Sistem Pakar Delirium Pasien COVID-19 Pada Lansia Menggunakan Metode Certainty Factor dan Forward Chaining
Ernawati, Deny Hidayatullah, Iskandar Fitri*
Fakultas Teknologi Komunikasi dan Informatika, Sistem Informasi, Universitas Nasional, Jakarta, Indonesia Email: 1ernawati2018@student.unas.ac.id, 2deny@civitas.unas.ac.id, 3,*iskandar.fitri@civitas.unas.ac.id
Email Penulis Korespondensi: iskandar.fitri@civitas.unas.ac.id
Abstrak−Pada penelitian ini terkait dengan sistem pakar pendeteksi delirium pada pasien COVID-19 yang belum pernah dilakukan di Indonesia pada penelitian sebelumnya, terkait dengan metode yang digunakan peneliti untuk membandingkan 2 metode hybrid yaitu metode Certanty Factor dengan metode Forward Chaining dibandingkan dengan metode Bayes dan Forward Chaining. Dari hasil perbandingan tersebut diperoleh dengan nilai kepercayaan yang lebih tinggi yaitu 96% pada certainty factor den forward chaining sebagai metode dalam pembuatan aplikasi sistem pakar deteksi penyakit delerium pada pasien COVOD-19 berusia lanjut. Dari hasil pengujian aplikasi yang dibandingan dengan hasil perhitungan diketahui bahwa dari 20 sampel pasien bahwa 70% sampel dinyatakan Kemungkinan dan 30% dinyatakan Kemungkinan Besar menderita penyakit yang telah didiagnosa. Teknik faktor kepastian diterapkan untuk menghitung nilai kepastian fakta atau aturan dan metode rantai maju digunakan untuk menarik kesimpulan yang akan membantu mendiagnosis suatu penyakit.
Kata Kunci: Certainty Factor, Delirium, Expert System, Forward Chaining, Lansia
Abstract−In this study, it is related to an expert system for detecting delirium in COVID-19 patients which has never been done in Indonesia in previous studies, related to the method used by researchers to compare 2 hybrid methods, namely the Certanty Factor method with the Forward Chaining method compared to the Bayes method and Forward Chaining . From the results of the comparison, a higher confidence value is obtained, namely the certainty factor and forward chaining as a method in making an expert system application for detecting delirium in elderly COVOD-19 patients. From the results of the application test, which is compared with the calculation results, it is known that from the 20 patient samples, 70% of the samples stated Possibility and 30% stated Most Likely from the diagnosed disease. The certainty factor technique is applied to calculate the certainty value of a fact or rule and the forward chain method is used to draw conclusions that will help diagnose a disease.
Keywords: Certainty Factor, Delirium, Elderly, Expert System, Forward Chaining
1. PENDAHULUAN
Demam dan gejala pernapasan telah digambarkan sebagai manifestasi COVID-19 yang paling sering terjadi.
Dalam kasus COVID-19 di Wuhan,China 36% pasien mereka memiliki keluhan neurologis, dan 8% mengalami gangguan kesadaran. Pasien lanjut usia dianggap sebagai faktor resiko manifestasi penyebaran virus COVID-19.
Baru ini, sebuah laporan kasus dari Inggris menggambarkan delirium, sindrom neuropsikiatri akut yang ditandai dengan kurangnya perhatian dan gejala yang fluktuasi, sebagai satu-satunya manifestasi penyakit pada nonagenarian yang lemah. Penyelidikan terbaru menunjukkan bahwa 26 dari 40 pasien dengan paparan virus COVID-19 memiliki gambaran klinis sugestif untuk delirium [1]. Dalam perawatan kesehatan, beragam sistem komputerisasi yang dirancang untuk mendukung kerja lebih efisiens. Sama dalam expert system yang berfungsi membedah beragam jenis kasus, misalnya ketika para pakar mengalami kendala. Pengetahuan tentang sistem pakar dapat berasal dari banyak sumber, misalnya dari para pakar, majalah, buku, dan para yang pakar dalam bidang tertentu.[2].
Riset yang berkaitan dengan expert system yang membahas berbagai macam gangguan jiwa, yaitu riset yang telah dilakukan oleh Landing Sudarmama dan Febty Lestari tahun 2018. Penelitian tersebut bertujuan mendiagnosa gangguan mental skizofrenia menggunakan runut maju dan Dempster Shafer tingkat lanjut untuk mengembangkan Pengertian penyakit serta tanda dan gejalanya dari suatu penyakit atau kelainan. Hasil penghitungan gejala adalah 69%[3].
Penelitian selanjutnya mengenai sistem pakar tentang analisis gangguan jiwa dengan menggunakan metode certainty factor pada tahun 2021 oleh Rafi Septiawa Putra dan Yuhandri Yunus. Sistem pakar mampu memilih pengambilan keputusan atau solusi dan beberapa terapi yang dapat dilakukan masyarakat atau pasien itu sendiri.
Berdasarkan hasil tingkat kepastian, sistem pakar membuat diagnosis depresi dengan nilai 0,73 atau 73% [4].
Penelitian ketiga oleh Taufiq dan Syahib Natarsyah dari tahun 2016 meneliti expert system untuk mendiagnosis dan mengobati gangguan kejiwaan menggunakan metode certainty factor. Aplikasi ini dapat membantu orang mendiagnosa gangguan jiwa. Berdasarkan hasil pengujian, Major Depression memiliki nilai certainty factor tertinggi dengan CF = 0,756025602 dengan kondisi Grade CF = Hampir pasti [5].
Kajian keempat penggunaan forward chaining untuk merancang sistem pakar mendiagnosis gangguan kejiwaan oleh Fransiskus P.J tahun 2017. Pada penelitian ini, data yang belum diproses dari penyakit dan gejala yang terdapat di referensi literatur dapat diartikan ke dalam bentuk grafik, ilmu pengetahuan, tabel kepastian, pohon kepastian, dan aturan dalam produksinya.[6].
Pengkajian kelima dilakukan pada tahun 2021 oleh Winda Widya Arestya, Yulia Eka Praptiningsih dan Muhammad Kasfi pada sistem pakar untuk diagnosis kesehatan mental. Pada penelitian ini digunakan metode forward chaining sebagai kontrol inferensi dan RAD (Rapid Application Development) sebagai pengembangan sistem. Dalam penelitian ini tidak ada tingkat kepercayaan persen untuk hasil menyelesaikan penyakit dengan menggunakan metode faktor kepastian [7].
Berdasarkan hasil penelitian sebelumnya, penulis mengajukan konsep kombinasi metode forward chaining dan certainty factor yang diadaptasi dari beberapa acuan [4][5][6], dimana dalam penelitian ini dilakukan uji coba perbandingan kombinasi metode yaitu forward chaining dan certainty factor (FC dan CF) dengan bayes dan forward chaining untuk mengetahui tingkat kepercayaan sebagai dasar penggunaan metode tersebut pada apliksi yang akan dibuat. Dalam membangun sistem pakar diagnosis delirium pada pasien lansia COVID-19 yang mana sumber data dari penyakit tersebut saya adobsi dari website IndonesiaRe[8]. Sistem pakar ini bersifat komplementer atau mendukung dalam memahami gejala delirium pada pasien COVID-19 di usia lanjut, yakni tidak menggantikan posisi tim medis atau dokter melainkan sebagai asisten untuk menyampaikan kesadaran kepada pasien COVID-19 tentang gejala delirium pasien COVID-19 dan pendukung keputusan.
2. METODOLOGI PENELITIAN
2.1 Tahapan Penelitian
Di bawah ini adalah jenjang penelitian yang dilakukan dalam proses pengkajian agar penelitian berhasil sesuai rencana. Dijelaskan bahwa jenjang penelitian diawali dari membandingkan metode hybrid yang diusulkan dengan metode hybrid yang lainnya, selanjutnya tahapan pengumpulan data, perancangan atau pemograman sistem, implementasi sistem, dan yang terakhir pengujian metode.
Gambar 1. Skema Penelitian Yang Dilakukan
Gambar 1 menjelaskan bahwa dalam membandingkan metode hybrid peniliti membandingkan metode kombinasi forward chaining dan certainty factor dengan Bayes dan forward chaining untuk mengkur nilai kepastian tertinggi, selanjutnya pengumpulan data-data penyakit delirium pasien COVID-19, perancangan sistem pakar diagnosa delirium pasien COVID-19, implementasi metode forward chaining dan certainty factor dalam sistem, dan terakhir pengujian ketepatan metode forward chaining dan certainty factor di sistem dan manual.
2.2 Metode Certainty Factor dan Teknik Forward Chaining
Sebelum menentukan metode mana yang akan peneliti gunakan, peneliti membandingkan 2 metode hybrid diantaranya metode forward chaining dan certainty factor dengan metode Bayes dan forward chaining, untuk menentukan skor kepercayaan mana yang lebih tinggi diantara kedua metode hybrid tersebut. Metode certainty factor (CF) ini dipilih ketika dalam menghadapi suatu masalah, sering ditemukan jawaban yang tidak memiliki kepastian penuh. Untuk mengakomodasi hal ini maka digunakan certainty factor (CF) guna menggambarkan
tingkat keyakinan pakar terhadap masalah yang sedang dihadapi [9]. Rumus metode Forward chaining dan Certainty factor [10] :
a. Menentuka CF Sekuential
CF Paralel = Nilai User (MB) x Nilai Pakar (MD) (1)
b. Menentukan CF Paralel
MB n = MBold + ( MBnew * ( 1 – MBold ) MD n= MDold + ( MDnew * ( 1 – MDold )
CF = MB n – MD n (2)
2.3 Metode Naïve Bayes dan Teknik Forward Chaining
Metode Naïve bayes adalah metode yang digunakan untuk menghitung peluang terjadinya suatu peristiwa berdasarkan efek yang diperoleh dari pengamatan. Probabilitas Bayes adalah metode menggunakan rumus formula Bayes untuk mengatasi ketidakpastian data [11], metode naïve bayes lebih cocok digunakan utuk penelitian yang berkaitan dengan probabilitas dan statistika [12] dengan rumus naïve bayes dan forward chaining sebagai berikut :
Step 1 : Hasil P = (G01,G02….Gn) * populasi penyakit Step 2 : Hi = Hasil P01 + Hasil P02 +Hasil P03
Step 3 : Nilai probabilitas= Hasil P1 Hi , Hasil P2 Hi , Hasil P3 Hi
Nilai max (P01,Pn) ditentukan dengan hasil tertinggi nilai probabilitas (3)
3. HASIL DAN PEMBAHASAN
3.1 Tabulasi Data
Tabulasi data didapat dari beberapa studi pustaka yang berkaitan dengan mengutip dari beberapa sumber bacaan yang terkait dengan penelitian.
Tabel 1. Daftar Jenis Penyakit Delirium Kode Penyakit Nama Penyakit P001 Penyakit Delirium Hiperaktif P002 Penyakit Delirium Hipoaktif
P003 Penyakit Delirium Campuran
Berdasarkan hasil pendataan dari Tabel 1 , diperoleh 3 jenis penyakit delirium yaitu penyakit delirium hiperaktif, delirium hipoaktif, dan delirium campuran dan disetiap penyait tersebut sudah diberi kode masing- masing dari P001 untuk delirium hiperaktif, P002 untuk delirium hipoaktif, dan P003 untuk delirium campuran.
Tabel 2. Nama-Nama Gejala Delirium
Kode Gejala Nama Gejala MB MD Nilai Kepastian CF
(MB * MD)
G01 Penderita akan mengalami gelisah 1 0.04 0.04
G02 Penderita mengalami perubahan mood secara mendadak
0.6 0.08 0.048
G03 Penderita sering berhalusinasi 0.4 0.12 0.056
G04 Penderita akan terlihat pendiam 0.6 0.11 0.066
G05 Kurang aktif 1 0.04 0.04
G06 Lesu 1 0.13 0.13
G07 Mengantuk 1 0.09 0.09
G08 Disorientasi 0.8 0.14 0.112
G09 Apatis 0.2 0.07 0.014
G10 Menarik diri dari aktivitas harian serta lingkungan
1 0.06 0.06
G11 Penderita sering terliaht pendiam kemudian beberapa jam mengalami halusinasi
1 0.06 0.06
G12 Penderita dapat menunjukkan perubahan gejala dari delirium hiperaktif ke delirium hipoaktif,
0.8 0.09 0.072
Kode Gejala Nama Gejala MB MD Nilai Kepastian CF (MB * MD) atau sebaliknya, dalam periode
tertentu
G13 Penderita mengalami gelisah kemudian berubah menjadi apatis
0.8 0.12 0.096
Tabel 2 berisi 13 gejala yang didapat dari beberapa gejala dari penyakit-penyakit delirium pasien COVID- 19 berusia lanjut yang sudah ditentukan oleh pakar. Dalam tabel 3 telah diketahui juga nilai Measure of Believe (MB) dari Pakar dan Measure of Disbelieve (MB) dari User atau pasien.
3.2 Penerapan Metode
a. Certainty Factor dan Forward Chaining
Fase ini dilaksanakan untuk mendiagnos delirium pada pasien COVID-19 lansia, yang diawali dengan pembobotan setiap gejala, yang digunakan untuk mengetahui tingkat kepastian hasil diagnosa delirium pada pasien COVID-19 lansia. Berikut adalah aturan untuk menghitung nilai kepercayaan dengan metode certainty factor.
Gambar 2. Flowchart Perhitungan Certainty Factor
Gambar 3 menggambarkan alur memperoleh nilai kepastian dari metode certainty factor yag dimulai dari data Nilai CF (Pakar), data Nilai CF (User) kemudian dilakukan proses perhitungan certainty factor untuk mengetahui hasil nilai kepastian certainty factor tersebut.
Tabel 3. Bobot Nilai Pakar No Keterangan Nilai Pakar
(MB)
1 Sangat Yakin 1
2 Yakin 0.8
3 Cukup Yakin 0.6
4 Sedikit Yakin 0.4
5 Tidak Tahu 0.2
6 Tidak 0
Tabel 3 menunjukkan tingkat kepercayaan CF (ahli), dengan certainty factor setiap aturan memiliki nilai kepercayaan sendiri, bukan hanya premis yang memiliki nilai keypercayaan [13]. Pada penelitian ini, perhitungan simulasi certainty factor diberikan pilihan nilai yang masing-masing diberi bobot.
Tabel 4. Bobot User
No. Keterangan Nilai User (MD)
1 Sangat Yakin 0.11 - 0.15
2 Yakin 0.06 - 0.10
3 Sedikit Yakin 0 – 0.05
Saat konsultasi dalam aplikasi sistem pakar delirium pasien COVID-19 berusia lanjut dalam sistem logika certainty factor user memilih jawaban yang masing-masing dari jawaban tersebut mempunyai tingkatan bobot yang sudah diterapkan dalam Tabel 4.
Saat menghitung persentase kepercayaan berdasarkan aturan dengan beberapa gejala, terbentuk aturan untuk digunakan sebagai acuan dalam menentukan diagnosis pasien atau user. Teknik forward chaining dipakai untuk melacak argumen bersumber pada sebab akibat yang menerapkan rule IF-THEN dan metode Certainty factor agar mendapatkan skor pakar terbobot (CF Pakar)[2].
Tabel 5. Rules Dan Nilai CF Pakar
Rule ke Rules
1 IF [G01 : 1] AND [G02 : 0.6] AND [G03 : 0.4] THEN P001
2 IF [G04 : 0.6] AND [G05 : 1] AND [G06 : 1] AND [G07 : 1] AND [G08 : 0.8]
AND [G09 : 0.2] AND [G10 : 1] THEN P002
3 IF [G11 : 1] AND [G12 : 0.8] AND [G13 : 08] THEN P003
Tabel 5 adalah tabel yang memuat 3 aturan metode forward chaining menurut delirium, setiap jenis delirium memiliki aturan yang berbeda untuk rule 1 tersebut berlaku penyakit delirium hiperaktif, untuk nomor 2 berlaku penyakit delirium hipoaktif dan nomor 3 untuk penyakit delirium campuran. Selanjutnya dilakukan perhitungan dengan menggunakan metode certainty factor untuk aturan pertama seperti perhitungan dibawah ini : Rule ke 1 = IF [G01 : 1] AND [G02 : 0.6] AND [G03 : 0.4] THEN P001.
Tabel 6. Gejala Terpilih
Kode Gejala CF Ahli (MB) CF Pengguna (MD)
G01 1 0.04
G02 0.6 0.08
G03 0.4 0.12
Setelah memahami nilai CF ahli (MB) dan CF pengguna (MD) untuk setiap gejala, maka perhitungan (2) berlaku, karena 3 gejala terpilih. Data Tabel 6 diambl dari data-data gejala untuk penyakit P001 yaitu delirium hiperaktif dengan masing-masing nilai MB dan MD dari Tabel 2. Setelah memahami nilai CF ahli (MB) dan CF pengguna (MD) untuk setiap gejala, maka perhitungan (2) berlaku, karena 3 gejala terpilih. Berikut adalah perhitungan CF gabungan:
Tabel 7. Perhitungan Rule Pertama
Hasil CF = (MBn) – (MDn)
( 1 + (0.6 * (1-1)) ) – (0.04 + (0.8 * (1 – 0.04) ) ) = 1 – 0.1168
(1 + (0.4 * (1-1)) ) – ( 0.1168 + (0.12 * ( 1- 0.1168)) ) = 1- 0.222784 = 0.777216
Hasil 0.777216 * 100% = 77.7216%
Hasil akhir kombinasi CF adalah hasil diagnosa yang akan menentukan jenis delirium pada penderita COVID-19 lanjut usia dengan menggunakan perhitungan certainty factor dan karena aturan pertama menerapkan aturan teknik forward chaining. Kemudian hasil diagnosa dari data pertama menyebutkan pengguna mengalami delirium hiperaktif dengan tingkat kepercayaan CF sebesar 77,7216% masuk dalam Kemungkinan . Hasil tes lain untuk gejala yang dipilih pengguna ditunjukkan pada Tabel 8.
Tabel 8. Perbandingan Perhitungan Sistem Dengan Manual
Kode Gejala dan CF User Tingkat
Kepastian Sistem
Tingkat
Kepastian Manual Keterangan
G01 [0.04] ; G02 [0.08] ; G03 [0.12] 777216% 777216% Delirium
Hiperaktif G01 [0.04] ; G02 [ 0.08]; G04 [0.11]; G05 [ 0.04]
; G06 [ 0.13] 88.32% 88.32% Delirium
Hiperaktf
G11 [ 0.06]; G12 [0.09] ; G13 [0.12] 752752% 752752% Delirium
Campuran G04 [0.11]; G06 [ 0.13] ; G07 [0.09]; G08 [0.14];
G09 [0.07]; G10[0.06] 529736% 529736% Delirium
Hipoaktif G02 [ 0.08]; G04 [0.11] ; G06 [ 0.13] ; G07 [0.09] 70461% 70461% Delirium Hipoaktif
G01 [0.04] ; G05 [ 0.04] ; G06 [ 0.13] 96% 96% Delirium
Hiperaktif G01 [0.04] ; G03 [0.12]; G04 [0.11] ; G12 [0.09] 84.48% 84.48% Delirium
Hiperaktif
Kode Gejala dan CF User Tingkat
Kepastian Sistem
Tingkat
Kepastian Manual Keterangan
G04 [0.11] ; G06 [ 0.13] 77.43% 77.43% Delirium
Hipoaktif
G04 [0.11] ; G05 [ 0.04] ; G06 [ 0.13] 743328% 743328% Delirium
Hipoaktif
G11 [ 0.06] ; G13 [0.12] 82.72% 82.72% Delirium
Campuran
G04 [0.11] ; G06 [ 0.13]; G07 [0.09] 704613% 704613% Delirium
Hipoaktif G04 [0.11]; G05 [ 0.04] ; G07 [0.09]; G08 [0.14] 668653% 668653% Delirium Hipoaktif G04 [0.11]; G05 [ 0.04]; G06 [ 0.13]; G08 [0.14] 639262% 639262% Delirium Hipoaktif
G01 [0.04] ; G03 [0.12]; G12 [0.09] 84.58% 84.58% Delirium
Hiperaktif G04 [0.11]; G11 [ 0.06] ; G12 [0.09]; G13 [0.12] 752752% 752752% Delirium
Campuran G01 [0.04] ; G02 [0.08] ; G05 [ 0.04] ; G06 [ 0.13]
; G07 [0.09] 88.32% 88.32% Delirium
Hiperaktif G01 [0.04] ; G02 [0.08]; G03 [0.12]; G04 [0.11]
; G05 [ 0.04] ; G06 [0.13] ; G07 [0.09] 777216% 777126% Delirium Hiperaktif G05 [ 0.04] ; G06 [ 0.13] ; G07 [0.09]; G12 [0.09] 760032% 760032% Delirium
Hipoaktif G04 [0.11]; G05 [ 0.04] ; G06 [ 0.13] ; G07 [0.09];
G08 [0.14]; G09 [0.07]; G10[0.06] 508547% 508547% Delirium
Hipoaktif
G12 [0.09]; G13 [0.12] 76.08% 76.08% Delirium
Campuran Tabel 8 adalah hasil perhitungan tingkat kepercayaan certainty factor pada sistem dan perhitungan manual, dapat dilihat hasil tingkat kepercayaan certainty factor pada sistem dan perhitungan manual sudah mencukupi dan hasil diagnosis delirium pada pasien COVID-19 lansia dengan forward chaining metode yang diberikan aturan.
Dengan tingkat keakurasian masing-masing rule dinyatakan 100% akurat karena hasil pengujian pada sistem dengan perhitungan manual nya memiliki nilai keakurasian yang sama persis. Hal ini sesuai dengan ilmu kepakaran bahwa penyakit tidak dapat ditetapkan hanya dengan satu gejala [14].
Tabel 9. Persentase Keyakinan
Tingkat Presentase Nilai Kepercayaan
0% - 50% Sedikit mungkin atau kemungkinan kecil
51% - 79% Kemungkinan
80% - 99% Kemungkinan Besar
100% Sangat Yakin
Proses pembobot setiap premis (gejala) untuk mendapatkan presentase keyakinan dalam mengidentifikasi penyakit delirium pasien COVID-19 usia lanjut seperti pada Tabel 9 [15]. Maka dari data tabel 9 untuk menarik kesimpulan terkait nilai kepercayaan yang dicantumkan dalam Tabel 8 dapat diketahui jika dari 20 sampel user tersebut tidak ada user yang nilai kepercayaannya Sedikit Mungkin atau dibawah 50%. Dari data Tabel 8 pula terdapat 14 user dengan nilai kepercayaan 51% - 79% maka 70% user dinyatakan Kemungkinan menderita penyakit yang telah didiagnosa oleh sistem maupun secara manual. Selanjutnya 6 user dengan nilai kepercayaan 80-99%, maka 30% user tersebut dinyatakan Kemungkinan Besar menderita penyakit yang telah didiagnosa oleh sistem maupun secara manual serta tidak ada user yang nilainya 100% yang dinyatakan Sangat Yakin.
Terkait presentase yang diperoleh dari setiap user mengacu pada banyak sedikitnya gejala yang dipilih user dari setiap penyakit. Maka semakin banyak gejala yang dipilih maka presentase semakin kecil ataupun sebaliknya karena mengacu pada rumus dari certainty factor tersebut yaitu MB n – MD n.
b. Naïve Bayes dan Forward Chaining
Pada metode naïve bayes dan forward chaining kali ini menggunakan gejala yang terpilih sama seperti pada metode forward chaining dan certainty factor, yang mana rule pertama tersebut berlaku untuk penyakit delirium hiperaktif maka perhitungannya sebagai berikut :
a. Gejala terpilih G01 : 1 G02 : 0.6
G03 : 04
Dengan populasi penyakit delirium hiperaktif sebesar 0.5
b. Setelah diketahui nilai masing-masing gejala dan populasi penyakitnya maka berlaku rumus (3) step 1 Hasil P = (G01*G02*….Gn) * populasi penyakit
= ( 1 * 0.6 * 0.4) * 0.5 = 0.12
= 12%
3.3 Implementasi Program
Implementasi adalah bagian dari pengkodean design dengan menggunakan salah satu bahasa pemrograman. Pada website yang dirancang design yang dibuat dikodekan dengan bahasa pemrograman PHP versi 7 [16]. Pada bagian ini, pengkodean dikerjakan sesuai dengan desain dan analisis yang telah dilakukan sebelumnya. Pada tahapan ini mengimplementasikan aturan di mesin inferensi menggunakan meode forward chaining dan penerapan metode certainty factor [13] . Membangun sistem pakar untuk mendeteksi delirium pada pasien COVID-19 yang lebih tua membutuhkan antarmuka pengguna yang memudahkan pengguna untuk mengidentifikasi jenis delirium dan forward chaining dengan PHP sebagai bahasa pemrogramannya.
Tampilan website menggunakan CSS yang dirancang melalui sofware Visual Studio Code sesuai dengan desain yang dibuat. Selain itu juga menggunakan fontawesome dan framework Bootstrap untuk menyempurnakan interface tampilan website.
Gambar 3. Tampilan Awal Website
Gambar 4 dalam website tersebut terdapat 2 use case yaitu admin untuk mengelola rule, menambah penyakit dan gejala serta laporan hasil konsultasi, kedua yaitu pasien yang melakukan konsultasi terkait penyakit delirium pasien COVID-19 berusia lanjut.
Gambar 4. Menu Isi Data Konsultasi
Gambar 5 merupakan form pengisian terkait data diri dari user atau pasien saat sedang melakukan konsultasi, sebelum melakukan konsultasi User atau pasien diharapkan mengisi data diri dengan benar agar dapat melanjutan pada step berikutnya selain itu juga data diri pasien dapat dibukukan dalam bentuk laporan oleh admin.
Gambar 6 dimana user atau pasien menjawab pertanyaan yang diajukan dalam sistem tersebut, dimana pertanyaan tersebut bersumber dari semua jenis gejala-gejala dari penyakit delirium pada pasien COVID-19 berusia lanjut, pasien atau user menjawab pertanyaan sesuai dengan gejala yang dialami oleh pasien yang bersangkutan.
Gambar 6. Hasil Konsultasi
Pada Gambar 7 menunjukkan bahwa rekapitulasi dari daftar pertanyaan yang diajukan pakar, biodata konsultasi, gejala terpilih, dan hasil analisa penyakit yang di derita. Gambar 8 menunjukkan hasil konsultasi dari user, kemudian dari perhitungan CF menunjukkan 77.7216% user mengalami “Penyakit delirium hiperaktif ”.
Gambar 7. Hasil Diagnosa
Gambar 8 menunjukkan hasil diagnosa dari pasien yang telah melakukan konsultasi dengan sistem pakar diagnosa delirum pada pasien COVID-19 berusia lanjut yang bisa di print atau disimpan sebagai bukti telah melakukan konsultasi atau bisa sebagai bahas rujukan untuk melakukan pengobatan selanjutkan bagi pasien pengidap penyakit delirium.
3.3 Hasil Pengujian dan Perbandingan
Dalam perbandingan metode forward chaining dan certainty factor dengan metode naïve bayes dan forward chaining bertujuan untuk menentukan alternatif untuk menganalisa perbandingan kecepatan dalam mendiagnosa delirium pada pasien COVID-19 berusia lanjut [17], adapun hasil dari perbandingan metode forward chaining dan certainty factor dengan metode naïve bayes dan forward chaining pada Tabel 10.
Tabel 10. Perbandingan 2 Metode Hybrid Nama
Penyakit
Nilai Keputusan CF & FC
(Perhitungan 2)
NB & FC (Perhitungan 3) Delirium
Hiperaktif
96 % 41.67 %
Delirium Hipoaktif
77.43 % 25 %
Delirium Campuran
82.72 % 33.33 %
Berdasarkan hasil perbandingan Tabel 10 maka metode forward chaining dan certainty factor menjadi metode hybrid yang memiliki nilai kepercayaan lebih tinggi senilai 96% daripada metode bayes dan forward chaining yang hanya memiliki nilai 41.67%, sehingga peneliti menggunakan metode forward chaining dan certainty factor dalam penelitian kali ini.
4. KESIMPULAN
Hasil penelitian penulis tentang sistem pakar delirium pasien COVID-19 pada usia lanjut berbasis website menggunakan metode certainty factor dan forward chaining memiliki nilai kepastian sebesar 96% dibanding dengan metode bayes dan forward chaining yang hanya 41.67% untuk tingkat kepastiannya. Selanjutnya dari 20 sampel pasien diketahui bahwa 70% pasien tersebut dinyatakan Kemungkinan menderita penyakit yang sama dari diagnosa pada sistem maupun di perhitungan manualnya dan 30% dari pasien tersebut dinyatakan Kemungkinan Besar menderita penyakit yang telah didiagnosa oleh sistem dan perhitungan manual, untuk itu berlaku juga disetiap kelipatan sampelnya dan pada range yang sama.
REFERENCES
[1] F. B. Garcez et al., “Delirium and Adverse Outcomes in Hospitalized Patients with COVID-19,” J. Am. Geriatr. Soc., vol. 68, no. 11, pp. 2440–2446, 2020, doi: 10.1111/jgs.16803.
[2] S. Cahyaningsih, A. Triayudi, and I. D. Sholihati, “Kombinasi Metode Certainty Factor dan Forward Chaining untuk Identifikasi Jenis Kulit Wajah Berbasis Android,” J. Media Inform. Budidarma, vol. 5, no. 1, pp. 74–82, 2021, doi:
10.30865/mib.v5i1.2591.
[3] L. Sudarmana et al., “Aplikasi Sistem Pakar Untuk mendiagnosis Gangguan Jiwa Schizophrenia,” J. Pengemb. Teknol.
Inf. dan Ilmu Komput. Univ. Brawijaya, vol. 2, no. 2, pp. 40–44, 2018, [Online]. Available:
http://ejournal.poltektegal.ac.id/index.php/informatika/article/download/650/639.
[4] R. S. Putra and Y. Yuhandri, “Sistem Pakar dalam Menganalisis Gangguan Jiwa Menggunakan Metode Certainty Factor,” J. Sistim Inf. dan Teknol., vol. 3, pp. 227–232, 2021, doi: 10.37034/jsisfotek.v3i4.70.
[5] Taufiq and S. Natarsyah, “Implementasi Cartainty Factor Dalam Sistem Pakar Untuk Melakukan Diagnosa Dan Terapi Penyakit Gangguan Jiwa,” Jutisi, vol. 5, no. 3, pp. 1173–1310, 2016.
[6] F. P. Juniawan, “Penggunaan Metode Forward Chaining Dalam Perancangan Sistem Pakar Diagnosa Gangguan Kejiwaan,” J. Ilm. Inform. Glob., vol. 8, no. 1, pp. 29–35, 2017.
[7] M. K. Winda Widya Ariesta , Yulia Eka Praptiningsih, “Sistem Pakar Diagnosa Kesehatan Mental,” J. Ilmu Komput.
Inform., vol. 2, no. 1, pp. 80–89, 2021.
[8] A. dr. Laras Prabandini Sasongko, “Delirium pada Penderita COVID-19.” https://indonesiare.co.id/id/article/delirium- pada-penderita-covid-19.
[9] P. S. Ramadhan and U. F. S. Sitorus Pane, “Analisis Perbandingan Metode (Certainty Factor, Dempster Shafer dan Teorema Bayes ) untuk Mendiagnosa Penyakit Inflamasi Dermatitis Imun pada Anak,” J. SAINTIKOM (Jurnal Sains Manaj. Inform. dan Komputer), vol. 17, no. 2, p. 151, 2018, doi: 10.53513/jis.v17i2.38.
[10] A. Gunawan, “Sistem Pakar Metode Naive Bayes Diagnosa Penyakit Ispa,” 2020. .
[11] H. Hadi, U. Darusalam, and A. Andrianingsih, “Penerapan Metode Forward Chaining dan Naïve Bayes Untuk Mendiagnosa Penyakit Tanaman Kakao,” J. Media Inform. Budidarma, vol. 5, no. 3, p. 979, 2021, doi:
10.30865/mib.v5i3.3096.
[12] H. A. Nugroho et al., “Kajian Sistematis : Sistem Pakar Dalam Gangguan Mental,” pp. 36–41, 2020.
[13] 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.
[14] R. Ginting, M. Zarlis, and R. Rosnelly, “Analisis Perbandingan Metode Certainty Factor dan Teorema Bayes untuk Mendiagnosa Penyakit Autis Pada Anak,” J. Media Inform. Budidarma, vol. 5, no. 2, p. 583, 2021, doi:
10.30865/mib.v5i2.2930.
[15] 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.
[16] C. Susanto, “Aplikasi Sistem Pakar untuk Gangguan Mental pada Anak dengan Metode Certainty Factor,” J. Pekomas, vol. 18, no. 1, pp. 27–36, 2015.
[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.
