Title of Paper (14 pt Bold, Times, Title case)

Jurnal Teknik Informatika Vol. 1 September 2012
1
SISTEM PAKAR DIAGNOSA INFEKSI PENYAKIT TROPIS
BERBASIS WEB
Purnama Ramadhani1, Diah Kusuma Wardhani2 & Erwin Setyo Nugroho3
1
Prodi Sistem Informasi Politeknik Caltex Riau, Pekanbaru 28265, email:[email protected]
2
Prodi Teknik Informatika Politeknik Caltex Riau, Pekanbaru 28265, email:[email protected]
3
Prodi Teknik Informatika Politeknik Caltex Riau, Pekanbaru 28265, email:[email protected]
Abstrak
Sistem Pakar merupakan bagian dari kecerdasan buatan. Salah satu implementasinya adalah
pada bidang kesehatan dalam mendiagnosa penyakit tropis. Demam Berdarah, Typhoid, dan
Malaria adalah contoh dari penyakit tropis dengan kasus yang cukup tinggi di Indonesia pada
tahun 2010 menurut Dinas Kesehatan Indonesia. Dengan adanya sistem ini, pasien dapat
mendiagnosa penyakitnya kapan dan dimana saja tanpa perlu berkonsultasi secara langsung
pada dokter sehingga dapat diantisipasi terlebih dahulu penyakit yang diderita melalui gejala
yang dirasakan oleh pasien. Sistem mengolah gejala yang dirasakan pasien dengan memilih
gejala-gejala yang ada pada sistem kemudian diolah dengan metode Bayesian Network hingga
diperoleh hasil berupa kemungkinan penyakit tropis yang diderita pengguna beserta nilai
kepercayaan terhadap penyakit tersebut. Dengan adanya sistem ini dapat membantu dan
memberikan kemudahan bagi masyarakat dalam mendiagnosa awal penyakit khususnya
Demam Berdarah, Malaria, dan Typhoid dengan kesamaan hasil diagnosa 78% dengan
diagnosa dokter berdasarkan analisa dengan data sample sedangkan hasil kuesioner
menunjukkan 69% sama dengan diagnosa yang diberikan oleh dokter. Sistem ini dibuat
menggunakan bahasa pemrograman PHP dan database MySQL.
Kata kunci: Sistem Pakar, Penyakit Tropis, Bayesian Network, MySQL, PHP.
Abstract
Expert system is a part of artificial intelligence. One of the implementation is in the health
sector in the diagnosis of tropical diseases. Dengue Fever, Typhoid, and Malaria are the
examples of tropical disease which have quite high case in Indonesia at 2010 according to
Indonesia Health Department. Given this system, patients are able to diagnose the disease
anytime and anywhere without the need to consult a doctor immediately so that it can be
anticipated in advance through the symptoms of the illness is perceived by the patient. The
system processing the patient's symptoms by selecting symptoms that exist in the system and
then process them with Bayesian Network method to obtain the probability of illness beliefs and
their values against the disease. The system can help users and provide facilities for the
community in the early diagnosis of disease, especially dengue, malaria, and typhoid by 78%
the same diagnostic results with the doctor's diagnosis according to sample. The system built by
using PHP and MySQL database.
Keywords: Expert System, Tropical Disease, Bayesian Network, MySQL, PHP.
1
Pendahuluan
1.1
Latar Belakang
Penggunaan komputer sebagai alat bantu pekerjaan manusia saat ini telah mengalami
perkembangan yang sangat pesat dan luas. Tidak hanya untuk satu bidang, namun untuk semua
bidang juga sampai pada tahap pengadopsian cara berpikir manusia ahli yang dikomputerisasi
yang kita sebut dengan expert system atau sistem pakar. Sistem pakar adalah sistem berbasis
2
komputer yang menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan
masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut [1].
Implementasi sistem pakar banyak digunakan untuk kepentingan komersial karena sistem pakar
dipandang sebagai cara penyimpanan pengetahuan pakar dalam bidang tertentu kedalam
program komputer sedemikian rupa sehingga dapat memberikan keputusan dan melakukan
penalaran secara cerdas. Salah satu implementasi yang dapat diterapkan adalah dalam dunia
kesehatan. Selain sebagai media informasi bagi masyarakat namun juga dapat memberikan
diagnosa awal penyakit.
Penyakit tropis merupakan penyakit yang sering terjadi pada wilayah tropis dan
subtropis yang umumnya berupa infeksi. Infeksi merupakan reaksi tubuh setempat atau umum
dan biasanya reaksi setempat ini disertai dengan reaksi umum tubuh yang hidup karena invasi
dari kuman serta toksinnya dan berkembang biak [2]. Penyakit DBD, Typhoid, dan Malaria
adalah contoh dari penyakit tropis yang menduduki peringat kedua (DBD) dan ketiga (Typhoid)
penyakit terbanyak pada pasien rawat inap di rumah sakit di Indonesia tahun 2010 sedangkan
Malaria kasusnya sudah mulai menurun namun tetap diwaspadai dikarenakan sekitar 80% dari
kabupaten/kota di Indonesia termasuk kategori endemis, menurut Dinas Kesehatan Indonesia
[3]. Seringkali orang bingung dengan penyakit yang diderita dan terkadang tidak tahu apakah
penyakit tersebut sudah termasuk dalam stadium awal ataupun kronis. Oleh karena itu, mereka
membutuhkan dokter untuk berobat atau berkonsultasi. Namun jam kerja (praktek) yang
terbatas dan banyaknya pasien menunggu harus rela membuat antrian sehingga terkadang
menyulitkan pasien. Pemakaian aplikasi pakar yang bisa memudahkan dalam diagnosa awal
sangat diperlukan sebagai alat bantu dari pertolongan pertama yang dapat diberikan.
Oleh karena itu, penulis mencoba merancang dan membangun sebuah sistem pakar
yang dapat membantu penderita dalam menentukan gejala awal infeksi penyakit tropis dengan
membangun sebuah Sistem Pakar Diagnosa Infeksi Penyakit Tropis Berbasis Web. Sistem ini
diharapkan mampu menghasilkan diagnosa bagi penderita dari gejala-gejala awal yang dialami
penderita secara online. Sehingga dapat memudahkan penderita dalam memberikan pertolongan
pertama terhadap penyakitnya.
1.2
Tujuan
Tujuan dari proyek akhir “Sistem Pakar Diagnosa Infeksi Penyakit Tropis Berbasis
Web” ini adalah membangun sistem pakar diagnosa infeksi penyakit tropis berbasis web
menggunakan metode bayesian network yang user friendly sehingga memberikan kemudahan
bagi pemakainya.
1.3
1.
2.
1.4
1.
2.
3.
Perumusan Masalah
Proyek akhir Perumusan masalah dari proyek akhir ini adalah :
Bagaimana membangun sebuah sistem pakar diagnosa infeksi penyakit tropis berbasis web
menggunakan metode bayesian network.
Bagaimana merancang dan membangun interface sistem yang user friendly.
Ruang Lingkup
Ruang lingkup masalah pada penelitian ini adalah:
Sistem Pakar ini membatasi hanya 3 dari jenis Infeksi Penyakit Tropis yang akan dibahas
yaitu DHF (Dengue haemorrhagic fever) atau DBD, Demam Malaria, dan Demam
Typhoid.
Sistem pakar ini dibangun dengan menggunakan metode Bayesian Network.
Pembuatan sistem pakar ini hanya berdasarkan gejala-gejala spesifik dari ketiga jenis
infeksi penyakit tropis yang akan dibahas.
3
4.
5.
Output yang diberikan kepada pasien adalah diagnosa jenis penyakit yang diderita beserta
alternatif solusi berupa penanganan awal dari penyakit yang diderita pasien dan juga
penyebab penyakitnya.
Perancangan program aplikasi sistem pakar menggunakan bahasa pemrograman PHP dan
MySQL sebagai databasenya.
1.5
Manfaat
Manfaat yang diberikan dalam penelitian ini adalah sebagai berikut :
1. Menjadi media perantara bagi pengguna aplikasi (masyarakat / user non-expert) untuk
membantu mendiagnosa infeksi penyakit tropis dan mendapatkan alternatif solusinya
berupa penangan awal dari penyakit.
2. Memberikan kemudahan bagi masyarakat (pasien) dalam mendiagnosa penyakit khususnya
DBD, Malaria, dan Typhoid.
2
Tinjauan Pustaka
2.1
Kecerdasan Buatan (Artificial Intelligence)
Kecerdasan Buatan atau Artificial Intelligence yang disingkat AI menurut Rich and
Knight (1991) merupakan sebuah studi tentang bagaimana membuat komputer melakukan halhal yang pada saat ini dapat dilakukan lebih baik oleh manusia [4]. Kecerdasan buatan bergerak
dibeberapa bidang ilmu, salah satunya adalah sistem pakar.
2.1.1
Sistem Pakar
Menurut Martin dan Oxman, sistem pakar adalah sistem berbasis komputer yang
menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan masalah yang
biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut [1]. Beberapa
kelebihan dari sistem pakar adalah meningkatkan produktivitas, karena sistem pakar dapat
bekerja lebih cepat daripada manusia, membuat seorang yang awam bekerja seperti layaknya
seorang pakar, mampu menangkap pengetahuan dan kepakaran seseorang, handal yaitu sistem
pakar tidak pernah menjadi bosan dan lelah atau sakit, dan lainnya [5].
2.2
Bayesian Network
Menurut Korb dan Nicholson (2011) Bayesian Networks adalah model grafis untuk
penalaran di bawah ketidakpastian, dimana node mewakili variabel (diskrit atau kontinyu) dan
busur (arc) merepresentasikan hubungan langsung antara mereka [6] . Teori probabilitas
Bayesian merupakan satu dari cabang teori statistik matematik yang memungkinkan kita untuk
membuat satu model ketidakpastian dari suatu kejadian yang terjadi dengan menggabungkan
pengetahuan umum dengan fakta dari hasil pengamatan. Teori Bayesian menurut Grainner [7]
mempunyai beberapa kelebihan, yaitu mudah untuk dipahami, hanya memerlukan pengkodean
yang sederhana, dan lebih cepat dalam penghitungan.
Dalam membangun suatu sistem dengan bayessian network, diperlukan
pendekatan statistic yang dikenal dengan teorema bayes.
(1)
P(h|e) = Probabilitas hipotesis h terjadi jika evidence e terjadi
P(e|h) = Probabilitas munculnya evidence e, jika hipotesis h terjadi
P(h) = Probabilitas hipotesis h tanpa memandang evidence apapun
P(e) = Probabilitas evidence e tanpa memandang apa pun.
4
Dalam sistem pakar diagnosa infeksi penyakit tropis ini, maka e merupakan gejala
penyakit tropis sedangkan h merupakan penyakitnya.
2.3
Penyakit Tropis
Penyakit tropis merupakan penyakit yang banyak ditemukan di daerah tropis dan
subtropis yang umumnya berupa infeksi. Penyakit Tropis tersebut terbagi atas 4 macam yaitu
infeksi yang disebabkan oleh bakteri seperti demam tifoid, infeksi yang disebabkan oleh virus
seperti DBD, infeksi yang disebabkan oleh parasit seperti Malaria, dan sindrom penyakit
menular seperti ISPA[2].
2.3.1
Demam Berdarah Dengue (DBD)
DHF (Dengue Haemorrhagic Fever) atau lebih sering kita dengar dengan sebutan
Demam Berdarah, merupakan penyakit akut yang disebabkan oleh virus dengue, yang
ditularkan oleh nyamuk Aedes aegypti. Umumnya penyakit ini menyerang anak kecil, namun
tidak menutup kemungkinan dewasa juga sering mengalaminya. Menurut Departemen
Kesehatan, Demam Berdarah merupakan kasus penyakit kedua terbanyak di Indonesia pada
tahun 2010. Oleh karena itu sangat diperlukan upaya pemberantasan demam berdarah agar tidak
meningkat jumlah kasusnya. Hal ini dilakukan dengan melakukan upaya mencegah nyamuk
dengan langkah 3M yaitu menguras, menutup, dan mengubur. Hal ini dikarenakan nyamuk
senang berada di air yang besih.
2.3.2
Demam Malaria
Penyakit malaria adalah penyakit yang disebabkan oleh parasit Plasmodium, dan
manusia dapat terinfeksi oleh Plasmodium ini melalu gigitan nyamuk Anopheles, yang
melepaskan Plasmodium dari salivanya sewaktu menggigit manusia[8] Plasmodium memasuki
sel – sel hepatosit, dan kemudian melalui sirkulasi darah akan memasuki sel – sel eritrosit.
Didalam sel – sel eritrosit plasmodium selanjutnya berreplikasi. Replikasi ini merangsang
sitolisis sel eritrosit dan menyebabkan lepasnya hasil metabolisme Plasmodium yang bersifat
toksis ke sirkulasi darah. Hal ini mencetuskan sejumlah gejala klinik yang ringan sampai berat
yang dapat menyebabkan kematian.
2.3.3
Demam Tifoid
Demam tifoid adalah infeksi akut pada saluran pencernaan yang disebabkan oleh
Salmonella typhi. Demam paratifoid adalah penyakit sejenis yang disebabkan oleh Salmonella
paratyphi A, B, dan C. Gejala dan tanda kedua penyakit tersebut hampir sama, tetapi manifestasi
klinis paratifoid lebih ringan. Kedua penyakit diatas disebut tifoid. Terminologi lain yang sering
digunakan adalah typhoid fever, paratyphoid fever, typhus, dan paratyphus abdominalis atau
demam enterik. Demam tifoid adalah penyakit infeksi akut yang selalu ada di masyarakat
(endemik) di Indonesia, mulai dari usia balita, anak-anak dan dewasa.
3
Perancangan
Pada makalah proyek akhir ini dibuat beberapa model perancangan sistem yang
melibatkan perancangan Use Case Diagram dan flowchart bayesian.
Berikut penjelasan use case pengguna pada perancangan sistem ini yang terlihat pada Gambar 1
dan Gambar 2:
5
<<extend>>
tambah solusi
lihat buku_tamu
edit alternatif solusi
edit data admin
isi buku tamu
lihat hasil diagnosa
<<extend>>
<<extend>>
<<extend>>
<<extend>>
<<include>>
pasien
diagnosa
kelola buku tamu
<<extend>>
verifikasi login
login
admin
hapus hub_gejala
<<extend>>
<<extend>>
<<extend>>
edit hub_gejala
edit gejala
lihat ket.penyakit
tambah gejala
tambah hub_gejala
<<extend>>
lihat artikel penyakit
edit penyakit
edit nilai
lihat alternatif solusi
tambah nilai
Gambar 1. Use Case Diagram pengguna atau
pasien
Gambar 2. Use Case Diagram admin
Use-Case Diagram digunakan untuk menggambarkan proses-proses yang terjadi pada
sistem serta aktor-aktor yang terlibat dalam penggunaan sistem. Terdapat dua aktor yang terlibat
dalam sistem ini yaitu pasien atau pengguna dan admin. Pasien merupakan semua pengguna
sistem, yang dapat melakukan diagnosa penyakit dan melihat hasil diagnosa, penyebab, dan
alternatif solusi berupa penanganan awal dari penyakit yang diderita. Pasien juga dapat melihat
dan mengisi buku tamu tanpa harus login terlebih dahulu. Sedangkan Admin merupakan
pengguna tertinggi dalam sistem pakar ini. Admin dapat melakukan perubahan-perubahan
berupa ubah atau tambah dan lainnya terhadap sistem pakar.
Alur kerja dalam tahap perhitungan metode Bayesian dapat dilihat pada flowchart bayesian
Gambar 3.
Start
1
Input nilai
prior
Ambil nilai posterior tiap
gejala perpenyakit
Input nilai
condotional
probability
Olah nilai joint
probability
Olah nilai posterior
jumlahkan posterior
tiap gejala
Mengurutkan
penyakit
Hasil
diagnosa
1
End
Gambar 3. Flowchart Metode Bayesian Network
6
Perancangan ERD (Entity Reltionships Diagram) digunakan untuk menggambarkan
hubungan antara objek-objek yang ada pada sistem yang dirancang.
Id_admin
Buku_tamu
Id_tamu
n
Admin
1
Diisi
Nama
Isi_buku
thumbid
Username
Nama_tamu
waktu
Password
Cpt_p
Prior present
Posterior
Ket_gejala
Kategori
Foto
Cpt_a
Id_gejala
Nama_gejala
Prior absent
Jpd_p
Gejala
n
Nilai
Jpd_a
n
Id_gejala
Alt_solusi
Cpt_a
Posterior
Id_solusi
Judul
Id_hub
Id_gejala2
Hub_gejala
n
Cpt_p
Solusi
n
Penyakit
n
1
punya
Pertolongan
Penyebab
Nama_penyakit
Id_penyakit
Ket_penyakit
Gambar 4. Entity Relationship Diagram
4
Pengujian dan Analisa
Pengujian sistem dilakukan dengan melakukan proses diagnosa yang tersedia di menu
pengguna. Menu ini sebagai sarana untuk mendeteksi adanya penyakit dan besarnya
kemungkinan penyakit yang diderita dari hasil diagnosa sistem. Pengguna bisa langsung masuk
ke sistem tanpa harus login sebagai member atau melakukan pendaftaran terlebih dahulu.
Gambar 5. Halaman diagnosa
Gambar 6. Halaman hasil diagnosa
Pada halaman diagnosa yang tergambar pada Gambar 5 dan Gambar 6, pengguna atau
pasien dapat memilih satu atau lebih dari gejala yang ditampilkan oleh sistem. Pengguna yang
sudah melakukan diagnosa pada sistem pakar dengan memilih gejala yang dirasakan,
mendapatkan hasil berupa probabilitas penyakit yang dideritanya dan nilai kepercayaan dari
penyakit tersebut. Selain itu, juga diberikan sedikit informasi mengenai informasi dari penyakit
tersebut beserta penyebab dan penanganan awal dari penyakit tersebut yang dapat dilihat pada
Gambar 7.
7
Gambar 7. Halaman Hasil Diagnosa
Dari hasil analisa kuisioner yang dilakukan oleh tujuh orang pakar penyakit tropis
didapatkan bahwa sebanyak 71,4% pakar penyakit tropis berpendapat baik bahwa sistem ini
memudahkan dalam mendiagnosa infeksi penyakit tropis. Sebanyak 68,6% berpendapat baik
bahwa sistem ini memberikan hasil diagnosa yang sesuai dengan hasil diagnosa dokter.
Sebanyak 65,7% pakar berpendapat baik untuk kesesuaian gejala yang dipakai dalam
mendiagnosa penyakit. Sebanyak 82,9% pakar berpendapat bahwa sistem berjalan dengan baik
sesuai dengan fungsinya. Sebanyak 80% pakar berpendapat bahwa sistem memberikan data dan
informasi yang bermanfaat bagi pasien, sedangkan 85% pakar penyakit tropis berpendapat
sangat baik bahwa sistem ini mudah digunakan.
Gambar 8. Grafik Peninjauan Kuesioner Oleh Pakar Penyakit Tropis
Analisa kuisioner juga dilakukan kepada responden selain pakar, yaitu pengguna
ataupun pasien yang disebar sebanyak 15 responden. Menurut 86,7% responden berpendapat
bahwa sistem ini memudahkan dalam mendiagnosa infeksi penyakit tropis khususnya DBD,
Malaria, dan Typhoid dengan sangat baik. Responden juga berpendapat bahwa kenyamanan
pemakaian aplikasi sangat baik yaitu sebanyak 85,3% setuju. Sebanyak 84% responden
berpendapat bahwa sistem berjalan sesuai dengan fungsinya dengan sangat baik. Sebanyak
89,3% responden berpendapat bahwa sistem ini memberikan data dan informasi yang
bermanfaat bagi pasien dengan sangat baik. Sebanyak 88% responden berpendapat bahwa
sistem ini mudah digunakan dengan sangat baik.
Dari hasil analisa sistem menggunakan teknik sampling untuk mengetahui seberapa
besar kesesuaian hasil diagnosa sistem dengan hasil diagnosa dari pakar penyakit tropis,
sebanyak 39 dari 50 (78%) hasil diagnosa sistem dinyatakan sesuai dengan hasil analisa dokter.
8
5
Penutup
5.1
Kesimpulan
Setelah melalui tahap pengujian pada Sistem Pakar Diagnosa Infeksi Penyakit Tropis
Berbasis Web, maka dapat diambil beberapa kesimpulan sebagai berikut :
1.
2.
3.
4.
5.2
Sistem yang telah dibangun dengan menggunakan metode Bayesian Network dapat
membantu pengguna ataupun pasien dalam mendiagnosa penyakit yang diderita sesuai
dengan gejala yang dirasakan oleh pengguna atau pasien.
Hasil pengujian manual menunjukkan hasil yang sama dengan pengujian aplikasi .
Berdasarkan hasil analisa kuesioner, sistem ini menunjukkan hasil 68,6% sama dengan
diagnosa yang diberikan oleh dokter, sedangkan hasil analisa menggunakan teknik
sampling menunjukkan hasil 78% sama dengan diagnosa yang diberikan oleh dokter.
Berdasarkan hasil analisa kuesioner, sistem ini memudahkan pengguna untuk mendiagnosa
infeksi penyakit tropis khususnya DBD, Malaria, dan Typhoid yaitu sekitar 71,4% pakar
setuju dan 86,7% responden lainnya sangat setuju.
Saran
Beberapa saran yang dapat diberikan untuk pengembangan aplikasi ini:
1.
2.
3.
Diharapkan dapat mengakomodasi lebih banyak jenis penyakit dalam cakupan penyakit
tropis agar system dapat mendiagnosa jenis penyakit yang lebih bervariasi.
Untuk kedepannya, sistem ini dapat dikembangkan dengan fitur-fitur yang lebih menarik
seperti cara mengenal tanda-tanda gejala pada tubuh pasien melalui video.
Sistem dapat dikembangkan lebih lanjut dengan berbasis mobile Android.
Daftar Pustaka
[1]
[2]
[3]
[4]
[5]
[6]
[7]
[8]
Martin, J. and Oxman, S., Building Expert System a Tutorial, New Jersey : Prentice Hall,
1988.
Sudiono, J., Kurniadhi, B., Hendrawan, A., and Djimantoro, B., Ilmu Patologi, Jakarta:
EGC, 2003.
Departemen Kesehatan Republik Indonesia, Profil Kesehatan Indonesia 2010, Jakarta:
Kementrian Kesehatan RI, 2011.
Rich, E. & Kevin, K., Artificial Intelligence, New York : McGraw-Hill Publishing
Company, Second Edition, 1991.
Sutojo, T., Mulyanto, E., Suhartono, Vincent, Kecerdasan Buatan, Yogyakarta: Andi.
2011.
Korb, Kevin B. & Nicholson, Ann E, Bayesian Artificial Intelligence, United States :
CRC Press, Second Edition, 2011.
Arlini, M., Kelebihan dan Kekurangan Teori Bayesian dalam Sistem
Pengambilan Keputusan. Dalam Mayaarlini’s Weblog. Diambil 17 November 2011 dari
http://mayaarlini.wordpress.com/page/2/
Widoyono, Penyakit Tropis Epidemiologi, Penularan, Pencegahan dan
Pemberantasannya, Jakarta : Erlangga, 2008.