SISTEM PAKAR DIAGNOSA PENYAKIT KANKER PAYUDARA MENGGUNAKAN CERTAINTY FACTOR Aswita Andini Dea Fani Aneke Putri Jurusan Sistem Informasi STMIK PALCOMTECH Palembang Abstrak Sistem pakar untuk diagnosa penyakit kanker payudara ini merupakan suatu sistem pakar yang dirancang sebagai alat bantu untuk mendiagnosa penyakit kanker payudara dengan basis pengetahuan yang dinamis. Sistem pakar merupakan sistem berbasis komputer yang mengandung pengetahuan dari satu atau lebih pakar manusia mengenai suatu bidang spesifik, dengan adanya sistem pakar bukan berarti akan menganggantikan perannya para pakar melainkan sebagai sarana untuk membantu mengetahui diagnosa jenis penyakit sebelum berkonsultasi dengan ahlinya. Metode sistem pakar yang dipakai adalah certainty factor. Sistem pakar ini akan menampilkan pilihan gejala yang dapat dipilih oleh user, dimana setiap pilihan gejala akan membawa user kepada pilihan gejala selanjutnya sampai mendapatkan hasil akhir, sistem akan menampilkan pilihan gejala user, dan penyakit yang diderita. Sistem tersebut memberikan hasil berupa kemungkinan penyakit yang dialami, persentase keyakinan, serta nilai keyakinan yang diberikan oleh pengguna dalam menjawab pertanyaan selama sesi konsultasi ketika menggunakan sistem ini. Kata Kunci : Kanker Payudara, Certainty Factor, Sistem Pakar.
PENDAHULUAN Era Digital saat ini tidak bisa dipungkiri kemajuan teknologi membuat orang semakin mudah saja menjalankan aktifitasnya. Komputer yang pada awalnya digunakan sebagai alat hitung. Seiring dengan perkembangan zaman, komputer banyak digunakan di berbagai bidang. Misalnya pada bidang kesehatan, ekonomi dan sebagainya. Perpaduan antara pengetahuan dan teknologi itu maka dapat diciptakan sebuah sistem yang dapat membantu kebutuhan - kebutuhan manusia dalam berbagai bidang yaitu sistem pakar. Kanker adalah penyakit yang kurang disadari oleh sebagian masyarakat, karena sebagian masyarakat yang terkena penyakit ini kurang mengetahui kanker itu sendiri dan kurangnya melakukan deteksi dini kanker. Akibatnya sebagian besar kanker ditemukan pada stadium lanjut dan sulit ditanggulangi sehingga memberikan beban yang besar bagi pasien kanker. Kanker merupakan buah dari perubahan sel yang mengalami pertumbuhan tidak normal dan tidak terkontrol. Kanker payudara (Carcinoma mammae) dalam bahasa inggrisnya disebut breast cancer merupakan kanker pada jaringan payudara. Kanker ini paling umum menyerang wanita, walaupun laki-laki juga punya potensi terkena akan tetapi kemungkinan sangat kecil dengan perbandingan 1 diantara 1000. Sistem pakar, terdapat banyak sekali metode yang digunakan untuk menangani suatu masalah. Penelitian sistem pakar ini akan menggunakan faktor kepastian atau disebut juga dengan certainty factor dimana pada metode ini terdapat suatu nilai yang berupa nilai kepercayaan (measure of belief). Nilai ketidakpercayaan (measure of disbelief) pada suatu gejala, yang dimana nantinya nilai tersebut dapat menghasilkan nilai CF (Certainty Factor) sebagai tolak ukur seberapa besarkah nilai yang ada pada hasil diagnosanya nanti, semakin besar nilai CF yang diperoleh maka semakin besar pula peluang penyakit itu akan menyerang.
1
LANDASAN TEORI AI (Artificial Intelligence) Menurut Kusumadewi (2003: 1), artificial intelligence merupakan salah satu bagian ilmu komputer yang membuat agar mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia. Sistem Pakar Menurut Merlina (2012: 1), pakar adalah seseorang yang memiliki kemampuan khusus terhadap suatu permasalahan, misalnya: dokter, petani, ahli permesinan, dan lain-lain. Menurut Arhami (2005: 3), sistem pakar adalah salah satu cabang dari AI yang membuat penggunaan secara luas knowledge yang khusus untuk menyelesaikan masalah tingkat manusia yang pakar. Menurut Durkin dan Merlina dan Hidayat (2012: 1), sistem pakar adalah suatu program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan seorang pakar. Definisi diatas dapat disimpulkan sistem pakar adalah sistem berbasis komputer yang mengandung pengetahuan dari satu atau lebih pakar manusia mengenai suatu bidang spesifik . Struktur Sistem Pakar Menurut Arhami (2005: 13), sistem pakar disusun oleh dua bagian utama, yaitu: 1. Lingkungan pengembangan (development environment), digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar. 2. Lingkungan konsultasi (consultation environment), digunakan oleh pengguna yang bukan pakar guna memperoleh pengetahuan pakar. Tiga komponen utama yang tampak secara virtual disetiap sistem pakar adalah basis pengetahuan, mesin inferensi, dan antarmuka pengguna. Selain itu, sistem pakar memuat komponen tambahan yaitu subsitem akuisisi pengetahuan, blackboard (tempat kerja), subsistem penjelasan (justifier), dan sistem perbaikan pengetahuan.(Turban, 2005).
Gambar 1 Struktur Sistem Pakar
2
Basis Pengetahuan (Knowledge Base) Menurut Turban (2005: 723), basis pengetahuan berisi pengetaahuan relevan yang diperlukan untuk memahami, dan memecahkan persoalan, basis tersebut mencakup dua eleman dasar yaitu : 1. Fakta, misalny situasi persoalan dan teori area persoalan. 2. Heuristik atau khusus yang mengarahkan penggunaan pengetahuan untuk memecahkan persoalan khusus dalam domain tertentu. Menurut Arhami (2005: 15), basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah. Komponen sistem pakar ini disusun atas dua elemen dasar, yaitu fakta dan aturan (Rule). Fakta merupakan informasi tentang obyek dalam area permasalahan tertentu, sedangkan aturan merupakan informasi tentang cara bagaimana memperoleh fakta baru dari fakta yang telah diketahui. Menurut Kusumadewi (2003: 115), basis pengetahuan berisi pengetahuan-pengetahuan untuk memahami, memformulasikan dan menyelesaikan masalah. Metode Inferensi dalam Sistem Pakar Suatu perkalian inferensi yang menghubungkan suatu permasalahan dengan seolusinya disebut rantai (chain). Menurut Arhami (2005: 111), ada dua metode penalaran dengan rules, yaitu forward chaining atau data-driven dan backward chaining atau goal-driven. a. Forward Chaining Menurut Kusrini (2008: 8), forward chaining berarti menggunakan hinpunan aturan kondisi-aksi. Dalam metode ini, data digunakan untuk menentukan aturn mana yang akan dijalankan, kemudian aturan tersebut dijalankan. Menurut Merlina (2012: 22), forward chaining adalah pendekatan data-driven yang mulai dari informasi yang tersedia atau dari ide dasar, kemudian mencoba menarik kesimpulan. Definisi diatas dapat disimpulkan forward chaining adalah pencocokan fakta atau pernyataan dimulai dari fakta terlebih dahulu untuk menguji kebenaran hipotesis. b. Backward Chaining Menurut Merlina (2012: 21), backward chaining adalah pendekatan goal-driven yang mulai dari harapan apa yang akan terjadi (hipotesis) dan kemudian mencari bukti yang mendukung (atau berlawanan) dengan harapan, hal ini memerlukan perumusan dan pengujian hipotesis sementara (subhipotesis). c. Certainty Factor Menurut Kusumadewi (2003: 96), certainty factor (CF) menunjukkan suatu fakta atau aturan. Notasi Faktor Kepastian. CF(H,E) = MB(H,E) – MD(H,E) CF(H,E) = faktor kepastian MB(H,E) = ukuran kepercayaan terhadap hipotesis H, jika diberikan evidence E (antara 0 dan 1). MD(H,E) = ukuran ketidakpercayaan terhadap evidence H, Jika diberikan evidence E (antara 0 dan 1). Nilai CF (Rule) didapat dari interpretasi ‘term’ dari pakar, yang diubah menjadi nilai CF tertentu sesuai tabel 2. Tabel 2. Nilai Certainty Factor (Rule) Uncertanty Term CF Definitely not (pasti tidak) -1.0 Almost certainly not (hampir pasti tidak) -0.8 Probability not (kemungkinan besar tidak) -0.6
3
Maybe not (mungkin tidak) Unknown (tidak tahu) Maybe (mungkin) Probably (kemungkinan besar) Almost certainly (hampir pasti) Definitely (pasti)
-0.4 -0.2 to 0.2 0.4 0.6 0.8 1.0
Menurut Turban (2005: 819), faktor kepastian (Certainty factor) menyatakan kepercayaan dalam sebuah kejadian (fakta atau hipotesis) berdasarkan bukti (atau penilaian pakar). Teori kepastian memperkenalkan suatu nilai untuk mengasumsikan derajad keyakinan seorang pakar terhadap suatu data. Certainty factor memperkenalkan konsep kepercayaan dan ketidak percayaan. Konsep ini bebas satu sama lain sehingga tidak dapat dikombinasikan dengan cara yang sama sebagaimana probabilitas, tetapi dapat dikombinasikan menurut persamaan berikut : CF [P,E] = MB [P,E] – MD [P,E] Keterangan : CF : Certainty Factor (Faktor kepastian) MB : Measure of Belief (Ukuran kepercayaan) MD : Measure of Disbelief (Ukuran ketidakpercayaan) P : Probability (Probabilitas) E : Evidence (Bukti atau kejadian) Berikut ini adalah deskripsi beberapa kombinasi Certainty Factor terhadap berbagai kondisi: Certainty Factor untuk kaidah dengan premis tunggal (single premis rules): CF(H,E) = CF(E) x CF(rule) = CF(user) x CF(pakar) Certainty Factor untuk kaidah dengan premis majemuk (multiple premis rules): CF (A AND B ) = Minimum (CF (a),CF (b)) x CF (rule) CF (A OR B ) = Maximum (CF (a),CF (b)) x CF (rule) Certainty Factor untuk kaidah dengan kesimpulan yang serupa (similarly concluded rules) : CFCOMBINE (CF1, CF2) = CF1 + CF2 x (1-CF1) Perhitungan Certainty Factor Untuk menentukan nilai CF akhir pada suatu gejala maka menggunakan rumus CF paralel sebagai berikut: CF[h,e1^e2] = CF[h,e1] + CF[h,e2] . (1 – CF[h,e1]) Dengan : CF[h,e1^e2] = faktor kepastian paralel CF[h,e1] = ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e pertama (antara 0 dan 1) CF[h,e2] = ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e kedua (antara 0 dan 1) Dalam menentukan jenis penyakit, sangat dimungkinkan beberapa aturan yang menghasilkan satu hipotesis dan suatu hipotesis menjadi evidence bagi aturan lain. Dengan demikian perhitungan diperlukan sebanyak CF gejala yang dipilih sesuai dengan masukan pengguna program ini. HASIL DAN PEMBAHASAN Data Flow Diagram ( DFD ) Menurut Fatta (2007: 119), Data Flow Diagram (DFD) merupakan diagram yang digunakan untuk menggambarkan proses-proses yang terjadi pada sistem yang akan dikembangkan, dengan data yang terlibat pada masing-masing proses dapat diidentifikasi.
4
DFD merupakan alat yang dapat menggambarkan arus data di dalam sistem terstruktur dan jelas. Lebih lanjut DFD juga merupakan dokumentasi dari sistem yang baik. 1. Diagram Konteks Diagram konteks adalah diagram yang menggambarkan bagian besar dari aliran arus data sistem pakar diagnosa penyakit kanker payudara menggunakan certainty factor, dapat dilihat pada gambar dibawah ini :
Gambar 3 Diagram Konkteks Berdasarkan gambar diagram konteks diatas dapat dijelaskan yaitu Sistem Pakar Diagnosa Penyakit Kanker Payudara menggunakan Certainty Factor memiliki 2 (dua) teminator yaitu Pasien dan Pakar. 2. Data Flow Digram (DFD) Level 0 Diagran level 0 adalah digram yang menunjukkan semua proses utama yang menyusun keseluruhan sistem, diagram ini dapat dilihat pada gambar ini :
Gambar 4 Data Flow Digram (DFD) Level 0
5
1.
2.
3.
4.
Gambar 4 menunjukkan arus data level 0, berikut penjelasannya : Proses input 1.0P adalah proses penginputan data penyakit dimana data bersumber dari terminator pakar berupa data penyakit, hasil proses disimpan dalam file penyakit dan akan diberikan diproses data relasi. Proses input 2.0P adalah proses penginputan data gejala dimana data bersumber dari terminator pakar berupa data gejala, hasil proses disimpan dalam file gejala dan akan diberikan ke proses relasi Proses 3.0P adalah proses penginputan data relasi dimana data bersumber dari terminator pakar berupa data relasi, hasil proses disimpan dalam file relasi dan akan diberikan ke proses data pendaftaran yang digunakan pada saat konsutasi hasil, dari proses data relasi berupa informasi data penyakit yang akan dilihat oleh pasien. Proses input 4.0P adalah proses penginputan data pendaftaran dimana data bersumber dari teminator pasien berupa data pasien, hasil kemudian dilanjutkan proses konsultasi selanjutnya disimpan dan dicetak dalam file analisa hasil.
3. Entity Relantionship Diagram (ERD) Entity Relantionship Diagram (ERD) adalah diagram yang menggambarkan hubungan antara entitas dengan atribut penghubungnya. Entity Relantionship Diagram (ERD) diperlukan dalam perancangan file yang akan digunakan dalam sistem, karena dari Entity Relantionship Diagram (ERD) dapat diketahui berberapa file yang akan digunakan dalam sistem. Diagram ini dapat dilihat pada gambar berikut ini :
Gambar 5. Entity Relantionship Diagram (ERD) Flowchart Indentifikasi Penyakit Kanker Payudara Gambar flowchart indentifikasi penyakit payudara dapat dilihat pada gambar 6 berikut ini :
6
Gambar 6. Flowchart Indentifikasi Penyakit Kanker Payudara
Pohon Keputusan Pohon keputusan ini merupakan penalaran maju (Forward Chainning) sehingga lebih mudah melihat struktur ini terdiri dari node-node yang menunjukkan hubungan antar objek pada gambar 7 :
7
Gambar 7. Pohon Keputusan Tampilan Hasil Rancangan 1. Tampilan Login a. Form Login Halaman login digunakan untuk pakar memasukkan halaman sistem pakar diagnosa kanker payudara. Halaman login terdapat komponen username, dan password yang berfungsi untuk keamanan akses, dengan desain dapat dilihat pada gambar 8 :
8
Gambar 8. Form Login b.
Form Menu Utama Menu utama berupa tampilan utama home berisikan daftar penyakit, konsultasi, pertolongan, dan masuk pakar, desain ini dapat dilihat pada gambar 9 :
Gambar 9. Menu Utama 2. a.
Tampilan Form Menu Daftar Penyakit Menu utama berupa tampilan utama home berisikan daftar semua penyakit payudara, desain ini dapat dilihat pada gambar 10 :
Gambar 10. Daftar Penyakit
9
b.
Pendaftaran Pasien Pendaftaran pasien ini digunakan untuk pasien mendaftarkan data pasien sebelum melakukan konsultasi, pasien wajib mengisi data pasien sebelum melakukan konsultasi. Adapun desain ini dapat dilihat pada gambar 11 :
Gambar 11. Pendaftaran Pasien c.
Menu Pertolongan Menu Pertolongan berisikan pencegahan penyakit kanker payudara. Adapun desain ini dapat dilihat pada gambar 12 :
Gambar 12. Menu Pertolongan Konsultasi Konsultasi ini digunakan untuk pasien menjawab semua pertanyaan yang akan dikeluarkan oleh sistem berupa gejala-gejala penyakit, selanjutnya pasien akan menjawab pertanyaan-pertanyaan tersebut dengan memilih pilihan jawaban YA atau TIDAK setiap pertanyaan yang dikeluarkan sesuai gejala yang mereka rasakan, sistem akan mengeluarkan penyakit yang diderita oleh pasien sesuai pertanyaan-pertanyaann yang pasien jawab. Seperti gambar 13. d.
10
Gambar 13. Konsultasi Hasil Konsultasi Hasil konsultasi berfungsi untuk melihat hasil konsultasi yang telah dilakukan oleh pasien dengan cara menjawab semua pertanyaan yang dikeluarkan oleh sistem. Hasil konsultasi ini terdiri dari gejala yang sudah dipilih oleh pasien berserta nilai CF per gejala, nama penyakit, total nilai CF dan pengobatannya. e.
Gambar 15. Hasil Konsultasi
PENUTUP Berdasarkan analisa dan pembahasan yang telah dilakukan pada bab-bab sebelumnya, maka dapat diambil kesimpulan yaitu penerapan metode certainty factor dapat mempermudah dan memberikan perhitungan penyelesaian seberapa pasti para user atau pasien menderita penyakit kanker payudara, sistem ini mampu membedakan berbagai jenis penyakit kanker payudara berdasarkan gejala yang diderita, dan sebagai sarana untuk membantu mengetahui diagnosa jenis penyakit sebelum berkonsultasi dengan ahlinya.
11
DAFTAR PUSTAKA Arhami, Muhammad. 2005. Konsep Dasar Sistem Pakar. Yogyakarta: ANDI Fatta, Hanif Al. 2007. Analisis dan Perancangan Sistem Informasi. Yogyakarta: ANDI. Kusrini. 2008. Aplikasi Sistem Pakar. Yogyakarta: ANDI. Kusumadewi, Sri. 2003. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta: GRAHA ILMU Merlina, Nita. dan Hidayat, Rahmat. 2012. Perancangan Sistem Pakar. Bogor: Ghalia. Turban, Efrain. 2005. Sistem Pendukung Keputusan dan Sistem Cerdas. Yogyakarta: ANDI.
12
