Sistem Pakar Mendiagnosa Penyakit Flu Babi Menerapkan Metode Hybrid Case Based
Ricki Avrizal
Program Studi Teknik Informatika, STMIK Budi Darma, Medan, Indonesia Jalan Sisingamangaraja No. 338 Medan, Indonesia
Abstrak
Sistem pakar merupakan program Artificial Intelligence yang menggabungkan basis pengetahuan dengan mesin inferensi. Ini merupakan bagian perangkat lunak spesialisasi tingkat tinggi, yang berusaha menduplikasi fungsi seorang pakar dalam satu bidang keahlian tertentu. Sistem pakar diagnosa penyakit tanaman kacang tanah ini bertujuan untuk mendiagnosa penyakit flu babi pada manusia, sehingga dapat dilakukan penanganan yang tepat dan tidak menimbulkan wabah di masyarakat. Flu babi adalah penyakit yang sangat berbahaya kepada manusia, karna dapat menyebabkan kematian. Untuk penyakit ini sangat dibutuhkan diagnosa yang cepat karna dapat menular antara manusia ke hewan ataupun sebaliknya dan penyakit ini dapat menular disemu kelompok umur. Pelaksana medis hususnya dokter pada saat ini masih sangat terbatas jika di bandingkan dengan jumlah penduduk yang terus meningkat, Ini membuat masyarakat yang menderita penyakit flu babi susah berkonsultasi kepada dokter, akibatnya penyakit flu babi ini semakin meluas dikarenakan penanganan yang lamban. Dari permasalahan tersebut memunculkan gagasan untuk membuat suatu aplikasi yang bisa mendiagnosa penyakit flu babi dan dapat membantu masyarakat yang terkena flu babi untuk dapat mendapat penaganan yang cepat. Metodologi yang digunakan dalam pembuatan aplikasi ini adalah metode Hybrid Case Based. yaitu penggabungan antara case based reasoning (CBR) dengan rule based reasoning (RBR). pada dasarnya CBR merupakan salah satu metode yang menggunakan solusi kasus sebelumnya untuk menyelesaikan kasus yang baru. Sedangkan pada teknik RBR sistem akan melakukan pengecekkan data masukan (input) berdasarkan aturan yang telah tersimpan dalam basis aturan (rule base) keduanya memiliki kelebihan dan kekurangan masing- masing.
Kata Kunci : Sistem Pakar, Flu Babi, Hybrid Case Based.
Abstract
Expert system is an Artificial Intelligence program that combines the knowledge base with inference machines. This is a part of high-level specialization software, which seeks to duplicate the functions of an expert in a particular area of expertise. The expert system for diagnosing peanut plant disease aims to diagnose swine flu in humans, so that appropriate treatment can be carried out and does not cause outbreaks in the community. Swine flu is a disease that is very dangerous to humans, because it can cause death. For this disease, a very fast diagnosis is needed because it can be transmitted between humans to animals or vice versa and this disease can spread to an age group. Medical implementers, especially doctors, are still very limited when compared to the population that continues to increase. This makes people suffering from swine flu difficult to consult with doctors, as a result of this swine flu disease is increasingly widespread due to slow handling. Of these problems raises the idea of making an application that can diagnose swine flu disease and can help people affected by swine flu to get fast treatment.
The methodology used in making this application is the Hybrid Case Based method. which is a combination of case based reasoning (CBR) with rule based reasoning (RBR). Basically CBR is one method that uses the previous case solution to solve a new case. While the RBR technique checks the input data based on the rules that have been stored in the rule base, both of which have their advantages and disadvantages.
Keywords: Expert System, Swine Flu, Hybrid Case Based.
1. PENDAHULUAN
Penerapan ilmu komputer semakin meluas ke berbagai bidang, seperti Artificial Intelligensi atau AI dan dalam bahasa Indonesia disebut dengan kecerdasan buatan yaitu kecerdasan dibuat dan dimasukkan ke dalam suatu mesin/komputer supaya bisa melakukan pekerjaan seperti yang bisa dikerjakan oleh manusia. Seperti kemampuan untuk menjawab dignosa, penjadwalan, pertanyaan dan lain-lain. Yang memusatkan perhatian pada penyediaan solusi masalah dikehidupan yang nyata dengan macam-macam bidang yang menggunakan kecerdasan buatan diantaranya game computer, sistem pakar jaringan syaraf tiruan, logika fuzzy dan robotika.
Sistem pakar merupakan salah satu cabang ilmu komputer juga dapat diterapkan di bidang kedokteran.
Sistem pakar adalah suatu sistem yang memanfaatkan pengetahuan manusia yang ditangkap di sebuah komputer untuk memecahkan masalah yang biasanya membutuhkan keahlian manusia atau biasa disebutkan duplikat dari seorang pakar dan memodelkan kemampuan menyelesaikan masalah seperti layaknya seorang pakar.
Virus influenza tipe A, H1N1 atau yang dikenal dengan sebutan flu babi (swine flu) merupakan virus influenza baru yang menyebabkan penyakit pada manusia. Diagnosa cepad flu babi penting untuk mengurangi penularan, melindungi pasien dari penyulit (komplikasi) dengan memberikan antiviral dan untuk menjelaskan kepada masarakat. Flu babi merupakan penyakit yang sangat menular, yang menyerang sistem pernapasan (respiratori akut) dan penyakit ini menular secara cepat di semua kelompok umur dan menimbulkan wabah raya atau penyakit menular cepat.
Pelaksana medis, hususnya dokter, saat ini masih sangat terbatas jika di bandingkan dengan jumlah penduduk yang terus meningkat. Pekerjaan dokter menjadi berkali lipat dari seharusnya. Ini membuat masyarakat yang menderita penyakit flu babi susah berkonsultasi kepada dokter, akibatnya penyakit flu babi ini semakin meluas dikarenakan penanganan yang lamban. Belum lagi masyarakat yang tinggal dikampung yang jauh dari perkotaan yang sangat susah menjumpai seorang dokter, kadang-kadang bisa berminggu-minggu tidak ada dokter yang bertugas di puskesmas dengan alassan dokter sedang berada diluar kota. Akibatnya banyak masyarakat dikampung tidak bisa berkonsultasi tentang penyakitnya dan bahayanya kalo ada masyarakat yang terkena flu babi sementera dokter satupun tidak ada yang bertugas dipuskesmas, jadinya sicalon pasien menunggu sampai ada dokter yang bertugas di puskesmas tersebut. Akibatnya penyakit ini akan menular antar orang ke orang dan meluas menjadi wabah di kampung tersebut[1].
2. LANDASAN TEORI
2.1 Sistem Pakar
Sistem pakar adalah salah satu cabang dari AI yang membuat penggunaan secara luas knowledge yang husus untuk menyelesaikan masalah tingkat manusia yang pakar. Seorang pakar adalah orang yang mempunyai keahlian dalam bidang tertentu, yaitu pakar yang mempunyai knowledge atau kemampuan khusus yang orang lain tidak mengetahui atau mampu dalam bidang yang dimilikinya. Ketika sistem pakar dikembangkan pertama kali sekitar tahun 70-an sistem pakar hanya berisi knowledge yang eksklusif. Namun demikian sekarang ini istilah sistem pakar sudah digunakan untuk berbagai macam sistem yang menggunakan teknologi sistem pakar itu. Teknologi sistem pakar ini meliputi bahasa sistem pakar, program dan perangkat keras yang dirancang untuk membantu pengembangan dan pembuatan sitem pakar.
2.2 Haybrid Case Based
Rule Based Reasoning(RBR) merupakan aturan-aturan logis di mana setiap aturannya didapat dari studiliteratur dan informasi dari ahli tanpa melihat kasus yang dihadapi. Selain itu ada beberapa cara alternatif untuk memperoleh aturan tersebut menggunaka metode pembelajaran mesin berdasarkan data empiris yang ada. Satu aturan direpresentasikan dengan: IF<kondisi>THEN<kesimpulan>, di mana setiap kondisi-kondisi dari aturan ke aturan yang lainnya terhubung satu dengan yang lain melalui penghubung logika seperti penghubung dan, atau, negasi, serta penghubung lainnya membentuk sebuah fungsi logis.
Case Based Reasoning (CBR) adalah salah satu penyelesaian masalah, di mana masalah tersebut diselesaikan dengan melihat pola atau keadaan yang telah terjadi sebelumnya. Secara formal, CBR didasarkan pada hipotesa bahwa solusi permasalahan-permasalahan sebelumnya dapat membantu penyelesaian permasalahan terkini, sepanjang terdapat kemiripan di antara mereka. CBR mempunyai 4 langkah utama,yaitu: retrieve, reuse, revise, dan retain. Pada langkah retrieve, kasus yang sebenarnya terjadi diambil. Sebuah kasus terdiri dari permasalahan, solusi dan langkah-langkah bagaimana permasalahan dapat dipecahkan.Permasalahan tersebut mempunyai pola dasar untuk memecahkan masalah yang nantinya bisa dipakai lagi jika menemukan masalah yang mirip dengan masalah ini nantinya. Kemudian pada langkah reuse, kasus yang sudah ada digunakan kembali, dengan cara menyesuaikan masalah dengan keadaan yang terjadi saat ini sehingga permasalahan saat ini mandapatkan solusi yang tepat. Setelah solusi diuji dan kurang memuaskan, solusi akan direvisi sampai menemukan solusi yang diinginkan pada langkah revise.
(𝐴. 𝐵) = 𝐴 . 𝐵
|𝐴|.|𝐵|= ∑ =1 (𝐴𝑛𝑖 𝑖 . 𝐵𝑖)
√∑ =𝐴𝑛𝑖 𝑖𝑛∙∑ =1𝐵𝑛𝑖 𝑖𝑛
(1)
3. ANALISA DAN PEMBAHASAN
Dalam tahap ini dilakukan pencarian dan pengumpulan data serta pengetahuan yang diperlukan oleh sistem pakar.
Sehingga pada akhirnya didapatkan hasil dari analisa berupa sebuah sistem yang strukturnya dapat didefinisikan dengan baik dan jelas. Tujuan dari analisa sistem dalam pengembangan sistem pakar ini adalah untuk mendapatkan berbagai kebutuhan pengguna dan sistem, yaitu perihal masukan dan keluaran yang harus disediakan oleh pengguna serta dibutuhkan oleh sistem.
Proses tersebut akan menjadi masukan bagi proses perancangan sistem secara keseluruhan. Isi daftar aturan berdasarkan urutan dan pola tertentu. Selama proses konsultasi antara sistem dan pemakai, mekanisme inferensi menguji aturan satu demi satu sampai kondisi aturan itu benar. Program sistem pakar merupakan program dengan basis pengetahuan yang dinamis. Dengan kata lain, pengetahuan yang ada pada program ini harus dapat bertambah atau bisa di edit tanpa harus mengubah isi dari program secara keseluruhan.
Proses perhitungan presentase kepercayaan diawali dengan pemecahan sebuah rule yang memiliki premis majemuk, menjadi rule yang memiliki premis tunggal. Kemudian masing-masing aturan baru dihitung Hybrid case based nya, sehingga diperoleh nilai Hybrid case based untuk masing-masing aturan. Kemudian nilai tersebut dikombinasikan. berikut ini terminologi kepercayaan pengguna konsultasi diberi pilihan jawaban dengan masing- masing bobot:
1. Sangat Yakin : 1.0
2. Yakin : 0.8
3. CukupYakin : 0.6 4. Sedikit Yakin : 0.4 5. Tidak tahu : 0.2
6. Tidak : 0
Tabel 1. Tabel Presentasi
Tingkat Presentasi Nilai Kemungkinan
0% - 50% Kemungkinan tidak terjadi 51% - 75% Sedikit kemungkinan terjadi 76% - 84% Kemungkinan besar terjadi 86% - 100% Sangat yakin terjadi
Berdasarkan hasil konsultasi dan wawancara dengan pakar maka diperoleh data gejala-gejala flu babi yang di terapkan dalam bentuk tabel adalah sebagai berikut:
Tabel 2. Gejala-gejala Flu Babi
No Gejala Kode Gejala
1 Batuk G1
2 Panas mulai dari 380 G2
3 Sesak napas (Dyspnone) G3
4 Nyeri tenggorokan G4
5 Kelelahan yang sangat G5
6 Diare G6
7 Muntah G7
8 Nyeri pada persendian G8
9 Lemah lesu G9
10 Nyeri kepala G10
11 Tekanan darah rendah (Hipotensi) G11
12 Panas dingin G12
13 Pingsan (sinkop) G13
14 Penurunan kesadaran G14
15 Pernah bersentuhan atau berdekatan dengan orang yang
fositip terkena flu babi G15
Sumber : Dr. B. JOHAN. NASUTION. Sp. OG
Dari tabel di atas, sistem dapat memberikan informasi mengenai gejala penyakit flu babi pada seseorang, jika gejala pada penderita flu babi sesuai dengan yang di input, maka rule yang dapat digunakan untuk mendiagnosa penyakit flu babi terdapat pada tabel berikut ini.
Tabel 3. Data Gejala-gajal Terjadinya flu babi Berdasarkan Rule
Rule Gejala
Rule 1 If G1, G2, G3, G4, G5, G6, G7, G8, G9, G10, G11, G12, Then Flu Babi Rule 2 If G1, G2, G3, G4, G5, G6, G7, G8, G9, G10, G14, G15 Then Flu Babi Rule 3 If G1, G2, G3, G4, G5, G6, G7, G8, G9, G10, G11, G12, G14 Then Flu Babi Rule 4 If G1, G2, G3, G4, G5, G6, G7, G8, G9, G10, G15 Then Flu Babi
Rule 5 If G1, G2, G3, G4, G5, G6, G7, G8, G9, G10, G13, G15 Then Flu Babi Dari gejala yang dijawab user memiliki nilai bobot sebagai berikut:
Tabel 4. Gejala yang dimiliki user
Gejala Keterangan Bobot
Batuk Sangat yakin 1,0
Panas mulai dari 380 Sedikit yakin 0,4
Sesak napas (Dyspnone) Yakin 0,4
Nyeri tenggorokan Tidak 0
Kelelahan yang sangat Sangat yakin 1,0
Diare Yakin 0,8
Muntah Tidak 0
Nyeri pada persendian Tidak tahu 0,2
Lemah lesu Yakin 0,8
Nyeri kepala Tidak 0
Tekanan darah rendah (Hipotensi) Tidak tahu 0,2
Panas dingin Sedikit yakin 0,4
Pingsan (sinkop) Tidak 0
Penurunan kesadaran Tidak 0
Pernah bersentuhan atau berdekatan dengan orang yang fositip terkena flu babi
Cukup yakin 0,6
Kemudian di cocokkan dengan data kasus yang tertera pada tabel pasien yang pernah mengalami gejala sebelumnya yang bernilai 1 jika ya dan bernilai 0 jika tidak.
Table 5. Gejala yang dialami pasien
Kode Gejala Pasien
P1 P2 P3 P4 P5
G1 Batuk 1 1 1 1 1
G2 Panas mulai dari 380 1 1 1 1 1
G3 Sesak napas (Dyspnone) 1 1 1 1 1
G4 Nyeri tenggorokan 1 1 1 1 1
G5 Kelelahan yang sangat 1 1 1 1 1
G6 Diare 1 1 1 1 1
G7 Muntah 1 1 1 1 1
G8 Nyeri pada persendian 1 1 1 1 1
G9 Lemah lesu 1 1 1 1 1
G10 Nyeri kepala 1 1 1 1 1
G11 Tekanan darah rendah (Hipotensi) 1 0 1 0 0
G12 Panas dingin 1 0 1 0 0
G13 Pingsan (sinkop) 0 0 0 0 1
G14 Penurunan kesadaran 0 1 1 0 0
G15 Pernah bersentuhan atau berdekatan dengan orang
yang fositip terkena flu babi 0 1 0 1 1
Maka pada user = A Maka pada pasien = B
A = 1,0 | 0,4 | 0,4 | 0 | 1,0 | 0,8 | 0 | 0,2 | 0,8 | 0 | 0,2 | 0,4 | 0 | 0 | 0,6 B = B1 =(1,1,1,1,1,1,1,1,1,1,1,1,0,0,0)
=(1,1,1,1,1,1,1,1,1,1,0,0,0,1,1) =(1,1,1,1,1,1,1,1,1,1,1,1,0,1,0) =(1,1,1,1,1,1,1,1,1,1,0,0,0,0,1) =(1,1,1,1,1,1,1,1,1,1,0,0,1,0,1) Tahap 1
∑ = 1(𝐴𝑖 ∗ 𝐵𝑖)𝑛𝑖 = (1,0*1) + (0,4*1) + (0,4*1) + (0*1) + (1,0*1) + (0,8*1) + (0*1) + (0,2*1) + (0,8*1) + (0*1) + (0,2*1) + (0,4*1) + (0*0) + (0*0) + (0,6*0) = 5,2
√∑ = 𝐴𝑛𝑖 𝑖𝑛∙ ∑ = 1𝐵𝑛𝑖 𝑖𝑛 = (1 + 0,16 + 0,16 + 0 + 1 + 0,64 + 0 + 0,04 + 0,64 + 0 + 0,04 + 0,16 + 0 + 0 + 0,36) × (1 + 1 + 1 + 1 + 1+ 1 + 1 + 1 + 1 + 1 + 1 + 1 + 0 + 0 + 0 )
= 4,2 × 12
= 50,4
∑ = 1(𝐴𝑖 ∙ 𝐵𝑖)𝑛𝑖
√∑ = 𝐴𝑛𝑖 𝑖𝑛∙ ∑ = 1𝐵𝑛𝑖 𝑖𝑛= 5,2
√50,4= 5,2
7,09= 0,73 = 73%
Dari hasil perhitungan diatas, gejala yang telah di jawab oleh pengguna/user masing-masing tahap memiliki nilai sebagai berikut:
1. Tahap 1: 73 % 2. Tahap 2: 75 % 3. Tahap 3: 70 % 4. Tahap 4: 73 % 5. Tahap 5: 67 %
Dari hasil tahap di atas akan di pilih nilai tertinggi yang hampir mendekati berdasarkan kasus yang telah terjadi sebelumnya dan nilai tertinggi terdapat pada tahap yang ke dua dengan nilai 75 % dan pada tingkat persentasi 51% - 75% nilai kemungkinan yang di dapat dalam proses mendiagnosa adalah sedikit kemungkinan terkena flu babi.
4. IMPLEMENTASI
Aplikasi mendiagnosa penyakit flu babi pada sistem pakar, berikut hasil dari implementasi aplikasi yang telah dirancang, tampilan menu utama dapat dilihat pada gambar 1.
Gambar 1. Menu Utama
Tampilan input aplikasi mendiagnosa penyakit flu babi pada sistem pakar.
1. Tambah kasus
Gambar 2. Tambah kasus
2. Konsultasi
Pada konsultasi memiliki 15 pertanyaan dan masing-masing pertanyaan diambil dari gejala yang sudah ada.
Gambar 3. Konsultasi user
3. Tampilan output
Tampilan output konsultasi pada aplikasi mendiagnosa penyakit flu babi pada sistem pakar, berikut tampilan pada gambar 4.
Gambar 4. Tampilan output konsultasi
5. KESIMPULAN
Adapun kesimpulan dari pembahasan dari penelitian sebagai berikut:
1. Aplikasi sistem pakar dengan menerapkan metode hybrid case based dapat digunakan untuk mendiagnosa penyakit flu babi dengan menjawab pertanyaan berdasarkan gejala yang muncul.
2. Metode hybrid case based dapat di terapkan pada aplikasi sistem pakar untuk mendiagnosa penyakit flu babi 3. merancang sistem pakar dengan menggunakan metode Hybrid case based pada aplikasi sistem pakar bisa
berjalan dengan baik dan bisa menghasilkan output yang diharapkan.
REFERENCES
[1] Efraim Turban, Jay E Aronson, and Ting Peng Liang, Decision Support Systems and Intelligente Systems, 1st ed., Siska Primaningrum, Ed. Yogyakarta, Indonesia: Andi, 2005.
[2] Muhammad Arhami, KOnsep Dasar Sistem Pakar, 1st ed. Yogyakarta, Indonesia: Andi OFFSET, 2005.
[3] dr. Arief and Ari Setiawan, Mengenal dan Mencegah Flu Babi & Flu Burung, Sujiantini M.Keb S.ST., Ed. Indonesia, Yogyakarta.
[4] Rosa A. S. M. Salahuddin, Rekayasa Perangkat Lunak Terstruktur dan Berorientasi Objeck, informatika, Ed. Bandung, 2013.
[5] Ir. Yuniar Supardi, Buku Kuliah Web Programiming 1 (PHP), jakarta, D@takom Lintas Buana, 2015.
[6] MADCOMS, Aplikasi Web Database Dengan Dreamweaver dan PHP MySQL, Yogyakarta,Andi, 2011.
[7] Wahana Komputer Pemerograman Visuaal Basic.net 2005, Yogyakarta, Andi, 2006.
[8] S Pasaribu Johni, “IMPLEMENTASI SISTEM PAKAR UNTUK DIAGNOSA PENYAKIT MATA PADA MANUSIA,” Sentika 2015, pp. 43-50, Maret 2015.
[9] J Sembiring and O Sianipar, "Clinical pathology and medical laboratory," EPIDEMIOLOGI DAN DIAGNOSIS KEDOKTERAN LABORATORIK INFEKSI VIRUS H1N1, vol. 6, pp. 140-148, Juli 2010.
[10] Yeremia Yuliawan, M.J Sunarto Dewiyani, and Tony soebijono, "Pengembangan sistem informasi pendataan jemaat gereja masehi advent hari ketujuh konferens jawa kawasan timur berbasis web," Jurnal Sistem Informasi, vol. 2, pp. 83-89, 2013.
