Algoritma Sistem Pakar

APLIKASI SISTEM PAKAR DIAGNOSIS PENYAKIT KEHAMILAN MENGGUNAKAN METODE CERTAINTY

FACTOR BERBASIS ANDROID

Riska Indayani

1Jurusan Teknik Informatika Universitas BSI e-mail: riskaindayani04@gmail.com

Abstrak

Angka kematian ibu hamil masih sangat tinggi di Indonesia, Jawa Barat menjadi provinsi dengan AKI tertinggi. Hal ini menandakan bahwa persentase kematian ibu di Jawa Barat masih tinggi. Untuk memberikan informasi kepada ibu hamil dan mengurangi terjadinya kematian ibu hamil maka perlu dibuatkan sebuat alat bantu berupa sistem pakar. Sistem pakar diagnosa pada ibu hamil ini diharapkan dapat memberikan pengetahuan mengenai diagnosa penyakit kehamilan pada ibu hamil dan menjadi media konsultasi mengenai penyakit pada kehamilan.

Aplikasi sistem pakar ini berbasis android sebagai sistem operasinya. Sistem operasi berbasis Android merupakan sistem operasi yang bersifat open source sehingga mudah dikembangkan dan dioptimalkan. Salah satu metode yang digunakan dalam penelitian ini yaitu metode Certainty factor. Hasil dari penelitian ini yaitu aplikasi dapat memberikan informasi penyakit kehamilan beserta informasi seputar kehamilan.

Kata Kunci : Ibu Hamil , Sistem Pakar, Android, Certainty Factor

Abstract

The maternal mortality rate is still very high in Indonesia, West Java being the province with the highest MMR. This indicates that the percentage of maternal deaths in West Java is still high.

To provide information to pregnant women and reduce the occurrence of death of pregnant women, it is necessary to make a tool in the form of an expert system. Expert diagnosis system in pregnant women is expected to provide knowledge about the diagnosis of pregnancy in pregnant women and become a media consultation about diseases in pregnancy. This expert system application is based on Android as its operating system. The Android-based operating system is an operating system that is open source so that it is easily developed and optimized.

One method used in this study is the Certainty factor method. The results of this study are that the application can provide information on pregnancy diseases along with information about pregnancy.

Keywords: Pregnant Women, Expert System, Android, Certainty Factor 1. Pendahuluan

Angka kematian ibu hamil masih sangat tinggi di Indonesia, hal tersebut dikarenakan ibu hamil sangat rentan terhadap berbagai masalah kesehatan.

Kematian ibu hamil menurut WHO adalah kematian selama kehamilan atau dalam masa 42 hari setelah berakhirnya kehamilan yang diakibatkan oleh semua sebab yang terkait dengan atau diperberat oleh kehamilan atau penanganannya. Pada umumnya kematian ibu terjadi pada saat melahirkan 60,87%, waktu nifas 30,43%

dan waktu hamil 8,70% (Kesehatan, 2016)

.

Jawa Barat menjadi provinsi dengan angka kematian ibu hamil (AKI) tertinggi, hal ini menandakan bahwa

persentase kematian ibu di Jawa Barat masih tinggi. Berdasarkan laporan rutin Profil Kesehatan Kabupaten/Kota tahun 2016 tercatat jumlah kematian ibu maternal yang terlaporkan sebanyak 799 orang (84,78/100.000 KH), dengan proporsi kematian pada Ibu Hamil 227 orang (20,09/100.000), pada Ibu Bersalin 202 orang (21,43/100.000 KH), dan pada Ibu Nifas, 380 orang (40,32/100.000 KH), jika dilihat berdasarkan kelompok umur presentasi kematian pada kelompok umur

<20 tahun sebanyak 71 orang (8,89%), kelompok umur 20 - 34 tahun sebanyak 509 orang (63,70%) dan >35 tahun sebanyak 219 orang (27,41%). Dan jika dilihat Berdasarkan Kabupaten/Kota proporsi kematian maternal pada ibu antara

18,06/100.000 KH – 169,09/100.000 KH, tertinggi terdapat di Kabupaten Indramayu dan terendah di Kota Cirebon (Kesehatan, 2016).

Kurangnya pengetahuan mengenai gejala yang dirasakan saat masa kehamilan merupakan permasalahan yang saat ini terjadi. Hal tersebut membuat ibu hamil tidak menghiraukan gejala-gejala tertentu yang sebenarnya mengindikasi terhadap penyakit yang berbahaya. Selain itu, resiko kematian ibu juga semakin tinggi akibat adanya factor keterlambatan yang menjadi penyebab tidak langsung kematian ibu.

Keterlambatan yang dimaksud adalah terlambat mengambil keputusan untuk dirujuk termasuk rendahnya pengetahuan ibu hamil tentang tanda bahaya saat kehamilan (Aji, Furqon and Widodo, 2018).

Seiring perkembangan teknologi yang sangat pesat, maka banyak pengetahuan yang dapat diterapkan dengan menggunakan teknologi. Seperti pengetahuan seorang pakar yang dapat diterapkan ke sebuah sistem yang disebut sistem pakar. Sistem pakar adalah sistem yang mampu menggambarkan penalaran seorang pakar agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli atau pakar. Sistem pakar umumnya digunakan untuk konsultasi, analisis, diagnosis dan membantu mengambil keputusan (Rosnelly, 2012).

Penelitian mengenai sistem pakar diagnosis penyakit kehamilan sudah dilakukan oleh beberapa penelti, diantaranya yaitu Joko Mardani (2016) yang menggunakan metode Dempster Shafer dan Decision Tree. Metode tersebut diimplementasikan pada proses diagnosa penyakit kehamilan berdasarkan rekam medis pasien dan data penyakit dari pakar, hasil dari akurasi metode ini sebesar 76%.

Selain itu, penelitian yang dilakukan Aryu dkk (2018) yang menggunakan metode Certainty Factor (CF) untuk melakukan diagnosa penyakit ibu hamil. Metode tersebut diimplemantasikan pada proses diagnosa melalui gejala yang dirasakan pasien dan mengeluarkan sebuah output berupa penyakit yang diderita pasien.

Presentase akurasi metode forward chaining dalam penelitian ini sebesar 100%. Selanjutnya pada penelitian Nadya dkk (2019) menggunakan metode metode Teorema Bayes untuk mendiagnosis penyakit pada ibu hamil berdasarkan gejala

yang dirasakan kemudian menghasilkan sebuah diagnosa penyakit yang diderita pasien. Sistem tersebut menampilkan besarnya prosentase nilai kepercayaan dari perhitungan dengan nilai tertinggi adalah sebesar 77%.

Dari ketiga penelitian tersebut, metode Certainty Factor menghasilkan nilai paling tinggi. Metode CF adalah metode yang digunakan untuk mengakomodasi ketidakpastian pemikiran (inexact reasoning) seorang pakar. Selain itu, metode CF dapat mengambarkan tingkat keyakinan seorang pakar terhadap masalah yang sedang dihadapi (Sutojo, 2011).

Berdasarkan kelebihan-kelebihan tersebut, maka penulis menggunakan metode CF yang dapat mengukur suatu kejadian apakah pasti atau tidak pasti dalam mendiagnosa penyakit ibu hamil berdasarkan penilaian pakar.

2. Metode Penelitian

Metode penelitian pada umumnya adalah cara mengumpulkan data dan informasi untuk tujuan tertentu.

Metode Pengumpulan Data

Pengumpulan data diperlukan sebagai acuan dasar berikut beberapa teknik yang dilakukan :

1. Observasi

Pada tahap ini penulis melakukan pengamatan langsung terhadap kegiatan yang berhubungan dengan masalah yang diambil. Observasi ditujukan untuk mengetahui dan mendapatkan data yang valid mengenai objek yang diteliti, penulis melakukan observasi langsung ke Puskesmas Cileunyi.

2. Wawancara

Selanjutnya melakukan wawancara dengan sumber yang berkaitan dengan pembuatan program untuk mengidentifikasi penyakit yang menyebabkan kematian ibu hamil. Penulis melakukan interview dengan pakar kehamilan.

3. Studi Pustaka

Untuk mendukung program yang dibuat, penulis melakukan pengumpulan data berupa informasi dari buku, artikel, literature atau tulisan pada situs internet atau sumber-sumber lainnya yang berhubungan dengan topik pembahasan skripsi ini,seperti penyakit kehamilan dan lain sebagainya.

Metode Pengembangan Pakar

Certainty Factor (CF) merupakan sebuah metode yang diusulkan oleh Shortliffe dan Buchanan pada tahun 1975 untuk mengakomodasi ketidakpastian pemikiran (inexact reasoning) seorang pakar. Seorang pakar (contoh: dokter) sering menganalisi informasi dengan ungkapan “mungkin“, “kemungkinan besar“,

“hampir pasti”. Sehingga dengan adanya metode Certainty Factor ini dapat mengambarkan tingkat keyakinan seorang pakar terhadap masalah yang sedang dihadapi. Saat ini ada dua model yang sering digunakan untuk mendapatkan tingkat keyakinan (CF),yaitu (Sutojo, 2011):

Metode ‘Net Belief’ yang diusulkan oleh E.H. Shortliffe dan B. G. Buchanan. Seperti yang ditunjukkan pada persamaan (1).

CF(Rule)=MB(H, E)–MD(H, E) (1) Di mana:

CF(Rule) : Faktor kepastian

MB(H, E) : Measure of Belief (ukuran kepercayaan) terhadap hipotesis H, jika diberikan evidence E (antara 0 dan 1) MD(H, E) : Measure of Disbelief(ukuran ketidakpercayaan) terhadap evidence H, jika diberikan evidence E (antara 0 dan 1) Menggunakan hasil wawancara dengan pakar. Dengan mendapatkan informasi dari hasil wawancara dengan pakar. Nilai CF(Rule) didapat dari intrepretasi ”term”

dari pakar, yang diubah menjadi nilai CF tertentu sesuai Tabel 1.

Table 1 Nilai CF(Rule) Diubah Menjadi Nilai CF

Uncertain Term CF CF Definitely Not (pasti tidak) -1.0 Almost Certainly not (hampir

pasti tidak)

-0.8 Probably not (kemungkinan

besar tidak)

-0.6 Maybe not (mungkin tidak) -0.4 Unknown (tidak tahu) -0.2 to

0.2

Maybe (mungkin) 0.4

Probably (kemungkinan besar) 0.6 Almost certainty (hampir pasti) 0.8 Definitely (Pasti) 1.0

A.

Menentukan CF Pararel

CF pararel merupakan CF yang diperboleh dari beberapa premis pada sebuah aturan. Besarnya CF sekuensial dipengaruhi oleh CF user untuk masing- masing premis dan operator dari premis.

Rumus untuk masing-masing operator dapat dilihat pada persamaan 2, 3, dan 4.

CF (x dan y) = min (CF(x), CF(y)) (2) CF(x atau y) = max (CF(x), CF(y)) (3)

CF (tidak x) = ~CF(x) (4)

Keterangan:

CF(x), CF(y) : nilai CF pararel untuk setiap premis yang ada

A. Menentukan CF Sekuensual

Bentuk dasar rumus CF sebuah aturan jika E dan H, ditunjukkan pada persamaan 5.

CF (H,e) = CF (E,e)*CF(H,E) (5) Keterangan :

CF (E,e) : Certainty Factor evidence E yang dipengaruhi oleh evidence e

CF (H,e) : Certainty Factor hipotesis dengan asumsi evidence diketahui dengan pasti, yaitu ketika CF (E,e) = 1.

CF (H,E) : Certainty Factor yang dipengaruhi oleh Evidence e

CF Sekuensial diperole dari hasil perhitungan CF pararel dari semua premis dalam satu aturan dengan CF yang diberikan oleh pakar. Untuk melakukan perhitungan CF sekuensial ditunjukkan pada persamaan 6.

CF(x,y) = CF(x)*(CF(y)) (6) Keterangan :

CF(x,y) : CF pararel

CF(x) : CF sekuensial dari semua premis CF(y) : CF Pakar

B. Menentukan CF Gabungan

CF gabungan merupakan CF akhir dari sebuah calon konklusi. CF ini dipengaruhi oleh semua CF pararel dari aturan yang menghasilkan konklusi tersebut. Jika terdapat gejala-gejala yang berbeda menyebabkan penyakit yang sama, maka itu termasuk dalam persamaan certainty factor gabungan. Dapat di misalkan pada gejala G (G1, G2 … Gn) menyebabkan penyakit P, maka terdapat nilai E (E1, E2,

…., En) juga menyebabkan penyakit P, maka terdapat nilai CF1(P,G) dan CF2 (P,G). Tingkat kepastian yang dihasilkan oleh sistem dalam menentukan diagnosa adalah CF kombinasi seperti yang dirumuskan pada persamaan 7.

Dalam persamaan CF kombinasi, apabila dalam membentuk knowledge base setiap kaidah diagnosa sudah diberi tingkat kepastian oleh pakar, dan setiap gejala

pasien yang diindikasikan diberi tingkat kepercayaan dari pakar maka tingkat kepastian dari sistem ketika menentukan hasil diagnosis. Dari kedua model tersebut membutuhkan peran aktif dari seorang pakar yang akan digunakan sebagai domain knowledge. Hal ini memerlukan waktu dan tenaga yang cukup besar agar mendapatkan hasil yang bersifat subjetif.

Algoritma Sistem Pakar

Algoritma adalah urutan langkah- langkah secara logis untuk menyelesaikan masalah, sedangkan kegunaan algoritma adalah untuk membantu seseorang dalam menyelesaikan suatu maslaah berdasarkan pola pikirnya masing-masing (Prabowo, 2014).

Gambar 1 Flowchart Algoritma Sistem Pakar

3. Hasil dan Pembahasan

Berdasarkan hasil wawancara terhadap pakar pada pembuatan sistem pakar diagnosis ini terdapat 9 penyakit dengan 34 gejala yang dapat terlihat. Berikut beberapa data penyakit dan gejalanya :

Tabel 2 Daftar Nama Penyakit No Kode

Penyakit Nama Penyakit 1 P1 Abortus Immeniens 2 P2 Abortus Inkompletus 3 P3 Mola Hydatidosa 4 P4 Solution Placenta 5 P5 Preeklampsi 6 P6 Eklampsia

7 P7 Anemia Defisiensi Besi 8 P8 Plasenta Previa 9 P9 Sepsis Puerperalis

Tabel 3 Daftar Gejala No Kode

Gejala Gejala 1 G1 Pendarahan Sedikit 2 G2 Nyeri Tekanan Payudara 3 G3 Nyeri Punggung Bawah 4 G4 Mual dan Muntah 5 G5 Pendarahan Banyak 6 G6 Uterus Mengecil

7 G7 Kanalis serfikalis telah tertutup

8 G8 Nyeri Kontraksi Kuat

9 G9 Tidak ada bunyi jantung anak

10 G10 Tidak ada ballottement 11 G11

Rahim lebih besar daripada sesuai dengan tuanya kehamilan

12 G12 Rahim Keras

13 G13 Fundus Uteri Makin Lama Makin Naik

14 G14 Anemia

15 G15 Sakit Kepala yang keras 16 G16 Sakit di Ulu hati

17 G17 Penglihatan Kabur 18 G18 Gelisah

19 G19 Kelopak mata pucat

20 G20 Warna kuku, gusi dan telapak tangan pucat

21 G21 Mudah terkena memar 22 G22 HB dibawah 11,5g%

23 G23 Kejang

24 G24 Gangguan bicara

25 G25 Kelemahan otot disorientasi 26 G26 Kram atau nyeri hebat pada

kandungan 27 G27

Muncul perdarahan yang kemudian berhenti, tapi bisa timbul lagi dalam beberapa hari atau minggu kemudian 28 G28 Muncul pendarahan terjadi

setelah berhubungan intim

29 G29

Muncul Pendarahan selama trisemester kedua kehamilan

30 G30

Nyeri pelvik

31 G31 Suhu >380C atau <360C 32 G32 Denyut jantung >90 x

permenit

33 G33 Nyeri tekan uterus 34 G34

Pada laserasi/luka episiotomi terasa nyeri, bengkak, mengeluarkan cairan nanah

Tabel 4 Keputusan Pakar Kode

Gejala

Penyakit

P1 P2 P3 P4 P5 P6 P7 P8 P9

G1 * *

G2 *

G3 *

G4 * *

G5 * *

G6 *

G7 *

G8 *

G9 *

G10 *

G11 *

G12 *

G13 *

G14 *

G15 * * *

G16 *

G17 * *

G18 *

G19 *

G20 *

G21 *

G22 *

G23 *

G24 *

G25 *

G26 *

G27 *

G28 *

G29 *

G30 *

G31 *

G32 *

G33 *

G34 *

Dalam Sistem pakar ini untuk menentukan nilai kemungkinan dengan menggunakan perhitungan certainty factor.

Berikut contoh perhitungan pada penyakit kehamilan berdasarkan nilai kepastian dari pakar diantaranya ;

Penyakit Abortus Imminiens Kode

Gejala Gejala CF

G1 Pendarahan Sedikit 1 G2 Mual dan Muntah 0,5 G3 Nyeri Punggung

Bawah 1

G4 Nyeri Tekanan

Payudara 0,4

Penyakit Mola Hidatidosa Kode

Gejala Gejala CF

G9 Tidak Ada Bunyi Jantung

Anak 1

G5 Pendarahan Banyak 1 G10 Tidak ada ballotement 1 G11

Rahim lebih besar daripada sesuai dengan tuanya kehamilan

1

Perhitungan :

CF(A) = CF1+(CF2*(1-CF1))

= 1+(0,5*(1-1))

= 1

CF(B) = CF3+(CFA*(1-CF3))

= 1+(1*(1-1))

= 1

CF(C) = CF4+(CFB*(1-CF4))

= 0,4+(1*(1-0,4))

= 1

Maka CF dari gejala yang diinputkan untuk Abortus Imminiens kemungkinannya sebesar 1 atau 100%.

Penyakit Mola Hidatidosa Perhitungan :

CF(A) = CF1+(CF2*(1-CF1))

= 1+(1*(1-1))

= 1

CF(B) = CF3+(CFA*(1-CF3))

= 1+(1*(1-1))

= 1

CF(C) = CF4+(CFB*(1-CF4))

=1+(1*(1-1)

=1

Maka CF dari gejala yang diinputkan untuk Mola Hidatidosa kemungkinannya sebesar 1 atau 100%

3.1. Analisa Kebutuhan Software

Software Architecture merupakan gambaran dari sistem yang diterapkan pada sistem pakar ini. Berikut adalah gambaran dari sistem pakar diagnosa penyakit kulit pada kucing menggunakan permodelan UML (Unified Modeling Language). Proses dan data model dari sistem pakar dimodelkan dengan Use Case Diagram, Activity Diagram, Sequence Diagram, Component Diagram, Deployment Diagram.

1. Use Case Diagram

Use case diagram yang menggambarkan interaksi antara user dengan

sistem pada aplikasi ini yang penulis buat.

Gambar 3 Use Case Diagram

3.2. User Interface

Berikut merupakan tampilan antarmuka dari aplikasi sistem pakar diagnosis penyakit kehamilan

1. Splash Screen

Tampilan splash screen merupakan tampilan pembuka pada saat pertama kali mengakses aplikasi sistem pakar diagnosis penyakit kehamilan.

Gambar 4 Splash Screen

2. Halaman Utama

Tampilan halaman utama merupakan halaman awal pada saat pertama kali mengakses aplikasi sistem pakar diagnosis penyakit kehamilan. Berisiskan menu diagnosa, menu informasi, menu artikel , menu asupan gizi dan juga menu kontak

Gambar 5 Halaman Utama 3. Halaman Diagnosa

Tampilan halaman diagnosa merupakan halaman yang berisikan pertanyaan gejala apa saja yang diderita oleh user, pada halaman ini user diminta untuk mengisi ya atau tidak untuk menampilkan hasil diagnosa

Gambar 6 Halaman Diagnosa

4. Halaman Hasil Diagnosa

Tampilan halaman hasil diagnosa merupakan halaman yang berisi diagnosis awal penyakit dari jawaban pertanyaan yang dipilih user.

Gambar 7 Halaman Hasil 5. Halaman Informasi

Tampilan halaman informasi

merupakan halaman yang berisi daftar jenis penyakit kehamilan

Gambar 8 Halaman Informasi 2. Halaman Pilih Penyakit

Tampilan halaman pilih penyakit merupakan halaman yang berisi informasi mengenai penyakit yang dipilih pada daftar penyakit

Gambar 9 Halaman Pilih Penyakit 3. Halaman Artikel

Tampilan halaman artikel merupakan halaman yang berisi daftar artikel dari beberapa sumber mengenai kehamilan

Gambar 10 Halaman Artikel 4. Halaman Pilih Artikel

Tampilan halaman pilih artikel merupakan halaman yang berisi informasi detail dari artikel yang dipilih pada daftar artikel sebelumnya

Gambar 11 Halaman Pilih Artikel 5. Halaman Asupan Gizi

Tampilan halaman asupan gini merupakan halaman yang berisi beberapa daftar asupan gizi untuk ibu hamil

Gambar 12 Halaman Asupan Gizi 6. Halaman Pilih Asupan Gizi

Tampilan halaman pilih asupan gini ini merupakan halaman detail dari daftar asupan gizi yang dipilih

Gambar 13 Halaman Pilih Asupan Gizi 7. Halaman Kontak

Tampilan halaman kontak berisikan informasi kontak pakar dan juga tempat praktek pakar , pada halaman ini user dapat langsung chat dengan pakar yang dihubungkan ke whatsapp selain itu user juga dapat lansung melihat lokasi prakter pakar

Gambar 14 Screenshot Halaman Kontak 8. Halaman Tentang

Tampilan halam tentang berisikan informasi mengenai aplikasi dan pembuat aplikasi

Gambar 15 Halaman Tentang

4. Kesimpulan

Penulis menarik kesimpulan dari pembuatan sistem pakar mendiagnosis penyakit kehamilan sebagai berikut :

1. Aplikasi ini dapat mendiagnosa penyakit yang diderita oleh ibu hamil berdasarkan gejala yang dipilih.

2. Aplikasi sistem pakar ini dapat memberikan informasi kehamilan dengan adanya artikel dan fitur chat.

3. Telah dibangun aplikasi sistem pakar berbasis android dengan menggunakan metode certainty factor.

Referensi

Aji, A. H., Furqon, M. T. and Widodo, A. W.

(2018) ‘Sistem Pakar Diagnosa Penyakit Ibu Hamil Menggunakan Metode Certainty Factor ( CF )’, 2(5), pp. 2127–2134.

Junianto, E. and Susanti, S. (2019)

‘Penerapan Teorema Bayes Untuk Diagnosis Penyakit Pada Ibu Hamil Berbasis Android’, 6(1), pp. 53–61.

Kesehatan, D. (2016) ‘No Title’, Dinas Kesehatan Provinsi Jawa Barat.

Available at:

http://diskes.jabarprov.go.id.

Minardi, J. (2016) ‘Sistem Pakar Untuk Diagnosa Penyakit Kehamilan Menggunakan Metode DEMPSTER- SHAFER Dan DECISION TREE’, 7(1), pp. 83–98.

Rosnelly, R. (2012) Sistem Pakar: Konsep dan Teori. Edited by P. Y. Jati.

Yogyakarta: CV ANDI OFFSET.

Sutojo, E. (2011) Kecerdasan Buatan.

Edited by Andi. Yogyakarta:

Yogyakarta.