BAB II LANDASAN TEORI

BAB II LANDASAN TEORI

2.0 Pendahuluan Pada bab ini, kami akan menjabarkan tentang berbagai penyakit darah klinis yang biasa bisa klasifikasikan oleh para dokter pakar khususnya penyakit darah, disini kami juga menjabarkan apa itu sistem pakar, karakteristik sistem pakar, beserta implementasi dan penerapan sistem pakar pada bidang kesehatan dan kedokteran.

2.1 Penyakit Darah 2.1.1

Anemia

Menurut definisi yang dikemukakan oleh (Hillman, 2002) anemia adalah keadaan dimana masa eritrosit (sel darah merah) dan masa hemoglobin yang beredar tidak dapat memenuhi fungsinya untuk menyediakan oksigen bagi jaringan tubuh, sedangkan

oleh (Bakta, 2003) secara laboratorik dapat

diuraikan sebagai penurunan di bawah normal kadar hemoglobin, hitung eritrosit dan hematokrit (packed red cell). Anemia dapat dibedakan menjadi 5 jenis besar yaitu: 1. Anemia Hipokromik Mikrositer 2. Anemia Megaloblastik 3. Anemia Hemolitik 4. Anemia karena Kegagalan Sumsum Tulang 5. Anemia Pada Penyakit Sistemik Pada umumnya untuk menegakkan diagnosis terhadap penyakit anemia maka ada 3 langkah yang harus ditempuh, yaitu : 1. Langkah pertama : Membuktikan adanya anemia, pembuktian ini biasanya menggunakan pendekatan klinik. 2. Langkah kedua

:

Menetapkan

jenis

anemia

yang

dijumpai,

pembuktian ini biasanya menggunakan pendekatan klinik. 3. Langkah ketiga

:

Menetapkan

jenis

anemia

yang

dijumpai,

pembuktian ini biasanya menggunakan pendekatan epidemilogik.

Universitas Sumatera Utara

2.1.2 Leukemia Sebelum mengurai penyakit leukemia, perlu diketahui mengenai keganasan hematologik, keganasan hematoligik adalah proses enoplastik yang mengenai darah dan jaringan pembentuk darah beserta seluruh komponennya (Bakta, 2002). Sedangkan leukemia ialah keganasan hematologik akibat proses neoplasti yang disertai gangguan diferensiasi apada berbagai tingkatan sel induk sehingga terjadi ekspansi progresi dari kelompok sel ganas tersebut pada sumsum tulang, kemudian leukemia beredar secara sistemik (Harmening, 2002).

2.1.3 Limfoma Maligna Limfoma Maligna merupakan suatu penyakit keganasan primer dari jaringan limfoid yang bersifat padat (solid), meskipun dapat menyebar secara sistemik (Bakta, 2003). Penyakit ini dibagi kedalam 2 jenis yaitu : 1. Limfona Hodgin 2. Limfona non-Hodgin Penyakit ini merupakan keganasan hematologik yang cukup sering di jumpai. Penyakit ini dapat disembuhkan dengan kemoterapi karena masih merupakan tumor padat yang dapat disembuhkan.

2.1.4 Gamopati Monoklonal Gamopati monklonal adalah suatu penyakit yang merupakan kelainan hematologik yang berasal dari limfosit yang menghasilkn paraprotein yang bersifat monoklonal (Hillman, 2002). Penyakit ini biasa disebut dengan penyakit imunoproliferatif atau plasma cell disorders atau paraproteinemias. Penyakit ini dibagi kepada 2 jenis berdasarkan keganasannya, yaitu : 1. Mieloma Multipel 2. Makroglublinemia Waldenstrom

2.2 Sistem Pakar Berdasarkan penjelasan oleh (Luger, 2005) dan (Krishnamoorthy, 1996). Sistem pakar dapat diartikan sebagai sebuah sistem didalam komputer yang di program dan didesain untuk berperan sebagai pakar/ahli untuk menyelesaikan masalah di


bidang keahlian yang sesuai dengan pakar di kehidupan nyata. Sistem pakar ini memfasilitasi pengetahuan yang di masukkan kedalam program dan memiliki pengaturan strategi agar menghasilkan solusi atau keputusan. Bahkan menurut (Russel, 2002), sistem pakar dapat mengambil pengetahuan dan pengalaman didalam suatu organisasi (termasuk yang sudah berhenti) agar dapat diakumulasikan

menjadi

satu

kesatuan,

memberikan

informasi

untuk

meningkatkan produktivitas pakar, dan menjadikan seseorang yang kurang pengalaman untuk memiliki keahlian yang lebih tinggi dari level sebelumnya. Sistem pakar bukanlah sebuah program, tetapi merupakan sistem, karena pada perkomputeran biasa, penyelesaian masalah dan pengambilan keputusan tidak bisa dilakukan, akan tetapi sistem pakar dapat melakukan hal yang dimaksud karena memiliki kemampuan dalam pengetahuan dan kemampuan metafsirkan alasan layaknya pakar manusia. Program komputer biasa hanya menyelesaikan masalah berdasarkan algoritma yang diterapkan dan sudah didefinisikan terlebih dahulu, dan tidak dapat menyelesaikan masalah yang memiliki data tidak sempurna dan tepat. Sistem pakar juga memiliki beberapa komponen berbeda seperti basis pengetahuan, mesin inferensi, fasilitas penjelasan, dll. Semua komponen yang berbeda ini berinteraksi satu dengan yang lain dalam menghasilkan pemprosesan penyelesaian masalah berdasarkan aturan yang disesuaikan dengan pakar di bidang tersebut. Sistem pakar merupakan cabang ilmu Kecerdasan Buatan yang telah eksis dan diterapkan lebih dari 30 tahun. Pemanfaatan sistem pakar telah merambah ke banyak bidang, mulai dari medis, matematika, engineering, pertanian, geologi, ilmu komputer, bisnis, hukum, pertahanan dan pendidikan (Waterman, 1986). Khusus di bidang kesehatan dan medis, sistem pakar memiliki tempat yang istimewa, dikarenakan komplesitas dari gejala-gejala penyakit dan kecendrungan kesalahan pendiagnosaan, menjadikan sistem pakar dapat dimanfaatkan dengan baik oleh pengguna.


2.2.1 Karakteristik Sistem Pakar Berdasarkan pendapat (Luger, 2005), dikarenakan sifat heuristik, kesesuaian dengan basis pengetahuan, sistem pakar pada umumnya mampu untuk: a. Mendukung inspeksi terhadap proses reasoning (pengambilan alasan), didalam langkah awal maupun penjawaban pertanyaan pada proses pensolusian. b. Memberikan akses muda dalam penambahan dan pengurangan rule (aturan) berupa fakta dan tujuan di dalam basis pengetahuan. c. Pengambilan alasan secara heuristik, biasanya menggunakan pengetahuan untuk mendapatkan solusi yang berguna. Ketepatan dari jawaban sebuah permasalahan merupakan hal yang paling utama dari sebuah sistem pakar, seberapa cepat sistem pakar memproses solusi adalah suatu masalah lain, jika solusi yang dihasilkan memberikan akurasi yang baik tentunya akan menjadikan sistem pakar tersebut lebih baik. Disisi lain sistem pakar yang baik harus memiliki kecepatan dalam mendapatkan solusi yang diinginkan. Sistem pakar bisa memiliki peran sebagai pembuat keputusan bahkan bisa dijadikan sebagai konsultan ataupun penasihat, (Waterman, 1986) menjabarkan dalam bukunya bahwa sistem pakar dapat menyelesaikan masalah untuk jenis kategori sebagai berikut : a. Interpretation (Interprestasi) : Menghasilkan kesimpulan level tinggi dari koleksi data mentah. b. Prediction (Prediksi) : Memproyeksikan konsekuensi kemungkinan dari situasi yang diberikan. c. Diagnosis (Diagnosa) : Menentukan sebab dari tidak berfungsinya situasi yang rumit berdasarkan gejala yang diteliti. d. Design (Desain)

: Menemukan pengaturan komponen suatu sistem

sehingga mendekati perfoma yang diinginkan dan memenuhi batasan yang telah ditetapkan. e. Planning (Perencanaan)

:

Memberikan

langkah

tindakan

yang

berorientasi pada kumpulan tujuan dengan kondisi yang telah ditentukan dan batasan berdasarkan waktu.


f. Monitoring (Pengawasan)

: Membandingkan proses sistem

yang

diawasi dengan proses yang seharusnya terjadi. g. Instruction (Instruksi) : Memberikan proses pembelajaran pada area teknikal suatu bidang. h.

Control (Kendali)

: Melakukan kendali terhadap lingkungan yang

rumit. (Micheal Negnevitsky, 2002), pada bukunya menjabarkan bahwa karakteristik yang unik pada sistem pakar adalah pada kemampuan penjelasan yang disediakan. Fitur ini memberikan sistem kemampuan melakukan evaluasi terhadap pemberian alasan sistem itu sendiri dan menjelaskan keputusan yang diambil.

2.2.2

Arsitektur Sistem Pakar

Pada gambar dibawah ini kami jabarkan arsitektur lengkap suatu sistem pakar Knowledge Acquisiion Facilty

Knowledge Base Rule: If-Then

Working Memory Fact

Inference Engine Medical Expert

STORE

database

Explanation Facilities

User Interface

VIEW

User

Gambar 2.1 Arsitektur Lengkap Sistem Pakar (Ahmad, 2012)


Gambar 2.1 menjelaskan bahwa sistem pakar memiliki beberapa buah komponen yang berbeda, diantaranya adalah : a. Knowledge Acquisition Facility Mengidentifikasi pakar yang sesuai dan

melibatkan orang yang sesuai

didalam proses pengambilan pengetahuan merupakan hal yang penting untuk kesuksesan dari pengambilan pengetahuan. Beberapa orang yang terlibat dalam pengambilan pengetahuan ini dapat dikategorikan yaitu : 1. Pakar dibidang masalah yang ingin dilakukan dengan pengalaman kerja yang tinggi dibidang tersebut. 2. Pembuat aplikasi, orang yang memiliki kemampuan dalam menafsirkan dan menerjemahkan pengetahuan serta mengimplementasikan pengetahuan tersebut kedalam sistem pakar. 3. Pengguna dan manajer.

Ada beberapa hal isu yang harus diperhatikan untuk melakukan pengambilan pengetahuan. Isu pertama yaitu adalah pemilihan pakar bidang tersebut yang sesuai harus memenuhi 3 kriteria, yaitu reputasi yang baik, karakter pakar dan sikap yang baik, serta ketersediaan waktu dari pakar tersebut. Isu kedua adalah seberapa banyak pakar yang akan dilibatkan dalam pengambilan pengetahuan. Penggunaan satu pakar biasanya lebih baik dari banyak pakar, akan tetapi untuk kasus tertentu kadang diperlukan banyak pakar untuk mengumpulkan pengetahuan yang diinginkan. Ada beberapa masalah yang mungkin timbul jika menggunakan satu pakar, yaitu : susahnya membagi waktu seorang pakar untuk pengambilan keperluan, bias seorang pakar, keterbatasan pengambilan alasan oleh satu pakar, kepakaran yang terbatas. Dari isu ini maka perlu diambil keputusan mana yang diperlukan, seorang pakar atau banyak pakar dalam membuat sistem pakar yang diinginkan. Metode yang biasa digunakan untuk pengambilan pengetahuan adalah wawancara, observasi, dan analisis protokol. Setiap metode memiliki kesesuaian dengan bidang ilmu yang ingin diambil pengetahuannya, akan tetapi wawancara merupakan metode yang cukup umum digunakan.


b. Knowledge Base Menurut (Luger, 2005) didalam bukunya, ia berpendapat bahwa knowledge base (basis pengetahuan) adalah hati dari sistem pakar. Basis pengetahuan mengandung pengetahuan dari bidang ilmu yang diinginkan. Pada jenis sistem pakar berbasis aturan, basis pengetahuan ini biasanya dituliskan dalam bentuk jika...maka.... Aturan yang terdapat didalam basis pengetahuan menjadi dasar dari pengambilan keputusan yang ada didalam sistem pakar. Dari sisi teknis, tidak ada fungsi yang lebih penting daripada memilih rangka kerja pemrograman untuk basis pengetahuan. Rangka kerja ini merepresentasikan bagaimana pembangun sistem pakar dapat mengklasifikasikan pengetahuan tersebut. Pada bagian ini juga dapat di tuliskan aturan (rules), frame dan pohon keputusan. Ada beberapa jenis hal yang dapat di atur didalam basis pengetahuan, seperti pengalasan tidak pasti (inexact reasoning) dan pemprosesan kemampuan prosudural. Perwakilan Pengetahuan, merupakan bagian untuk membangun sistem berbasis pengetahuan, dan dapat diklasifikasin sesuai dengan bagaimana kita merepresentasikan pengetahuan. Kategori yang termasuk dalam perwakilan pengetahuan ini adalah rule-based, frame based, case based, dan fuzzy logic. Pengalasan tidak pasti, salah satu dari kemampuan sistem pakar yang terkenal adalah kemampuannya untuk menyelesaikan masalah yang memiliki ketidakpastian informasi dan pengetahuan. Sistem pakar harus dilengkapi dengan metode untuk melaksanakan pengalasan ketidakpastian ini, seperti faktor kepastian (certainty factors), metode Shafer Dempster, ataupun pendekatana Bayesian. Pemprosesan

kemampuan

prosedural,

pada

beberapa

aplikasi

diperluakan untuk menulis kode prosudural, fungsi diperlukan didalam model ini. Pada sistem pakar berbasis model, diperlukan metode untuk mendukung penghantaran pesan. Di sistem pakar yang besar, diperlukan model ini untuk menuliskan kode prosudural untuk mendukung aktifitas kemampuan pemprosesan sistem pakar tersebut. c. Working Memory


Pada dasarnya working memory adalah tempat dimana rule diambil dari basis pengetahuan dan dieksekusi agar melahirkan pertanyaan yang berhubungan dengan metode reasoning yang diterapkan. Working memory biasanya dalam bentuk stack, bertumpuk agar memudahkan chaining yang akan diterapkan didalam sistem pakar tersebut. d. Inference Engine Mesin inferensi adalah bagian didalam sistem pakar yang menerapkan pengetahuan kepada solusi yang terdapat pada permasalahan nyata. Biasanya dinyatakan sebagai penerjemah dari basis pengetahuan (Luger, 2005). Fungsi utama dari mesin inferensi adalah melakukan peran sebagai pengenal dan pemberi tindakan didalam proses kontrol sistem pakar. Pada umumnya mesin inferensi dipisahkan dari basis pengetahuan, walaupun untuk pembuatan sistem pakar dengan batasan kecil, kedua bagian tersebut disatukan. Mekanisme inferensi dan kontrol digunakan untuk memanipulasi pengetahuan didalam basis pengetahuan. Dalam analogi nya mesin inferensi ini merupakan cara pengambilan alasan yang terjadi pada manusia. Dibawah ini akan dipaparkan beberapa teknik didalam mesin inferensi, diantaranya adalah : Chaining (Runut), didalam sistem pakar berbasis aturan, forward chaining atau runut maju dan backward chaining ato runut mundur merupakan dua dasar teknik inferensi yang digunakan. Backward chaining sangat baik digunakan untuk masalah diagnosis sedangkan forward chaining sangat cocok untuk masalah desain dan perencanaan. Agenda, merupakan kumpulan tujuan/fakta yang dibuktikan oleh sistem inferensi yang menggunakan backward chaining Meta-rules, merupukan deskripsi bagaimana pengetahuan lain seharusnya digunakan.

Biasanya

digunakan

untuk

mengarahkan

pemprosesan

dari

pengetahuan lain kepada area baru pada basis informasi yang ditemukan. Biasanya untuk masalah yang tidak cocok menggunakan teknik chaining, maka akan menggunakan teknik ini didalam mesin inferensinya. Nonmonotonic reasoning, tipe inferensi ini mengijinkan perubahan terhadapa pengambilan alasan untuk fakta yang diberikan. Tidak hanya mengijinkan untuk pengolahan fakta yang diberikan, tetapi juga menyebabkan pengolahan terhadap


fakta yang lain yang terkait dengan perubahan fakta. Tipe inferensi ini bernilai untuk aplikasi yang bersifat perencanaan, desain atau penjadwalan. e. Explanation Facilites Bagian ini adalah bagian untuk melakukan penjelasan dari sistem pakar kepada pengguna. Penjelasan yang dihasilkan meliputi justifikasi dari kesimpulan yang dihasilkan oleh sistem, penjelasan kenapa sistem memerlukan data yang dimasukkan oleh pengguna, dan dimana kegunaan penjelasan yang dihasilkan, panduan dan langkah-langkah mengatasi masalah yang diinginkan oleh pengguna. Fasilitas penjelasan ini menyediakan keterbukaan bagi pengalasan di dalam sistem pakar. Bagian ini merupakan bagian yang memberikan sisi interaktif terhadap sistem, ketika pengguna ingin mengetahui kenapa pertanyaan diberikan kepada dirinya, bagaimana hasil jawaban disajikan. Sebagai contohnya sebuah sistem pendiagnosisan penyakit di dunia kedokteran, dimana hasil keluaran dari sistem ini adalah sebuah rekomendasi obat dan saran serta langkah yang bisa dilakukan oleh pasien. Selama proses konsultasi dengan sistem, pengguna mungkin ingin mengetahui kenapa informasi yang ditanyakan itu diperlukan, dan pada akhirnya rasionalitas bagaimana sistem pakar akan sampai pada kesimpulan memberikan rekomendasi obat akan dipaparkan. Oleh karena obat yang disarankan merupakan hasil dari penilaian dari pakar, akan sangat mudah melihat kenapa pengguna ingin mengetahui kenapa sistem bisa sampai kepada rekomendasi obat ini. f. User Interface Antarmuka adalah bagian dimana interaksi antara manusia dan sistem pakar dilakukan, pada bagian ini akan ada pertanyaan-pertanyaan yang diberikan oleh sistem pakar untuk dijawab oleh pengguna. Salah satu isu dalam desain ketika membangun sebuah sistem pakar dapat kita jabarkan dari sistem pakar MYCIN, dimana pada sistem itu pembangun aplikasi menekankan pada pentingnya menyediakan antarmuka yang mudah digunakan oleh pengguna dan mampu memenuhi semua kebutuhan pengguna. Oleh karena itu sangat penting untuk memahami keinginan pengguna sebelum memilih arsitektur sistem pakar tersebut.


Ada beberapa poin yang harus diperhatikan untuk memenuhi keinginan pelanggan. Diantaranya adalah sebagai berikut : Display Type, sistem pakar generasi awal hanya memaparkan antar muka berdasarkan text, dimana pertanyaan diberikan ke pengguna berupa text dan jawaban diberikan melalui keyboard dengan mengetikkan jawaban tersebut. Pada saat ini sistem pakar sudah menggunakan graphical user interface (GUI) yang membuat pengguna dapat berinteraksi lebih interakrif dengan sistem. Information entry, banyak metode bagaimana pengguna memasukkan informasi ke dalam sistem. Cara yang paling sederhana adalah dengan mengetikkan jawaban terhadap pertanyaan yang diberikan, atau dengan mengisi form secara keseluruhan. Sebuah pertanyaan dapat ditujukan untuk satu jawaban, ataupun jawaban bisa lebih dari satu dipilih dari list yang disediakan. g. Database Pada basisdata ini dilakukan penyimpanan data-data yang berasal dari mesin inferensi. Data yang disimpan adalah data yang berhubungan dengan fakta ataupun data gejala, dll. Dari beberapa komponen sistem pakar yang sudah dijabarkan bisa dilihat bahwa satu komponen memiliki kebergantungan terhadap komponen lain.

2.2.2.1 Rule Based Expert System Penghasil aturan (production rule) pertama kali di paparkan oleh Emil Post pada tahun 1943 (Post...), dalam mengkategorikan metode di dalam komputasi. Kemudian diterapkan sebagai aturan penulisan kembali di bidang pemprosesan bahasa pada tahun 1957 oleh Chomsky, dan digunakan oleh Newell dan Simon didalam pemodelan penyelesaian masalah manusia (Newell-Simon,...). Teknik ini diadaptasikan

kedalam

sistem

pakar

DENDRAL

dan

MYCIN

untuk

merepresentasikan pengetahuan dan menjadikan teknik ini sebagai teknik paling populer didalam pembangunan sistem pakar pada tahun 1970an. Aturan merupakan implikasi dengan bentuk jika P maka Q. Konsekuensi dari sebuah aturan dapat di artikan sebagai sebuah pengetahuan baru. Didalam rule based sistem jika kita memindahkan arah dari konsekuensi kepada penyebab


maka kita melakukan backward chaining, jika arah dilakukan dari penyabab ke konsekuensi maka kita melakukan forward chaining. Cara kerja sistem pakar berbasis aturan dapat dijabarkan sebagai berikut 1. Sistem pakar menetapkan basis aturan dengan bentuk xi....xn → yi....yn dimana xi adalah mewakilkan fakta dan yi mewakilkan tindakan yang akan dilakukan. 2. Sistem akan membuat memory yang bekerja terus memasukkan fakta yang diambil dari domain masalah atau dari inferensi yang dihasilkan oleh sistem. 3. Untuk setiap perulangan, sistem akan mengkomputasikan sebuah kumpulan aturan yang memiliki kesesuaian atau keterikatan dengan fakta yang disimpan didalam memori yang bekerja, atau proses ini biasa disebut dengan tahap pencocokan. 4. Sebuah aturan dari kumpulan aturan yang telah disesuaikan tadi akan dipilih untuk dieksekusi, proses ini dinamakan sebagai fase resolusi konflik. 5. Aturan yang dipilih kemudian dieksekusi.

2.2.2.2 Case Based Expert System Cara lain didalam inferensi yang dilakukan oleh sistem pakar adalah menggunakan pencarian alasan melalui kasus-kasus, biasa disebut juga sebagai CBR (Case Based Reasoning). CBR ini menggunakan sebuah explicit basisdata dari solusi masalah untuk mengalamatkan situasi baru dalam penyelesaian masalah. Solusi yang ada dapat dikumpulkan dari pakar manusiaatau melalui hasil sebelumnya dari keberhasilan terdahulu. Contohnya didalam kedokteran, dimana sebuah solusi tidak hanya dilihat dari teori yang tersedia, akan tetapi juga melihat kasus yang pernah terjadi terhadap pasien terdahulu dan penangannya.

2.2.2.3 Model Based Expert System Pada jenis ini, sistem pakar dapat dilihat sebagai hasil penggabungan dari a sebuah pemodelan dari suatu area pengetahuan yang digunakan, yang mana digunakan didalam mesin sistem pakar berbasis model ini untuk menyelesaikan


masalah-masalah yang berhubungan dengan keinginan pengguna sistem pakar. Poin utama dari sistem pakar ini adalah model yang ada tidak hanya memberikan pengalaman heuristik seorang pakar, tetapi juga lebih kepada prinsip awal dari deskripsi pengetahuan yang diinginkan.

2.3 Sistem Pakar pada bidang Kesehatan Berdasarkan literatur survey yang dilakukan oleh (Durkin, 1994), MYCIN merupakan sistem pakar yang pertama sekali digunakan untuk mendiagnosa bakteri penyebab infeksi, kemudian dilanjutkan dengan sistem pakar PUFF yang dibangun untuk mendiagnosa penyakit lambung, sistem pakar ANGY yang mampu menolong dokter mendiagnosa penyempitan pembuluh darah, dan sistem pakar BABY yang memberikan bantuan kepada dokter dalam memonitoring kelahiran bayi dalam kondisi ICU (Giarratano, 2005). Dari survey literatur yang sudah dilakukan, dapat disimpulkan bahwa sistem pakar telah banyak digunakan di dunia medis secara luas, mulai dari area pendiagnosisan sampai dengan kemampuan memberikan fasilitas publik sebagai alat saran bagi pasien.

2.4 Backward Chaining Metode backward chaining merupakan kebalikan dari metode forward chaining dan sering disebut penalaran mundur (Kusrini, 2006). Menurut Schnupp dalam (Kusrini, 2008), metode backward chaining (runut balik), penalaran dimulai dengan tujuan merunut balik ke jalur yang akan mengarahkan ke tujuan tersebut menurut Giarattano dan Riley dalam (Kusrini, 2006). Adapun karakteristik backward chaining adalah : a. Metode backward chaining lebih cocok digunakan untuk menentukan masalah diagnosis. b. Metode backward chaining digunakan untuk masa lalu. c. Tujuan metode backward chaining adalah memandu, penalaran dari atas ke bawah. d. Bekerja ke belakang untuk mendapatkan fakta yang mendukung hipotesis.


e. Depth first search dimudahkan. f. Konsekuen menentukan pencarian. g. Penjelasan difasilitasi. Dalam metode backward chaining, akan dipilih satu aturan dari kesimpulan dan menganggapnya sebagai masalah yang harus diselesaikan. Setelah masalah tersebut diselesaikan, akan dipilih salah satu dari sub masalah untuk dievaluasi dan sub masalah yang terpilih itu kemudian menjadi sub masalah baru.

Observasi 1

Aturan A

Fakta 1

Observasi 2 Aturan D

Aturan B

Fakta 2

Kesimpulan

Aturan E Observasi 3

Aturan C

Fakta 3

Observasi 4

Gambar 2.2 Diagram Backward Chaining


Berikut ini kami paparkan beberapa penelitian terdahulu dari sistem pakar yang digunakan untuk Pendiagnosisan Penyakit :

Tabel 2.3 Penelitian Sebelumnya

Sumber

Ahmad ( 2012 )

Definisi

Ahmad

A,

menjabarkan

didalam

riset

yang

dilakukannya untuk mengimplementasikan sistem pakar berbasis rule untuk diterapkan pada diagnosis dan symphtom penyakit saraf, sistem yang dibangun dapat membedakan 10 penyakit saraf, diantaranya adalah : Alzheimer Parkinson, Huntington’s disease, Celebral Palsy, Meningitis, Epilepsy, Multiple Sclerosis, Stroke, Cluster headache, Migraine, Meningitis for Children. Saurkar ( 2012 )

Pada penelitian ini saurkar memaparkan sebuah pengimplementasian sistem pakar berbasis aturan untuk

pendiagnosisan

penyakit

pada

hewan.

Aplikasi yang dibangun memiliki basis data citra untuk jenis penyakit hewan, sistem pakar mampu menghadirkan gambar penyakit hewan dalam pengambilan keputusan yang dilakukan dalam sistem ini. Nana ( 2012 )

mMes (Mobile Medical Expert System) sebuah aplikasi sistem pakar mobile yang digunakan untuk layanan pasien di rumah sakit di Ghana, sistem ini memungkinkan sistem pakar dipakai secara mobile dan terkoneksi dengan pakar lain didaerah berbeda.

Rajdeep ( 2012 )

Pada

jurnal

yang

dipaparkan

oleh

Rajdeep,

dipaparkan implementasi dari sistem pakar berbasis pengetahuan untuk pendiagnosaan penyakit sistem


saraf otot. Sistem yang dibangun didalam Java untuk mendiagnosis penyakit seperti CelebralPalsy, Multiple

Sclerosis,

Muscular

Dystrophy,

dan

Parkinson’s. Sistem ini memberikan kumpulan pertanyaan berkenaan dengan symptom penyakit pasien berdasarkan penyakit yang di diagnosakan kepada pasien dan memberikan saran mengenai perawatan yang diberikan kepada pasien tersebut. Smitha ( 2010 )

Smitha menghasilkan sebuah sistem pakar untuk mendiagnosa penyakit diabetes, dipaparkan melalui thesis masternya. Informasi yang diberikan tidak hanya komplikasi yang terjadi akibat penyakit ini saja, tetapi juga alat diagnosa awal penyakit. Pendekatan yang digunakan adalah berbasis aturan, dengan metode inferensi forward chaining.


BAB II LANDASAN TEORI

Recommend Documents