IMPLEMENTASI METODE CERTAINTY FACTOR DALAM PEMBANGUNAN SISTEM PAKAR DIAGNOSA PENYAKIT SARS
COV – 2 (COVID – 19) BERBASIS WEB
SKRIPSI
MELLIANTA SITEPU 171401106
PROGRAM STUDI S-1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2021
IMPLEMENTASI METODE CERTAINTY FACTOR DALAM
PEMBANGUNAN SISTEM PAKAR DIAGNOSA PENYAKITSARS COV – 2 (COVID – 19) BERBASIS WEB
SKRIPSI
Diajukan untuk melengkapi tugas dan memenuhi syarat memperoleh Ijazah Sarjana Ilmu Komputer
Mellianta Sitepu 171401106
PROGRAM STUDI S-1 ILMU KOMPUTER
FAKULTAS ILMU KOMPUTER DAN TEKNOLOGI INFORMASI UNIVERSITAS SUMATERA UTARA
MEDAN 2021
PERSETUJUAN
Judul : IMPLEMENTASI METODE CERTAINTY
FACTOR DALAM PEMBANGUNAN
SISTEM PAKAR DIAGNOSA PENYAKIT SARS COV-2 (COVID – 19) BERBASIS WEB
Kategori : SKRIPSI
Nama : MELLIANTA SITEPU
Nomor Induk Mahasiswa : 171401106
Program Studi : SARJANA (S-1) ILMU KOMPUTER
Fakultas : ILMU KOMPUTER DAN TEKNOLOGI
INFORMASI UNIVERSITAS SUMATERA UTARA
Diluluskan di Medan, November 2021 Komisi Pembimbing :
Pembimbing I Pembimbing II
Sri Melvani Hardi S.Kom., M.Kom. Dr. Amalia ST., M.T.
NIP. 198805012015042006 NIP. 197812212014042001
Diketahui / disetujui oleh
Program Studi S-1 Ilmu Komputer Ketua,
Dr. Amalia ST., M.T.
NIP. 197812212014042001
iii
PERNYATAAN
IMPLEMENTASI METODE CERTAINTY FACTOR DALAM
PEMBANGUNAN SISTEM PAKAR DIAGNOSA PENYAKIT SARS COV-2 (COVID – 19) BERBASIS WEB
SKRIPSI
Saya mengakui bahwa skripsi ini adalah hasil kerja saya sendiri, kecuali beberapa kutipan dan ringkasan yang masing-masing disebutkan sumbernya.
Medan, Desember 2021
Mellianta Sitepu 171401106
UCAPAN TERIMA KASIH
Segala puji, syukur, hormat, dan kemuliaan penulis panjatkan bagi Allah Tritunggal atas kasih karunia-Nya sehingga penulis dapat menyelesaikan pengerjaan skripsi ini sebagai sebagai syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi S-1 Ilmu Komputer, Universitas Sumatera Utara. .
Dengan segala kerendahan, penulis juga ingin menyampaikan rasa hormat dan terima kasih kepada semua pihak yang telah membantu dalam penulisan skripsi ini baik dari dukungan doa, pemberian ide dan pemikiran, kerja sama, serta semangat. Penulis mengucapkan terima kasih kepada:
1. Bapak Dr. Muryanto Amin, S.Sos., M.Si. selaku Rektor Universitas Sumatera Utara.
2. Ibu Dr. Maya Silvi Lydia, B.Sc., M.Sc. selaku Dekan Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera.
3. Ibu Dr. Amalia ST., M.T. selaku ketua Program Studi S-1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
4. Ibu Sri Melvani Hardi S.Kom., M.Kom. selaku Dosen Pembimbing I yang telah memberikan arahan, kritik, saran, dan bimbingan kepada penulis dalam pengerjaan tugas akhir ini.
5. Ibu Dr. Amalia ST., M.T. selaku Dosen Pembimbing II yang telah memberikan bimbingan, arahan dan saran kepada penulis selama masa dalam pengerjaan tugas akhir ini.
6. Bapak Dr. Poltak Sihombing, M.Kom. selaku Dosen Pembanding I yang telah memberikan kritik, saran dan motivasi kepada penulis dalam penyempurnaan tugas akhir ini.
7. Bapak Jos Timanta Tarigan S.Kom., M.Sc. selaku Dosen Pembanding II yang telah memberikan kritik, saran dan motivasi kepada penulis dalam penyempurnaan tugas akhir ini.
v
8. Ibu Dr. Amalia ST., M.T. selaku dosen Pembimbing Akademik yang telah memberikan dukungan, motivasi dan masukkan kepada penulis selama masa perkuliahan.
9. Seluruh dosen di Program Studi S-1 Ilmu Komputer yang telah berdedikasi tinggi memberikan ilmu dan pelajaran yang sangat berarti bagi penulis di selama masa perkuliahan.
10. Seluruh pegawai yang telah bekerja keras dalam membantu penulis menjalani proses perkuliahan di Program Studi S-1 Ilmu Komputer Fakultas Ilmu Komputer dan Teknologi Informasi Universitas Sumatera Utara.
11. Penghargaan yang paling istimewa kepada orang tua tercinta dan terkasih penulis yang menjadi Support System, yaitu Ayahanda Darius Sitepu, Ibunda Mahdalena Ginting, dan Biring(alm) dan Bayang tercinta, Adik - Adik tersayang, yaitu Adik Putri Dwiana Sitepu, Adik Ratu Triaeklesia Sitepu yang selama ini telah senantiasa memberikan doa, kasih sayang, nasihat, dukungan baik moral maupun materil. Serta seluruh keluarga besar penulis yang tidak dapat disebut satu persatu.
12. Teman yang terkasih Theo Jeremi Eli Eser Tarigan yang memberikan motivasi, dukungan, bantuan, penghiburan di saat suka duka, dan teman berselisih yang membuat lebih memikirkan skripsi dari pada bersedih kepada penulis dalam mengerjakan skripsi ini.
13. Teman baik sampai sekarang yang selalu menguatkan di saat banyak pikiran yaitu, Thety Pyliana br Tarigan dan Prisillia Jesikapta Sebayang.
14. Teman-teman seperjuangan stambuk 2017 S-1 Ilmu Komputer Universitas Sumatera Utara secara khusus yaitu teman-teman Kom A.
15. Drama Korea yang menemani dan memberi hiburan kepada penulis dan mengembalikan mood penulis disaat lagi tidak baik.
16. Serta semua pihak yang telah banyak membantu dalam pengerjaan tugas akhir ini yang tentu tidak dapat disebutkan satu persatu.
17. Last but not least , I wanna thank me, for believing in me, for doing all this hard work, for having no days off, for never quitting.
Semoga Tuhan memberikan kelimpahan berkat dan kasih karunia kepada semua pihak yang telah memberikan doa, semangat, dukungan, dan bantuan kepada penulis dalam menyelesaikan penulisan skripsi ini. Semoga skripsi ini dapat memberikan manfaat kepada penulis, peneliti, pendidik maupun negara.
Medan, Desember 2021
Mellianta Sitepu
vii ABSTRAK
Virus Corona atau severe acute respiratory syndrome coronavirus 2 (SARS-CoV- 2) adalah virus yang menyerang sistem pernapasan. Penyakit karena infeksi virus ini disebut COVID-19. Virus Corona bisa menyebabkan gangguan ringan pada sistem pernapasan, infeksi paru-paru yang berat, hingga kematian. Sistem pakar merupakan solusi untuk membantu semua orang dalam melakukan diagnosa awal kemungkinan penyakit SARS CoV - 2 (Covid -19) Sesuai gejala yang dimasukkan dan mengacu pada diagnosa awal basis ilmu yang didapat pakar. Sistem pakar ini dirancang dengan beberapa tahap diantaranya analisa kebutuhan sistem, desain, coding dan testing. Sistem pakar ini direpresentasikan dalam bentuk metrik dan membantu proses penalaran sistem pakar (certainty factor) yaitu menarik kesimpulan dari sebuah fakta itu pasti atau tidak pasti yang didapat dari gejala. Hasil keluaran sistem berupa pati atau tidak pasti hasil diagnosa, pencegahan dan perawatan Covid – 19 .
Kata kunci: Sistem Pakar, Certainty Factor, Covid – 19, Diagnosa.
IMPLEMENTATION OF THE CERTAINTY FACTOR METHOD IN THE DEVELOPMENT OF WEB-BASED EXPERT SYSTEM DIAGNOSIS SARS
COV-2 (COVID-19)
ABSTRACT
Corona virus or severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) is a virus that attacks the respiratory system. The disease caused by this viral infection is called COVID-19. Corona virus can cause mild disorders of the respiratory system, severe lung infections, and even death. The expert system is a solution to help everyone in making an initial diagnosis of possible SARS CoV - 2 (Covid -19) according to the symptoms entered and referring to the knowledge base obtained by experts. This expert system is designed with several stages including system requirements analysis, design, coding and testing. This expert system is represented in the form of metrics and helps everyone in making an initial diagnosis of possible SARS CoV - 2 (Covid -19) according to the symptoms entered and referring to the knowledge base obtained by experts.
This expert system is designed with several stages including system requirements analysis, design, coding and testing. This expert system is represented in the form of metrics and helps the expert system reasoning process (certainty factor), namely drawing conclusions from a fact that is certain or uncertain from symptoms. The output of the system is in the form of starch or uncertain results of the diagnosis, prevention and treatment of Covid-19.
Keywords: Expert System, Certainty Factor, Diagnosis.
ix DAFTAR ISI
Halaman
PERSETUJUAN ... ii
PERNYATAAN ... iii
UCAPAN TERIMA KASIH ... iv
ABSTRAK ... vii
DAFTAR ISI ... ix
DAFTAR TABEL ... xi
DAFTAR GAMBAR ... xii
DAFTAR LAMPIRAN ... xiv
BAB 1 PENDAHULUAN ... 1
1.1. Latar Belakang ... 1
1.2. Rumusan Masalah ... 2
1.3. Batasan Masalah ... 3
1.4. Tujuan Penelitian ... 3
1.5. Manfaat Penelitian ... 4
1.6. Metodologi Penelitian ... 4
1.7. Sistematika Penulisan ... 5
BAB 2 LANDASAN TEORI ... 7
2.1. Kecerdasan Buatan... 7
2.2. Sistem Pakar ... 7
2.3. Metode Certainty Factor ... 11
Contoh Permasalahan: ... 12
Penyelesaian: ... 14
2.4. Metode Forward Chaining ... 15
2.6. Tinjau Penelitian ... 18
BAB 3 ... 20
3.1. Analisis Sistem ... 20
3.2. Pemodelan Sistem ... 24
3.3 Flowchart ... 31
3.5. Rancangan Database ... 41
BAB 4 IMPLEMENTASI DAN PENGUJIAN ... 43
4.1. Implementasi Sistem ... 43
4.2. Pengujian ... 52
4.3. Evaluasi Sistem ... 56
BAB 5 PENUTUP ... 59
5.1. Kesimpulan ... 59
5.2. Saran ... 60
DAFTAR PUSTAKA ... 61
xi
DAFTAR TABEL
Halaman
Tabel 2.1. Basis Pengetahuan Gejala Penyakit...13
Tabel 2.2. Kaidah Gejala Penyakit...13
Tabel 2.3. Gejala yang Dimasukkan Pengguna Sistem...14
Tabel 2.4. Tabel perkalian bobot CF pakar dan CF user...14
Tabel 3.1. Gejala umum penyakit SARS CoV-2 (COVID-19)...23
Tabel 3.2. Ungakapan nilai tingkat kepastian atau tingkat keyakinan...24
Tabel 3.3. Narrative use case memilih menu diagnosa...27
Tabel 3.4. Narrative use case menampilkan gejala...27
Tabel 3.5. Narrative use case implementasi Certainty Factor...28
Tabel 3.6. Narrative use case menampilkan hasil diagnosa...29
Tabel 3.7. Tabel Gejala...42
Tabel 3.8. Tabel Nilai CF...42
Tabel 4.1. Data gejala dan nilai keyakinan pengujian I...52
Tabel 4.2. Data gejala dan nilai keyakinan pengujian II...53
Tabel 4.3. Data gejala dan nilai keyakinan pengujian III...55
Tabel 4.4.Evaluasi perbandingan hasil diagnosa sistem dan hasil diagnosa pakar...57
DAFTAR GAMBAR
Halaman
Gambar 2.1. Arsitektur sistem pakar... 10
Gambar 2.2. Transmisi penularan COVID-19... 16
Gambar 2.3. Skema perjalanan penyakit COVID – 19... 17
Gambar 2.4. Rincian skema perjalan penyakit COVID-19... 17
Gambar 3.1. Ishikawa diagram... 21
Gambar 3.2. Arsitektur umum... 25
Gambar 3.3. Use case diagram sistem pakar diagnosa COVID-19... 26
Gambar 3.4. Activity Diagram Sistem Antar... 30
Gambar 3.5. Sequence diagram sistem Antar... 31
Gambar 3.6. Flowchart Metode Certainty Factor... 32
Gambar 3.7. Rancangan Halaman Home... 33
Gambar 3.8. Rancangan menu diagnose... 34
Gambar 3.9. Rancangan halaman informasi... 35
Gambar 3.10. Rancangan tampilan halaman pencegahan...36
Gambar 3.11. Rancangan tampilan halaman perawatan... 37
Gambar 3.12. Rancangan tampilan dialog diagnosa... 38
Gambar 3.13. Rancangan tampilan informasi penyebaran COVID-19 di Indonesia... 39
Gambar 3.14. Rancangan tampilan halaman informasi vaksin...40
Gambar 3.15. Rancangan tampilan halaman informasi rumah sakit... 41
Gambar 4.1. Tampilan section Home...43
Gambar 4.2. Tampilan section diagnosa... 44
Gambar 4.3. Tampilan pop up dialog himbauan... 45
Gambar 4.4. Tampilan pop up dialog diagnosa... 45
Gambar 4.5. Tampilan section informasi COVID-19... 46
Gambar 4.6. Detail persebaran COVID-19 berdasarkan provinsi... 47
Gambar 4.7. Tampilan statistik vaskinasi COVID-19 di Indonesia... 47
Gambar 4.8. Tampilan data rumah sakit di Indonesia... 48
xiii
Gambar 4.9. Pop up dialog informasi kamar rumah sakit... 49
Gambar 4.10. Tampilan section pencegahan... 49
Gambar 4.11. Tampilan pop up dialog pencegahan COVID-19... 50
Gambar 4.12. Tampilan section perawatan... 51
Gambar 4.13. Tampilan pop up dialog perawatan COVID-19... 51
Gambar 4.14. Hasil diagnosa pengujian sistem pakar diagnose COVID-19... 53
Gambar 4.15. Hasil diagnosa pengujian II sistem pakar diagnose COVID-19... 54
Gambar 4.16. Hasil diagnosa pengujian III sistem pakar diagnose COVID-19... 56
DAFTAR LAMPIRAN
LAMPIRAN 1: LISTING PROGRAM A-1 LAMPIRAN 2: KUISIONER B-1
LAMPIRAN 3: RIWAYAT HIDUP C-1
1 BAB 1 PENDAHULUAN
1.1. Latar Belakang
COVID – 19 adalah jenis virus corona baru yang pertama kali ditemukan di Wuhan, Provinsi Hubei, China pada tahun 2019 . Pada 11 Maret 2020 WHO (World Health Organization) menyatakan COVID – 19 sebagai pandemi global (Valerisha & Putra, 2020). Hal ini disebabkan peningkatan dan penyebaran penyakit ini yang sangat pesat yang telah mencapai tiga belas kali lipat di luar China. Per 20 Februari 2021, ada 112 juta kasus di seluruh dunia, 2,48 juta kematian dan 63,2 juta kasus sembuh.
Penyebaran penyakit COVID – 19 dari orang ke orang sangat mudah dan cepat. Penyebaran penyakit ini bisa melalui kontak langsung maupun tidak langsung dengan pasien COVID – 19. Studi literatur yang dilakukan oleh (Nugroho et al., 2020) menyimpulkan bahwa penularan kepada pasien yang terinfeksi melalui kontak langsung akan ditularkan melalui droplet, bersin, batuk, aeroseol, dan udara. Di sisi lain, penularan tanpa kontak langsung dapat terjadi melalui benda, permukaan atau barang elektronik yang telah bersentuhan atau terkontaminasi oleh pasien COVID – 19 (Karia et al., 2020).
Jika seseorang telah terpapar oleh virus corona, maka akan menunjukkan beberapa gejala penyakit COVID – 19. Sebagaimana dijelaskan dalam (Krati et al., 2020) gejala umum yang terjadi ketika seseorang terinfeksi virus ini adalah berupa demam, batuk, myalgia atau kelelahan. Pada awalnya, pasien akan diare dan mual sebelum akhirnya demam. Secara umum gejalanya mirip dengan flu. Namun, merujuk pada situs resmi WHO dijelaskan bahwa ada perbedaan cara penyebaran kedua virus tersebut.
Dimana virus corona menyebar lebih cepat dari flu. Oleh karena itu, diperlukan suatu sistem pakar yang dapat membantu diagnosis dini dan akurat
2
untuk mengurai atau bahkan memutus mata rantai penularan COVID – 19 dapat berkurang bahkan terputus.
Sistem pakar itu sendiri dapat didefinisikan sebagai aplikasi kecerdasan buatan (artificial intelligence) dimana sistem tersebut akan memuat berisi pengetahuan dari satu atau lebih pakar yang terkait dalam bidang tertentu.
Ada banyak metode yang dapat digunakan untuk membangun sistem pakar, seperti Forward Chaining, Certainty Factor, Analytical Hierarchy Process (AHP), Backward Chaining, Depth First Search, dan lainnya. Sistem pakar yang dibangun terutama digunakan untuk membantu kehidupan sehari-hari.
Salah satunya adalah untuk mendiagnosis penyakit.
Metode Certainty Factor banyak digunakan untuk membangun sistem pakar untuk mendiagnosis penyakit. Metode ini telah digunakan untuk mendiagnosa penyakit yang disebabkan oleh obesitas. Hasil penelitian menyimpulkan bahwa sistem memberikan akurasi 90% dan membuktikan bahwa metode ini dapat digunakan untuk mendeteksi penyakit yang disebabkan oleh obesitas (Widodo et al., 2019). Metode ini sendiri pernah menjadi focus penelitian (Fatkhurrozi & Kurniawan, 2020) yang digunakan untuk mendiagnosis SARS, MERS dan COVID – 19. Di mana untuk diagnosa penyakit COVID – 19 tingkat keyakinan berada pada angka 97,17%.
Berdasarkan penjelasan di atas, pada penelitian ini akan dilakukan implementasi metode Certainty Factor untuk membangun sistem pakar yang dapat mendiagnosis Covid – 19 serta metode Forward Chaining sebagai inference engine diharapkan menjadi salah satu upaya memutus rantai penularan virus corona.
1.2. Rumusan Masalah
Bagaimana membuat sebuah sistem pakar yang bisa melakukan diagnosa penyakit SARS CoV – 2 guna untuk memutus rantai penularan penyakit COVID – 19 dan juga menghindari penularan virus corona jika melakukan diagnosa COVID – 19 ke rumah sakit, serta melakukan
3
implementasi metode Certainty Factor dan metode Forward Chaining guna mendapatkan metode yang paling tepat.
1.3. Batasan Masalah
Agar penelitian yang dilakukan tidak terlalu melebar, maka perlu dilakukan pembatasan masalah yang teliti. Batasan masalah dalam penelitian ini meliputi :
1. Sistem yang dirancang akan bisa memberikan hasil diagnosa berdasarkan gejala yang dimasukkan, apakah pengguna sistem terpapar COVID – 19 atau tidak.
2. Akan dilakukan implementasi metode Certainty Factor dan metode Forward Chaining. Dimana, metode Forward Chaining akan digunakan sebagai inference engine.
3. Perancangan sistem menggunakan IDE Android Studio 4.4 dengan bahasa pemrograman Java, dan Google Firebase sebagai Database Management System (DBMS).
4. Adapun penyakit yang menjadi fokus penelitian ini adalah COVID – 19.
5. Output dari penelitian ini akan memberikan hasil diagnosa apakah pengguna sistem terpapar COVID – 19 atau tidak.
6. Sistem yang dirancang hanya relevan berguna di awal-awal penyakit COVID – 19 tersebar.
1.4. Tujuan Penelitian
Tujuan dari penelitian ini meliputi:
1. Melakukan implementasi metode Ceratinty Factor dan metode Forward Chaining dalam membangun sebuah sistem pakar diagnosa penyakit SARS CoV – 2 (COVID – 19) berbasis web.
2. Membuat aplikasi berbasis web yang bisa digunakan untuk membantu
4
diagnosa penyakit SARS CoV – 2 (COVID – 19) sesuai dengan gejala yang dimasukkan dan mengacu pada basis ilmu yang didapat dari pakar.
1.5. Manfaat Penelitian
Penelitian ini bertujuan menghasilkan sebuah sistem berbasis Web yang dapat digunakan untuk membantu dalam mendiagnosa penyakit SARS – CoV 2 secara mandiri dan akurat di mana pun dan kapan pun.
1.6. Metodologi Penelitian
Metodologi yang akan digunakan dalam penelitian ini meliputi:
1. Studi Literatur
Dalam langkah ini, akan dilakukan pembelajaran mengenai konsep metode Forward Chaining dan metode Certainty Factor . Dilakukan referensi yang terkait dengan metode atau algoritma yang digunakan dalam penelitian ini juga diteliti pada fase ini untuk memperoleh pemahaman yang lebih tepat dan mendalam.
2. Pengumpulan Data
Setelah melakukan studi literatur terkait metode Forward Chaining, metode Certainty Factor, dan penyakit SARS CoV – 19, akan dilakukan pengumpulan data berupa gejala dan kriteria yang akan didapatkan dari pakar, yaitu dokter.
3. Perancangan Sistem
Perancangan sistem digunakan untuk menentukan spesifikasi perangkat lunak yang dibutuhkan dalam penelitian ini. Langkah ini membuat pembangunan sistem lebih mudah.
4. Coding (Pembuatan Program)
Pembuatan program berupa implementasi algoritma menjadi sebuah sistem yang dapat digunakan untuk mendiagnosa penyakit SARS CoV-
5
19. Pembuatan program dimulai dengan desain antar muka hingga pengkodean fungsionalitas sistem.
5. Pengujian Sistem
Program atau sistem yang telah dibangun akan diuji untuk memaksimalkan fungsionalitas sistem. Dalam tahap ini akan dilakukan pengujian untuk mendeteksi bug lebih cepat.
6. Penyusunan Skripsi
Dokumentasi akan dilakukan dalam bentuk penulisan skripsi. Penulisan skripsi dalam penelitian ini akan menggunakan UML, diagram alur serta Ishikawa Diagram.
1.7. Sistematika Penulisan
Untuk membuat pembahasan lebih sistematis, maka tulisan dari penelitian ini dibagi menjadi lima bab, sebagai berikut:
BAB 1 : PENDAHULUAN
Pada bab ini akan dilakukan pembahasan latar belakang pemilihan judul skripsi “Implementasi Metode Certainty Factor dalam Pembangunan Sistem Pakar Diagnosa Penyakit SARS CoV – 2 (COVID – 19) Berbasis Web”
BAB 2 : LANDASAN TEORI
Bab ini membahas teori tentang penyakit COVID-19 atau SARS CoV-2. Metode Certainty Factor juga dibahas dalam bab ini.
BAB 3 : ANALISIS DAN PERANCANGAN SISTEM
Bab ini akan dilakukan pembahasan kebutuhan - kebutuhan fungsional dan non fungsional sistem. Bab ini juga akan dilakukan pembahasan analisis implementasi metode Certainty Factor.
BAB 4 : IMPLEMENTASI DAN PENGUJIAN SISTEM
6
Pada bab ini membahas hasil penerapan metode Certainty Factor pada sistem yang dapat digunakan oleh pengguna. Adapun sistem yang dikembangkan dalam platform web menggunakan bahasa program bahasa JavaScript.
BAB 5 : KESIMPULAN DAN SARAN
Bab terakhir berisi kesimpulan yang diambil setelah menyelesaikan tugas akhir ini serta saran yang dapat diberikan untuk pengembangan perangkat lunak lebih lanjut.
7 BAB 2
LANDASAN TEORI
2.1. Kecerdasan Buatan
Kecerdasan buatan adalah sub bidang ilmu komputer yang mengajarkan kita bagaimana membangun sebuah sistem atau mesin yang dapat melakukan tugasnya dengan cara yang sama seperti manusia.
Kecerdasan buatan pada sebuah sistem dibangun pada dasarnya dengan tujuan membuat sistem menjadi lebih pintar, serta mempersingkat waktu yang dibutuhkan oleh sebuah sistem dalam pengerjaan fungsinya. Kecerdasan buatan dapat dibagi menjadi beberapa bagian berikut:
1. Sistem Pakar (Sistem Pakar): sistem yang dapat melakukan pekerjaan seorang pakar.
2. Pengolahan Bahasa Alami (Natural Language Processing):
memungkinkan pengguna untuk berkomunikasi dengan komputer menggunakan bahasa manusia seperti bahasa Indonesia, Inggris dan lainnya.
3. Pengenala Ucapan (Speech Recognition): dengan speech recognition akan sangat mungkin untuk manusia berkomunikasi dengan komputer menggunakan perintah suara.
4. Sistem Sensor dan Robotika.
5. Komputer Vision (Computer Vision): merepresentasikan gambar- gambar dan objek-objek melalui komputer.
6. Intelligent Computer-Aided Instruction: dengan kecerdasan buatan, maka komputer dapat menjadi mentor atau tutor yang mampu melatih.
2.2. Sistem Pakar
Sistem pakar dapat didefinisikan sebagai aplikasi berbasis komputer yang dapat digunakan dalam penyelesaian suatu permasalahan sebagaimana seorang pakar menyelesaikannya. Selain itu, sistem pakar juga dapat diartikan
8
sebagai suatu sistem yang sudah dikomputerisasi di mana dapat menirukan proses penalaran dan penyelesaian sebuah permasalahan dari seorang ahlinya (Pratiwi, 2018).
Pengembangan suatu sistem pakar diharapkan dapat membantu masyarakat dalam memecahkan permasalahan yang dianggap cukup rumit dan membutuhkan ahli, sehingga permasalahan bisa terselesaikan dengan cepat dan akurat. Sedangkan bagi seorang pakar, sistem pakar dapat dijadikan sebagai salah satu asisten yang dapat membantu dan meringankan pekerjaan pakar.
2.2.1 Ciri – Ciri Sistem Pakar
Sebuah sistem pakar memiliki ciri-ciri sebagai berikut (Wamiliana et al., 2013):
1. Memiliki keterbatasan, di mana sistem hanya spesifik menyelesaikan satu bidang khusus.
2. Dapat memberikan penalaran terhadap data-data yang sifatnya tidak lengkap atau tidak pasti.
3. Memiliki kemampuan untuk memberikan rangkaian alasan yang mudah untuk dipahami.
4. Sistem pakar didasarkan pada rule atau kaidah tertentu yang sudah didiskusikan bersama pakar.
5. Pada dasarnya sistem pakar dirancang untuk dapat dikembangkan secara bertahap.
6. Hasil dari sistem pakar biasanya berupa anjuran atau nasihat.
7. Masukan pengguna akan memengaruhi hasil dari sistem pakar.
8. Dapat digunakan di berbagai jenis komputer.
9. Pada sistem pakar, knowledge base serta interface engine terpisah.
2.2.2 Kelebihan dan Kekurangan Sistem Pakar
Sistem pakar mempunyai kelebihan dan kekurangan. Adapun kelebihan sistem pakar adalah sebagai berikut:
9
1. Adanya sistem pakar, membuat masyarakat bisa melakukan pekerjaan seorang pakar.
2. Sistem pakar mampu mengerjakan tugas yang berulang-ulang secara otomatis.
3. Pemikiran seorang pakar dapat diambil disalurkan ke dalam sebuah sistem.
4. Mampu meningkatkan capability komputer dalam menyelesaikan masalah.
5. Mempersingkat waktu yang dibutuhkan saat mengambil keputusan.
6. Akan meningkatkan produktivitas.
7. Dapat digunakan di dalam lingkungan yang berbahaya, sebagai contoh dalam masa pandemi COVID – 19, sistem pakar diagnosa penyakit COVID – 19 masih dapat digunakan.
8. Lebih praktis dan fleksibel, sebab sistem dapat digunakan dimana saja dan kapan saja.
Sistem pakar juga mempunyai beberapa kelemahan atau kekurangan, yaitu:
1. Pada saat proses pembuatan, pengembangan serta pemeliharaan sistem, relatif akan dibutuhkan biaya yang cukup besar.
2. Sistem hanya berupa pendukung keputusan dan tidak 100% akurat.
3. Kaidah-kaidah yang ada di dalam basis data dapat dimodifikasi.
4. Membutuhkan perangkat teknologi untuk menjalankannya.
2.2.3 Arsitektur Sistem Pakar
Arsitektur sistem pakar terdiri dari dua bagian utama, bagian pertama dinamakan sebagai lingkungan pengembangan (development environment) dan bagian lainnya disebut lingkungan konsultasi (consultation environment). Hirarki nya lingkungan pengembangan dimaksudkan untuk proses pemasukan pemikiran atau pengetahuan pakar ke dalam sistem pakar, sedangkan lingkungan konsultasi ditujukan kepada penggunaan sistem pakar. Adapun arsitektur
10
sistem pakar dapat dilihat pada gambar 2.1.
Gambar 2.1. Arsitektur sistem pakar
Dalam pembangunan sistem pakar diperlukan bagian - bagian, berikut : 1. Antar Muka Pengguna (User Interface)
Dalam hal ini, user interface berupa tampilan yang dapat digunakan sebagai komunikasi antara pemakai sistem dengan sistem, sehingga pengguna mampu berkonsultasi kepada sistem.
2. Basis Pengetahuan (Knowledge Base)
Basis pengetahuan terkait dapat berupa kumpulan pengetahuan yang disusun menjadi suatu kaidah oleh pakar dalam bidang tertentu ke dalam basis data.
3. Mesin Inferensi (Inference Machine)
Mesin inferensi digambarkan sebagai proses penalaran yang dilakukan oleh sistem mengacu pada kaidah-kaidah yang telah
11
disediakan di dalam basis data.
4. Memori Kerja (Working Memory)
Tempat yang digunakan untuk melakukan penyimpanan hasil konsultasi termasuk keputusan sementara.
5. Fasilitas Penjelasan (Explanation Facility)
Fasilitas ini merupakan komponen tambahan suatu sistem pakar, di mana fasilitas ini digunakan untuk memberikan penjelasan rinci terkait proses penalaran yang dapat memperkaya informasi yang didapatkan oleh pengguna.
6. Fasilitas Akuisisi Pengetahuan (Knowledge Acquisition Facility) Juga merupakan salah satu fasilitas tambahan dalam sistem pakar, fasilitas ini bertujuan untuk melakukan pembaruan terhadap pengetahuan pakar atau menghapus beberapa pengetahuan yang ada dalam basis data yang sifatnya tidak relevan lagi.
2.3. Metode Certainty Factor
Metode Certainty Factor (CF) pada awalnya ditemukan oleh Shortliffe dan Buchanan pada tahun 1975. Pada dasarnya metode ini digunakan untuk memenuhi kebutuhan diakibatkan oleh keterbatasan yang ada yaitu ketidakpastian pemikiran (inexact reasoning) seorang ahli atau pakar (Fatkhurrozi & Kurniawan, 2020). Selain itu metode CF juga dapat didefinisikan sebagai suatu metode yang digunakan untuk membuktikan apakah sebuah fakta itu pasti atau tidak pasti yang nantinya akan direpresentasikan dalam bentuk metrik dan membantu proses penalaran sistem pakar (Widodo et al., 2019).
Secara umum kaidah direpresentasikan dalam bentuk sebagai berikut:
𝐼𝑓 𝐸![𝐴𝑁𝐷/𝑂𝑅] 𝐸"[𝐴𝑁𝐷/𝑂𝑅] … 𝐸# 𝑇𝐻𝐸𝑁 𝐻 (𝐶𝐹 = 𝐶𝐹$)
Di mana:
E1...En : Semua fakta yang ada H : Hipotesa yang tersedia
12
CF : Tingkat keyakinan terjadinya H mengacu pada E1… yang ada Untuk mengansumsikan ketidak pastian menjadi sebuah data, maka dapat digunakan rumus berikut :
𝐶𝐹(𝐻𝐸) = 𝑀𝐵(𝐻, 𝐸) − 𝑀𝐷(𝐻, 𝐸) Di mana:
CF(H, E) : Nilai CF dari hipotesa H yang dipengaruhi oleh gejala E MB (H, E) : Ukuran kenaikan kepercayaan terhadap hipotesis H yang
dipengaruhi oleh gejala E.
MD (H, E) : Ukuran ketidak percayaan terhadap hipotesis H yang diperngaruhi oleh gejala E.
Ada beberapa kombinasi penggunaan metode CF, di antaranya adalah sebagai berikut:
Certainty Factor hanya dengan kaidah dan premis tunggal 𝐶𝐹(𝐻, 𝐸) = 𝐶𝐹% ∗ 𝐶𝐹&'()
𝐶𝐹(𝐻, 𝐸) = 𝐶𝐹*)#++',# ∗ 𝐶𝐹*,-,&
Certainty Factor jika memiliki kaidah yang banyak premisnya
𝐶𝐹(𝐴 𝑎𝑛𝑑 𝐵) = 𝑀𝑖𝑛 (𝐶𝐹., 𝐶𝐹/) ∗ 𝐶𝐹&'()
𝐶𝐹(𝐴 𝑜𝑟 𝐵) = 𝑀𝑖𝑛(𝐶𝐹., 𝐶𝐹/) ∗ 𝐶𝐹&'()
Certainty Factor untuk kaidah yang memiliki kesimpulan yang serupa
𝐶𝐹0123$#)(𝐶𝐹!, 𝐶𝐹") = 𝐶𝐹! + 𝐶𝐹" ∗ (1 − 𝐶𝐹!)
Contoh Permasalahan:
Berdasarkan hasil penelitian yang didapatkan oleh (Fatkhurrozi &
Kurniawan, 2020), di mana metode CF digunakan untuk melakukan diagnosa apakah pengguna menderita penyakit SARS, MERS atau COVID – 19.
Berdasarkan hasil penelitian maka basis pengetahuan gejala penyakit dipengaruhi pada tabel 2.1.
13
Tabel 2.1. Basis pengetahuan gejala penyakit No ID Gejala Gejala
1 G01 Demam
2 G02 Batuk
3 G03 Kelelahan
4 G04 Sesak napas
5 G05 Rasa tidak enak
6 G06 Sakit dan nyeri tubuh
7 G07 Sakit kepala
8 G08 Menggigil
9 G09 Nyeri otot
10 G10 Ingus atau hidung tersumbat
11 G11 Sakit tenggorokan
12 G12 Mual
13 G13 Diare
14 G14 Hilang rasa
15 G15 Hilang bau
16 G16 Batuk tidak berdahak
17 G17 Batuk berdarah
Adapun rule yang dipakai dalam penelitian dipengaruhi dalam tabel 2.2 Tabel 2.2. Kaidah gejala penyakit
No Rule
1 IF G01(0,8) AND G02(0,8) AND G03(0,8) AND G04(0,8) AND G10(0,6) AND G07(0,6) AND G09(0,6) AND G11(0,6) AND G12(0,6) AND G13(0,6) AND G08(0,4) AND G14(0,8) AND G15(0,6) THEN SARS
No Rule
2 IF G01 (0,8) AND G02 (0,8) AND G05 (0,8) AND G06 (0,8) AND G07(0,8) AND G04 (0,8) AND G08(0,6) AND G013
14
(0,6) AND G16(0,4) THEN MERS
3 IF G01 (0,8) AND G02 (0,8) AND G03(0,8) AND G04(0,8) AND G10(0,6) AND G11(0,6) AND G09(0,6) AND G07(0,6) AND G12 (0,6) AND G13 (0,6) AND G08 (0,4) AND G14 (0,8) AND G15 (0,4)
Jika masukan user berdasarkan gejala yang dialami adalah seperti pada tabel 2 . 3 maka berapa persen pengguna menderita penyakit COVID – 19?
Tabel 2.3. Gejala yang dimasukkan pengguna sistem ID Gejala CF Pengguna Keterangan
G01 0,8 Hampir Pasti
G02 0,6 Kemungkinan Besar
G04 0,4 Mungkin
G11 0,4 Mungkin
G12 0,2 Ragu-ragu
G08 0,4 Mungkin
G14 0,8 Hampir Pasti
G15 0,4 Mungkin
Penyelesaian:
Setelah didapatkan data rule untuk penyakit COVID – 19 dan didapatkan juga data gejala yang dialami pengguna, maka dapat dibentuk tabel perkalian bobot CF antara pengguna dan pakar seperti pada tabel 2.4.
Tabel 2.4. Tabel perkalian bobot CF pakar dan CF user
No ID Gejala CF Pakar CF User CF Pakar * CF User
1 G01 0,8 0,8 0,64
2 G02 0,8 0,6 0,48
3 G03 0,8 0 0
4 G04 0,8 0,4 0,32
15
No ID Gejala CF Pakar CF User CF Pakar * CF User
5 G10 0,6 0 0
6 G11 0,6 0,4 0,24
7 G09 0,6 0 0
8 G07 0,6 0,2 0,12
9 G12 0,6 0 0
10 G13 0,6 0 0
11 G08 0,4 0,4 0,16
12 G14 0,8 0,6 0,48
13 G15 0,6 0,4 0,24
Sehingga berdasarkan tabel 2.4, maka dapat dibentuk kombinasi CF seperti berikut:
𝐶𝐹0123$#)(𝐶𝐹!, 𝐶𝐹") = 0,64 + 0,48 * (1 – 0,64) = 0,8128 𝐶𝐹0123$#)(𝑂𝑙𝑑!, 𝐶𝐹4) = 0,8128 + 0 * (1 – 0,8128) = 0,8128 𝐶𝐹0123$#)(𝑂𝑙𝑑", 𝐶𝐹5) = 0,8128 + 0,32 * (1 – 0,8128) = 0,8727 𝐶𝐹0123$#)(𝑂𝑙𝑑4, 𝐶𝐹6) = 0,8727 + 0 * (1 – 0,8727) = 0,8727 𝐶𝐹0123$#)(𝑂𝑙𝑑5, 𝐶𝐹7) = 0,8727 + 0,24 * (1 – 0,8727) = 0,9033 𝐶𝐹0123$#)(𝑂𝑙𝑑6, 𝐶𝐹8) = 0,9033+ 0 * (1 – 0,9033) = 0,9033 𝐶𝐹0123$#)(𝑂𝑙𝑑7, 𝐶𝐹9) = 0,9033 + 0,12 * (1 – 0,9033) = 0,9149 𝐶𝐹0123$#)(𝑂𝑙𝑑8, 𝐶𝐹:) = 0,9149 + 0 * (1 – 0,9149) = 0,9149 𝐶𝐹0123$#)(𝑂𝑙𝑑9, 𝐶𝐹!;) = 0,9149 + 0 * (1 – 0,9149) = 0,9149 𝐶𝐹0123$#)(𝑂𝑙𝑑:, 𝐶𝐹!!) = 0,9149 + 0,16 * (1 – 0,9149) = 0,9285 𝐶𝐹0123$#)(𝑂𝑙𝑑!;, 𝐶𝐹!") = 0,9285 + 0,48 * (1 – 0,9285) = 0,9628 𝐹0123$#)(𝑂𝑙𝑑!!, 𝐶𝐹!4) = 0,9628 + 0,24 * (1 – 0,9628) = 0,9717
Sehingga berdasarkan hasil di atas maka keyakinan bahwa pengguna sistem menderita penyakit COVID – 19 adalah 97,17%.
2.4. Metode Forward Chaining
Metode forward chaining atau secara harafiah dalam bahasa
16
Indonesia di sebut juga sebagai metode pelacakan ke depan. Pada dasarnya metode ini melakukan pencarian solusi berdasarkan fakta-fakta yang diberikan dan dicari serta dicocokkan berdasarkan kaidah atau rule (Wamiliana et al., 2013). Metode ini juga diartikan sebagai proses perunutan pencarian solusi yang dimulai dengan ditampilkannya fakta maupun data yang meyakinkan hingga akhirnya mendapatkan konklusi akhir (Putri et al., 2020). Metode forward chaining dimodelkan seperti berikut:
𝐼𝐹(𝑖𝑛𝑓𝑜𝑚𝑎𝑠𝑖) 𝑇𝐻𝐸𝑁(𝑘𝑜𝑛𝑘𝑙𝑢𝑠𝑖)
2.5. Penyakit SARS CoV-2 (COVID-19)
Coronavirues (CoV) adalah virus yang mengakibatkan beberapa penyakit seperti flu hingga penyakit berat lainnya seperti MERS dan SARS.
Penyakit SARS CoV – 2 (COVID – 19) merupakan penyakit baru yang ditemukan pada wilayah Wuhan, China dalam Desember 2019 silam.
Penularan COVID-19 dapat terjadi dari berbagai macam media. Seperti penularan insan ke insan yang bisa terjadi diakibatkan sang hubungan langsung, bersin, atau aerosol. Untuk lebih jelasnya, transmisi COVID-19 dapat diperhatikan dalam gambar 2.2.
Gambar 2.2. Transmisi penularan COVID-19 (sumber: (Karia et al., 2020) Pada penelitian yang dilakukan (Susilo et al., 2020), gambar 2.3 adalah skema perjalanan penyakit COVID – 19, yang telah diadaptasi dari
17
berbagai sumber:
Gambar 2.3. Skema perjalanan penyakit COVID – 19
Jika gambar 2.3 lebih dirincikan lagi, maka akan skema perjalanan penyakit COVID-19 berdasarkan estimasi waktunya, ditunjukkan dalam gambar 2.4:
Gambar 2.4. Rincian skema perjalan penyakit COVID-19
Merujuk pada halaman resmi WHO bahwa beberapa gejala umum yang muncul ketika terpapar virus corona adalah sebagai berikut:
Demam
Batuk kering
Kelelahan
18
Gejala lainnya juga terkadang muncul, seperti:
Sakit dan nyeri
Sakit tenggorokan
Diare
Konjungtivitis
Sakit kepala
Kehilangan rasa atau bau
Ruam pada kulit
Serta gejala serius yang akan muncul adalah sebagai berikut:
Kesulitan bernafas atau sesak nafas
Nyeri dada
Kehilangan kemampuan untuk berbicara atau bergerak
Mengacu pada (Susilo et al., 2020) berikut merupakan beberapa obat yang diduga bisa dipakai buat mengobati COVID-19:
1. Lopinavir/Ritonavir (LVP/r) 2. Remdesvir (RDV)
3. Klorokuin (CQ/CLQ) dan Hidroksiklorokuin (HCQ) 4. Favipiravir (FAVI)
5. Umifenovir (Arbidol) 6. Oseltamivir
7. Interferon 8. Tocilizumab
9. Meplazumab/antibody anti-CD147 10. Nitazoxanide
2.6. Tinjau Penelitian
Penelitian terkait implementasi metode Certainty Factor dan metode Forward Chaining sudah sangat banyak dilakukan oleh peneliti sebelumnya. Beberapa diantaranya adalah sebagai berikut:
1. Metode Certainty Factor digunakan untuk pengembangan
19
sistem diagnosa penyakit SARS, MERS, atau COVID – 19 dalam penelitian (Fatkhurrozi & Kurniawan, 2020).
Berdasarkan hasil penelitian ini, metode CF disimpulkan sistem yang dibangun mampu untuk membantu diagnose penyakit SARS, MERS atau COVID – 19. Metode CF dinilai bagus dalam diagnosa penyakit ini dikarenakan penafsahan gejala yang memiliki tingkat keyakinan sehingga perhitungan cenderung lebih akurat.
2. Certainty Factor juga pernah menjadi fokus penelitian (Widodo et al., 2019). Dalam penelitian tersebut dilakukan implementasi metode CF untuk pendeteksian penyakit yang disebabkan oleh obesitas. Berdasarkan hasil penelitian yang didapat, sistem yang dibangun akurat 90% untuk melakukan pendeteksian penyakit yang disebabkan oleh obesitas. Sehingga disimpulkan bahwa metode ini bagus digunakan untuk membangun sebuah sistem pakar.
3. Implementasi Forward Chaining pernah dilakukan (Lesmana, 2015) buat diagnosa pasien yang terinfeksi virus MERS COV.
Mengacu pada hasil penelitian yang dilakukan, metode ini dapat digunakan untuk membangun sistem pakar khusus nya dalam diagnosa penyakit virus MERS COV. Karena pencarian yang dilakukan beruntun ke depan, sehingga metode ini berfokus pada apa yang dirasakan oleh pengguna dan mendapatkan kesimpulan.
4. Metode Forward Chaining pernah dibandingkan dengan metode Backward Chaining dalam penelitian yang dilakukan (Kusuma
& Sari, 2019). Kedua metode tersebut dibandingkan dalam pembuatan sistem pakar diagnose penyakit ikan lele. Mengacu pada hasil perbandingan yang didapatkan bahwa metode forward chaining mendapatkan skor kepuasan lebih tinggi dibandingkan dengan metode backward chaining.
BAB 3
ANALISIS DAN PERANCANGAN
3.1. Analisis Sistem
Analisis sistem dapat didefinisikan sebagai sebuah teknik yang digunakan untuk menguraikan suatu sistem menjadi beberapa bagian atau komponen sistem guna untuk mempermudah melakukan evaluasi serta identifikasi kebutuhan maupun hambatan sistem. Analisis sistem dilakukan guna untuk membantu memastikan bahwa sistem yang dibangun akan berjalan dengan baik. Adapun analisis sistem dilakukan dalam beberapa langkah seperti analisis masalah, analisis kebutuhan dan analisis proses.
3.1.1. Analisis Masalah
Analisis masalah pada dasarnya dilakukan untuk mengidentifikasikan permasalahan - permasalahan yang muncul pada saat proses pembangunan sistem. Hal tersebut dilakukan untuk mempermudah melakukan perancangan sistem dan meminimalkan kesalahan sehingga aplikasi dapat berjalan dengan baik. Adapun dalam analisis sistem ini, akan dilakukan analisa meliputi :
1. Bagaimana proses analisis perancangan sistem pakar diagnosa penyakit SARS CoV-2 menggunakan metode Certainty Factor.
Untuk mempermudah identifikasi masalah tersebut, maka digunakan Ishikawa Diagram (fishbone diagram) yang merupakan sebuah alat grafis guna melakukan identifikasi, eksplorasi, penggambaran serta menunjukkan hubungan antara sebab dan akibat. Ishikawa diagram sistem ini digambarkan seperti pada gambar 3.1.
21
Gambar 3.1 Ishikawa diagram
3.1.2. Analisis Kebutuhan (Requirements Analysis)
Analisis kebutuhan menjadi sebuah proses yang dalam analisis sistem yang digunakan untuk menetapkan fungsi serta kegunaan perangkat lunak. Analisis kebutuhan dilakukan untuk memahami masalah secara komprehensif yang terdapat pada suatu sistem yang dibangun atau dikembangkan. Adapun analisis kebutuhan sistem dikelompokkan menjadi 2 bagian yaitu:
3.1.2.1. Kebutuhan Fungsional
Kebutuhan fungsional sebuah sistem menggambarkan fungsi-fungsi utama yang wajib bisa dijalankan atau dieksekusi oleh sistem. Kebutuhan fungsional dapat juga disebut sebagai kebutuhan yang mandatory oleh sebuah sistem.
Adapun kebutuhan fungsional sistem yang akan dibangun merupakan sebagai berikut:
1. Sistem mampu menerima inputan tanda-tanda yang dialami sang pengguna sistem.
2. Sistem mampu melakukan perhitungan menggunakan metode
22
Certainty Factor buat menerima diagnosis berdasarkan tanda-tanda yang dialami oleh pengguna sistem.
3. Sistem akan dibangun dengan menggunakan user interface dan user experience yang bagus. Hal ini dilakukan guna meningkatkan kemudahan dan kepuasan pengguna sistem.
3.1.2.2. Kebutuhan Non-fungsional
Untuk meningkatkan kualitas dan kemampuan sistem, maka akan ditambahkan beberapa kebutuhan non-fungsional. Kebutuhan fungsional itu sendiri dapat diartikan sebagai fungsi tambahan atau fitur tambahan yang sifatnya optional. Berikut kebutuhan non-fungsional yang akan ditambahkan ke dalam sistem yang akan dibangun:
1. Informasi
Sistem yang akan dibangun nantinya, akan memberikan informasi tambahan terkait penyakit SARS CoV-2, selain itu akan diberikan juga informasi terkait persebaran penyakit ini di Indonesia. Sistem juga akan mampu memberikan informasi terkait kapabilitas kamar rumah sakit yang ada di Indonesia, serta memberikan data terkait vaksinasi.
2. Hemat Biaya
Sistem dirancang untuk berjalan di berbagai perangkat seperti, komputer, laptop, dan telepon genggam. Untuk menajalankan sistem ini, tidak dibutuhkan perangkat tambahan lainnya, sehingga lebih menghemat biaya.
3. Respon yang Baik
Sistem akan memberikan peringatan jika ada yang salah ketika pengguna menjalankan sistem. Selain itu sistem juga kan memberikan respon yang cepat terkait hasil diagnosa.
3.1.3. Analisis Proses
Sistem yang akan dibangun merupakan sistem pakar yang bisa dipakai buat melakukan diagnosa penyakit SARS CoV-2 dari tanda-tanda yang dialami oleh pengguna sistem. Untuk mendapatkan hasil yang mumpuni, sistem dirancang
23
menggunakan metode Certainty Factor dan mendapatkan basis pengetahuan berupa rule dari pakar. Untuk mengetahui proses sistem lebih lanjut, berikut adalah proses yang akan dilakukan oleh sistem:
1. Pengguna akan memilih gejala yang mereka alami, gejala yang ditampilkan pada sistem adalah gejala umum yang didapatkan dari halaman resmi WHO dan hasil diskusi dengan pakar. Adapun gejala yang akan ditampilkan pada sistem merupakan misalnya dalam tabel 3.1.
Tabel 3.1 Gejala umum penyakit SARS CoV-2 (COVID-19)
No Gejala
1 Merasa demam 2 Merasa batuk 3 Merasa kelelahan 4 Merasa sesak nafas 5 Merasa sakit kepala 6 Merasa menggigil 7 Nyeri otot
8 Hidung tersumbat atau ingusan 9 Sakit tenggorokan
10 Mual 11 Diare 12 Hilang rasa
13 Hilang penciuman atau bau (anosmia)
2. Pengguna juga harus memasukkan nilai kepastian terkait gejala yang mereka alami. Adapun nilai kepastian yang didapatkan dari pakar adalah misalnya dalam tabel 3.2.
24
Tabel 3.2 Ungakapan nilai tingkat kepastian atau tingkat keyakinan
3. Setelah pengguna memasukkan gejala dan nilai kepastian, selanjutkan sistem akan melakukan implementasi metode Certainty Factor untuk mendapatkan hasil diagnosa COVID-19.
4. Setelah hasil didapatkan, akan ditampilkan hasil diagnose kepada pengguna berupa pop up dialog.
3.2. Pemodelan Sistem
Pada perancangan aplikasi ini, sistem dimodelkan menggunakan use case diagram, activity diagram, dan sequence diagram yang merupakan bahasa spesifikasi standar sebuah model dari perangkat lunak yang berfungsi untuk mendeskripsikan komponen-komponen menurut sebuah sistem yang dibangun.
3.2.1. Arsitektur Umum
General arsitektur adalah perancangan krusial yang mendeskripsikan proses, alur dan bagaimana hubungan antar komponen pada suatu sistem. Arsitektur umum digunakan untuk memberikan gambaran terhadap proses kerja sistem yang akan dibangun. Adapun arsitektur umum sistem yang akan dibangun dapat diperhatikan seperti pada gambar 3.2.
Nilai Tingkat Keyakian 1 Pasti
0.8 Hampir Pasti
0.6 Kemungkinan Besar 0.4 Mungkin
0.2 Ragu-ragu 0 Tidak
25
Gambar 3.2 Arsitektur umum
Berdasarkan gambar 3.2, langkah-langkah alur kerja sistem dijelaskan menjadi berikut:
1. Pengguna akan memilih metode perhitungan yang akan digunakan.
2. Kemudian akan ditampilkan gejala COVID yang didapatkan sistem dari basis data.
3. Pengguna akan memilih gejala yang dirasakan dan dialami, yang kemudian akan diteruskan ke sistem.
4. Sistem akan melakukan perhitungan menggunakan metode yang sudah ditentukan dan berdasarkan tanda-tanda yang sudah dipilih sang pengguna.
5. Sistem akan menampilkan output diagnosa kepada pengguna.
3.2.2. Use Case Diagram
Use case diagram adalah diagram yang dipakai buat mendeskripsikan fungsi- fungsi yang akan dijalankan oleh sistem. Diagram ini dapat digunakan untuk mempermudah mempelajari gambaran secara umum
26
fungsionalitas sistem serta menggambarkan hubungan antara sistem dan pengguna sistem. Use case diagram sistem bisa dicermati dalam gambar 3.3.
Gambar 3.3 Use case diagram sistem pakar diagnosa COVID-19
Berdasarkan gambar 3.3, digambarkan bahwa buat melakukan diagnose penyakit SARS CoV-2 atau penyakit COVID-19 maka pertama sekali pengguna sistem harus memilih menu diagnosa. Setelah memilih menu diagnose, maka pengguna diharuskan untuk memasukkan gejala yang dialami beserta nilai certainty factor yang dirasakan. Kemudian sistem akan melakukan perhitungan menggunakan metode Certainty Factor buat menerima output diagnose. Setalah hasil didapatkan, selanjutkan akan ditampilkan kepada pengguna hasil dari diagnosa yang telah dilakukan.
Berikut adalah narrative use case pencarian rute terpendek yang dapat diperhatikan pada tabel 3.3, tabel 3.4, tabel 3.5, dan tabel 3.6.
27
Tabel 3.3 Narrative use case memilih menu diagnosa Use case name Memilih menu diagnosa
Actor Pengguna Sistem
Description Use case menjelaskan bahwa pengguna sistem harus memlih menu diagnosa.
Precondition Pengguna sistem menjalankan aplikasi
Typical course of event Aksi Pengguna Respon Sistem Langkah 1:
Menekan tombol diagnosa sekarang
Langkah 2:
Sistem akan menerima inputan, kemudian menampilkan pop up dialog berupa himbauan bahwa
pengguna harus
memasukkan semua gejala yang dialami sesuai dengan apa yang dirasakan
Post Condition 1. Kondisi sukses
Pengguna menekan tombol lanjutkan dan sistem menerimanya
Tabel 3.4 Narrative use case menampilkan gejala Use case name Menampilkan Gejala
Actor Pengguna Sistem
Description Use case menjelaskan bahwa sistem akan menampilkan pop up dialog terkait gejala gejala COVID-19.
Pre condition Pencari sistem menjalankan aplikasi dan menekan tombol lanjutkan pada pop up himbauan.
Typical course of event Aksi pengguna Respon sistem
28
Langkah 2: Pengguna memilih nilai kepastian untuk setiap gejala yang ditampilkan dan menekan tombol lanjutkan
Langkah 1: Menampilkan daftar gejala penyakit bersama dengan nilai kepastian yang berupa pilihan ganda
Langkah 3: Menyimpan setiap gejala dan nilai kepastian yang telah dipilih oleh pengguna
Post condition Mendapatkan gejala-gejala
yang dipilih dan nilai kepastian yang dirasakan oleh pengguna
Tabel 3.5 Narrative use case implementasi Certainty Factor Use case name Implementasi Certainty Factor
Actor Pengguna Sistem
Description Setalah pengguna sistem memasukkan gejala yang dialami dan memasukkan nilai keyakinan, maka selanjutnya akan dilakukan implementasi metode Certainty Factor
Precondition Sistem menerima inputan gejala dan nilai keyakinan Typical course of event Aksi Pengguna Respon Sistem
Langkah 1:
29
Sistem akan melakukan perhitungan menggunakan metode Certainty Factor untuk mendapatkan diagnosa penyakit COVID- 19.
Post Condition 1. Kondisi sukses :
Didapatkan hasil diagnose penyakit SARS CoV-2
Tabel 3.6 Narrative use case menampilkan hasil diagnosa Use case name Menampilkan hasil diagnosa
Actor Pengguna Sistem
Description Menampilkan hasil diagnosa penyakit SARS CoV-2 berupa pop up dialog.
Precondition Pencari sistem menjalankan aplikasi
Typical course of event Aksi Pengguna Respon Sistem Langkah 1:
Sistem akan menampilkan pop up dialog dengan narasi apakan pengguna sistem terindikasi penyakit SARS CoV-2 atau tidak.
Post Condition 1. Mendapatkan hasil diagnosa dan dapat menutup pop up dialog
3.2.3. Activity Diagram
Activity diagram merupakan diagram yang dipakai buat mendeskripsikan sebuah proses usaha dan urutan kegiatan berdasarkan sebuah proses. Diagram
30
aktivitas digunakan buat mempermudah tahu sebuah proses karena diagram ini dapat mendeskripsikan aktivitas-aktivitas yang dapat dikerjakan oleh sebuah sistem bukan digunakan untuk mendeskripsikan aktivitas yang dikerjakan oleh pengguna sistem. Adapun activity diagram sistem ini bisa diperhatikan pada gambar 3.4.
Gambar 3.4 Activity Diagram Sistem Antar
3.2.4. Sequence Diagram
Sequence diagram merupakan sebuah diagram yang dipakai buat mendeskripsikan atau menggambarkan bagaimana objek-objek pada sistem saling berinteraksi dalam suatu rangkaian atau skenario yang dieksekusi untuk
31
menghasilkan suatu output. Sequence diagram sistem ini digambarkan seperti gambar 3.5.
Gambar 3.5 Sequence diagram sistem Antar
3.3 Flowchart
Flowchart dapat didefinisikan sebagai bagan alir yang berisi simbol-simbol ataupun lambang-lambang yang digunakan untuk menjelaskan urutan aliran proses sebuah algoritma secara jelas dan terperinci.
3.3.1 Flowchart Certainty Factor
Mengacu pada gambar 3.6, setelah sistem dijalankan maka selanjutnya akan ditampilkan daftar gejala-gejala SARS CoV – 2 (COVID – 19). Kemudian pengguna akan memasukkan gejala-gejala yang mereka alami. Jika gejala yang dimasukkan pengguna lebih kecil atau sama dengan satu gejala maka, sistem tidak dapat melakukan diagnose SARS CoV – 2 dan sistem selesai.
Namun, jika tanda-tanda yang dimasukkan lebih berdasarkan satu tanda-tanda maka, sistem akan melakukan proses perhitungan menggunakan metode
32
certainty factor. Selanjutnya, akan ditampilkan hasil diagnosa dan sistem pun selesai.
Gambar 3.6 Flowchart Metode Certainty Factor
3.4. Perancangan Antarmuka (Interface) Sistem
Perancangan antarmuka (interferensi) adalah tahapan yang ditujukan untuk membuat gambaran rancangan sistem yang akan dibuat ke dalam tahapan implementasi dan pengujian.
33
3.4.1. Halaman Home
Halaman ini adalah laman landing yang berisi ilustrasi dan keterangan singkat berupa banner yang menjelasakan kemampuan dan deskripsi tentang sistem.
Untuk rancangan laman home mampu diperhatikan pada gambar 3.7.
Gambar 3.7 Rancangan Halaman Home
Keterangan gambar :
1. NavigationBar, berisi menu navigasi
2. Image, berisi ilustrasi untuk memperindah tampilan 3. TextView, berisi deskripsi tentang sistem
3.4.2. Halaman Menu Diagnosa
Menu ini berupa tampilan landing yang berisi bahwa sistem dapat melakukan diagnosa berdasarkan gejala yang dialami, namun tetap harus
34
merujuk pada hasil dokter untuk mendapatkan hasil yang lebih akurat.
Rancangan tampilan ini digambarkan dalam gambar 3.8.
Gambar 3.8 Rancangan menu diagnose Keterangan gambar :
1. Image, berisi menu ilustrasi terkait diagnosa
2. Text, berisi keterangan tentang halaman ini dan himbauan untuk tetap merujuk pada hasil dokter untuk hasil yang lebih akurat 3. Button, berupa tombol yang digunakan untuk melakukan diagnose
3.4.3. Halaman Menu Informasi
Halaman ini menampilkan ringkasan informasi jumlah penyebaran COVID-19 untuk kasus positif, meninggal dan sembuh di Indonesia.
Rancangan tampilan laman ini bisa diperhatikan dalam gambar 3.9.
35
Gambar 3.9 Rancangan halaman informasi
Keterangan gambar :
1. Image, berisi menu ilustrasi terkait informasi COVID-19
2. Card, berisi angka kasus positif, mati dan sembuh COVID-19 pada Indonesia
3. Text, slogan atau deskripsi terkait halaman ini
4. Button, berupa tombol yang digunakan untuk melihat informasi lebih lanjut
3.4.4. Halaman Pencegahan
Halaman pencegahan adalah laman yang dipakai untuk menampilkan informasi terkait pencegahan COVID-19. Adapun rancangan tampilan laman ini digambarkan misalnya dalam gambar 3.10.
36
Gambar 3.10 Rancangan tampilan halaman pencegahan
Keterangan gambar :
1. Image, berisi menu ilustrasi terkait pencegahan COVID-19 2. Text, berisi keterangan tentang halaman ini
3. Button, berupa tombol yang digunakan untuk melihat informasi pencegahan COVID-19
3.4.5. Halaman Perawatan
Seperti hal nya halaman pencegahan, halaman ini juga akan berisi informasi terkait perawatan penyakit COVID-19 agar segera pulih. Adapun rancangan tampilan halaman ini dapat diperhatikan dalam gambar 3.11.
37
Gambar 3.11 Rancangan tampilan halaman perawatan
Keterangan gambar :
1. Image, berisi menu ilustrasi terkait perawatan COVID-19 2. Text, berisi keterangan tentang halaman ini
3. Button, berupa tombol yang digunakan untuk melihat informasi perawatan COVID-19
3.4.6. Pop up Dialog Diganosa
Dialog ini akan berisikan gejala berserta nilai kepastian yang harus dipilih oleh pengguna sistem ketika ingin melakukan diagnosa. Untuk rancangan tampilan dialog ini, dapat dilihat dalam gambar 3.12.
38
Gambar 3.12 Rancangan tampilan dialog diagnosa
Keterangan gambar :
1. Text, berisi pertanyaan terkait gejala 2. Text, berisi pilihan nilai kepastian
3. Button, berupa tombol yang dipakai buat melanjutkan untuk melakukan diagnosa
3.4.7. Halaman Informasi Persebaran COVID-19
Pada halaman ini, pengguna dapat melihat nilai persebaran COVID-19 di seluruh Indonesia. Pengguna sistem juga dapat melakukan filterisasi untuk menampilkan data berdasarkan provinsi yang ada di Indonesia. Rancangan tampilan halaman ini dapat dilihat dalam gambar 3.13.
39
Gambar 3.13 Rancangan tampilan informasi penyebaran COVID-19 di Indonesia
Keterangan gambar :
1. TabMenu, berupa menu navigasi
2. Dropdown, digunakan untuk melakukan filterisasi
3. Card, berupa card yang akan berisi angka positif, meninggal dan sembuh beserta angka pertambannya
3.4.8. Halaman Informasi Rumah Vaksin di Indonesia
Halaman ini akan berisi informasi sasaran vaksinasi COVID-19 di Indonesia beserta jumlah perkembangan vaksinasi 1 dan vaksinasi 2 di Indonesia.
Adapun rancangan tampilan laman ini bisa dilihat dalam gambar 3.14.
40
Gambar 3.14 Rancangan tampilan halaman informasi vaksin
Keterangan gambar :
1. TabMenu, berupa menu navigasi
2. Card, berupa card yang akan berisi angka sasaran vaksin dan perkembangan vaksin di Indonesia
3.4.9. Rancangan Halaman Informasi Rumah Sakit
Halaman ini digunakan untuk menampilkan informasi terkait rumah sakit yang terdapat di Indonesia. Pengguna bisa melihat rumah sakit berdasarkan provinsi dan kabupaten/kota yang dipilih. Tampilan halaman ini akan seperti dalam gambar 3.15.
41
Gambar 3.15 Rancangan tampilan halaman informasi rumah sakit
Keterangan gambar :
1. TabMenu, berupa menu navigasi
2. Dropdown, digunakan untuk filterisasi wilayah rumah sakit 3. Card, berupa card terkait rumah sakit yang ada di wilayah yang
telah dipiliih oleh pengguna sistem
3.5. Rancangan Database
Pada sistem yang akan dibangun, akan digunakan Google Firebase sebagai database management system. Google Firebase merupakan sebuah DBMS yang bersifat NoSQL. NoSQL, merupakan jenis basis data yang tidak lagi menggunakan perintah SQL untuk memanipulasi basis data yang ada. Basis data pada sistem ini akan disimpan pada Google Firebase. Penjelasan basis data yang digunakan bisa diperhatikan dalam tabel 3.7 dan tabel 3.8
42
Tabel 3.7 Tabel Gejala
Nama Field Deskripsi Tipe Data Keterangan
Id_Gejala Identity untuk
setiap data gejala
VARCHAR (5) PRIMARY KEY
Gejala Deksripsi atau teks Panjang terkait Gejala
VARCHAR (256)
Tabel 3.8 Tabel Nilai CF
Nama Field Deskripsi Tipe Data Keterangan
Id_CF Identity untuk
setiap data nilai keyakinan
VARCHAR (5) PRIMARY KEY
Id_Gejala Id gejala VARCHAR (5) FOREIGN KEY
Nilai Berupa nilai untuk Gejala
DOUBLE
43 BAB 4
IMPLEMENTASI DAN PENGUJIAN
4.1. Implementasi Sistem
Setelah dilakukan analisis dan perancangan sistem pada bab 3, maka dapat dilakukan implementasi rancangan tersebut menjadi sebuah sistem. Adapun implementasi dilakukan dengan bahasa pemrograman JavaScript dengan framework Vue.Js. Hasil implementasi berupa sebuah website yang dapat diakses dengan alamat url: https://diagnosacovid.web.app/.
4.1.1. Bagian (Section) Home
Ketika situs dijalankan pada web browser maka pertama sekali akan ditampilkan halaman home. Section ini hanya berisi deskripsi singkat terkait kegunaan sistem ini. Hasil implementasi sistem bisa dilihat pada gambar 4.1.
Gambar 4.1 Tampilan section Home
44
4.1.2. Bagian (Section) Diagnosa
Pada bagian diganosa akan hanya berisi deskripsi singkat tentang section ini.
Adapun tampilan section diagnosa dapat dilihat dalam gambar 4.2.
Gambar 4.2 Tampilan section diagnosa
Jika tombol “Diagnosa Sekarang” ditekan, maka akan ditambilkan pop up dialog beruba himbauan sebelum peringatan untuk mengisi gejala sesuai dengan gejala yang benar-benar dialami oleh pengguna. Adapun pop up dialog himbauan dintujukkan dalam gambar 4.3.
45
Gambar 4.3 Tampilan pop up dialog himbauan
Untuk melanjutkan diagnose, pengguna harus menekan tombol “OK”.
Namun jika tidak ingin melanjutkan, pengguna dapat menekan tombol
“Batal”. Jika pengguna menekan tombol “OK” maka akan ditampilkan pop up dialog diagnose misalnya dalam gambar 4.4.
Gambar 4.4 Tampilan pop up dialog diagnosa
46
Seperti pada gambar 4.4, pop up dialog berisi gejala COVID-19 dan pengguna sistem harus memasukkan nilai tingkat keyakinan gejala yang mereka rasakan. Kemudian untuk melanjutkan ke gejala berikutnya, pengguna dapat menekan tombol “Selanjutnya”.
4.1.3. Bagian (Section) Informasi COVID-19
Dalam section ini, sistem akan menampilkan ringkasan jumlah kasus positif, meninggal, dan sembuh COVID-19 yang ada di Indonesia. Kemudian bagian ini akan berisi deskripsi singkat terkait halaman ini dan juga tombol yang dapat digunakan untuk beralih ke halaman informasi detail yang akan berisi informasi vaksin, informasi rumah sakit dan juga informasi COVID-19. Hasil implementasi section ini dapat dapat diperhatikan dalam gambar 4.5.
Gambar 4.5 Tampilan section informasi COVID-19
Jika tombol “Lihat Lebih Lanjut” ditekan maka akan ditampilkan halaman detail informasi yang secara default akan menampilkan statistic COVID yang dapat dilakukan penyaringan berdasarkan provinsi yang ada di Indonesia. Adapun tampilan statistic COVID-19 dapat dilihat dalam gambar 4.6.
47
Gambar 4.6 Detail persebaran COVID-19 berdasarkan provinsi Pengguna sistem juga dapat memilih untuk menampilkan statistic vaksinasi COVID-19 di Indonesia. Tampilan statistic COVID-19 ditunjukkan dalam gambar 4.7.
Gambar 4.7 Tampilan statistik vaskinasi COVID-19 di Indonesia
48
Jika pengguna memilih tab “Data Rumah Sakit” maka sistem akan menampilkan data rumah sakit yang ada di Indonesia. Sistem akan menampilkan data rumah sakit berdasarkan kabupaten/kota yang dipilih oleh pengguna. Adapun tampilan data rumah sakit dapat dilihat dalam gambar 4.8.
Kemudian jika pengguna menekan tombol “Lihat Info Kamar” maka akan ditampilkan pop up dialog perihal informasi kamar yang ada di rumah sakit tersebut. Pop up dialog tersebut ditunjukkan dalam gambar 4.9.
Gambar 4.8 Tampilan data rumah sakit di Indonesia
49
Gambar 4.9 Pop up dialog informasi kamar rumah sakit
4.1.4. Bagian (Section) Pencegahan
Sectioni pencegahan berisi deskripsi singkat tentang section ini serta tombol yang digunakan untuk memunculkan pop up dialog informasi pencegahan COVID-19. Tampilan section ini dapat diperhatikan dalam gambar 4.10.
Gambar 4.10 Tampilan section pencegahan
50
Jika tombol “Baca Sekarang” ditekan, maka akan dimunculkan pop up dialog yang berisi informasi pencegahan COVID-19 yang didapatkan dari situs resmi World Health Organization (WHO). Adapun tampilan pop up dialog pencegahan dapat dilihat dalam gambar 4.11.
Gambar 4.11 Tampilan pop up dialog pencegahan COVID-19
4.1.4. Bagian (Section) Perawatan
Section perawatan berisi deskripsi singkat tentang section ini serta tombol yang digunakan untuk memunculkan pop up dialog informasi perawatan COVID-19. Tampilan section ini dapat diperhatikan dalam gambar 4.12.
51
Gambar 4.12 Tampilan section perawatan
Jika tombol “Baca Sekarang” ditekan, maka akan dimunculkan pop up dialog yang berisi informasi perawatan COVID-19 yang didapat dari situs resmi World Health Organization (WHO). Adapun tampilan pop up dialog pencegahan ditunjukkan dalam gambar 4.13.
Gambar 4.13 Tampilan pop up dialog perawatan COVID-19
