Jurnal Teknik Informatika Vol. 1 September 2012 1
SISTEM PAKAR DIAGNOSA INFEKSI PENYAKIT TROPIS BERBASIS WEB Purnama Ramadhani1, Diah Kusuma Wardhani2 & Erwin Setyo Nugroho3 1
Prodi Sistem Informasi Politeknik Caltex Riau, Pekanbaru 28265, email:
[email protected] 2 Prodi Teknik Informatika Politeknik Caltex Riau, Pekanbaru 28265, email:
[email protected] 3 Prodi Teknik Informatika Politeknik Caltex Riau, Pekanbaru 28265, email:
[email protected]
Abstrak Sistem Pakar merupakan bagian dari kecerdasan buatan. Salah satu implementasinya adalah pada bidang kesehatan dalam mendiagnosa penyakit tropis. Demam Berdarah, Typhoid, dan Malaria adalah contoh dari penyakit tropis dengan kasus yang cukup tinggi di Indonesia pada tahun 2010 menurut Dinas Kesehatan Indonesia. Dengan adanya sistem ini, pasien dapat mendiagnosa penyakitnya kapan dan dimana saja tanpa perlu berkonsultasi secara langsung pada dokter sehingga dapat diantisipasi terlebih dahulu penyakit yang diderita melalui gejala yang dirasakan oleh pasien. Sistem mengolah gejala yang dirasakan pasien dengan memilih gejala-gejala yang ada pada sistem kemudian diolah dengan metode Bayesian Network hingga diperoleh hasil berupa kemungkinan penyakit tropis yang diderita pengguna beserta nilai kepercayaan terhadap penyakit tersebut. Dengan adanya sistem ini dapat membantu dan memberikan kemudahan bagi masyarakat dalam mendiagnosa awal penyakit khususnya Demam Berdarah, Malaria, dan Typhoid dengan kesamaan hasil diagnosa 78% dengan diagnosa dokter berdasarkan analisa dengan data sample sedangkan hasil kuesioner menunjukkan 69% sama dengan diagnosa yang diberikan oleh dokter. Sistem ini dibuat menggunakan bahasa pemrograman PHP dan database MySQL. Kata kunci: Sistem Pakar, Penyakit Tropis, Bayesian Network, MySQL, PHP. Abstract Expert system is a part of artificial intelligence. One of the implementation is in the health sector in the diagnosis of tropical diseases. Dengue Fever, Typhoid, and Malaria are the examples of tropical disease which have quite high case in Indonesia at 2010 according to Indonesia Health Department. Given this system, patients are able to diagnose the disease anytime and anywhere without the need to consult a doctor immediately so that it can be anticipated in advance through the symptoms of the illness is perceived by the patient. The system processing the patient's symptoms by selecting symptoms that exist in the system and then process them with Bayesian Network method to obtain the probability of illness beliefs and their values against the disease. The system can help users and provide facilities for the community in the early diagnosis of disease, especially dengue, malaria, and typhoid by 78% the same diagnostic results with the doctor's diagnosis according to sample. The system built by using PHP and MySQL database. Keywords: Expert System, Tropical Disease, Bayesian Network, MySQL, PHP. 1
Pendahuluan
1.1
Latar Belakang
Penggunaan komputer sebagai alat bantu pekerjaan manusia saat ini telah mengalami perkembangan yang sangat pesat dan luas. Tidak hanya untuk satu bidang, namun untuk semua bidang juga sampai pada tahap pengadopsian cara berpikir manusia ahli yang dikomputerisasi yang kita sebut dengan expert system atau sistem pakar. Sistem pakar adalah sistem berbasis
2 komputer yang menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut [1]. Implementasi sistem pakar banyak digunakan untuk kepentingan komersial karena sistem pakar dipandang sebagai cara penyimpanan pengetahuan pakar dalam bidang tertentu kedalam program komputer sedemikian rupa sehingga dapat memberikan keputusan dan melakukan penalaran secara cerdas. Salah satu implementasi yang dapat diterapkan adalah dalam dunia kesehatan. Selain sebagai media informasi bagi masyarakat namun juga dapat memberikan diagnosa awal penyakit. Penyakit tropis merupakan penyakit yang sering terjadi pada wilayah tropis dan subtropis yang umumnya berupa infeksi. Infeksi merupakan reaksi tubuh setempat atau umum dan biasanya reaksi setempat ini disertai dengan reaksi umum tubuh yang hidup karena invasi dari kuman serta toksinnya dan berkembang biak [2]. Penyakit DBD, Typhoid, dan Malaria adalah contoh dari penyakit tropis yang menduduki peringat kedua (DBD) dan ketiga (Typhoid) penyakit terbanyak pada pasien rawat inap di rumah sakit di Indonesia tahun 2010 sedangkan Malaria kasusnya sudah mulai menurun namun tetap diwaspadai dikarenakan sekitar 80% dari kabupaten/kota di Indonesia termasuk kategori endemis, menurut Dinas Kesehatan Indonesia [3]. Seringkali orang bingung dengan penyakit yang diderita dan terkadang tidak tahu apakah penyakit tersebut sudah termasuk dalam stadium awal ataupun kronis. Oleh karena itu, mereka membutuhkan dokter untuk berobat atau berkonsultasi. Namun jam kerja (praktek) yang terbatas dan banyaknya pasien menunggu harus rela membuat antrian sehingga terkadang menyulitkan pasien. Pemakaian aplikasi pakar yang bisa memudahkan dalam diagnosa awal sangat diperlukan sebagai alat bantu dari pertolongan pertama yang dapat diberikan. Oleh karena itu, penulis mencoba merancang dan membangun sebuah sistem pakar yang dapat membantu penderita dalam menentukan gejala awal infeksi penyakit tropis dengan membangun sebuah Sistem Pakar Diagnosa Infeksi Penyakit Tropis Berbasis Web. Sistem ini diharapkan mampu menghasilkan diagnosa bagi penderita dari gejala-gejala awal yang dialami penderita secara online. Sehingga dapat memudahkan penderita dalam memberikan pertolongan pertama terhadap penyakitnya. 1.2
Tujuan
Tujuan dari proyek akhir “Sistem Pakar Diagnosa Infeksi Penyakit Tropis Berbasis Web” ini adalah membangun sistem pakar diagnosa infeksi penyakit tropis berbasis web menggunakan metode bayesian network yang user friendly sehingga memberikan kemudahan bagi pemakainya. 1.3 1. 2. 1.4 1.
2. 3.
Perumusan Masalah Proyek akhir Perumusan masalah dari proyek akhir ini adalah : Bagaimana membangun sebuah sistem pakar diagnosa infeksi penyakit tropis berbasis web menggunakan metode bayesian network. Bagaimana merancang dan membangun interface sistem yang user friendly. Ruang Lingkup Ruang lingkup masalah pada penelitian ini adalah: Sistem Pakar ini membatasi hanya 3 dari jenis Infeksi Penyakit Tropis yang akan dibahas yaitu DHF (Dengue haemorrhagic fever) atau DBD, Demam Malaria, dan Demam Typhoid. Sistem pakar ini dibangun dengan menggunakan metode Bayesian Network. Pembuatan sistem pakar ini hanya berdasarkan gejala-gejala spesifik dari ketiga jenis infeksi penyakit tropis yang akan dibahas.
3 4.
5.
Output yang diberikan kepada pasien adalah diagnosa jenis penyakit yang diderita beserta alternatif solusi berupa penanganan awal dari penyakit yang diderita pasien dan juga penyebab penyakitnya. Perancangan program aplikasi sistem pakar menggunakan bahasa pemrograman PHP dan MySQL sebagai databasenya.
1.5
Manfaat
Manfaat yang diberikan dalam penelitian ini adalah sebagai berikut : 1. Menjadi media perantara bagi pengguna aplikasi (masyarakat / user non-expert) untuk membantu mendiagnosa infeksi penyakit tropis dan mendapatkan alternatif solusinya berupa penangan awal dari penyakit. 2. Memberikan kemudahan bagi masyarakat (pasien) dalam mendiagnosa penyakit khususnya DBD, Malaria, dan Typhoid. 2
Tinjauan Pustaka
2.1
Kecerdasan Buatan (Artificial Intelligence)
Kecerdasan Buatan atau Artificial Intelligence yang disingkat AI menurut Rich and Knight (1991) merupakan sebuah studi tentang bagaimana membuat komputer melakukan halhal yang pada saat ini dapat dilakukan lebih baik oleh manusia [4]. Kecerdasan buatan bergerak dibeberapa bidang ilmu, salah satunya adalah sistem pakar. 2.1.1
Sistem Pakar
Menurut Martin dan Oxman, sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut [1]. Beberapa kelebihan dari sistem pakar adalah meningkatkan produktivitas, karena sistem pakar dapat bekerja lebih cepat daripada manusia, membuat seorang yang awam bekerja seperti layaknya seorang pakar, mampu menangkap pengetahuan dan kepakaran seseorang, handal yaitu sistem pakar tidak pernah menjadi bosan dan lelah atau sakit, dan lainnya [5]. 2.2
Bayesian Network
Menurut Korb dan Nicholson (2011) Bayesian Networks adalah model grafis untuk penalaran di bawah ketidakpastian, dimana node mewakili variabel (diskrit atau kontinyu) dan busur (arc) merepresentasikan hubungan langsung antara mereka [6] . Teori probabilitas Bayesian merupakan satu dari cabang teori statistik matematik yang memungkinkan kita untuk membuat satu model ketidakpastian dari suatu kejadian yang terjadi dengan menggabungkan pengetahuan umum dengan fakta dari hasil pengamatan. Teori Bayesian menurut Grainner [7] mempunyai beberapa kelebihan, yaitu mudah untuk dipahami, hanya memerlukan pengkodean yang sederhana, dan lebih cepat dalam penghitungan.
Dalam membangun suatu sistem dengan bayessian network, diperlukan pendekatan statistic yang dikenal dengan teorema bayes. (1) P(h|e) = Probabilitas hipotesis h terjadi jika evidence e terjadi P(e|h) = Probabilitas munculnya evidence e, jika hipotesis h terjadi P(h) = Probabilitas hipotesis h tanpa memandang evidence apapun P(e) = Probabilitas evidence e tanpa memandang apa pun.
4 Dalam sistem pakar diagnosa infeksi penyakit tropis ini, maka e merupakan gejala penyakit tropis sedangkan h merupakan penyakitnya. 2.3
Penyakit Tropis
Penyakit tropis merupakan penyakit yang banyak ditemukan di daerah tropis dan subtropis yang umumnya berupa infeksi. Penyakit Tropis tersebut terbagi atas 4 macam yaitu infeksi yang disebabkan oleh bakteri seperti demam tifoid, infeksi yang disebabkan oleh virus seperti DBD, infeksi yang disebabkan oleh parasit seperti Malaria, dan sindrom penyakit menular seperti ISPA[2]. 2.3.1
Demam Berdarah Dengue (DBD)
DHF (Dengue Haemorrhagic Fever) atau lebih sering kita dengar dengan sebutan Demam Berdarah, merupakan penyakit akut yang disebabkan oleh virus dengue, yang ditularkan oleh nyamuk Aedes aegypti. Umumnya penyakit ini menyerang anak kecil, namun tidak menutup kemungkinan dewasa juga sering mengalaminya. Menurut Departemen Kesehatan, Demam Berdarah merupakan kasus penyakit kedua terbanyak di Indonesia pada tahun 2010. Oleh karena itu sangat diperlukan upaya pemberantasan demam berdarah agar tidak meningkat jumlah kasusnya. Hal ini dilakukan dengan melakukan upaya mencegah nyamuk dengan langkah 3M yaitu menguras, menutup, dan mengubur. Hal ini dikarenakan nyamuk senang berada di air yang besih. 2.3.2
Demam Malaria
Penyakit malaria adalah penyakit yang disebabkan oleh parasit Plasmodium, dan manusia dapat terinfeksi oleh Plasmodium ini melalu gigitan nyamuk Anopheles, yang melepaskan Plasmodium dari salivanya sewaktu menggigit manusia[8] Plasmodium memasuki sel – sel hepatosit, dan kemudian melalui sirkulasi darah akan memasuki sel – sel eritrosit. Didalam sel – sel eritrosit plasmodium selanjutnya berreplikasi. Replikasi ini merangsang sitolisis sel eritrosit dan menyebabkan lepasnya hasil metabolisme Plasmodium yang bersifat toksis ke sirkulasi darah. Hal ini mencetuskan sejumlah gejala klinik yang ringan sampai berat yang dapat menyebabkan kematian. 2.3.3
Demam Tifoid
Demam tifoid adalah infeksi akut pada saluran pencernaan yang disebabkan oleh Salmonella typhi. Demam paratifoid adalah penyakit sejenis yang disebabkan oleh Salmonella paratyphi A, B, dan C. Gejala dan tanda kedua penyakit tersebut hampir sama, tetapi manifestasi klinis paratifoid lebih ringan. Kedua penyakit diatas disebut tifoid. Terminologi lain yang sering digunakan adalah typhoid fever, paratyphoid fever, typhus, dan paratyphus abdominalis atau demam enterik. Demam tifoid adalah penyakit infeksi akut yang selalu ada di masyarakat (endemik) di Indonesia, mulai dari usia balita, anak-anak dan dewasa. 3
Perancangan
Pada makalah proyek akhir ini dibuat beberapa model perancangan sistem yang melibatkan perancangan Use Case Diagram dan flowchart bayesian. Berikut penjelasan use case pengguna pada perancangan sistem ini yang terlihat pada Gambar 1 dan Gambar 2:
5 <<extend>> tambah solusi
lihat buku_tamu
edit alternatif solusi
edit data admin
isi buku tamu lihat hasil diagnosa <<extend>>
<<extend>>
<<extend>>
<<extend>>
<
>
pasien
diagnosa
kelola buku tamu
<<extend>>
verifikasi login
login
admin
hapus hub_gejala
<<extend>>
<<extend>> <<extend>>
edit hub_gejala
edit gejala
lihat ket.penyakit tambah gejala tambah hub_gejala
<<extend>>
lihat artikel penyakit
edit penyakit
edit nilai
lihat alternatif solusi tambah nilai
Gambar 1. Use Case Diagram pengguna atau pasien
Gambar 2. Use Case Diagram admin
Use-Case Diagram digunakan untuk menggambarkan proses-proses yang terjadi pada sistem serta aktor-aktor yang terlibat dalam penggunaan sistem. Terdapat dua aktor yang terlibat dalam sistem ini yaitu pasien atau pengguna dan admin. Pasien merupakan semua pengguna sistem, yang dapat melakukan diagnosa penyakit dan melihat hasil diagnosa, penyebab, dan alternatif solusi berupa penanganan awal dari penyakit yang diderita. Pasien juga dapat melihat dan mengisi buku tamu tanpa harus login terlebih dahulu. Sedangkan Admin merupakan pengguna tertinggi dalam sistem pakar ini. Admin dapat melakukan perubahan-perubahan berupa ubah atau tambah dan lainnya terhadap sistem pakar. Alur kerja dalam tahap perhitungan metode Bayesian dapat dilihat pada flowchart bayesian Gambar 3. Start 1
Input nilai prior Ambil nilai posterior tiap gejala perpenyakit
Input nilai condotional probability
Olah nilai joint probability
Olah nilai posterior
jumlahkan posterior tiap gejala
Mengurutkan penyakit
Hasil diagnosa
1
End
Gambar 3. Flowchart Metode Bayesian Network
6 Perancangan ERD (Entity Reltionships Diagram) digunakan untuk menggambarkan hubungan antara objek-objek yang ada pada sistem yang dirancang. Id_admin Buku_tamu
Id_tamu
n
Admin
1
Diisi
Nama Isi_buku thumbid
Username
Nama_tamu
waktu
Password
Cpt_p
Prior present
Posterior
Ket_gejala
Kategori
Foto
Cpt_a
Id_gejala
Nama_gejala
Prior absent Jpd_p Gejala
n
Nilai Jpd_a
n Id_gejala Alt_solusi Cpt_a
Posterior
Id_solusi Judul
Id_hub
Id_gejala2 Hub_gejala
n Cpt_p Solusi n Penyakit
n
1
punya
Pertolongan
Penyebab
Nama_penyakit
Id_penyakit
Ket_penyakit
Gambar 4. Entity Relationship Diagram
4
Pengujian dan Analisa
Pengujian sistem dilakukan dengan melakukan proses diagnosa yang tersedia di menu pengguna. Menu ini sebagai sarana untuk mendeteksi adanya penyakit dan besarnya kemungkinan penyakit yang diderita dari hasil diagnosa sistem. Pengguna bisa langsung masuk ke sistem tanpa harus login sebagai member atau melakukan pendaftaran terlebih dahulu.
Gambar 5. Halaman diagnosa
Gambar 6. Halaman hasil diagnosa
Pada halaman diagnosa yang tergambar pada Gambar 5 dan Gambar 6, pengguna atau pasien dapat memilih satu atau lebih dari gejala yang ditampilkan oleh sistem. Pengguna yang sudah melakukan diagnosa pada sistem pakar dengan memilih gejala yang dirasakan, mendapatkan hasil berupa probabilitas penyakit yang dideritanya dan nilai kepercayaan dari penyakit tersebut. Selain itu, juga diberikan sedikit informasi mengenai informasi dari penyakit tersebut beserta penyebab dan penanganan awal dari penyakit tersebut yang dapat dilihat pada Gambar 7.
7
Gambar 7. Halaman Hasil Diagnosa
Dari hasil analisa kuisioner yang dilakukan oleh tujuh orang pakar penyakit tropis didapatkan bahwa sebanyak 71,4% pakar penyakit tropis berpendapat baik bahwa sistem ini memudahkan dalam mendiagnosa infeksi penyakit tropis. Sebanyak 68,6% berpendapat baik bahwa sistem ini memberikan hasil diagnosa yang sesuai dengan hasil diagnosa dokter. Sebanyak 65,7% pakar berpendapat baik untuk kesesuaian gejala yang dipakai dalam mendiagnosa penyakit. Sebanyak 82,9% pakar berpendapat bahwa sistem berjalan dengan baik sesuai dengan fungsinya. Sebanyak 80% pakar berpendapat bahwa sistem memberikan data dan informasi yang bermanfaat bagi pasien, sedangkan 85% pakar penyakit tropis berpendapat sangat baik bahwa sistem ini mudah digunakan.
Gambar 8. Grafik Peninjauan Kuesioner Oleh Pakar Penyakit Tropis
Analisa kuisioner juga dilakukan kepada responden selain pakar, yaitu pengguna ataupun pasien yang disebar sebanyak 15 responden. Menurut 86,7% responden berpendapat bahwa sistem ini memudahkan dalam mendiagnosa infeksi penyakit tropis khususnya DBD, Malaria, dan Typhoid dengan sangat baik. Responden juga berpendapat bahwa kenyamanan pemakaian aplikasi sangat baik yaitu sebanyak 85,3% setuju. Sebanyak 84% responden berpendapat bahwa sistem berjalan sesuai dengan fungsinya dengan sangat baik. Sebanyak 89,3% responden berpendapat bahwa sistem ini memberikan data dan informasi yang bermanfaat bagi pasien dengan sangat baik. Sebanyak 88% responden berpendapat bahwa sistem ini mudah digunakan dengan sangat baik. Dari hasil analisa sistem menggunakan teknik sampling untuk mengetahui seberapa besar kesesuaian hasil diagnosa sistem dengan hasil diagnosa dari pakar penyakit tropis, sebanyak 39 dari 50 (78%) hasil diagnosa sistem dinyatakan sesuai dengan hasil analisa dokter.
8 5
Penutup
5.1
Kesimpulan
Setelah melalui tahap pengujian pada Sistem Pakar Diagnosa Infeksi Penyakit Tropis Berbasis Web, maka dapat diambil beberapa kesimpulan sebagai berikut : 1.
2. 3.
4.
5.2
Sistem yang telah dibangun dengan menggunakan metode Bayesian Network dapat membantu pengguna ataupun pasien dalam mendiagnosa penyakit yang diderita sesuai dengan gejala yang dirasakan oleh pengguna atau pasien. Hasil pengujian manual menunjukkan hasil yang sama dengan pengujian aplikasi . Berdasarkan hasil analisa kuesioner, sistem ini menunjukkan hasil 68,6% sama dengan diagnosa yang diberikan oleh dokter, sedangkan hasil analisa menggunakan teknik sampling menunjukkan hasil 78% sama dengan diagnosa yang diberikan oleh dokter. Berdasarkan hasil analisa kuesioner, sistem ini memudahkan pengguna untuk mendiagnosa infeksi penyakit tropis khususnya DBD, Malaria, dan Typhoid yaitu sekitar 71,4% pakar setuju dan 86,7% responden lainnya sangat setuju. Saran
Beberapa saran yang dapat diberikan untuk pengembangan aplikasi ini: 1. 2. 3.
Diharapkan dapat mengakomodasi lebih banyak jenis penyakit dalam cakupan penyakit tropis agar system dapat mendiagnosa jenis penyakit yang lebih bervariasi. Untuk kedepannya, sistem ini dapat dikembangkan dengan fitur-fitur yang lebih menarik seperti cara mengenal tanda-tanda gejala pada tubuh pasien melalui video. Sistem dapat dikembangkan lebih lanjut dengan berbasis mobile Android.
Daftar Pustaka [1] [2] [3] [4] [5] [6] [7]
[8]
Martin, J. and Oxman, S., Building Expert System a Tutorial, New Jersey : Prentice Hall, 1988. Sudiono, J., Kurniadhi, B., Hendrawan, A., and Djimantoro, B., Ilmu Patologi, Jakarta: EGC, 2003. Departemen Kesehatan Republik Indonesia, Profil Kesehatan Indonesia 2010, Jakarta: Kementrian Kesehatan RI, 2011. Rich, E. & Kevin, K., Artificial Intelligence, New York : McGraw-Hill Publishing Company, Second Edition, 1991. Sutojo, T., Mulyanto, E., Suhartono, Vincent, Kecerdasan Buatan, Yogyakarta: Andi. 2011. Korb, Kevin B. & Nicholson, Ann E, Bayesian Artificial Intelligence, United States : CRC Press, Second Edition, 2011. Arlini, M., Kelebihan dan Kekurangan Teori Bayesian dalam Sistem Pengambilan Keputusan. Dalam Mayaarlini’s Weblog. Diambil 17 November 2011 dari http://mayaarlini.wordpress.com/page/2/ Widoyono, Penyakit Tropis Epidemiologi, Penularan, Pencegahan dan Pemberantasannya, Jakarta : Erlangga, 2008.
