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