah,
menunjukkan hasil dan kesimpulan jenis penyakit yang diderita oleh pasien penyakit mata.
Adapun hasil penelusuran diagnosa dapat dilihat
pada kolom Kesimpulan Penyakit Mata. Pada
kolom tersebut, menunjukkan bahwa pasien
mengalami jenis penyakit mata Edema Palpepbra
Inflamatoir memiliki 100% kemungkinan
menunjukkan penyakit tersebut, tetapi dengan hal sama, pasien juga dimungkinkan mengalami penyakit mata lain berjenis Blefaritis, dengan bobot persentase 30%. Proses Pemasukkan Data Gejala/ Penyakit Admin Laporan Administrasi
Data gejala & penyakit System Engineer
Kirim hasil data gejala Representasi penyakit
dan gejala
Proses Penelusuran
Gejala akan ditelusuri
Data ditelusuri Pendiagnosaan jenis penyakit Proses Konsultasi Penyakit Data pertanyaan User/Pasien Data user : login user
Menjawab pertanyaan
Gagal konsultasi
Hasil gejala
Gagal login : data ditolak
Proses Diagnosa
Hasil diagnosa penyakit mata pasien
Hasil penelusuran
Rule_1: Edema_palpebra_inflamatoir
IF Gejala_A = Peradangan_mata And
Gejala_B = Glaukoma_akuta Then
Penyakit_1 = Edema_palpebra_inflamatoir Rule_2: Edema_palpebra_noninflamatoir
IF Gejala_A = Alergi And
Gejala_B = Gigitan_serangga Then
Penyakit_2 = Edema_palpebra_noninflamatoir Rule_3: Edema_palpebra_inflamatoir
IF Gejala_A = Peradangan_mata And
Gejala_B = Alergi Then
Penyakit_1 = Edema_palpebra_inflamatoir Rule_4: Edema_palpebra_noninflamatoir
IF Gejala_A = Alergi And
Gejala_C = Sistimik Then
Penyakit_2 = Edema_palpebra_noninflamatoir Rule_5: Edema_palpebra_inflamatoir
IF Gejala_B = Gigitan_serangga And
Gejala_C = Sistimik Then
Penyakit_1 = Edema_palpebra_inflamatoir Rule_6: Dermatitis_palpebra
IF Gejala_A = Sekret_konjungtiva And
Gejala_B = Alergi_kosmetik Then Penyakit_3 = Dermatitis_palpebra Rule_7: Dermatitis_palpebra
IF Gejala_A = Sekret_konjungtiva And
Gejala_B = Alergi_obat Then
Penyakit_3 = Dermatitis_palpebra Rule_8: Dermatitis_palpebra
IF Gejala_A = Alergi_kosmetik And
Gejala_B = Alergi_obat Then
Penyakit_3 = Dermatitis_palpebra Rule_9: Blefaritis
IF Gejala_A = Kemerahan And
Gejala_B = Edema Then
Penyakit_4 = Blefaritis Rule_10 . . . . . . . . . . . . Rule_42: Trikiasis IF Gejala_A = Rangsangan_mekanis_pada_kornea And
Gejala_B = Rasa_sakit And
Gejala_C = Lakrimasi And
Gejala_D = Fotofobi And
Gejala_E = Blefarospasme And
Gejala_F = Kekuruhan_kornea And
Gejala_G = Ulkus_kornea And
Gejala_H = Kemerahan_konjungtiva And Then
Pada aplikasi sistem pakar lainnya, tidak jarang juga sudah memberikan solusi atau cara penanganan terhadap jenis penyakit yang diderita tersebut. Untuk lebih jelas mengenai penerapan sistem pakar dalam hal mendiagnosis penyakit mata, berikut ini terdapat contoh aplikasi lainnya yang sejenis. Contoh aplikasi lainnya tersebut dapat dilihat pada Gambar 10.
Gambar 10. Contoh Aplikasi Sistem Pakar Lainnya Untuk Diagnosis Mata
Kedua contoh aplikasi sistem pakar untuk diagnosis penyakit mata di atas masih belum
berbasis web. Seiring dengan perkembangan
teknologi yang begitu cepat, saat ini sebenarnya sudah banyak sistem pakar yang dibuat berbasis web. Dengan adanya aplikasi sistem pakar berbasis
web, pengguna dapat mengakses aplikasi tersebut di
mana saja dengan lebih mudah dan praktis. Sistem pakar berbasis web ini dapat dipelajari lebih lanjut dengan mambaca artikel atau jurnal pada bagian referensi yang membahas hal tersebut.
3. KESIMPULAN
Aplikasi sistem pakar (expert system) dalam bidang kedokteran yang dibuat dengan proses
penelusuran maju (forward chaining) mampu
mengenali jenis penyakit pada manusia, terutama jenis penyakit mata. Aplikasi sistem pakar ini dapat menjadi sarana untuk menyimpan pengetahuan tentang penyakit terutama yang berkenaan dengan jenis penyakit mata dari para pakar atau ahlinya. Sistem pakar mampu membantu pasien maupun dokter dalam menyediakan sistem pendukung keputusan dan saran dari pakar.
Sistem Pakar Untuk Diagnosa Penyakit Mata pada Manusia ini berdasarkan fungsi dibagi menjadi
dua yaitu sistem pakar untuk user atau pengguna dan
sistem pakar untuk admin. Dari hasil uji coba dan evaluasi yang telah dilakukan, maka dapat diambil beberapa kesimpulan sebagai berikut:
1. Untuk User
a. Pasien dapat langsung berkonsultasi
dengan sistem perangkat lunak tanpa harus berkonsultasi dengan seorang pakarnya (dokter mata) dengan syarat harus mendaftarakan diri sebagai pasien dan mendapatkan account login.
b. Metode Sistem Pakar (expert system)
yang dibuat dengan proses
penelusuran fordward chaining untuk
mengenali jenis penyakit mata pada manusia.
c. Hasil diagnosa dapat menampilkan
beberapa kemungkinan jenis penyakit mata pada manusia.
d. Cara pemilihan urutan data dengan
mengelompokkan jenis penyakit
sesuai dengan hasil kuisioner dengan beberapa dokter mata.
2. Untuk Admin
a. Sistem hanya dapat mengenali dan
mendiagnosa jenis penyakit mata yang ada dalam tabel kebenaran penyakit.
b. Sistem hanya dapat mendiagnosa satu
pasien dalam melakukan konsultasi,
dan dapat mengulangi kembali
konsultasi dengan login system.
c. Admin bisa mengedit data jenis
penyakit mata berdasarkan paparan dari ahli bidang mata.
Saran yang diajukan untuk pengembangan sistem pakar yang lebih baik adalah sistem pakar ini seharusnya juga bisa memberikan solusi atau rekomendasi pengobatan terhadap jenis penyakit tertentu jika dikembangkan lebih jauh lagi. Selain itu, sistem pakar juga perlu ditambah analisis
pemeriksaan laboratorium untuk memperkuat
diagnosis awal sehingga sistem semakin akurat dalam melakukan diagnosis penyakit.
PUSTAKA
Daniel dan Virginia, G. 2010. Implementasi Sistem Pakar Untuk Mendiagnosis Penyakit Dengan Gejala Demam Menggunakan Metode Certainty
Factor. Jurnal Informatika, Volume 6, Nomor 1.
Fatta, H. dan Wibowo, S. 2010. Sistem Pakar Untuk
Mendiagnosa Penyakit Telinga Hidung
Tenggorokan Pada Manusia. Yogyakarta:
AMIKOM.
Hamdani. 2010. Sistem Pakar Untuk Diagnosa
Penyakit Mata Pada Manusia. Jurnal
Informatika Mulawarman, Volume 5, Nomor 2.
Choose one of the problem areas listed below 1.) Discharge from the Eye. 2.) Bulging Eye. 3.) Double Vision. 4.) Drooping Eyelid. 5.) EXIT OF SYSTEM.
Enter no. of your choise: 1
Is your eyes red ? (yes | no) Your answer: yes
Is your eyes swollen eyelids ? (yes | no) Your answer: yes
Is your eyes pus like discharge and crusting of eyelids on awakening ? (yes | no) Your answer: yes
Your suffer from Bacterial Conjunctivitis OR blepharitits. Thank you for using my Program.
Handayani, L dan Sutikno, T. 2008. Sistem Pakar untuk Diagnosis Penyakit THT Berbasis Web
dengan “e2gLite Expert System Shell”. Jurnal
Teknologi Industri, Volume 12, Nomor 1.
Kumar, S dan Prava, D. 2010. An Expert System for
Diagnosis of Human Diseases. International
Journal of Computer Applications, Volume 1, Nomor 13.
Naser, A. dan Zaiter, A. 2008. An Expert System For
Diagnosing Eye Disease Using Clips. Journal of
Theoretical and Applied Information
Technology.
Prabowo, W. ,dkk. 2008. Sistem Pakar Berbasis
Web Untuk Diagnosa Awal Penyakit THT.
Proceeding of SNASTI.
Setiawan, Anton. 2009. Sistem Pakar Untuk
Mendiagnosa Penyakit Telinga Hidung
Tenggorokan Pada Manusia. Jurnal Telkomnika,
Volume 7, Nomor 3.
Sulistyohati, A. dan Hidayat, T. 2008. Aplikasi
Sistem Pakar Diagnosa Penyakit Ginjal Dengan
Metode Dempster-Shafer. Proceeding of
SNASTI.
Turban., E dan Jay E.A. 2001. Decision Support
System and Intellegent System, sixth edition,
