Diagnosa Penyakit Tulang Belakang Menggunakan Metode Forward Chaining dan Certainty Factor
Riza Dwi Jayanti, Ben Rahman, Iskandar Fitri
Fakultas Teknologi Komunikasi dan Informatika, Sistem Informasi, Universitas Nasional, Jakarta, Indonesia Email: 1[email protected], 2[email protected], 3,*[email protected]
Email Penulis Korespondensi: [email protected]
Abstrak−Dalam bidang kedokteran khususnya ortopedi terdapat beberapa jenis penyakit tulang belakang diantaranya, skoliosis, lordosis, kifosis, dan spondylosis. Maka dari itu dibutuhkan sistem pakar untuk mendiagnosa penyakit tulang belakang. Bersumber pada persoalan tersebut, kami melakukan perbandingan ekponensial dari dua metode hybrid. Dengan nilai akhir metode gabungan forward chaining & naive bayes sebesar 8.89, dan 9.40 nilai akhir tertinggi gabungan metode forward chaining dan certainty factor. Sehingga pada penelitian ini digunakan metode forward chaining dan certainty factor yang dirancang berbasis website, menggunakan tools pemrograman Sublime Text 3 serta PHP dan MySQL sebagai basis data.
Dari hasil pengujian aplikasi maupun perhitungan manual dengan 30 data sampel disimpulkan 7 user atau sekitar 23% masuk pada tingkat kepercayaan kemungkinan terkena penyakit tulang belakang dan 23 user atau sebesar 77% dari seluruh total pengujian dinyatakan pada tingkat kepercayaan kemungkinan besar terkena penyakit tulang belakang dengan nilai kepercayaan tertinggi sebesar 88.5% pada penyakit spondylosis.
Kata Kunci: Sistem Pakar; Penyakit Tulang Belakang; Forward Chaining; Certainty Factor; Website.
Abstract−In the field of medicine, especially orthopedics, there are several types of spinal diseases including scoliosis, lordosis, kyphosis, and spondylosis. Therefore, an expert system is needed to diagnose spinal diseases. Based on this problem, we performed an exponential comparison of the two hybrid methods. With the final value of the combined forward chaining &
naive bayes method of 8.89, and 9.40 the highest final value of the combined forward chaining method and certainty factor. So that in this research, forward chaining and certainty factor methods are used which are designed based on a website, using Sublime Text 3 programming tools and PHP and MySQL as databases. From the results of application testing and manual calculations with 30 sample data, it was concluded that 7 users or about 23% entered the level of confidence in the possibility of developing spinal disease and 23 users or 77% of the total testing stated at the level of confidence in the probability of developing spinal disease with a value of the highest confidence of 88.5% in spondylosis disease.
Keywords: Expert System; Spinal Disease; Forward Chaining; Certainty Factor; Website.
1. PENDAHULUAN
Penyakit tulang belakang merupakan suatu keadaan terhadap tulang yang mengakibatkan posisi atau kebengkokan tulang belakang, penyakit ini dapat merujuk ke segaja usia. Di kedokteran terdapat satu masalah yaitu penyakit yang mengarah pada tulang belakang manusia, yang merupakan penunjang penegakkan tubuh serta pengendalian gerakan, hal itu disebabkan kecilnnya kepedulian terhadap kesahatan tulang belakang serta terbatasnya pemahaman dasar masyarakat tentang penyakit tulang belakang sehingga menyebabkan kematian maupun ketidaksempurnaan organ manusia [1].
Dari laporan Ikatan Dokter Indonesia tahun 2018 tenaga ahli ortopedi yang ada hanya 80 orang, jadi membandingkan satu dokter spesialis dengan populasi 20.000 orang yang berkonsultasi menimbulkan antrian panjang [2]. Maka dari itu perlukan pakar yang dapat membantu menemukan gejala-gejala penyebab terjadinya penyakit tulang belakang, serta dibutuhkan tindakan untuk menangkal penyakit tersebut atau memerlukan ahli di bidangnya masing-masing untuk melakukan tindakan pengobatan. [3].
Seperti penelitian terdahulu yang terkait dengan sistem pakar yang relevan yaitu penelitian yang di disusun oleh Adi Sucipoto, dkk tahun 2018 dengan diagnosa diagnosa saraf tulang belakang dengan metode certainty factor. Penelitian tersebut diterapkan dengan pemrograman Java serta compiler NetBeans IDE 7.1. Hasil perhitungan nilai kepercayan terbesar 81% [3].
Lalu sebagai referensi dari penelitian lainnya yang berkaitan dengan sistem pakar yaitu penelitian tahun 2020 oleh Mian Nauli Sinaga, dkk dengan diagnosa kifosis. Penelitian tersebut dilakukan dengan metode fuzzy logic mamdani yang digunakan untuk perkembangan operasi sistem dalam mewujudkan hasil diagnosa akurat berdasarkan pengetahuan dari pakar. Pada tahap defuzzyfikasi menghasil perhitungan akhir 1,79 [4].
Literatur ketiga terkait sistem pakar untuk diagnosa penyakit syaraf tulang terjepit (HNP) yang dilakukan oleh Erli Sari Harahap tahun 2020. Di penelitian tersebut memakai metode case based reasoning berbasis web yang dibuat untuk mempermudah diagnosa gejala penyakit terhadap pasien kapanpun dan dimanapun. Hasil output perhitungan sebesar 70% nilai kemiripan [5].
Penelitian sistem pakar lainnya pada tahun 2017 untuk diagnosa penyakit asidosis tubulus renalis yang dibuat oleh Rahmi Ras Fanny, dkk. Tujuan dari penelitian tersebut agar memahami kemungkinan pasien menyandang penyakit tersebut atau tidak, serta menangkap faktor-faktor resiko pada pasien. Dari hasil perhitungan menghasilkan 85% nilai certainty factor [6].
Literatur terakhir yaitu penelitian yang dilakukan Cynthia Hidayat dan Angelina A Latuny tahun 2020
mobile untuk mendiagnosis 4 jenis penyakit guna menunjang pasien berdasarkan output kemungkinan pada penyakit tulang belakang. Namun terdapat kekurangan dalam jurnal tersebut yaitu belum adanya perhitungan dari sistem pakar tersebut. [2].
Bersumber dari beberapa penelitian sebelumnya, menjadi acuan bagi kami untuk mengembangkan lagi penelitian terdahulu pada tema yang relevan dengan penelitian sekarang, yaitu membuat pengujian sistem pakar diagnosa penyakit tulang belakang, dengan metode FC (Forward Chaining) dan CF (Certainty Factor) [2]-[3].
Pemilihan objek penyakit tulang belakang dikarenakan merupakan penyakit cukup menjadi perhatian dunia kesehatan. Kemudian pada penelitian ini, sebelumnya dilakukan perbandingan 2 metode hybrid dari metode forward chaining dan certainty factor dengan metode forward chaining dan naïve bayes guna mengetahui nilai akhir tertinggi yang akan digunakan dalam pembuatan aplikasi ini. Sehingga diharapkan dengan adanya aplikasi sistem pakar ini, dapat menghasilkan diagnosa secara cepat dan mandiri tanpa kehadiran pakar secara langsung, dengan melewati olahan data gejala yang berhubungan pada penyakit tulang belakang yang dialami user, serta memperoleh solusi atau saran untuk menanganinya, sekaligus mengerti pemahaman kesehatan tulang belakang.
2. METODOLOGI PENELITIAN
Dalam Penelitian ini, terdapat tahapan-tahapan Kerangka Kerja Penelitian yang dilaksanakan guna menghasilkan sebuah output yang dapat digunakan. Bagan Penelitian dapat dilihat pada Gambar 1.
Gambar 1. Kerangka Kerja Penelitian
Gambar 1 menampilkan tahapan yang diawali dengan mengumpulkan data terkait penyakit tulang belakang, kemudian melakukan perbandingan pada 2 metode hybrid, lalu setelah itu melakukan perancangan sistem, yang berikutnya dilakukan implementasi dalam aplikasi sistem pakar yang dirancang, dan tahap akhir pengujian sistem.
2.1 Pengumpulan Data
Pada tahap ini diperoleh data dari sumber-sumber yang tertulis seperti melalui jurnal, website kesehatan, dan lainnya. Selain itu dengan wawancara melalui tanya jawab dengan seorang pakar. Kemudian dilaksanakan penilaian, pengenalan terhadap problem yang terjadi yang diperlukan untuk perancangan hingga tahapan analisis yang dibutuhkan [7]. Selanjutnya dilaksanakan analisis terstruktur, untuk memahami definisi permasalahan, kemampuan serta peninjuan yang menuju ke pengembangan sistem [8]-[9]. Hasil data tersebut berupa 4 basis pengetahuan penyakit tulang belakang, 15 basis pengetahuan gejala serta solusinya, dan data nilai kepercayaan pakar yang digunakan sebagai basis pengetahuan guna menghasilkan suatu diagnosa.
Table 1. Data Daftar Jenis Penyakit Tulang Belakang Kode
Penyakit
Nama Penyakit KP1 Skoliosis KP2 Lordosis KP3 Kifosis KP4 Spondylosis
Pada Tabel 1 dari data jenis penyakit tulang belakang mengklasifikasikan data sebanyak 4 jenis nama penyakit yang terdiri dari kode penyakit KP1 sampai KP4 beserta nama pada masing-masing penyakit tulang belakang yang digunakan dalam penelitian ini.
Table 2. Data Daftar Gejala Penyakit Tulang Belakang Kode
Gejala Nama Gejala Nilai
Pakar
KG1 Bahu lebih tinggi sebelah 1
KG2 Tulang belikat menjadi lebih menonjol 0.8
KG3 Merasakan gangguan pernapasan karena terbatasnya gerak
paru 0.4
KG4 Terasa sakit tiba-tiba pada bagian leher 0.6
KG5 Sering tiba-tiba kesemutan di kaki 1
KG6 Otot tulang punggung sering bereaksi tegang 0.6
KG7 Perut dan bokong tampak menonjol 0.8
KG8 Berasa sakit saat membungkuk 0.2
KG9 Terdapat lengkungan dibagian tulang belakang melebihi 50
derajat 1
KG10 Otot belakang paha terasa kencang 0.6
KG11 Postur tubuh berubah menjadi bungkuk 0.6
KG12 Sering kesemutan yang menyebar ke bagian kepala, bahu, dan
lengan 0.8
KG13 Memiliki permasalahan pada pertumbuhan tulang taji 0.4 KG14 Terdapat penyempitan di ruas tulang belakang 0.8
KG15 Leher sering berasa kaku 1
Tabel 2 merupakan klasifikasi data daftar gejala penyakir tulang belakang yang terdiri dari kode gejala KG1 hingga KG15 beserta penjelasan tentang nama gejala dari setiap kode gejala, serta berisi nilai dari setiap gejala yang telah ditentukan oleh pakar.
2.2 Perbandingan 2 Metode Hybrid
Sesudah mengumpulkan data akan dilakukan perbandingan 2 metode hybrid terlebih dahulu, untuk mengetahui metode kombinasi yang mana yang lebih terakurasi yang setelah itu akan dipakai dalam penelitian ini. Dengan rumus metode forward chaining dan certainty factor [3].
CF[H,E] = MB[H,E] – MD[H,E] (1)
CF[H,E] = skala kepastian
MB[H,E] = skala kepercayaan hipotesis H, apabila diberikan dengan gejala E (antara 0 dan 1) MD[H,E] = skala ketidakpercayaan terhadap hipotesis H, jika diberikan dari gejala E (antara 0 dan 1)
Pedoman 2 bagi aturan premis tunggal
CF [H,E] = CF[H] * CF [E] (2)
CF[H] = skala kepercayaan pengguna CF[E] = skala kepercayaan pakar
Kemudian pedoman untuk kesimpulan yang sama
CF kombinasi CF[H, E]1= CF [H,E1] + CF [H,E2] * (1-CF [H,E1]) (3) CF kombinasi CF [H, E]old3 = CF[H,E]old + CF[H,E]3 * (1- CF [H,E]old)
Kemudian digunakan rumus untuk menentukan hasil dengan metode forward chaining dan naïve bayes [10].
P(ai|vj)= 𝑛c+ 𝑚𝑝
𝑛+𝑚 ) (4)
n = jumlah penyakit yang sama p = n/jumlah semua penyakit m = jumlah seluruh gejala nc = nilai jawaban user 2.3 Analisis Sistem
Dalam analisis sistem dari implementasi sistem pakar dibutuhkan basis regulasi maupun basis pengetahuan yang berupa informasi tepat, utuh, serta terstruktur dengan jelas, sehingga proses inferensi dapat berjalan sebagaimana mestinya [11]. Maka digunakan metode forward chaining yang merupakan bagian dari banyak tahapan deduksi yang berawal dari sejumlah validitas yang dideteksi. Proses dilakukan dengan menerapkan suatu premis yang sesuai dengan realitas yang diketahui untuk membentuk kebenaran yang digunakan dan meneruskan sampai selesai atau hingga tidak terdapat lagi aturan yang diawali sinkron sesuai realitas yang ditemukan serta kebenaran yang diketahui. Tampilan pada awalnya diawali dengan menginput data untuk mengarahkan pada konklusi maupun data yang telah ditetapkan. Jika fakta yang dimasukan sesuai dengan bagian IF part menuju THEN part, maka rule atau aturan tersebut bisa diterapkan [12].
Selain itu digunakan metode certainty factor guna meimplementasi kan setiap fakta-fakta yang sudah dikumpulkan sehingga akan menghasilkan kemungkinan output nilai kepastian. Sehingga, seorang pakar akan
seperti “hampir pasti”, “mungkin”, “kemungkinan besar” untuk mengkaji informasi yang ada. Maka untuk beradaptasi pada situasi tersebut, dapat menerapkan certainty factor untuk mendeskripsikan tingkat kepercayaan pakar tentang persoalan yang terjadi [14].
3. HASIL DAN PEMBAHASAN
3.1 Perancangan Sistem
Dirancangan pada pengembangan sistem pakar diagnosa penyakit tulang belakang ini menggunakan desain UML sehingga mampu menyederhanakan dalam visualisasi perancangan aplikasi, dengan tahapan :
a. Informasi data, yaitu berisi sebuah informasi data penyakit yang menerangkan data penyakit, yang dibagi dalam 3 bagian berisi, gejala-gejala, diagnosa, dan solusi
b. Diagnosa gejala, yaitu diawali dengan menentukan gejala yang ada, kemudian diproses agar menghasilkan diagnosa penyakit jenis tulang belakang
c. Hasil diagnosis, yaitu setelah gejala ditentukan, akan diperoleh hasil diagnosis yang mungkin terkena penyakit tulang belakang atau tidak.
Gambar 2. Use Case Diagram User
Gambar 2 menjelaskan fitur-fitur user yang bisa diakses seperti melakukan registrasi dengan mengisi data diri, lalu login dengan akun yang telah dibuat untuk masuk kedalam sistem, setelah masuk akan langsung dapat melakukan konsultasi dengan memilih gejala yang dirasakan, selanjutnya akan dapat melihat hasil konsultasi, dan yang terakhir dapat logout pada sistem.
Gambar 3. Use Case Diagram Admin
Gambar 3 menunjukkan hak akses penuh admin untuk mengelola semua halaman sistem dibandingkan user.
Seperti data 4 jenis penyakit tulang belakang, data gejala, data solusi pada setiap penyakit, data aturan untuk menghubungkan setiap penyakit dengan masing-masing solusi, data pengetahuan yang digunakan untuk memberikan nilai pakar gejala-gejala dimasing-masing penyakit, dan data user serta admin.
3.2 Implementasi dan Pengujian Metode Forward Chaining dan Certainty Factor
Di langkah ini dilaksanakan penerapan metode forward chaining, yang mengindikasikan ukuran kepastian tentang sebuah fakta serta rules yang cocok guna mengetahui gejala-gejala penyakit tulang belakang. Mesin inference merupakan bagian pokok dari sstem pakar yang meliputi proses pencocokan fakta serta aturan dan hasil, disamping itu juga termasuk prosedur maupun langkah utama membangun mesin inference [8].
Table 3. Rules (Aturan) Forward Chaining
No. Rules (Aturan)
1. IF user KG1, KG2, KG3, KG4 AND THEN KP1 2. IF user KG5, KG6, KG7, AND THEN KP2 3. IF user KG8, KG9, KG10, KG11 AND THEN
KP3
4. IF user KG12, KG13, KG14, KG15 AND THEN KP4
Pada Tabel 3 telah dibuat rules (aturan) penyakit tulang belakang berisi kode penyakit dengan kode gejala yang dialami oleh user. Kemudian selanjutnya dilaksanakan penerapan metode certainty factor untuk pengujian aplikasi serta perhitungan manual agar mengahasilkan nilai presentase, dan mengindikasikan ukuran kepastian tentang sebuah fakta serta rules [15].
Table 4. Nilai CF User Jawaban User Nilai User Tidak yakin 0 Kurang yakin 0,02 Sedikit yakin 0,04 Cukup yakin 0,06
Yakin 0,08
Sangat yakin 1
Berdasarkan Tabel 4 menunjukkan nilai user yang terdiri dari nilai 0 dengan jawaban tidak yakin hingga nilai 1 yang menunjukkan jawaban tertinggi sangat yakin yang digunakan untuk nilai jawaban user berdasarkan data nama gejala 4 jenis tulang belakang yang ditanyakan sistem.
Table 5. Presentasi Kesimpulan
Tingkat Kepercayaan Nilai Presentase Kemungkinan kecil atau sedikit kemungkinan 0%-50%
Kemungkinan 51%-79%
Kemungkinan besar 80%-99%
Sangat berkemungkinan atau sangat yakin 100%
Tabel 5 menampilkan presentasi kesimpulan pada asumsi certainty factor dengan pembagian 4 tingkat kepercayaan yang terdiri dari nilai presentasi 0% sampai 100% yang digunakan untuk setiap hasil persentase nilai kepercayaan yang dihasilkan user pada setiap diagnosa penyakit [16].
Table 6. Perhitungan Manual Gejala Terpilih Kode
Gejala
CF
Pakar CF User
KG12 0.8 0.06
KG13 0.4 0.02
KG14 0.8 0.02
KG15 1 0.02
Tabel 6 menampilkan nilai CF pakar serta CF user pada salah satu rules dari data sampel penyakit spondylosis dengan 4 gejala terpilih yaitu KG12, KG13, KG14, dan KG15. Kemudian dilanjutkan dengan perhitungan manual dengan menggunakan rumus certainty factor guna mendapatkan nilai kepercayaan dari hasil diagnosa.
CF = (0.8 + (0.4 * (1-0.8)) - (0.06 + (0.02 * (1-0.06)) = 0.88 - 0.078 = (0.88 + (0.8 * (1-0.88)) - (0.078 + (0.02 * (1-0. 078)) = 0.976 - 0.097 = (0.976 + (1 * (1-976)) - (0.097+ (0.02 * (1- 0.097))
CF = 1- 0.115 = 0.885 CF Hasil = 0.885* 100%
CF Hasil = 88.5 %
Dari hasil perhitungan manual yang sudah dilakukan didapat hasil certainty factor dari gejala-gejala yang telah dimasukkan mengacu pada Tabel 6 dan 7 telah mendiagnosa terkena penyakit spondylosis dengan tingkat kepercayaan 0,885 atau 88.5% yang dinyatakan pada tingkat kemungkinan.
Table 7. Hasil Pengujian Rules FC dan Data Sampel Gejala Terpilih Kode Gejala & CF User CF
Aplikasi
CF Manua
l
Hasil
Diagnosa Selisih KG1 [0.06], KG2 [0.08], KG3 [0.02], KG4 [0.02] 83.1% 83.1% Skoliosis 0
KG5 [0.08], KG6 [0.02], KG7 [0.04] 86.6% 86.6% Lordosis 0
KG8 [0.02], KG9 [0.06], KG10 [0.04], KG11 [0.08] 81.4% 81.4% Kifosis 0 KG12 [0.06], KG13 [0.02], KG14 [0.02], KG15 [0.02] 88.5% 88.5% Spondylosi
s 0
KG4 [1], KG8 [0.08], KG13 [0.06], KG14 [0.02], KG15
[0.08] 84.8% 84.8% Spondylosi
s 0
KG3 [0.06], KG6 [0.06], KG7 [0.08] 78.5% 78.5% Lordosis 0
KG1 [1], KG8 [0.04], KG10 [0.04], KG11 [0.08] 81.6% 81.6% Kifosis 0 KG2 [0.06], KG3 [0.02], KG4 [0.08], KG6[0.08] 80% 80% Skoliosis 0 KG5 [0.06], KG6[0.08], KG7[0.02], KG13[0.02],
KG14[1] 84.8% 84.8% Lordosis 0
KG11 [1], KG12 [0.08], KG13 [0.06], KG14 [0.02], KG15
[0.08] 78% 78% Spondylosi
s 0
KG6 [0.04], KG8 [0.06], KG9 [0.02] 54% 54% Lordosis 0
KG4 [1], KG8 [0.08], KG13 [0.06], KG14 [0.04] 78.2% 78.2% Spondylosi
s 0
KG2 [0.02], KG3 [0.08], KG4 [0.02], KG8 [0.08] 83.6% 83.6% Skoliosis 0
KG1 [0.06], KG2 [0.06], KG13 [1] 88.4% 88.4% Skoliosis 0
KG3 [0.08], KG9 [0.06], KG10 [0.06], KG11 [0.06] 83.1% 83.1% Kifosis 0 KG4 [0.08], KG5 [0.04], KG7 [0.08], KG12 [0.08] 88.3% 88.3% Lordosis 0 KG7 [0.08], KG13 [0.04], KG14 [0.08], KG15 [0.04] 84.8% 84.8% Spondylosi
s 0
KG10 [0.04], KG11 [0.08], KG14 [0.08] 72.3% 72.3% Kifosis 0
KG1 [0.06], KG2 [0.08], KG4 [0.04], KG6 [0.06], KG12
[0.08] 83% 83% Skoliosis 0
KG4 [0.08], KG8 [0.08], KG10 [0.04], KG11 [0.04 81.6% 81.6% Kifosis 0 KG12 [0.06], KG14 [0.08], KG15 [0.08] 79.6% 79.6% Spondylosi
s 0
KG5 [0.08], KG6 [0.08], KG7 [0.02], KG11 [0.08] 82.9% 82.9% Lordosis 0 KG1 [0.08], KG4 [0.08], KG7 [0.08], KG8 [1] 84.6% 84.6% Skoliosis 0
KG2 [0.08], KG6 [0.04], KG7 [0.08] 80.3% 80.3% Lordosis 0
KG9 [0.02], KG10 [0.04], KG11 [0.08] 86.6% 86.6% Kifosis 0
KG2 [1], KG12 [0.04], KG13 [0.06], KG14 [0.04] 87.9% 87.9% Spondylosi
s 0
KG10 [0.06], KG11 [0.02], KG12 [0.08] 76.1% 76.1% Kifosis 0
KG1 [1], KG5 [0.08], KG6 [0.08], KG15 [1] 84.6% 84.6% Lordosis 0
KG2 [0.06], KG4 [0.04], KG12 [0.08] 82.2% 82.2% Skoliosis 0
KG8 [0.08], KG13 [0.06], KG14 [0.06] 76.4% 76.4% Spondylosi
s 0
Mengacu dari Tabel 6 berisi hasil 30 data pengujian CF dari rules FC dan data sampel yang akurat pada nilai kepercayaan tertinggi sebesar 88.5% berdasarkan banyaknya gejala dengan nilai kepercayaan sesuai jawaban yang dipilih user dan sebaliknya pada nilai terendah sebesar 54%, serta tidak didapati selisih baik di pengujian aplikasi maupun perhitungan manual dari diagnosa penyakit tulang belakang.
Sehingga dapat ditarik kesimpulan dengan mengacu pada Tabel 5, bahwa hasil pengujian diatas tidak terdapat nilai presentasi dibawah 50% pada tingkat kepercayaan kemungkinan kecil atau sedikit kemungkinan terkena penyakit tulang belakang. Berdarsarkan data hasil pengujian aplikasi maupun perhitungan manual didapati 2 tingkat kepercayaan, dimana 7 user atau sekitar 23% dari 30 pengujian dengan tingkat kepercayaan kemungkinan terkena penyakit tulang belakang sebesar dengan nilai presentase 51%-79%. Kemudian yang terakhir terdapat tingkat kepercayaan tertinggi kemungkinan besar terkena penyakit tulang belakang dengan nilai presentase 80%- 99% berjumlah 23 user atau sebesar 77%.
3.3 Implementasi Aplikasi
Pada tahap ini dilakukan implemetasi dari aplikasi website sistem pakar diagnosa penyakit tulang belakang yang sudah dibuat, setelah pada tahap sebelumnya sudah melakukan analisis dan perencanan sistem baik dari use case,
database, maupun proses kodingan. Aplikasi ini dibangun melalui PHP serta MySQL untuk database, selain itu juga menggunakan Sublime Text 3, dan Bootstrap.
Gambar 4. Halaman Awal
Gambar 4 menampilkan menu awal website Sistem Pakar Diagnosa Penyakit Tulang Belakang, yang dimana berisi informasi awal terkait sistem pakar, metode forward chaining dan certainty factor yang digunakan didalam aplikasi yang dibuat, dan petunjuk penggunaan aplikasi.
Gambar 5. Halaman Registrasi dan Login
Gambar 5 menampilkan form registrasi user jika belum mempunyai akun dengan mengisikan data diri dan juga form login untuk user masuk ke sistem sebelum memulai konsultasi, serta form login untuk admin sebelum dapat mengelola fitur-fitur didalam aplikasi.
Gambar 6. Halaman Beranda
Gambar 6 berupa tampilan beranda user pada website Sistem Pakar Diagnosa Penyakit Tulang Belakang, yang dimana berisi informasi awal penjelasan terkait penyakit tulang belakang beserta jenis-jenis penyakitnya yang juga jika ingin dibaca lebih detail bisa klik kata yang berwarna biru.
Gambar 7. Halaman Konsultasi
Gambar 7 menampilkan data user yang berkonsultasi serta berisi 15 daftar pertanyaan terkait data gejala 4 jenis penyakit tulaang belakang yang boleh dipilih oleh user sesuai dengan apa yang dirasakan, kemudia setelah memilih dapat melihat hasil diagnosa.
Gambar 8. Halaman Hasil Konsultasi
Gambar 8 menunjukkan hasil konsultasi dari gejala-gejala penyakit yang sudah dipilih user, yaitu berupa diagnosa yang berisi gejala terpilih, dan hasil analisa yang berisi diagnosa penyakit, solusi, hingga nilai kepercayaan certainty factor pada diagnosa yang dihasilkan.
Gambar 9. Halaman Tampilan Cetak
Dari Gambar 9 menampilkan halaman menu cetak yang berisi hasil konsultasi penyakit tulang belakang, dimana pasien yang sudah mendapatkan hasil diagnosa dari konsultasi yang telag dilakukan dapat mencetak maupun menyimpan hasil kosultasinya dengan settingan tata letak maupun halaman yang diinginkan.
3.4 Hasil Perbandingan 2 Metode Hybrid
Dalam proses ini digunakan metode Perbandingan Eksponensial, guna membantu menentukan urutan prioritas alternatif keputusan pada kriteria jamak [11] . Dimana guna membandingkan akurasi antara kombinasi metode forward chaining dan certainty factor dengan metode forward chaining dan naïve bayes pada diagnosa penyakit tulang belakang.
Table 8. Perhitungan Penentuan Prioritas Keputusan dengan Perbandingan Ekponensial Nama
Penyakit
Nilai Akhir Pada Metode Hybrid Perhitungan
FC & CF
Perhitungan FC & NB Skoliosis (81.3)0.5 = 9.11 (79.1)0.5 = 8.89 Lordosis (86.6)0.5 = 9.30 (33.4)0.5 = 5.77 Kifosis (81.4)0.5 = 9.02 (79.5)0.5 = 8.91 Spondylosis (88.5)0.5 = 9.40 (77.8)0.5 = 8.82
Dari Tabel 8 telah didapat hasil perhitungan memakai perbandingan ekponensial sesuai dengan nilai total masing-masing kombinasi metode yang dimasukkan sehingga mampu menghasilkan nilai akhir dari perbandingan 2 metode hybrid forward chaining dan certainty factor dengan metode forward chaining dan naïve bayes.
Gambar 10. Hasil Perbandingan 2 Metode Hybrid
Grafik 1 menujukkan hasil perbandingan dimana batang berwarna biru yang lebih tinggi untuk metode gabungan forward chaining dan certainty factor sedangkan batang oranye lebih rendah menampilkan grafik metode forward chaining dan naïve bayes. Maka disimpulkan kombinasi metode forward chaining dan certainty factor menjadi metode terakurasi sehingga akan diterapkan di penelitian ini.
4. KESIMPULAN
Berdasarkan hasil penelitian dan perancangan didapatkan sebuah hasil aplikasi berbasis website pada diagnosa penyakit tulang belakang yang dirancang dengan pemrograman PHP dan MySQL sebagai database. Pada aplikasi ini terdapat diagnosa 4 jenis penyakit tulang belakang, serta terdapat total 15 gejala, selain itu aplikasi ini juga menerapkan penggabungan metode forward chaining yang diterapkan pada tabel 4 dan metode certainty factor yang diterapkan dengan hasil pengujian rules FC pada 30 data sampel diagnosa penyakit tulang belakang baik di aplikasi maupun perhitungan manual yang menghasilkan tingkat kepercayaan kemungkinan 100% pada 7 user dengan range 51%-79%. Kemudian 23 user dengan tingkat kepercayaan 100% pada range 80%-99% yang dinyatakan kemungkinan besar terkena penyakit tulang belakang. Aplikasi ini sebagai informasi awal tentang penyakit tulang belakang yang diharapkan bermanfaat untuk memahami gejala awal penyakit tulang belakang berupa hasil analisa diagnosa penyakit yang dialami, dan solusi atau saran untuk menanganinya. Aplikasi yang dirancang ini masih dapat dikembangkan lebih baik lagi dan disarankan untuk pengembangannya digunakan dengan metode dan implementasi yang lainnya.
REFERENCES
[1] A. Herliana, V. A. Setiawan, and R. T. Prasetio, “Penerapan Inferensi Backward Chaining Pada Sistem Pakar Diagnosa Awal Penyakit Tulang,” J. Inform., vol. 5, no. 1, pp. 50–60, 2018, doi: 10.31311/ji.v5i1.2818.
[2] C. Hayat and Angelina A Latuny, “Rancang Bangun Aplikasi Informasi Awal Penyakit Tulang Belakang dengan Metode Forward Chaining,” SATIN - Sains dan Teknol. Inf., vol. 6, no. 1, pp. 89–97, 2020, doi: 10.33372/stn.v6i1.617.
[3] A. Sucipto, Y. Fernando, R. I. Borman, and N. Mahmuda, “Penerapan Metode Certainty Factor Pada Diagnosa Penyakit Saraf Tulang Belakang,” J. Ilm. FIFO, vol. 10, no. 2, p. 18, 2019, doi: 10.22441/fifo.2018.v10i2.002.
9,11 9,3 9,02 9,48,89 5,77 8,91 8,82
S K O L I O S I S L O R D O S I S K I F O S I S S P O N D Y L O S I S
FC & CF FC & NB
Mamdani,” vol. 4, pp. 334–338, 2020, doi: 10.30865/komik.v4i1.2716.
[5] E. S. Harahap, “Sistem Pakar Untuk Mendiagnosa Penyakit Syaraf Terjepit Pada Tulang Belakang (HNP) Menerapkan Metode Case Based Reasoning,” J. Comput. Syst. Informatics, vol. 1, no. 4, pp. 352–357, 2020.
[6] R. R. Fanny, N. A. Hasibuan, and E. Buulolo, “Perancangan Sistem Pakar Diagnosa Penyakit Asidosis Tubulus Renalis Menggunakan Metode Certainty Factor Dengan Penelusuran Forward Chaining,” Media Inform. Budidarma, vol. 1, no.
1, pp. 13–16, 2017.
[7] T. A. Putra and M. Kom, “Perancangan Sistem Pakar untuk Mendiagnosa Penyakit Toksoplasma pada Wanita Menggunakan Metode Bayes dengan Bahasa Pemrograman PHP dan Database MySQL,” vol. 3, pp. 120–129, 2019.
[8] A. Syawitri, S. Defit, and G. W. Nurcahyo, “Diagnosis Penyakit Gigi dan Mulut Dengan Metode Forward Chaining,” J.
Sains, Teknol. dan Ind., vol. 16, no. 1, p. 24, 2018, doi: 10.24014/sitekin.v16i1.6733.
[9] W. Army, “Sistem Pakar Diagnosis Penyakit Menular Dengan Metode Forward Chaining Dan Certainty Factor,” J. Sains dan Inform., vol. 4, no. 2, p. 171, 2018, doi: 10.22216/jsi.v4i2.3684.
[10] M. A. Puspa, “Sistem Pakar Diagnosa Penyakit Hipertensi Menggunakan Metode Naive Bayes Pada RSUD Aloe Saboe Kota Gorontalo,” vol. 10, pp. 166–174, 2018.
[11] S. Rahimi Damirchi-Darasi, M. H. Fazel Zarandi, I. B. Turksen, and M. Izadi, “Type-2 fuzzy rule-based expert system for diagnosis of spinal cord disorders,” Sci. Iran., vol. 26, no. 1E, pp. 455–471, 2019, doi: 10.24200/sci.2018.20228.
[12] L. A. Hafiz and D. Andreswari, “Sistem Pakar Untuk Diagnosa Penyakit Tulang Berbasis Web Menggunakan Metode Forward Chaining,” vol. 6, no. 1, pp. 105–114, 2018.
[13] S. M. S. Dashti and S. F. Dashti, “An Expert System to Diagnose Spinal Disorders,” Open Bioinforma. J., vol. 13, no. 1, pp. 57–73, 2020, doi: 10.2174/1875036202013010057.
[14] N. Aini, R. Ramadiani, and H. R. Hatta, “Sistem Pakar Pendiagnosa Penyakit Tuberkulosis,” Inform. Mulawarman J.
Ilm. Ilmu Komput., vol. 12, no. 1, p. 56, 2017, doi: 10.30872/jim.v12i1.224.
[15] K. E. Setyaputri, A. Fadlil, and S. Sunardi, “Analisis Metode Certainty Factor pada Sistem Pakar Diagnosa Penyakit THT,” J. Tek. Elektro, vol. 10, no. 1, pp. 30–35, 2018, doi: 10.15294/jte.v10i1.14031.
[16] H. T. Sihotang, F. Riandari, and P. Buulolo, “Sistem Pakar untuk Identifikasi Kandungan Formalin dan Boraks Pada Makanan dengan Menggunakan Metode Certainty Factor Expert System for Identification of Formalin and Borax Content in Food Using Certainty Factor Method,” vol. 21, no. 1, 2021, doi: 10.30812/matrik.v21i1.1364.
[17] I. Siahaan, “Perbandingan Metode Certainty Factor Dan Bayes Dalam Mendiagnosa Penyakit Angina Pektoris Menggunakan Metode Perbandingan Eksponensial,” Pelita Inform. Inf. dan Inform., vol. 6, no. 2, pp. 193–199, 2017.
