sistem pakar diognosa penyakit ispa (infeksi saluran pernapasan

Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013
ISSN : 2301-9425
SISTEM PAKAR DIOGNOSA PENYAKIT ISPA (INFEKSI SALURAN
PERNAPASAN AKUT) DENGAN MENGGUNAKAN METODE
CERTAINTY FACTOR
Nurhayati
Mahasiswa Program Studi Teknik Informatika, STMIK Budidarma Medan
Jl. Sisimangaraja No.338 Simpang Limun Medan
www.stmik-budidarma.ac.id // [email protected]
ABSTRAK
Sistem pakar untuk mendiognosa penyakit infeksi saluran pernapasan akut merupakan suatu sistem pakar
dirancang sebagai alat bantu untuk mendignosa gejala penyakit dengan basis pengetahuan yang dinamis. Basis
pengetahuan dalam sistem ini dapat melakukan klasifikasi penyakit berdasarkan gejala yang diderita sehingga
ditemukan solusi ataupun terapi yang tepat dalam penanggulangan ispa. Penulis menggunakan metode Certainty
Factor, sistem pakar ini akan menampilkan gejala yang dapat dipilih oleh user, dimana setiap pilihan gejala akan
membawa user kepada gejala sehingga dapat hasil akhirnya, dan komputer akan menyelesaikan masalah yang
dihadapinya, dengan ini menggunakan rumus factor kepastian.
Kata Kunci : Sistem Pakar, Infeksi Saluran Pernapasan Akut, Certainty Factor
1. Pendahuluan
1.1 Latar Belakang
Sistem pakar adalah sistem yang mampu
menirukan penalaran seorang pakar agar komputer
dapat menyelesaikan masalah seperti yang biasa
dilakukan oleh para ahli. Pengetahuan yang
disimpan didalam sistem pakar umumnya diambil
dari seorang manusia yang pakar dalam masalah
tersebut. Peran penting seorang pakar dapat
digantikan oleh program komputer yang pada
prinsip kerjanya untuk memberikan solusi yang
pasti seperti yang biasa dilakukan oleh pakar.
Sistem pakar biasanya digunakan untuk konsultasi,
analisis, diagnosis dan membantu mengambil
keputusan.
ISPA secara anatomis mencakup saluran
pernafasan bagian atas, saluran pernafasan bagian
bawah (termasuk jaringan paru_paru) dan organ
adneksa saluran pernafasan. dengan batasan ini,
jaringan paru termasuk dalam saluran pernafasan
(respiratory tract). penyakit ispa didiagnosa
masyarakat awam berdasarkan ciri ciri yang
diketahuinya. sehingga manyarakat atau penderita
sulit membedakan penyakit ispa dengan jenis
penyakit lainya akibatnya penyakit tersebut ditagani
dengan cara yang sama.
Oleh karena itu, agar tidak ada kesalahan
diagnosa dan untuk mempermudah masyarakat atau
penderita mengetahui sejak dini penyakit yang
diderita agar tidak terlambat mendapat pengobatan
dikerenakan seorang dokter yang memiliki
keterbatasan waktu. maka dibangu suatu sistem
yang dapat membantu masalah tersebut.
Metode certainty factor (CF) merupakan
metode yang mendefenisikan ukuran kepastian
terhadap suatu fakta atau aturan, untuk
menggambarkan tingkat keyakinan pakar terhadap
masalah
yang
sedang
dihadapi,
dengan
menggunakan
certainty
factor
ini
dapat
menggambarkan tingkat keyakinan pakar.
Rumusan Masalah
Berdasarkan pada uraian latar belakang maka
yang maenjadi rumusan masalah adalah sebagai
berikut :
1. Bagaimana merepresentasekan gejala penyakit
ispa (infeksi saluran pernapasan akut) kedalam
rule ?
2. Bagaimana menerapkan metode certainty
factor dalam mendiagnosa penyakit ISPA
(Infeksi Saluran Pernapasan Akut)?
3. Bagaimana merancang sistem pakar untuk
mendiagnosa penyakit ISPA (Infeksi saluran
Pernapasan Akut) menggunakan certainty
factor.
Tujuan dan Manfaat Penelitian
Berdasarkan latar belakang yang telah
diuraikan di atas, tujuan penelitian ini adalah :
1.
Mengetahui presentase dari gejala penyakit
ISPA (Infeksi Saluran Pernapasan Akut)
kedalam rule.
2. Merancang suatu sistem pakar yang dapat
digunakan untuk melakukan diagnosa
penyakit ISPA (Infeksi Saluran Pernapasan
Akut).
3. Menerapkan suatu sistem pakar yang dapat
memberikan
pengetahuan
terhadap
masyarakat penderita penyakit ISPA (Infeksi
Saluran Parnapasan Akut).
2. Landasan Teori
Sistem Pakar Diognosa Penyakit Ispa (Infeksi Saluran Pernapasan Akut) Dengan Menggunakan Metode
Certainty Factor. Oleh : Nurhayati
110
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013
2.1 Kecerdasan Buatan
Kecerdasan
buatan
adalah(Artificial
Intellegence) “ide-ide untuk membuat suatu
perangakat lunak komputer yang memiliki
kecerdasan yang memiliki kecerdasan sehingga
perangkat lunak komputer tersebut dapat
melakukan suatu pekerjaan yang dilakukan seorang
manusia” (T. Sotojo, Edy Mulyanto, Vincent
Suharto. Kecerdas buatan 2011), dengan kata lain
membuat komputer dapat berpikir dan bernalar
seperti manusia. Tujuan kecerdasan buatan ini
adalah membuat komputer lebih cerdas, mengerti
tentang kecerdasan, dan membuat mesin lebih
berguna bagi manusia. Kecerdasan buatan dapat
membantu meringankan beban kerja manusia
misalnya dalam membuat keputusan, mencari
informasi secara akurat, atau membuat komputer
lebih mudah digunakan dengan tampilan yang
mudah dipahami.
diproses dan kemudian mengeluarkan output
berupa suatu keputusan. Dengan perancangan
artificial intelligence yang baik, maka diharapkam
peran manusia dapat diminimalkan dan dapat
meringankan beban kerja manusia. Cara kerja
artificial intelligence adalah menerima input,
kemudian
2.2 Sistem Pakar
Sistem pakar merupakan cabang dari Artificial
Intelligence yang cukup tua karena sistem ini
mulai dikembangkan pada pertengahan 1960.
Sistem pakar berasal dari istilah knowledge base
expert system (T.sutojo, Edy Mulyanto, Vincent
Suhartono. Kecerdasan Buatan, 2011. Dengan
sistem pakar itu, orang awam pun dapat
menyelesaikan masalahnya atau hanya sekedar
mencari suatu informasi berkualitas yang
sebenarnya hanya dapt diperoleh dengan bantuan
para ahli dibidangnya. Sistem pakar ini juga dapat
membantu aktivitas para pakar sebagai asisten yang
mempunyai pengetahuan yang dibutuhkan
Menurut turban(2005), keahlian dipindahkan
dari pakar kesuatu komputer. Pengetahuan ini
kemudian disimpan di dalam komputer. Pada saat
pengguna
menjalankan
komputer
untuk
mendapatkan informasi, sistem pakar menanyakan
fakta-fakta dan dapat membuat penalaran
(inferensi) dan sampai pada suatu kesimpulan.
Kemudian, sistem pakar memberikan penjelasan
(memberikan kesimpulan atas hasil konsultasi yang
telah dilakukan sebelumya).
2.3 Metode
Certainty
Factor
(Faktor
Kepastian)
Teori certainty factor (CF) diusulkan oleh
shortliffe dan buchanan pada 1975 untuk
mengakomodasikan
ketidakpastian
pemikiran
(inexact reasoning) seorang pakar. Seorang pakar,
(misalnya dokter) sering kali menganalisis
ISSN : 2301-9425
informasi yang ada dengan ungkapan seperti
“mungkin”, “kemungkinan besar” , “hampir pasti”.
Untuk mengakomodasi hal ini menggunakan
certainty factor (CF) guna meggambarkan tingkat
keyakinan pakar terhadap masalah yang sedang
dihadapi.
Dalam mengekspresikan derajat kepastian,
certainty factor untuk mengasumsikan derajat
kepastian seorang pakar terhadap suatu data.
Konsep ini kemudian diformulasikan dalam
rumusan dasar sebagai berikut :
CF[H,E] = MB[H,E] – MD[H,E]
CF[H,E]1= CF[H] * CF[E]
CFcombine CF[H,E]1,2 = CF[H,E]1 + CF[H,E]2 * [1CF[H,E]1]
CFcombine CF[H,E]old,3 = CF[H,E] old + CF[H,E] 3 *
(1-CF[H,E] old]
Keterangan :
CF = Certainty Factor (Faktor Kepastian) dalam
hipotesa H yang dipengaruhi oleh fakta E
MB = Measure of Belief (Tingkat Keyakinan),
merupakan ukuran kenaikan dari
kepercayaan hipotesa H dipengaruhi oleh
fakta E
MD = Measure of Disbelief (Tingkat
Ketidakyakinan) merupakan kenaikan dari
ketidakpercayaan hipotesis H dipengaruhi
oleh fakta E
E = Evidence (Peristiwa atau Fakta)
2.3.1
Kelebihan dan Kekurangan
Metode Certainty Factor
Kelebihan metode Certainty Factor adalah:
1. Metode ini cocok dipakai dalam sistem pakar
untuk mengukur sesuatu apakah pasti atau tidak
pasti dalam mendiagnosis suatu penyakit.
2. Perhitungan dengan menggunakan metode ini
dalam sekali hitung hanya dapat mengolah 2
data saja sehingga keakuratan data dapat
terjaga.
Sedangkan
kekurangan
metode Certainty
Factor adalah:
1. Ide umum dari pemodelan ketidakpastian
manusia dengan menggunakan numerik
metode certainty
factor
biasanya
diperdebatkan. Sebagian orang akan membantah
pendapat bahwa formula untuk metode certainty
factor diatas memiliki sedikit kebenaran.
Metode ini hanya dapat mengolah ketidakpastian
atau kepastian hanya 2 data saja. Perlu dilakukan
beberapa kali pengolahan data untuk data yang
lebih dari 2 buah data. (T.Sutojo, Edy Mulyanto,
Dr.vincent suharto 2011, 164),
3. Analisa Certainty Factor
Sistem Pakar Diognosa Penyakit Ispa (Infeksi Saluran Pernapasan Akut) Dengan Menggunakan Metode
Certainty Factor. Oleh : Nurhayati
111
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013
ISSN : 2301-9425
MB = Measure of Belief (Tingkat Keyakinan),
merupakan ukuran kenaikan dari kepercayaan
CF[H,E] = MB[H,E] – MD[H,E]
CF[H,E]1= CF[H] * CF[E]
CFcombine CF[H,E]1,2 = CF[H,E]1 + CF[H,E]2 * [1CF[H,E]1]
CFcombine CF[H,E]old,3 = CF[H,E] old + CF[H,E] 3 *
(1-CF[H,E] old]
Keterangan :
CF = Certainty Factor (Faktor Kepastian) dalam
hipotesa H yang dipengaruhi oleh fakta E
hipotesa H dipengaruhi oleh fakta E
MD = Measure of Disbelief (Tingkat
Ketidakyakinan)
merupakan
kenaikan
dari
ketidakpercayaan hipotesis H dipengaruhi oleh
fakta E
E = Evidence (Peristiwa atau Fakta)
(Daniel, Gloria Virginia, Implementasi sistem pakar
mendiagnosa penyakit infeksi saluran pernapsan
akut menggunakan metode certainty factor 2010)
Kaidah-kaidah yang baru tersebut kemudian
dihitung nilai CFnya dengan mengalikan CFPakar
dengan CFUser menjadi :
CF[H,E]1
= CF[H]1 * CF[E]1
= 0,4 * 0.2
= 0.08
CF[H,E]2
= CF[H]2 * CF[E]2
= 0.8 * 0.2
= 0.16
CF[H,E]3
= CF[H]3 * CF[E]3
= 0.8 * 0
=0
CF[H,E]4
= CF[H]4 * CF[E]4
= 0.8 * 0.2
= 0.16
CF[H,E]5
= CF[H]5 * CF[E]5
= 0.6 * 0.4
= 0.24
CF[H,E]6 = CF[H]6 * CF[E]6
= 0.4 * 0 = 0
CF[H,E]7
= CF[H]7 * CF[E]7
= 0.4 * 1 = 0.4
CF[H,E]8
= CF[H]8 * CF[E]8
=1*0 =0
CF[H,E]9
= CF[H]9 * CF[E]9
= 0.8 * 0.2
= 0.16
= 0.22 + 0
=0.22old2
CFcombine CF[H,E]old2,4
=
CF[H,E]old2
+
CF[H,E]4 * (1-CF[H,E]old2]
= 0.22 + 0.6 * (1-0.22)
= 0.22 + 0.46
=0.68old3
CFcombine CF[H,E]old3,5
=
CF[H,E]old3 +
CF[H,E]5 * (1-CF[H,E]old3] = 0.68 + 0.24 * (1-0.68)
= 0.68 + 0.07
=0.75old4
CFcombine CF[H,E]old4,6
=
CF[H,E]old4 +
CF[H,E]6 * (1-CF[H,E]old4]
= 0.75 + 0 * (1-0.75)
= 0.75 + 0.
=0.75old5
CFcombine CF[H,E]old5,7
=
CF[H,E]old5 +
CF[H,E]7 * (1-CF[H,E]old5]
= 0.75 + 0.4 * (1-0.75)
= 0.75 + 0.1
=0.85old6
CFcombine CF[H,E]old6,8
= CF[H,E]old6 +
CF[H,E]8 * (1-CF[H,E]old6]
= 0.85 + 0. * (1-0.85)
= 0.85 + 0
=0.85old7
CFcombine CF[H,E]old7,9= CF[H,E]old7 +
CF[H,E]9 * (1-CF[H,E]old7]
= 0.85 + 0.16 * (10.85)
= 0.85 + 0.024
=0.87old8
CF[H,E]old8 * 100%
= 0.87 * 100%
= 87 %
Langkah
yang
terakhir
adalah
mengkombinasikan nilai CF dari masing-masing
kaidah. Berikut adalah kombinasikan CF 1 dengan
CF 2 :
CFcombine CF[H,E]1,2
= CF[H,E]1 +
CF[H,E]2 * (1-CF[H,E]1]
= 0.08 + 0.16 * (1-0.08)
= 0.08 + 0.14
=0.22 old
CFcombine CF[H,E]old3
=
CF[H,E]old
+
CF[H,E]3 * (1-CF[H,E]old]
= 0.22 + 0 * (1-0.22)
4.1 Algoritma Input Data Diagnosa
Algoritma diagnosa program berisi tentang tata
cara yang dilakukan untuk mendapatkan hasil
diagnosa berupa pertanyaan berdasarkan penerapan
rumus certainty factor. Adapun algoritmanya yaitu
sebagai berikut:
4. Algoritma
Untuk menghasilkan sebuah program. Hal
pertama yang harus dilakukan adalah membentuk
algoritma yang akan menggambarkan bagaimana
program itu bekerja. Dalam menggambarkan
dibutuhkan
langka
langka
logika
untuk
menyelesaikan masalah serta berfungsi untuk
penelusursn program untuk keperluan perbaikan
atau pengembangan akan lebih mudah dan terarah.
Adapun bentuk algoritma metode certainty factor
untuk diagnose penyakit Infeksi Saluran
Pernapasan Akut (Ispa).
Input
: Pertanyaan
Output
: hasil Diagnosa
Proses
: Mulai
tampilkan data diagnosa
tampilkan
database
Sistem Pakar Diognosa Penyakit Ispa (Infeksi Saluran Pernapasan Akut) Dengan Menggunakan Metode
Certainty Factor. Oleh : Nurhayati
112
Pelita Informatika Budi Darma, Volume : IV, Nomor: 3, Agustus 2013
“pakar”
input pertanyaan
if pertanyaan found
Maka tampil pertanyan
Then
CF(H,E)=MB(H,E)MD(H,E)
ElseIf tampil pertanyan Then
jawab pertanyaan
CF(H,E)=CF(User)*CF(Pakar)
ElseIf
kombinasikan CF[H,E]1
with CF[H,E]2 then
CFCOMBINE(CF1,CF2)=(CF1+CF2*
(1-CF1)
If (Pilih Keluar) Then
{Keluar dari program}
End If
ISSN : 2301-9425
Vincent(KecerdasBuatan andi yogjakarta:
2011)
[2]. Anita Desiani, Muhammad Arhami, konsep
Kecerdas Buatan 2006
[3]. sholiq, “Pemodelan Sistem Objek dengan
UML”, 2006)
[4]. Sumber : Roy Larry, Microsoft Visual Basic
.NET 2008
[5]. H. dwi rahmawati R.hartono,. 1995. Ispa
pada anak. Jakarta : Penerbit nukha medika
yogyakarta.
[6]. http://juicenoni.net/tahitian-noni-untukpenyembuhan-penyakit-asthmadiaksesmei
2013
[7]. Sumber : Adi Nugroho,2010, 22
[8]. sumber : Sholiq, pemodelan sistem informasi
berorientasi objek dengan UML
[9]. Sumber : Ketut Darmayuda, Microsoft
Visual Basic .NET 2008
[10]. http://kamuskesehatan.com/arti/diagnosa
4.2. Algoritma Hasil Diagnosa
Algoritma diagnosa merupakan tata cara
dalam mendapatkan hasil diagnosayang telah
diperoleh . Adapun algoritmanya yaitu sebagai
berikut:
Input
: Data Diagnosa
Output
: Tampil Menu Hasil
Diagnosa
Proses
:
Tampil hasil diagnosa
Mulai
If keluar
Keluar dari program
End if
5.
Kesimpulan
Setelah melakukan pembahasan dari bab-bab
sebelumnya
maka
penulis
mengambil
kesimpulan sebagai berikut:
1. Dengan adanya gejala-gejala penyakit infeksi
saluran pernapasan akut (Ispa) maka
mempermudah para user untuk memastikan
penyakit yang diderita.
2. Penerapan metode certainty factor dapat
mempermudah dan memberikan perhitungan
penyelesaian seberapa pasti para user atau
pasien menderita penyakit infeksi saluran
pernapasan akut (Ispa)
3. Aplikasi sistem pakar ini dirancang untuk
dapat digunakan dalam mengetahui penentuan
penyakit infeksi saluran pernapasan akut
(Ispa). Dengan adanya aplikasi ini penulis
dapat mengetahui penyakit infeksi saluran
pernapasan akut.
Daftar Pustaka
[1].
Sutojo. T, S.Si.,M.Kom, Mulyanto Edy,
S.Si,.M.Kom, Dr Suharto
Sistem Pakar Diognosa Penyakit Ispa (Infeksi Saluran Pernapasan Akut) Dengan Menggunakan Metode
Certainty Factor. Oleh : Nurhayati
113