Program Bantu Diagnosa Gangguan Kesehatan Kehamilan dengan

advertisement
Program Bantu Diagnosa Gangguan Kesehatan
Kehamilan dengan Metode Forward Chaining
1)
Birgitta Whenty H, 2)Rosa Delima, 3)Joko Purwadi
Jurusan Teknik Informatika
Fakultas Teknik
Universitas Kristen Duta Wacana, Yogyakarta
Email : 1)[email protected], 2)[email protected]
Abstract
Pregnant women sometimes experience health problems during
their pregnancy. In order to help diagnosing and finding solution for these
problems, gynecologist is needed. The diagnosis expert system for health
problems during pregnancy in this research is a system developed by
applying the Forward Chaining method. This method provides a health
problem diagnosis based on existing facts collected from an interview
with users in a consultation session. This research aims at developing an
appropriate knowledge base to apply at Pregnancy Health Problem
Diagnosis Expert System. It is expected that this research can assist
health care units, especially mid-wifery, in handling health problems in
pregnancy, and assist medical doctor candidates in their studies.
Keywords :Expert System, Forward Chaining, Knowledge Based
System, Pregnancy Health Problems Diagnosis.
1. Pendahuluan
Angka kematian ibu bersalin dan angka kematian prenatal umumnya dapat
digunakan sebagai petunjuk untuk menilai keadaan gizi dan kesehatan ibu, tingkat
pelayanan kesehatan ibu pada waktu hamil serta kondisi kesehatan lingkungan.
Menurut hasil Survei Kesehatan Rumah Tangga (SKRT) tahun 1986, angka kematian
ibu bersalin di Indonesia masih sangat tinggi, berkisar 450 per 100.000 kelahiran
hidup [1]. Angka kematian ibu yang tinggi ini erat hubungannya dengan pelayanan
obstetri yang masih sangat terbatas cakupannya sehingga belum mampu
menanggulangi ibu hamil resiko tinggi dan kasus gawat darurat pada lini terdepan
serta minimnya informasi pada ibu hamil mengenai gejala-gejala penyakit yang muncul
pada masa kehamilan dan bahaya dari kehamilan resiko tinggi. Untuk alasan tersebut,
maka perlu dibuat sebuah sistem yang dapat membantu mendiagnosa penyakit di
masa kehamilan berdasarkan gejala-gejala yang ada. Sistem yang dapat melakukan
tugas tersebut termasuk dalam kategori sistem pakar. Sistem pakar adalah salah
satu bagian dari kecerdasan buatan yang mengandung pengetahuan dan pengalaman
1
Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100
yang dimasukkan oleh satu atau banyak pakar ke dalam satu area pengetahuan
tertentu, sehingga setiap orang dapat menggunakannya untuk menentukan solusi
yang tepat dari permasalahan yang ada, dalam hal ini untuk menentukan jenis gangguan
kesehatan di masa kehamilan berdasarkan gejala yang diderita. Metode yang
digunakan adalah forward chaining untuk melakukan proses pengolahan data yang
di-input-kan oleh pengguna (user). Dari fakta-fakta yang ada tersebut dapat
diperoleh kesimpulan jenis penyakit yang diderita ibu di masa kehamilan. Tujuan
dari penelitian ini adalah untuk membangun basis pengetahuan yang tepat yang
diterapkan pada program bantu untuk mendiagnosa gangguan kesehatan di masa
kehamilan dengan metode forward chaining. Program bantu diagnosa gangguan
kesehatan kehamilan ini menghasilkan output berupa penyakit yang diderita ibu
hamil berdasarkan fakta-fakta yang dimasukkan user. Fakta-fakta tersebut
merupakan gejala yang dialami ibu hamil dan output tidak menyertakan tingkat
persentase kebenaran dari proses pengolahan data.
2. Kajian Pustaka
Sistem pakar adalah sistem yang mengadopsi pengetahuan manusia yang
ditangkap dalam komputer untuk memecahkan masalah yang biasanya membutuhkan
keahlian manusia [2]. Sistem pakar dipakai untuk membantu orang-orang yang tidak
ahli dalam hal tertentu dalam mengambil keputusan, atau bisa juga dipakai oleh para
pakar sebagai asisten. Sistem pakar bahkan dapat menjadi lebih baik daripada pakar
jika bekerja pada ruang lingkup pengetahuan atau keahlian yang sempit [2].
Komponen utama pada struktur sistem pakar meliputi Basis Pengetahuan
(Knowledge Base), Mesin Inferensi (Inference Engine), Working Memory, dan
Antarmuka Pemakai (User Interface)[3]. Struktur sistem pakar dapat ditunjukkan
pada Gambar 1.
Knowledge Base
Domain Knowledge
Inference Engine
User_____
Case Facts
Working Memory
Case/Inferred Facts
Conclusions
Gambar 1 Struktur Sistem Pakar
Teknik representasi pengetahuan yang digunakan dalam pengembangan sistem pakar
ini adalah rule based expert system di mana pengetahuan direpresentasikan dalam
bentuk fakta dengan serangkaian aturan (rules) dalam basis pengetahuan (knowledge
base) yang menggunakan inference engine untuk menghasilkan solusi yang
dibutuhkan [4]. Bentuk representasi rule based expert system terdiri atas premis
2
Program Bantu Diagnosa (Whenty H, dkk)
dan kesimpulan. Arsitektur dari rule based expert system dapat ditunjukkan pada
Gambar 2.
Inference
Engine
Explanation
Facility
Working
Memory
Knowledge
Base
User
Interface
Developer
Interface
User
Knowledge
Engineer
External
Programs
Gambar 2 Arsitektur Rule Based Expert System
Gangguan Kesehatan Kehamilan
Kehamilan resiko tinggi adalah kehamilan yang akan menyebabkan terjadinya
bahaya dan komplikasi yang lebih besar baik terhadap ibu maupun terhadap janin
yang dikandungnya selama masa kehamilan, persalinan dan nifas bila dibandingkan
dengan kehamilan, persalinan dan nifas normal. Gangguan dan penyulit pada kehamilan
umumnya ditemukan pada kehamilan resiko tinggi. Secara garis besar, kelangsungan
suatu kehamilan sangat bergantung pada keadaan dan kesehatan ibu, plasenta dan
keadaan janin [1]. Pemeriksaan untuk mendiagnosa jenis kelainan di masa kehamilan
dibedakan menjadi dua yaitu obstetri dan ginekologi. Obstetri merupakan bagian
Ilmu Kedokteran yang khusus mempelajari segala soal yang bersangkutan dengan
lahirnya bayi. Dengan demikian, yang menjadi obyek adalah kehamilan, persalinan,
nifas dan bayi yang baru dilahirkan [5]. Berdasarkan pemeriksaan, kelainan di masa
kehamilan dibagi menjadi dua yaitu kelainan yang disertai perdarahan dan kelainan
yang tidak disertai perdarahan. Terdapat beberapa jenis kelainan yang disertai
perdarahan yang sering muncul di masa kehamilan antara lain Abortus Imminiens;
Abortus Insipiens; Abortus Inkompletus; Abortus Kompletus; Abortus Mola;
Abortus Infeksiosus; Kehamilan Ektopik; Ruptura Uteri; Plasenta Previa
Marginalis; Plasenta Previa Lateralis; Plasenta Previa Totalis; Mola Hidatidosa;
Solutio Plasenta Ringan; Solutio Plasenta Sedang; Solutio Plasenta Berat.
Metode Forward Chaining
Forward Chaining adalah metode pencarian/penarikan kesimpulan yang
berdasarkan pada data (fakta) yang ada menuju ke kesimpulan, penelusuran dimulai
dari fakta yang ada lalu bergerak maju melalui beberapa premis untuk menuju ke
kesimpulan (bottom up reasoning). Forward chaining adalah data-driven, karena
inferensi dimulai dengan informasi atau fakta-fakta yang ada baru kesimpulan
diperoleh. Dalam melakukan proses forward chaining, perlu suatu kumpulan aturan
(rules), aturan yang ada ditelusuri satu persatu hingga penelusuran dihentikan karena
kondisi terakhir telah terpenuhi [4]. Forward chaining memiliki aturan-aturan untuk
diuji satu demi satu dalam urutan tertentu. Urutan itu berupa urutan pemasukan
3
Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100
aturan ke dalam basis aturan atau juga aturan lain yang ditentukan oleh pemakai.
Saat tiap aturan diuji, sistem pakar akan mengevaluasi apakah kondisinya benar
atau salah. Jika kondisinya benar, maka menghasilkan solusi kemudian aturan
berikutnya diuji. Proses ini akan berulang sampai seluruh basis aturan teruji dengan
berbagai kondisi. Proses forward chaining terlihat pada Gambar 3.
Conclusions
Key
Facts
Conclusion
Facts
Gambar 3 Proses Forward Chaining
Dalam membantu pemahaman mengenai metode forward chaining dalam
sebuah sistem pakar, maka akan diberikan suatu contoh kasus sederhana mengenai
penerapan metode forward chaining yang digunakan untuk menentukan pembelian
obligasi. Terdapat beberapa kriteria dalam penentuan pembelian obligasi, yaitu suku
bunga, harga obligasi dan dollar yang digunakan dari data pengetahuan tersebut
maka basis pengetahuan dapat direpresentasikan dalam aturan-aturan sebagai berikut:
<R1> If suku bunga turun Then harga obligasi naik
<R2> If suku bunga naik Then harga obligasi turun
<R3> If suku bunga tidak berubah Then harga obligasi tidak berubah
<R4> If dollar naik Then Suku bunga turun
<R5> If dollar turun Then suku bunga naik
<R6> If harga obligasi turun Then beli obligasi
Berdasarkan basis aturan tersebut, maka berikut ini contoh sesi konsultasi
yang berupa pertanyaan yang diajukan oleh sistem dan jawaban yang diinputkan
oleh user
Pertanyaan
: Bagaimana keadaan dollar hari ini ?
Jawaban
: Dollar turun
Maka
Kesimpulan
: Beli Obligasi
Dari pertanyaan dan jawaban yang diperoleh, sistem melakukan penelusuran
aturan-aturan yaitu dari <R1> sampai dengan <R6>, namun hanya <R5>, <R2>
dan <R6> saja yang dijalankan, karena hanya ketiga aturan tersebut yang sesuai
dengan inputan user. Oleh karena itu didapat keputusan akhir yaitu beli obligasi.
4
Program Bantu Diagnosa (Whenty H, dkk)
3. Perancangan Sistem
Fakta yang berpengaruh terhadap diagnosa gangguan kesehatan kehamilan
terdiri dari masa kehamilan, asal perdarahan, sifat perdarahan, keadaan nyeri perut,
kondisi ibu, kanalis servikalis, fundus uteri, keadaan khusus ibu dan keadaan khusus
fetus, selanjutnya fakta-fakta tersebut dikodekan yang kemudian digunakan untuk
merancang pohon keputusan dan membantu perancangan basis aturan untuk
memberikan solusi terhadap permasalahan yang ada. Pada Tabel 1 berisi jenis
gangguan kesehatan dalam masa kehamilan. Sistem ini mampu mendeteksi 15 jenis
gangguan kesehatan pada masa kehamilan seperti terlihat pada Tabel 1.
Tabel 1 Jenis Gangguan Kesehatan Kehamilan
Kode
Jenis Gangguan Kehamilan
H01
Abortus imminens
H02
H03
Abortus insipiens
Abortus Inkompletus
H04
Abortus Kompletus
H05
Abortus Mola
H06
Abortus Infeksiosus
H07
Kehamilan ektopik
H08
Ruptura Uteri
H09
Plasenta Previa Marginalis
H10
Plasenta Previa Lateralis
H11
Plasenta Previa Totalis
H12
Mola Hidatidosa
H13
Solutio Plasenta Ri ngan
H14
Solutio Plasenta Sedang
H15
Solutio Plasenta Berat
Tabel 2 berisi fakta mengenai masa kehamilan yang secara garis besar dibagi
menjadi dua yaitu kehamilan kurang dari 28 minggu dan kehamilan lebih dari 28
minggu. Gangguan kehamilan umumnya diawali dengan pendarahan, fakta mengenai
asal pendarahan dapat dilihat pada Tabel 3, sementara sifat pendarahan dapat dilihat
pada Tabel 4.
Tabel 2 Tabel Masa Kehamilan
Kode
M01
M02
Masa Kehamilan
K ehamilan < 28 minggu
K ehamilan > 28 minggu
5
Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100
Tabel 3 Tabel Asal Perdarahan
Kode
F01
F02
Tabel 4 Tabel Sifat Perdarahan
Kode
P01
A sal Perdarahan
O stium Uteri
U retra
P03
Sifat Perdarahan
Perdarahan sedikit / perdarahan
ringan
Perdarahan banyak / perdarahan
berat
Perdarahan berhenti
P04
Perdarahan sedikit / banyak
P02
Tabel 5 merupakan tabel untuk menampung fakta mengenai kondisi nyeri perut yang
dialami pasien.Tabel 6 merupakan tabel fakta yang berisi penyerta pendarahan, yang
menekankan ada tidaknya jaringan yang keluar selama pendarahan berlangsung.
Tabel 5 Tabel Kondisi Nyeri Perut
Kode
N01
N02
N03
Nyeri Perut
Nyeri perut terus menerus (nyeri
memilin)
Nyeri perut kadang muncul kadang
tidak
Tanpa/sedikit disertai nyeri perut
Tabel 6 Tabel Penyertaan Perdarahan
Kode
D01
D02
D03
Penyertaan Perdarahan
Disertai jaringan buah kehamilan
berupa jaringan plasenta/fetus
Disertai jaringan buah kehamilan
berupa gelembung-gelembung
Tanpa disertai jaringan buah
kehamilan
Fakta mengenai kondisi pasien (ibu) dan kondisi servik pasien dapat dilihat pada
Tabel 7 dan Tabel 8. Tabel 9 menggambarkan kondisi fundus uteri pada pasien
apakah lebih kecil, sesuai atau lebih besar dari usia gestasi. Fakta mengenai keadaan
khusus fetus (calon bayi) dan keadaan khusus ibu dapat dilihat pada pasien apakah
lebih kecil, sesuai atau lebih besar dari usia gestasi.
Tabel 7 Tabel Kondisi Ibu
Kode
U01
U02
Kondisi Ibu
Baik
Syok
Tabel 8 Tabel Kanalis Servikalis
Kode
R01
R02
Kanalis Sevikalis
Terbuka
Tertutup
Tabel 9 Tabel Fundus Uteri
Kode
B01
B02
Fundus Uteri
Lebih kecil dari usia gestasi
Sesuai dengan usia gestasi
B03
Lebih besar dari usia gestasi
6
Program Bantu Diagnosa (Whenty H, dkk)
Tabel 10 dan Tabel 11. Dengan demikian sistem diagnosa ini secara keseluruhan
memiliki sepuluh tabel fakta dan satu tabel solusi (jenis gangguan kehamilan).
Perangkat lunak ini menggunakan representasi pengetahuan berbasis aturan (rule
based system).
Tabel 10 Tabel Keadaan Khusus Fetus
Kode
Keadaan Kh usus Fetus
J01
Bagian Fetus tidak teraba
J02
Bagian fetus teraba
J03
J05
Denyut jantung fetus dan gerak fetus
positif
Denyut jantung fetus dan gerak fetus
negatif
Kepala fetus belum masuk pintu atas
J06
panggul
Kepala fetus mengolak kesampi ng
J07
Kepala menonjol diatas simfisis
J04
Tabel 11 Tabel Keadaan Khusus Ibu
Kode
Keadaan Khusus Ibu
G01
Air ketuban berwana merah
G02
Tes kehamilan positif
G03
Warna darah merah segar (merah muda)
G04
Warna darah merah kehitaman (merah tua)
G05
Teraba jaringan plasenta pada pinggir lingkaran pembukaan
G06
Teraba jaringan plasenta menutupi sebagi an dari lingkaran pembukaan
G07
G08
G09
Teraba jaringan plasenta menutupi seluruh lingkaran pembukaan
U terus lunak
U terus keras
G10
G11
G12
K eluar fl uor berbau busuk
Warna darah kecoklat-coklatan
Belum terjadi ekspulsi hasil konsepsi
G13
Ekspulsi sebagian hasil konsepsi
G14
G15
G16
Riwayat ekspulsi hasil konsepsi
H ipofibrinogenemia (50 – 250 mg/dL)
H ipofibrinogenemia (<150 mg/dL)
G17
G18
N yeri abdomen tiba-tiba
Abdomen berisi darah
G19
G20
G21
K ram perut bawah
Mual/muntah
Sindroma mirip preeklamsia
Tabel basis pengetahuan sistem dapat dilihat pada Tabel 12. Berdasarkan
Tabel 12 akan dibentuk aturan / kaidah dari basis pengetahuan. Berikut contoh
aturan / kaidah pertama pada sistem a) jika kehamilan < 28 minggu (M01) dan asal
pendarahan, b) ostium uteri (F01) dan sifat pendarahan, c) pendarahan sedikit/
pendarahan ringan (P01) dan keadaan nyeri perut, d) tanpa/sedikit disertai nyeri
perut (N03) dan penyertaan pendarahan, e) tanpa disertai jaringan buah kehamilan
7
Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100
(D03) dan kondisi ibu, f) baik (U01) dan kanalis servikalis, g) tertutup (R02) dan
Fundus uteri, h) sesuai dengan usia gestasi (B02) dan gejala khusus ibu, i) uterus
lunak (G08) dan gejala khusus ibu, j) kram perut bawah (G19) maka Abortus
Imminens (H01).
Tabel 12 Basis Pengetahuan Sistem
No
1
2
Masa
Asal
Sifat
Keadaan Penyerataan Kondisi Kan ali s Fundu s Keadaan Kead aan
Kehamilan Pendarahan Pendarah an
Nyeri Pendarahan Ibu Servikalis Uteri Khusus Ib u Khusus
Perut
Fetus
M01
F01
P01
N03
D03
U01
R02
B02
G08,G19
M01
F01
P02
N01
D03
U01
R01
B02
G12
-
3
4
5
M01
M01
M01
F01
F01
F01
P02
P03
P02
N03
N03
N01
D01
D01
D03
U01
U01
U01
R01
R02
R01
B01
G13
B01
G14
B03 G08,G20,G21
6
7
8
M01
M01
M02
F01
F01
F01
P01
P01
P01
N01
N01
N01
D03
D03
D03
U01
U02
U02
R01
R02
R02
B03
B01
B02
9
10
M02
M02
F01
F01
P04
P04
N03
N03
D03
D03
U01
U01
R01
R01
11
12
13
M02
M01
M02
F01
F01
F01
P04
P04
P04
N03
N03
N02
D03
D02
D03
U01
U01
U02
14
15
16
M02
M02
M01
F01
F01
F02
P04
P04
-
N01
N02
-
D03
D03
-
17
M02
F02
-
-
-
Jenis
Gangguan
Kehamilan
H01
H02
-
H03
H04
H05
G10
G08
G17
J04
H06
H07
H08
B02
B02
G03
G15
J03
J03
H09
H10
R01
R02
R01
B02
B03
B02
G16
G11
G05
J05
J01
J02
H11
H12
H13
U02
U02
-
R01
R01
-
B02
B02
-
G06
G07
-
J01
J04
-
H14
H15
Default Output
-
-
-
-
-
Default Output
Mekanisme Inferensi
Pohon inferensi dibangun sesuai dengan basis pengetahuan sistem yang terlihat
pada Tabel 12. Pohon inferensi dapat dilihat pada Gambar 4 yang menunjukkan
bahwa penelusuran forward chaining dilakukan dari bawah ke atas (bottom up),
yaitu dimulai dari fakta masa kehamilan sampai didapatkan kesimpulan berupa jenis
gangguan kehamilan yang diderita pasien.Mekanisme inferensi dengan metode forward chaining untuk program bantu diagnosa gangguan kesehatan kehamilan
memiliki beberapa tahapan. Mekanisme inferensi yang digunakan adalah kaidah
produksi. Berikut langkah-langkahnya :
Langkah 1: mengajukan pertanyaan pada user
Langkah 2: menammpung inputan dari user sebagai premis rule pada short term
memory
Langkah 3: memeriksa rule berdasarkan inputan user pada short term memory
Langkah 4: jika rule ditemukan maka konklusi rule ditampung pada short term
memory, maka langkah satu sampai dengan langkah empat diulang.
Jika rule tidak ditemukan maka berikan default output
Langkah 5: berikan solusinya
Berikut contoh ilustrasi penerapan mekanisme inferensi pada satu kasus. Ada
seorang ibu hamil dengan kondisi kehamilan kurang 28 minggu, mengalami
pendarahan, dan pendarahan tersebut berasal dari ostium uteri/vagina karena selama
terjadi pendarahan tidak mengalami nyeri di uretra dan ibu tidak mempunyai riwayat
ambien, kemudian hasil/sifat pendarahan sedikit karena setelah memakai pembalut/
kain bersih dibutuhkan waktu lebih dari 5 menit untuk membasahi pembalut/kain
pembersih, ibu mengalami nyeri perut terus menerus selama pendarahan, dan setelah
8
Program Bantu Diagnosa (Whenty H, dkk)
diperiksa di pembalut tidak ada jaringan buah kehamilan yang menyertai pendarahan,
ibu mengalami syok dengan tanda pucat dan pernafasan cepat serta gelisah, kondisi
kanalis servikalis/vagina ibu masih menutup rapat/belum terjadi pembukaan vagina
dengan ditandai jari belum bisa masuk ke vagina, tinggi fundus uteri/perut ibu lebih
kecil dari usia kehamilan yang seharusnya dan uterus ibu lunak. Berdasarkan contoh
kasus di atas, penerapan mekanisme inferensi akan dijalankan dengan mengajukan
pertanyaan kepada user. Penelusuran fakta dari aturan yang ada dilakukan
berdasarkan jawaban user terhadap pertanyaan yang diajukan. Penelusuran terus
dilakukan sampai didapatkan konklusi/kesimpulan dari kondisi yang dialami pasien.
Gambar 4 Pohon Inferensi Sistem
Berikut ilustrasi pertanyaan yang diajukan oleh sistem
1. Pertanyaan : Berapa usia kehamilan ibu ?
Jawaban
: Kehamilan < 28 minggu (M01)
2. Pertanyaan : Dari manakah pendarahan berasal ?
Jawaban
: Ostium uteri / liang senggama (F01)
3. Pertanyaan : Bagaimanakah sifat perdarahan ?
Jawaban
: Perdarahan sedikit/perdarahan ringan (P01)
4. Pertanyaan : Apakah ibu mengalami nyeri perut ?
Jawaban
: Nyeri perut terus menerus (N01)
5. Pertanyaan : Apakah terdapat penyertaan jaringan buah kehamilan pada
perdarahan ?
Jawaban
: Tanpa disertai jaringan buah kehamilan (D03)
9
Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100
6. Pertanyaan : Bagaimana kondisi ibu ?
Jawaban
: Ibu mengalami syok (U02)
7. Pertanyaan : Bagaimana kondisi kanalis servikalis ibu ?
Jawaban
: Tertutup (R02)
8. Pertanyaan : Bagaimana tinggi fundus uteri ibu ?
Jawaban
: Lebih kecil dari usia kehamilan yang seharusnya (B01)
9. Pertanyaan : Apa lagi gejala yang alami ibu ?
Jawaban
: Kondisi uterus ibu lunak (G08)
Konklusi/Kesimpulan : Kehamilan ektopik (H07)
4. Implementasi dan Analisis Sistem
Implementasi Program
Menu Login merupakan menu yang pertama kali muncul ketika program
dijalankan. Untuk pengguna biasa dapat langsung masuk ke Menu Utama, sedangkan
untuk pakar diminta untuk memasukan username dan password terlebih dulu agar
dapat masuk ke Menu Utama. Menu Login ini dapat dilihat pada Gambar 5.
Gambar 5 Menu Login Pakar
Menu Konsultasi, memperbolehkan pemakai untuk melakukan sesi
konsultasi. Model konsultasi yang disediakan program adalah dengan mengajukan
pertanyaan-pertanyaan mengenai gejala yang diderita ibu hamil. User diminta untuk
memasukkan data hasil gejala-gejala yang dialami ibu hamil. Sesi konsultasi diawali
dengan kemunculan halaman awal konsultasi yang terlihat pada Gambar 5, selanjutnya
user dapat menghitung usia kehamilannya seperti terlihat pada Gambar 6, dengan
memasukkan tanggal haid pertama bulan sebelumnya, selanjutnya sistem akan
menentukan usia kehamilan pasien lebih atau kurang dari 28 minggu yang terlihat
pada Gambar 7.
10
Program Bantu Diagnosa (Whenty H, dkk)
Gambar 6 Menu Konsultasi
Gambar 7 Menu Konsultasi Perhitungan Usia Kehamilan
Gambar 8 Menu Konsultasi Masa Kehamilan
11
Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100
Pada Gambar 8 menunjukkan bahwa setelah konsultasi, dilanjutkan dengan
menanyakan pada pasien asal pendarahan yang alami.
Gambar 9 Menu Konsultasi Asal Perdarahan
Gambar 10 memperlihatkan sifat pendarahan. Gambar 11 menunjukkan
keadaan nyeri perut yang dirasakan pasien, dan ada atau tidaknya jaringan penyerta
pendarahan ditunjukkan pada Gambar 12.
Gambar 10 Menu Konsultasi Sifat Perdarahan
12
Program Bantu Diagnosa (Whenty H, dkk)
Gambar 11 Menu Konsultasi Keadaan Nyeri Perut
Gambar 12 Menu Konsultasi Keadaan Penyertaan Perdarahan
Gambar 13 menunjukkan kondisi fisik pasien/ibu. Kondisi servik pasien ditunjukkan
oleh Gambar 14. Pasien akan menjawab pertanyaan dengan memilih salah satu
13
Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100
pilihan jawaban yang disediakan oleh sistem. Pasien juga dapat mengulangi pertanyaan
sebelumnya dengan menekan tombol kembali dan melanjukan konsultasi dengan
menekan tombol lanjut.
Gambar 13 Menu Konsultasi Kondisi Fisik Ibu
Gambar 14 Menu Konsultasi Kondisi Kanalis Servikalis
Gambar 15 menunjukkan keadaan fundus uteri. Keadaan khusus ibu ditunjukkan
pada Gambar 16, dan keadaan khusus fetus ditunjukkan pada Gambar 17.
14
Program Bantu Diagnosa (Whenty H, dkk)
Gambar 15 Menu Konsultasi Keadaan Fundus Uteri
Gambar 16 Menu Konsultasi Keadaan Khusus Ibu
15
Jurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100
Gambar 17 Menu Konsultasi Keadaan Khusus Fetus
Menu Hasil Diagnosa pada Gambar 18 menunjukkan bahwa setelah proses
konsultasi selesai, maka sistem akan memberikan keluaran berupa hasil diagnosa
yang dilakukan oleh sistem. Dalam halaman diagnosa diberikan keterangan gangguan
kehamilan yang alami pasien berikut fakta yang mendukung diagnosa dan solusi
yang merupakan tidak lanjut yang harus dilakukan pasien.
Gambar 18 Menu Hasil Diagnosa
16
Program Bantu Diagnosa (Whenty H, dkk)
Menu Data Penyakit berisi data jenis gangguan kehamilan dan hanya bisa
diakses oleh pakar. Form ini dapat digunakan untuk melihat data dan keterangan
dari jenis penyakit dan juga untuk menambahkan jenis penyakit baru berdasarkan
fakta-fakta gejala yang sudah tersimpan. Form ini juga dapat mengubah keterangan
dan tindakan yang seharusnya dilakukan terhadap suatu jenis penyakit kehamilan.
Tombol baru digunakan untuk menambah jenis gangguan kesehatan baru, tombol
simpan untuk menyimpan data baru, dan tombol hapus untuk hapus data. Menu
data penyakit ini dapat dilihat pada Gambar 19.
Gambar 19 Menu Data Penyakit
Menu Manual Program merupakan menu bantuan yang dapat digunakan
user untuk lebih memahami mengenai cara menggunakan sistem. Menu ini berisi
petunjuk mengenai cara penggunaan sistem. Menu manual program ini dapat dilihat
pada Gambar 20.
Gambar 20 Menu Manual Program
17
JJurnal Teknologi Informasi-Aiti, Vol. 7. No.1, Februari 2010 : 1 - 100
Ketepatan Hasil Analisis Berdasarkan Kasus yang Riil
Pada program bantu diagnosa gangguan kesehatan kehamilan ini ketepatan
hasil analisis diketahui berdasarkan dari penilaian pakar yang menjadi narasumber
pembuatan sistem ini dan kasus yang ada. Ketepatan hasil analisa sistem ini diuji
dengan melakukan penilaian terhadap input dan output sistem, yaitu apakah output
yang dihasilkan sudah tepat bila dinilai dari kasus yang nyata. Tabel 13 merupakan
tabel hasil analisis sistem, dari tabel tersebut tersebut dapat diketahui bahwa ratarata ketepatan hasil analisis sistem adalah 86,33 %, ini berarti ketepatan hasil
analisis sistem sudah cukup baik. Berdasarkan hasil pengujian sistem yang telah
dilakukan pada sampel yang berjumlah 34, dapat diambil kesimpulan bahwa sistem
sudah cukup baik. Namun penulis juga mengalami kesulitan dalam mencari sampel
untuk pengujian beberapa jenis gangguan kehamilan, dikarenakan penderita dari
beberapa jenis gangguan kehamilan yang digunakan untuk penelitian tersebut hampir
tidak ada. Maka dari itu, solusi yang dilakukan penulis adalah mengujikan sistem
secara langsung ke pakar.
Tabel 13 Hasil Analisis Sistem
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
Kasus
Abortus imminens
Abortus insipiens
Abortus Inkompletus
Abortus Kompletus
Abortus Mola
Abortus Infeksiosus
Kehamilan ektopik
Ruptura Uteri
Plasenta Previa Marginalis
Plasenta Previa Lateralis
Plasenta Previa Totalis
M ola Hidatidosa
Solutio Plasenta Ringan
Solutio Plasenta Sedang
Solutio Plasenta Berat
Rata-rata
Ketepatan
90%
80%
90%
80%
90%
85%
85%
85%
85%
85%
85%
85%
90%
85%
90%
86,33%
5. Simpulan
Berdasarkan penelitian yang dilakukan didapatkan beberapa kesimpulan, yaitu
Keluaran yang dihasilkan sistem dinilai cukup akurat dengan ketepatan analisa
86,33%. Basis pengetahuan terdiri dari 49 fakta yang dipisahkan ke dalam sepuluh
tabel data dan 15 aturan yang disimpan dalam tabel aturan beserta limabelas jenis
gangguan kehamilan dan solusi untuk setiap gangguan kehamilan. Oleh karena itu
sistem ini memiliki kemampuan mendiagnosa 15 jenis gangguan kehamilan.
Representasi pengetahuan yang digunakan oleh sistem adalah rule based system
(sistem berbasis aturan) dengan metode inferensi forward chaining (runut maju).
Tahapan yang digunakan dalam pengembangan sistem diawali dengan proses akuisisi
18
Program Bantu Diagnosa (Whenty H, dkk)
pengetahuan dari pakar, dilanjutkan dengan rancangan basis pengetahuan, pembangun
inferensi dan antarmuka pemakai, selanjutnya dilakukan uji coba sistem untuk menilai
ketepatan kerja sistem.Saran yang diberikan oleh penulis untuk pengembangan sistem
selanjutnya adalah Perlu dilakukan penambahan pengetahuan dari sistem mengenai
gejala gangguan kesehatan kehamilan agar kinerja sistem lebih baik;Untuk menilai
faktor ketidakpastian dari kondisi pasien perlu digunakan beberapa metode untuk
mengukur ketidakpastian seperti certainty factor atau probabilitas bayesian.
6. Daftar Pustaka
[1]
[2]
[3]
[4]
[5]
Roeshadi H. 2004. Gangguan dan Penyulit Pada Masa Kehamilan.
Sumatra Utara: Bagian Kebidanan dan Penyakit Kandungan Universitas
Sumatra Utara.
Kusumadewi, S. 2003. Artificial Intelligence (Teori dan aplikasinya).
Yogyakarta : Graha Ilmu, Indonesia.
Turban, E., and Jay, E.A. 1998. Decision Support System and Intelligent
System. New Jersey : Prentice Hall Inc.
Durkin, J. 1994. Expert System Design and Development. London: Prentice
Hall International Edition, Inc.
Wiknjosastro, H. 1999. Ilmu Kebidanan. Jakarta: Yayasan Bina Pustaka
Sarwono Prawirohardjo.
19
Download