130
SISTEM PAKAR DETEKSI AWAL STUNTING PADA BALITA MENGGUNAKAN METODE CERTAINTY FACTOR
Rizqi Oktafiani 1*, Arita Witanti 2
1 Program Studi Informatika, Fakultas Teknologi Informasi, Universitas Mercu Buana Yogyakarta.
2Program Studi Informatika, Fakultas Teknologi Informasi, Universitas Mercu Buana Yogyakarta.
Email : 1[email protected], 2[email protected]
Informasi Artikel:
Dikirim: 28-12-2023; Diterima: 10-01-2024; Diterbitkan: 18-01-2024 Doi : http://dx.doi.org/10.31602/tji.v15i1.13675
ABSTRAK
Permasalahan stunting pada anak-anak di Indonesia mengalami penurunan prevalensi dari 24,4% pada tahun 2021 menjadi 21,6% pada tahun 2022. Oleh karena itu, pemerintah sangat mengharapkan prevalensi stunting terus menurun agar tercipta anak-anak yang sehat dan bebas Stunting. Namun yang terjadi di Posyandu Kenanga Dusun Cungkup Kab Magelang adalah masih banyak kekhawatiran para orangtua tentang maraknya stunting pada anak, hal ini menjadi keresahan para orang tua. Dikarenakan banyak faktor seperti faktor aksesbilitas menuju layanan kesehatan dan fakotr ekonomi yang mebuat banyak orangtua seringkali mendiagnosa sendiri tanpa landasan pengetahuan yang memadai dan hanya menerawang apakah anaknya termasuk dalam Stunting. Untuk mengatasi masalah tersebut, penelitian ini bertujuan mengembangkan "Sistem Pakar Deteksi Awal Stunting dengan Metode Certainty Factor" untuk membantu para orang tua mendeteksi dini gejala stunting pada anak-anak mereka berdasarkan sumber informasi yang akurat dan relevan yang diperoleh dari pakar. Alasan penelitian ini menggunakan metode Certainty Factor, karena metode ini berkerja dengan cara menghitung tingkat keyakinan dari pengguna berdasarkan gejala yang dipilih sesuai dengan kondisi anak. Hasil dari perhitungan menggunakan sistem ini menunjukkan tingkat keyakinan sebesar 96,63%, mengindikasikan kemungkinan stunting yang hampir pasti. Adanya penelitian ini diharapkan menjadi langkah positif dalam upaya mengurangi stunting dan meningkatkan kesejahteraan anak-anak di Indonesia.
Kata Kunci: Stunting, Prevalensi, Sistem Pakar, Certainty Factor
1. PENDAHULUAN
Stunting atau perawakan pendek merupakan masalah pertumbuhan yang seringkali disebabkan oleh kekurangan gizi kronis pada anak-anak (Renanda & Supriatin, 2023). Berdasarkan hasil Studi Status Gizi Indonesia (SSGI) Kementerian Kesehatan (Kemenkes), prevalensi stunting pada balita di Indonesia sudah mengalami penurunan menjadi 21,6% pada tahun 2022, dibandingkan dengan angka sebelumnya sebesar 24,4% di tahun 2021. Kemajuan ini menunjukkan upaya pemerintah dalam mengatasi masalah stunting ini dapat dikatakan berhasil, selain itu pemerintah telah menetapkan target untuk mengurangi prevalensi stunting di Indonesia menjadi di bawah 14% pada tahun 2024 (Rokom, 2023).
131 Dari perspektif medis, stunting mengindikasikan bahwa pertumbuhan fisik dan perkembangan otak anak tidak berlangsung optimal. Terdapat banyak faktor penyebab masalah gizi pada anak-anak stunting, termasuk dari asupan gizi yang tidak tercukupi sejak masa bayi, hal ini bahkan bisa dimulai sejak dalam kandungan. Faktor lain seperti kondisi ekonomi keluarga dan penyakit atau infeksi pada masa bayi juga dapat memengaruhi asupan gizi anak (Anas et al., 2023). Namun, kebanyakan orang tua yang masih kurang menyadari pentingnya memperhatikan kandungan gizi dalam makanan anak mereka, dan hal ini mengakibatkan pertumbuhan anak yang cenderung lambat serta penurunan kemampuan kognitif dibandingkan dengan anak sebayanya (Tugiono et al., 2022)
Berdasarkan penelitian di Posyandu Kenanga Dusun Cungkup Kab Magelang, kasus kekhawatiran tentang maraknya stunting pada anak menjadi hal yang meresahkan untuk para orang tua. Seringkali orang tua mendiagnosa sendiri tanpa landasan pengetahuan yang memadai atau bahkan belum pernah dikonsultasikan kepada Dokter/Pakar. Hal tersebut juga disebabkan oleh faktor ekonomi dan minimnya akses menuju layanan kesehatan. Sehingga, untuk mengatasi masalah ini diperlukan sistem informasi yang dapat membantu para orang tua dalam mendeteksi dini gejala stunting.
Salah satu solusi yang dapat digunakan adalah memanfaatkan teknologi informasi, khususnya dengan mengembangkan sebuah sistem pakar berbasis web. Sistem pakar tersebut dapat diakses dengan mudah dari berbagai lokasi dan dapat menjadi sumber informasi digital yang relevan. Oleh sebab itu, peneliti bermaksud untuk mengembangkan "Sistem Pakar Deteksi Awal Stunting Menggunakan Metode Certainty Factor" dengan harapan bahwa sistem yang dibangun akan memberikan solusi yang tepat dan memberikan kemudahan bagi orang tua dalam mendeteksi kemungkinan stunting pada anak-anak mereka.
2. METODE PENELITIAN
Penelitian ini berfokus pada deteksi dini stunting pada balita dengan menggunakan data sekunder yang didapatkan dari Posyandu Kenanga, Dusun Cungkup, yang mencakup seperti data berat badan dan tinggi badan, serta data gejala stunting dan penilaian oleh ahli gizi. Data yang terkumpul digunakan sebagai dasar dalam pengembangan sistem pakar yang menggunakan metode Certainty Factor. Alasan penggunaan metode Certainty Factor karena dapat membantu dalam mengetahui nilai kepastian dan ketidakpastian suatu diagnosa dalam bentuk persentase (Zuhriyah & Priyandoko, 2020).
Proses penelitian ini mengikuti model Waterfall dengan pendekatan SDLC (Systems Development Life Cycle), dimulai dengan fase analisis masalah dan pengumpulan data berupa referensi, literatur, serta wawancara dengan para pakar (Nur Chafidin & Triayudi, 2022).
Setelah tahap pengembangan sistem selesai, dilakukan uji coba untuk mengidentifikasi kendala dalam aspek sistem dan metode yang digunakan. Kemudian sistem akan diimplementasikan dan dievaluasi untuk mendeteksi serta memperbaiki kesalahan yang mungkin muncul selama penggunaan sistem. Dalam metodologi ini, setiap tahap memiliki tujuan yang jelas, memastikan bahwa data dianalisis secara cermat dan sistem yang dikembangkan dapat memberikan solusi yang akurat dalam deteksi dini stunting pada balita.
132 Sistem Pakar
Sistem pakar (Expert System) merupakan suatu sistem yang dirancang untuk menirukan kemampuan Keputusan dari seorang pakar dalam bidang tertentu. Sistem pakar ini mampu menggunakan dasar pengetahuan dan pengalaman dari para ahli untuk memberikan jawaban atas pertanyaan dan menyelesaikan masalah. Sistem pakar juga dapat memberikan solusi terhadap suatu masalah berdasarkan interaksi dialog dengan pengguna (Jurnal & Adelia, 2023).
Dengan sistem pakar ini, orang yang bukan ahli juga dapat menyelesaikan masalah kompleks yang umumnya memerlukan bantuan dari seorang ahli. Sistem pakar sangat membantu dalam proses pengambilan keputusan dengan menyimpan pengetahuan yang berasal dari satu atau beberapa pakar manusia tentang suatu bidang yang spesifik (Mulyani et al., 2022).
Certainty Factor
Certainty Factor (CF) merupakan sebuah metode yang dibangun untuk mengakomodasi ketidakpastian pemikiran (inexact reasoning) seorang pakar. Teori ini berkembang bersama dengan masa pembuatan sistem pakar MYCIN (Maulana et al., 2020). Menurut tim pengembang MYCIN, seringkali ditemui seorang pakar misalnya seperti dokter yang menganalisis informasi dengan ungkapan “mungkin”,
“kemungkinan besar”, “hampir pasti”. Sehingga adanya metode Certainty Factor ini dapat menggambarkan tingkat keyakinan dari pakar tersebut terhadap masalah yang dihadapi (Kirana et al., 2019).
Metode Certainty Factor menggabungkan bobot dari fakta atau pernyataan untuk menghasilkan Certainty Factor keseluruhan dari suatu hipotesis atau kesimpulan.
Metode ini mempertimbangkan bobot dari faktor yang mendukung atau menentang hipotesis, serta tingkat kepercayaan terhadap masing-masing faktor. Penilaian Certainty Factor bersifat subyektif karena dapat bervariasi tergantung dari pengetahuan dan pengalaman seorang pakar. Berikut adalah formula Certainty Factor (Furqan et al., 2023) :
CF = Certainty Factor (faktor kepastian) dalam hipotesis yang dipengaruhi oleh fakta.
MB= Measure of Belief (tingkat keyakinan), nilai dari tingkat kepercayaan hipotesis yang dipengaruhi oleh fakta.
MD= Mesure of Disbelief (tingkat ketidakyakinan), nilai dari Tingkat ketidakpercayaan hipotesis yang dipengaruhi oleh fakta.
E = Evidence/ Peristiwa, fakta.
H = Hipotesa/Dugaan.
Untuk menggabungkan dua atau lebih aturan, sistem yang berbasis pengetahuan menggunakan beberapa aturan, setiap aturan menghasilkan sebuah kesimpulan serupa, namun memiliki faktor ketidakpastian yang berbeda (Efendi et al., 2023). Nilai Certainty Factor untuk tingkat ketidakpastian diuraikan dalam tabel :
CF(H,E)=MB(H,E)-MD(H,E)
133 Tabel 1 Tingkat Ketidakpastian
Keterangan Terminator / bobot
Tidak Tahu 0
Hampir Mungkin 0,2
Mungkin 0,4
Kemungkinan besar 0.6 Hampir Pasti 0.8
Pasti Ya 1
Adapun rumus kombinasi menghitung Certainty Factor, yaitu : 1. Menentukan nilai premis/gejala tunggal
𝐶𝐹(𝐻, 𝐸) = 𝐶𝐹𝑝𝑎𝑘𝑎𝑟 ∗ 𝐶𝐹𝑢𝑠𝑒𝑟
2. Menentukan kesimpulan nilai kepastian melalui gejala lebih dari satu yang diinputkan user, maka dihitung menggunakan :
𝐶𝐹𝑐𝑜𝑚𝑏𝑖𝑛𝑒 = 𝐶𝐹(𝐻, 𝐸)1 + 𝐶𝐹(𝐻, 𝐸)2 ∗ (1 − 𝐶𝐹(𝐻, 𝐸)1) atau
𝐶𝐹𝑐𝑜𝑚𝑏𝑖𝑛𝑒 = 𝐶𝐹𝑜𝑙𝑑 + 𝐶𝐹(𝐻, 𝐸)𝑛 ∗ (1 − (𝐶𝐹𝑜𝑙𝑑))
3. Menentukan hasil akhir dari nilai CF dalam bentuk Presentase CFpresentase = CF𝑐𝑜𝑚𝑏𝑖𝑛𝑒 ∗ 100%
Perancangan Design Sistem
Perancangan desain ini menggambarkan urutan langkah dan alur dari sistem yang akan dirancang. Proses dimulai dari perancangan dengan pendekatan UML yang dijelaskan dalam Flowchart dan Usecase diagram sebagai berikut:
Flowchart
Dibawah ini menggambarkan alur sistem saat pasien menggunakan web untuk melakukan konsultasi.
Gambar 1 Flowchart
134 Usecase Diagram
Diagram dibawah menjelaskan apa saja yang dapat diakses oleh pengguna dan admin/pakar.
Gambar 2 Usecase Diagram 3 .HASIL DAN PEMBAHASAN
Penyelesaian Metode Certainty Factor
Inisialisasi indikator dimulai dengan menginputkan data tinggi badan dan berat badan yang diperoleh dari Standar Antropometri Anak. Indikator Tinggi Badan digunakan sebagai alat identifikasi anak-anak yang mengalami pertumbuhan pendek atau sangat pendek, akibat dari kekurangan gizi yang berlangsung dalam kurun waktu yang cukup lama atau sering mengalami sakit. Sementara itu, Indikator Berat Badan digunakan sebagai panduan untuk menilai anak-anak dengan berat badan kurang , sangat kurang, namun tidak untuk mengklasifikasikan anak-anak yang mengalami berat badan berlebih atau obesitas. Penting untuk dicatat para orang tua bahwa anak dengan pertumbuhan rendah sangat mungkin mengalami masalah pertumbuhan (Kementerian Kesehatan, 2020).
Selanjutnya penginputan indikator gejala data dengan nilai “term” yang didapatkan dari pakar dan studi literatur. Terdapat 9 gejala yang merujuk ke Stunting, seperti pada tabel dibawah :
Tabel 2 Indikator Gejala
No Kode Gejala Bobot
1 G01 Pertumbuhan gigi anak melambat 1
2 G02 Wajah terlihat lebih muda dari usianya 0.8
3 GO3 Pertumbuhan melambat 0.6
4 G04 Bb balita cenderung menurun 0.8
5 G05 Kesulitan fokus dan daya ingat buruk saat belajar 1 6 G06 Tinggi badan dibawah rata ukuran normal 1 7 G07 Anak mudah terserang penyakit infeksi 0.6
8 G08 Tidak aktif bermain 0.8
9 G09 Sering lemas 0.6
135
10 G10 Sesak nafas 0.2
11 G11 Balita tidak dapat menyusu dengan baik 0.4
12 G12 Mudah Sakit 0.6
13 G13 Aktif bergerak 0
14 G14 Bisa beradaptasi dengan cepat 0
15 G15 Nafsu makan yang baik 0
16 G16 Postur tubuh yang baik 0
17 G17 Otot dan tulang yang kuat 0
Indikator gejala yang disertai dengan nilai CF Pakar digunakan untuk proses perhitungan dalam menentukan nilai CF. Dalam sistem ini hasil yang dikeluarkan adalah seberapa persen nilai keyakinan dari perhitungan data gejala yang dipilih.
Adapun tingkat presentasi dan nilai keyakinan hasil diagnosa awal stunting dapat dilihat pada tabel berikut :
Tabel 3 Tingkat Keyakinan Persentasi Nilai Keyakinan
0%-60% Kemungkinan Kecil 61%-79% Kemungkinan Besar 80%-99% Hampir Pasti
100% Pasti
Perhitungan Menggunakan Metode Certainty Factor
Perhitungan dari metode Certainty Factor dimulai dengan pakar yang memberikan bobot CF pada setiap gejala, kemudian pasien memilih akan gejala yang sesuai dengan kondisi balita. Selanjutnya dilakukan perhitungan berdasarkan jawaban user. Berikut perhitungan deteksi awal stunting menggunakan certainty Factor secara manual berdasarkan gejala yang sudah dipilih oleh pasien, sebagai berikut :
Tabel 4 Perhitungan Nilai CF(H,E) Kode
Gejala
CF Pakar CF User CF(H,E)
G01 1 0.4 0.4
G02 0.8 0.6 0.48
G03 0.6 0.4 0.24
G04 0.8 0.6 0.48
G08 0.8 0.8 0.64
G012 0.6 0.4 0.24
G016 0 1 0
136 Kemudian gabungkan untuk mendapatkan nilai kepastian akhir :
CFcombine 1,2 = 0.4 + 0.48*(1-0.4)
= 0.688
CFcombineold,3 = 0.688 + 0.24*(1-0.688)
= 0.76288
CFcombineold,4 = 0. 76288+ 0.48*(1-0. 76288)
= 0.8766976
CFcombineold,8 = 0. 8766976+ 0.64*(1-0. 8766976)
= 0.955611136
CFcombineold,12 = 0. 955611136+ 0.24*(1-0. 955611136)
= 0.966264463, dibulatkan menjadi 0.9663
Persentase tingkat kepastian dari hasil perhitungan gejala:
CFpersentasi = CFcombineold x 100%
= 0.9663x 100%
= 96.63%
Hasil dari perhitungan manual dari data balita posyandu Kenanga dan gejala yang dipilih adalah 96.63%, hal ini menunjukan nilai keyakinan anak tersebut mengalami stunting adalah Hampir Pasti. Berdasarkan pengujian diatas dapat diketahui hasil akurasi dari sistem dan perhitungan manual memilki hasil yang sama.
Tampilan User Interface 1) Halaman Login Admin
Halaman login adalah akses menuju ke dashboard admin, tempat di mana pakar dapat mengelola data dengan melakukan penambahan, modifikasi, dan penghapusan data.
Gambar 3 Halaman Login Admin
137 2) Halaman Dashboard Admin
Setelah berhasil login, sistem akan menampilkan halaman depan/utama dari dashboard admin yang berisi menu-menu pengolahan data.
Gambar 4 Halaman Dashboard Admin 3) Halaman Beranda
Halaman ini merupakan halaman utama dari sistem saat pengguna mengakses website sistem pakar deteksi awal stunting ini. Terdapat gambar dan beberapa menu pilihan pada bagian atas. Jika pengguna akan melakukan konsultasi maka bisa dengan menekan menu “Periksa” yang ada di dereta menu atas atau bisa dengan menekan “Periksa Sekarang” yang ada di tampilan.
Gambar 5 Halaman Beranda
138 4) Halaman Konsultasi
Halaman ini adalah halaman yang digunakan pengguna untuk melakukan konsultasi yang akan ditampilkan setelah memilih menu “Periksa”. Pada tampilan ini langkah pertama yang harus dilakukan adalah pengguna harus mengisikan biodata dari anak seperti NIK, Nama, Tanggal lahir, Tinggi Badan, Berat Badan, Nomor Hp orangtua dan Alamat terlebih dahulu.
Gambar 6 Halaman Konsultasi
Kemudiann dilanjutkan dengan menjawab kuisioner dari pilihan gejala untuk mengetahui kondisi anak dan menentukan seberapa persen anak mengalami stunting.
Gambar 7 Pilihan Gejala
139 5) Halaman Hasil Konsultasi
Halaman ini akan ditampilkan setelah pengguna menekan tombol next sebagai langkah berikutnya, kemudian sistem akan melakukan perhitungan dari gejala yang sudah dipilih oleh pengguna, kemudian ditampilkan hasil perhitungannya disertai status berat badan dan tinggi badan dari data yang diinputkan.
Gambar 8 Hasil Konsultasi 6) Grafik Tinggi Badan dan Berat Badan
Grafik ini adalah ilustrasi dari status tinggi badan dan berat badan anak yang diinputkan saat konsultasi. Penilaian status gizi didasarkan pada indeks standar antropometri untuk mengidentifikasi masalah pertumbuhan dan implementasi tindakan pencegahan serta tata laksana lanjutan.
Gambar 9 Grafik Tinggi Badan dan Berat Badan
140 KESIMPULAN
Berdasarkan permasalahan yang telah diselesaikan dalam penelitian ini, maka dapat disimpulkan bahwa penelitian ini berhasil membangun sistem pakar untuk mendeteksi stunting awal dengan menggunakan metode Certainty Factor. Dari hasil uji sistem dan perhitungan manual, menghasilkan informasi berapa persentase tingkat keyakinan berdasarkan gejala yang dipilih dan metode Certainty factor dianggap mampu memberikan jawaban pada kasus permasalahan diatas.
REFERENSI
Anas, M., Pamuji, R., Bima Prasetyo, M., & Kurniawan, T. R. (2023). Aplikasi Diagnosa Stunting Pada Balita Berbasis Android Menggunakan Metode Forward Chainning (Vol. 2).
Efendi, A. M., Ahsyar, T. K., Afdal, M., Salisah, F. N., & Syaifullah, S. (2023). Sistem Pakar Diagnosa Gizi Buruk Pada Balita Berbasis Mobile Menggunakan Metode Certainty Factor. Jurnal Sistem Komputer Dan Informatika (JSON), 4(4), 683.
https://doi.org/10.30865/json.v4i4.6307
Furqan, M., Nasution, Y. R., & Siregar, A. N. (2023). Penerapan Sistem Pakar Diagnosis Peradangan Pulpa Gigi Dengan Metode Certainty Factor.
Technologia : Jurnal Ilmiah, 14(2), 152.
https://doi.org/10.31602/tji.v14i2.10448
Jurnal, H., & Adelia, V. (2023). JURNAL PUBLIKASI TEKNIK INFORMATIKA Sistem Pakar Deteksi Dini Stunting Pada Balita Menggunakan Metode Forward Chaining. JUPTI, 2(2).
Kementerian Kesehatan. (2020). PERATURAN MENTERI KESEHATAN REPUBLIK INDONESIA.
Kirana, C., Tommy, L., Wijaya, Mi., Atma Luhur, S., Jend Sudirman Selindung Lama Pangkalpinang, J., & Teknik Informatika, J. (2019). Sistem Pakar Diagnosa Penyakit Gizi Buruk Pada Balita Dengan Metode Certainty Factor (Vol. 8, Issue 2).
Maulana, A., Ichwan, F., Hidayat, E. W., & Mubarok, H. (2020). Sistem Pakar Diagnosa Gizi Buruk Berbasis Web Menggunakan Metode Certainty Factor (CF) Korespondensi. In Scientific Articles of Informatics Students (Vol. 3, Issue 2).
Mulyani, S., Abdullah, A., & Yuli, P. (2022). SISTEM PAKAR DIAGNOSA STUNTING PADA BALITA MENGGUNAKAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR. DIGITAL INTELLIGENT, 3(2), 22–31.
https://doi.org/10.29406/diligent.v3i2.5069
Nur Chafidin, A., & Triayudi, A. (2022). Sistem Pendeteksi Gejala Stunting pada Anak dengan Metode Certainty factor Berbasis Website. Jurnal Teknologi Informasi Dan Komunikasi), 6(3), 2022. https://doi.org/10.35870/jti
141 Renanda, & Supriatin. (2023). Sistem Pakar Diagnosa Stunting Balita Menggunaka Certainty Factor. In Jurnal Aplikasi Teknologi Informasi dan Manajemen
(JATIM) (Vol. 4, Issue 1).
https://doi.org/https://doi.org/10.31102/jatim.v4iNo.1.2000
Rokom. (2023, January 25). Prevalensi Stunting di Indonesia Turun ke 21,6% dari 24,4%. SehatNegeriku.
Tugiono, Alhafiz, A., & Hafizah. (2022). Stunting Sistem Cerdas Mendiagnosa Stunting pada Anak Menggunakan Mesin Inferensi. Jurnal Informasi Dan Teknologi. https://doi.org/10.37034/jidt.v4i4.237
Zuhriyah, N., & Priyandoko, G. (2020). SISTEM PAKAR MENDETEKSI GANGGUAN GIZI PADA ANAK BALITA MENGGUNAKAN METODE CERTAINTY FACTOR BERBASIS WEB.
