BAB 3 ANALISA DAN PERANCANGAN SISTEM
3.1
Identifikasi dan Analisa Masalah Sistem pakar yang akan di rancang merupakan Sistem pakar untuk deteksi dini
penyakit kanker mulut yang memberikan fasilitas diagnosis di mana terdapat sesi konsultasi dengan melakukan anamnesis terhadap pasien berupa pertanyaan tentang keluhan, riwayat penyakit, serta riwayat sosial pasien, dan pemeriksaan klinis berupa pertanyaan tentang gejala yang dilihat dari perubahan kondisi fisik pasien, yang kemudian disimpulkan menjadi beberapa kemungkinan penyakit.. Hasil diagnosis diklasifikasikan oleh sistem ke dalam salah satu jenis kanker, namun tidak menutup kemungkinan sistem akan menentukan bahwa pasien bukan menderita penyakit kanker, melainkan penyakit lainnya. Untuk dapat melakukan diagnosis, sistem ini memiliki data gejala dan penyakit yang tersedia dalam basis data berdasarkan pengetahuan pakar yang akan dicocokkan dengan hasil inputan pengguna. Jika hasil diagnosa menunjukan bahwa pengguna memang terkena suatu penyakit maka sistem akan memberikan penjelasan tantang penyakit tersebut beserta contoh gambar.
39
40
3.2 Akuisisi Pengetahuan
Setelah domain di tentukan kemudian tahap berikutnya adalah akuisisi pengetahuan di mana penggalian, pengumpulan pengetahuan dari sumber sumber yang tersedia. Pengetahuan di peroleh dari hasil wawancara dengan dokter ahli dan kepakaran laten (tersedia dalam bentuk materi cetakan)
.Pakar yang dimaksudkan adalah drg. Leny Maria yang sedang mangambil pendidikan spesialis penyakit mulut, di bantu oleh Haniah alatas, Skg. Yang sedang menjalani pendidikan profesi. Keduanya menjalani pendidikan di Fakultas Kedokteran Gigi Univertas Indonesia yang berlokasi di jl. Salemba Raya no. 4 Dalam proses ini dilakukan wawancara mengenai bagaimana mendiagnosa penyakit berdasarkan gejala – gejala dan keluhan dari pasien yang dibuat menyerupai alur diagnosa seorang pakar.
3.3
Analisis Pendiagnosaan Kanker Mulut Dalam mendeteksi penyakit kanker mulut di lakukan beberapa tahapan analisa : 1. Anamnesis. Anamnesis merrupakan tahapan awal dalam pendiagnosaan dimana terdapat pengisian data berupa: •
Jenis kelamin.
•
Usia.
•
Kebiasaan merokok ( jumlah konsumsi rokok perhari, jenis rokok, lama merokok ).
•
Kebiasaan mengkonsumsi alkohol.
41
( jumlah konsumsi alcohol ) •
Kebiasaan menjaga kebersihan mulut
•
Riwayat kanker dalam keluarga
2. Pemeriksaan Fisik. Pemeriksaan fisik merupakan tahap lanjut dari pendiagnosaan dimana pemeriksaan di lakukan berdasarkan lesi yaitu perubahan kondisi atau gejala yang tidak normal pada mulut.. 3.4
Perancangan Sistem Pakar
3.4.1 Representasi pengetahuan Proses yang di lakukan pada fase merancang sistem pakar merupakan kelanjutan dari fase seblumnya yaitu perumusan pengetahuan sampai pada bentuk representasi pengetahuan dengan langkah-langkah sebagai berikut : 1. Menyajikan dalam bentuk tebel keputusan. 2. Membuat pohon keputusan.
42
Tabel keputusan. Tabel keputusan ini di buat untuk dapat mengklasifikasikan antara penyakit kanker mulut dengan penyakit lainnya. Berikut adalah table gejala dan penyakit secara keseluruha Tabel 3.1 Tabel keputusan penyakit mulut Penyakit No.
Gejala
P1
P2
P3
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
Lesi Merah Lesi Putih Lesi merah & putih Lesi berwarna lain Lesi tunggal Lesi multiple Lesi berpindah Lesi menetap Menetap lebih dari 1 bulan Menetap belum 1 bulan Sulit menelan Leher bengkak Daging tumbuh Nyeri Lesi bengkak Luka di bagian tubuh lain Menggunakan gigi palsu Lesi berbentuk bercak Warna hilang bila di tekan Demam Penggunaan obat Ada kelainan pencernaan Lesi berbentuk melenting Gigi goyah Mudah berdarah Keluar nanah Letak lesi di lidah Difus Timbul Hilang jika di gosok kasa Lesi Terlokalisir Lesi berbentuk plak Lesi berbentuk jarring Lesi berbentuk popular
X X X X X X
X X X
X
X
X
X
X
X
X
X
X
P1. Abses Dentoalveolar
P4
P5
P6
P7
X X X X
X
P8
P9
P10
X
X
X X X
X
X
X
X
X X
X X X X X X X
X
X X X X X X X
X X X
X
X
X
X
X
X
X
X
X X X
X
X
X
X
X X X
43 P2. Abses Gingivals P3. Abses Periodontal P4. Addisons Diseases P5. Amalgam Tattoo P6. Angiogranuloma P7. Angioma P8. Aphtous ulcers P9. Atrofik Candidiasis P10 . Candidiasis
Tabel 3.2 Tabel keputusan penyakit mulut Penyakit No.
Gejala
P11
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34
Lesi Merah Lesi Putih Lesi merah & putih Lesi berwarna lain Lesi tunggal Lesi multiple Lesi berpindah Lesi menetap Menetap lebih dari 1 bulan Menetap belum 1 bulan Sulit menelan Leher bengkak Daging tumbuh Nyeri Lesi bengkak Luka di bagian tubuh lain Menggunakan gigi palsu Lesi berbentuk bercak Warna hilang bila di tekan Demam Penggunaan obat Ada kelainan pencernaan Lesi berbentuk melenting Gigi goyah Mudah berdarah Keluar nanah Letak lesi di lidah Difus Timbul Hilang jika di gosok kasa Lesi Terlokalisir Lesi berbentuk plak Lesi berbentuk jarring Lesi berbentuk popular
X
P12
P13
P14
P15
P16
P17
X
X
X X
X
X
X X X X X X
P11. Candidiasis pseudomembran P12. Chronic Ulcerative Stomatitis P13. Condiloma Acuminata P14. Denture Stomatitis P15. Discoid Lupus Erytematosus
X
X
X
X X X X
X X X X
X
X X X
X X X X
X
X
X
X X X X X
X X
X X X X
X X
X
X X
X
P18
P19
P20
X
X
X
X
X X X
X X X
X X X X
X
X X
X
X X X
44 P16. Erythema Multiforme P17. Erythemathous candidiasis P18. Erythroleukoplakia P19. Erythroplakia P20. Erosive Lichen Planus
Pohon keputusan Setelah dilakukan perancangan table keputusan, selanjutnya akan di lakukan perancangan pohon keputusan yang dapat membantu dalam mengklasifikasikan penyakit berdasarkan ciri – cirinya dan juga membantu dalam pembuatan kaidah.Berikut ini adalah pohon keputusan yang di rancang berdasarkan table keputusan yang telah di buat
3.4.2
Basis Pengetahuan Pohon keputusan yang dihasilkan digunakan sebagai acuan dalam menyusun
kaidah. Atribut didalam tabel keputusan menjadi premis dalam kaidah yang direpresentasikan secara kaidah produksi. Beberapa contoh himpunan kaidah yang dihasilkan dari pohon keputusan adalah sebagai berikut : 1. IF Lesi merah AND Tunggal AND Menetap AND { Lebih dari 1 bulan OR belum 1 bulan OR Tidak tahu } AND Sulit Menelan = ya AND Leher Bengkak = ya AND Daging tumbuh = ya AND Nyeri = ya THEN Oral cancer, Peripheral giant cell granuloma, Angiogranuloma 2. IF Lesi merah AND Tunggal AND Menetap AND { Lebih dari 1 bulan OR belum 1 bulan OR Tidak tahu } AND Sulit Menelan = ya AND Leher Bengkak = ya AND Daging tumbuh = ya AND Nyeri = tidak THEN Oral cancer, Peripheral giant cell granuloma, Angiogranuloma, Keratoachantoma 3. IF Lesi merah AND Tunggal AND Menetap AND { Lebih dari 1 bulan OR belum 1 bulan OR Tidak tahu } AND Sulit Menelan = ya AND Leher Bengkak = ya AND Daging tumbuh = Tidak AND Nyeri = ya THEN Oral cancer, Peripheral giant cell granuloma, Angiogranuloma, Peripheral capillary hemangioma 4. IF Lesi merah AND Tunggal AND Menetap AND { Lebih dari 1 bulan OR belum 1 bulan OR Tidak tahu }AND Sulit Menelan = ya AND Leher Bengkak = ya AND Daging tumbuh = Tidak AND Nyeri = Tidak
45
THEN Oral cancer, Peripheral giant cell granuloma, Angiogranuloma, Mucocelles, Median rhomboid glossitis. 5. IF Lesi merah AND Tunggal AND Menetap AND { Lebih dari 1 bulan OR belum 1 bulan OR Tidak tahu }AND Sulit Menelan = ya AND Leher Bengkak = Tidak AND Daging tumbuh = ya AND Nyeri = ya THEN Oral cancer, Peripheral giant cell granuloma, Angigranuloma, Mucocelles 6. IF Lesi merah AND Tunggal AND Menetap AND { Lebih dari 1 bulan OR belum 1 bulan OR Tidak tahu } AND Sulit Menelan = ya AND Leher Bengkak = Tidak AND Daging tumbuh = ya AND Nyeri = tidak THEN
Oral
cancer,
Verrucous
hyperplasia,
Fibrom,
Lipoma,
Keratoachantoma 7. IF Lesi merah AND Tunggal AND Menetap AND { Lebih dari 1 bulan OR belum 1 bulan OR Tidak tahu } AND Sulit Menelan = ya AND Leher Bengkak = Tidak AND Daging tumbuh = Tidak AND Nyeri = ya THEN Oral cancer, Peripheral giant cell granuloma, Angiogranuloma, Luka bakar 8. IF Lesi merah AND Tunggal AND Menetap AND { Lebih dari 1 bulan OR belum 1 bulan OR Tidak tahu } AND Sulit Menelan = ya AND Leher Bengkak = Tidak AND Daging tumbuh = Tidak AND Nyeri = Tidak THEN Oral cancer, Peripheral giant cell granuloma, Angiogranuloma, Lipoma
46
9. IF Lesi merah AND Tunggal AND Menetap AND { Lebih dari 1 bulan OR belum 1 bulan OR Tidak tahu }AND Sulit Menelan = Tidak AND Leher Bengkak = ya AND Daging tumbuh = ya AND Nyeri = ya THEN Oral cancer, Verrucous hyperplasia, Fibroma 10. IF Lesi merah AND Tunggal AND Menetap AND { Lebih dari 1 bulan OR belum 1 bulan OR Tidak tahu }AND Sulit Menelan = Tidak AND Leher Bengkak = ya AND Daging tumbuh = ya AND Nyeri = tidak THEN Oral cancer, Verrucous hyperplasia, Fibroma, Keratoachantoma
3.4.3
Mekanisme inferensi
Secara garis besar mekanisme inferensi ini dabagi menjadi 4 tahap yaitu: 1. Mesin inferensi akan menerima fakta-fakta yang di dapat berdasarkan jawaban dari pengguna 2. Mesin infrensi akan mengecek ,apakah fakta – fakta yang didapat ada dalam basis pengetahuan. 3. Setelah mesin inferensi mendapatkan rule yang cocok dengan fakta-fakta yang ada maka mesin inferensi akan menentukan nilai faktor kepastian (CF) dari rulerule yang di dapat. 4. Setelah itu mesin inferensi akan menampilkan kesimpulan dan informsi beserta nilai kepastiannya. Kemudian secara detail akan di gambarkan dalam flowchart berikut ini : 47
48
Gambar 3.3 Flowchart Mekanisme inferensi
49
Mula - Mula aplikasi mengambil variable q dari URL, dimana variable q ini merupakan urutan pertanyaan yang sedang diajukan ke user. Apabila dalam variable SESSION yaitu finishedQ sudah ada, maka aplikasi akan mengambil nilainya. Setelah itu aplikasi akan mengecek nilai dari variable finishedQ apakah sudah mencapai 8. Bila tidak, maka aplikasi akan membaca variable $_POST. Setelah itu aplikasi menambahkan variable $_POST tersebut kedalam variable SESSION. Selanjutnya aplikasi membaca data q selanjutnya dari database. Bila data q selanjutnya tidak bernilai 0 maka aplikasi akan mengulang kembali hingga data q bernilai 0 dan akan melanjutkan ke halaman result.php Di halaman result.php, aplikasi akan membaca variable $_POST yaitu prevLogic dan jawab. Aplikasi akan mengambil data penyakit dari database dimana akan mencocokan dari pertanyaan dan jawaban yang sudah ada. Data Penyakit akan diambil pula nilai dari masing jawaban. Nilai ini kan dihitung dengan rumus Zi = Cfa + Cfb – Cfa * Cfb. Nilai Zi akan terus dihitung selama masih ada pertanyaan dan jawaban yang cocok. Begitu sudah mencapai jumlah pertanyaan yang ada, maka aplikasi akan mengulangi perhitungan untuk penyakit ke i.
50
3.4.4 Perancangan basis data Pada sistem pakar ini, knowledgebase sebenarnya disimpan dalam bentuk database yaitu berupa tabel penyakit, question, score dan logic yang nantinya hasili nputan berupa rule diagnosa . Bentuk ERD (Entity Relationship Diagram) dari database yang kami rancang dapatdilihat pada gambar berikut :
Gambar 3.4 ERD Berikut merupakan database Untuk Rumah sakit dan Kamus istilah :
51
Gambar 3.5 Data Istilah dan Rujukan
52
