Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 5, Mei 2018, hlm. 2158-2163
e-ISSN: 2548-964X http://j-ptiik.ub.ac.id
Implementasi Metode Weighted Product – Certainty Factor untuk Diagnosa Penyakit Malaria Yayuk Wiwin Nur Fitriya1, Nurul Hidayat2, Marji3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email:
[email protected],
[email protected],
[email protected] Abstrak Malaria adalah penyakit yang disebabkan oleh parasit plasmodium. Malaria menyebar melalui gigitan nyamuk yang sudah terinfeksi oleh parasit tersebut. Gejala malaria diantaranya sakit kepala, demam tinggi, diare, nadi cepat, nafas cepat, dan muntah-muntah. Malaria bahkan bisa mematikan karena menyebabkan kerusakan malaria-malaria, jantung, ginjal bahkan otak. Sehingga diperlukan aplikasi berbasis web untuk mendiagnosa penyakit malaria. Diharapkan aplikasi ini dapat membantu pengguna untuk mendapatkan diagnosa awal sebagai rujukan dokter. Parameter input pada sistem berdasarkan gejala yang ditimbulkan penyakit malaria. Data yang sudah dimasukkan pengguna kemudian diolah menggunakan algoritma Weight Product dan Certainty Factor untuk menghasilkan diagnosa awal jenis malaria yang mungkin diderita pengguna. Berdasarkan kasus uji yang telah dilakukan, didapatkan hasil pengujian tingkat akurasi rata-rata sebesar 84%. Nilai akurasi didapatkan dari 5 skenario pengujian dengan varian data yang berbeda yang mengindikasikan bahwa sistem telah bekerja dengan baik. Kata kunci: Malaria, Weighted Product, Certainty Factor
Abstract Malaria is a disease caused by plasmodium parasites. Malaria is spread through mosquito bites that have been infected by the parasite. Malaria symptoms include headaches, high fever, diarrhea, rapid breathing,nausea and vomiting. Malaria can be deadly because it causes damage to heart, kidney and brain damage. So we need a system application to diagnose malaria. It is expected this application can help people or users to get an initial diagnosis as a doctor's referral. In this application the user selects the yes or no buttons for the parameters of malaria symptoms. The data that the user entered is then processed using an algorithm of weighted product and certainty factor to generate early diagnosis type of malaria. In this method there are 22 criteria used and 4 types of malaria. Based on test cases the results accuracy level obtained the test results of an average accuracy of 84%. Accuracy values are derived from 5 test scenarios with different data variants indicating the application was works properly. Keywords: Malaria, Weighted Product, Certainty Factor
ekonomi lemah. Oleh karena itu malaria dipandang sebagai penyakit “rakyat”. Di Indonesia, sekitar 35 persen penduduknya tinggal di daerah berisiko terinfeksi malaria dan dilaporkan sebanyak 38 ribu orang meninggal per tahun karena malaria berat akibat Plasmodium falcimalariam. Wabah malaria hampir terjadi setiap tahun di berbagai wilayah endemik Indonesia (Kementerian Kesehatan, 2012). Kebutuhan informasi yang cepat dan tepat dari seorang pakar kesehatan atau dokter spesialis penyakit dalam sangat dibutuhkan untuk membantu masyarakat dalam mengenali dan memberikan pencegahan terhadap penyakit malaria.Hal ini yang mendorong pembangunan
1. PENDAHULUAN Malaria adalah penyakit infeksi parasit yang disebabkan oleh parasit plasmodium. Malaria menyebar melalui gigitan nyamuk yang sudah terinfeksi oleh parasit tersebut (http://www.alodokter.com/malaria/penyebab, 2015). Istilah malaria diambil dari dua kata bahasa italy yaitu mal (buruk) dan area (udara) atau udara buruk karena duhalu banyak terdapat rawa-rawa yang mengeluarkan bau busuk. Umumnya penderita ditemukan pada daerahdaerah terpencil dan mengancam status kesehatan masyarakat dengan golongan Fakultas Ilmu Komputer Universitas Brawijaya
2158
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
sebuah diagnosa penyakit malaria untuk diwujudkan, karena gejala penyakit malaria selama ini hanya didiagnosa masyarakat awam berdasarkan ciri-ciri yang diketahui tanpa oleh fakta dan pertimbangan medis lainnya. Sehingga masyarakat atau penderita sulit membedakan penyakit malaria dengan penyakit demam atau influenza biasa pada umumnya. Pada penelitian sebelumnya yang dilakukan oleh (Rika Rosnelli, 2011) yang berjudul “Pengembangan Sistem Informasi Diagnosis Penyakit Tropis Menggunakan Algoritma Naive Bayesian” dengan akurasi pencarian nilai probabilitas tertinggi. Pada penelitian ini digunakan metode Weighted Product - Certainty Factor. Metode weighted product memerlukan proses normalisasi karena metode ini mengalikan hasil penilaian setiap atribut. Hasil perkalian tersebut belum bermakna jika belum dibandingkan (dibagi) dengan nilai standart. Metode weighted product menggunakan perkalian untuk menghubungkan rating atribut, dimana rating setiap atribut harus dipangkatkan dulu dengan bobot yang bersangkutan. Proses ini sama halnya dengan proses normalisasi. Sedangkan Faktor kepastian (certainty factor) menyatakan kepercayaan dalam sebuah kejadian (atau fakta atau hipotesis) berdasarkan bukti atau penilaian pakar (Turban, 2005). Certainty factor menggunakan suatu nilai untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu data. Certainty factor memperkenalkan konsep keyakinan dan ketidakyakinan yang kemudian diformulasikan ke dalam rumusan dasar. Pada penelitian terkait dengan metode certainty factor ini pernah dilakukan oleh (Arienta Ramadhaniar, 2015) dengan judul “Implementasi Metode certainty factor pada Sistem Pakar Diagnosa Penyimpangan Tumbuh Kembang Anak.”. Metode certainty factor yang dilakukan pada penelitian tersebut digunakan pengolahan pengetahuan untuk mendapatkan kesimpulan berupa hasil diagnosa. Penelitian tersebut menghasilkan tingkat akurasi sebesar 93,3%. Berdasarkan latar belakang dan penelitian sebelumnya, penulis mengusulkan judul “Implementasi Metode Weight Product Crtainty Factor Untuk Diagnosa Penyakit Malaria”. Penelitian ini akan memberi fasilitas informasi tentang diagnosa penyakit malaria berdasarkan gejala-gjala yang ada dengan penelitian ini diharapkan mampuh mempermudah proses diagnosa penyakit malaria. Fakultas Ilmu Komputer, Universitas Brawijaya
2159
2. Landasan Kepustakaan
2.1 Metode Weigthted Product Weigthted Product adalah metode penyelesaian dengan menggunakan perkalian untuk menghubungkan rating atribut, dimana rating harus dipangkatkan terlebih dahulu dengan bobot atribut yang bersangkutan. Proses ini sama halnya dengan proses normalisasi. Formula untuk menghitung perbaikan bobot: 𝑊𝑗
Wj = ∑
Wj
[2.1]
Keterangan W : Nilai bobot wj : nilai bobot ke j Setelah dilakukan perbaikan bobot, kemudian menentukan nilai vektor S dengan cara menjumlahkan nilai dari perkalian nilai kriteria dengan nilai perbaikan bobot. Formula perbaikan bobot yaitu sebagai berikut: 𝑆𝑖 = ∏𝑛𝑗=1 𝑋𝑖𝑗 𝑤𝑗
[2.2]
Keterangan: S : menyatakan preferensi alternatif yang dianalogikan sebagai vektor S x : menyatakan nilai kriteria w : menyatakan bobot kriteria i : menyatakan alternatif j : menyatakan kriteria n : menyatakan banyaknya kriteria Menentukan nilai perferensi didapatkan dari nilai dari vektor dibagi dengan jumlah dari jumlah vector 𝑉𝑖 =
𝑆1 𝑆1+ 𝑆2
[2.3]
Keterangan : V : menyatakan preferensi alternatif yang dianalogikan sebagai vektor V x : menyatakan nilai kriteria w : menyatakan bobot kriteria i : menyatakan alternatif j : menyatakan kriteria n : menyatakan banyaknya kriteria Rumus diatas digunakan untuk mencari nilai akhir dari perhitungan bobot. 2.2 Metode Certainty Factor Certainty factor memperkenalkan konsep keyakinan dan ketidakyakinan dalam sebuah kejadian berdasarkan bukti atau penilaian pakar. Certainty factor menggunakan nilai untuk
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
mengasumsikan derajat keyakinan seorang pakar terhadap suatu data. Secara garis besar dalam mendapatkan tingkat keyakinan CF dari sebuah aturan yaitu metode ‘Net Belief’ yang diusulkan oleh E.H Shortlife dan B.G. Buchanan ditunjukkan pada persamaan 2.4. CF [H, E] = MB[H, E] − MD[H, E]
[2.4]
Keterangan: CF[H,E] : certainty factor hipotesa yang dipengaruhi oleh gejala (evidence) E. Besarnya CF berkisar antara 0 sampai 1. Nilai 0 menunjukkan ketidakpercayaan mutlak, sedangkan nilai 1 menunjukkan kepercayaan mutlak MB[H,E] :measure of belief terhadap hipotesa H, jika diberikan evidence E (antara 0 dan 1) MD[H,E] :Measure of Disbelief (Nilai Ketidakpercayaan) terhadapa hipotesa H yang jika diberikan evidence E Formula dasar digunakan apabila belum ada nilai CF untuk setiap gejala yang menyebabkan penyakit. Kombinasi certainty factor yang digunakan untuk mengdiagnosa penyakit adalah (Turban: 2005): a) Certainty Factor untuk kaidah dengan premis/gejala tunggal (single premis rules): CFgejala=CF[pengguna]*CF[pakar]
[2.5]
b) Apabila terdapat kaidah dengan kesimpulan yang serupa (similiary concluded rules) atau lebih dari satu gejala, maka CF selanjutnya dihitung dengan persamaan: CF Combine digunakan jika gejala lebih dari satu gejala CFcombine= CFold+ CFgejala *(1- CFold)
[2.6]
Keterangan: CFold = Merupakan nilai hasil dari penjumlahan dari CF gejala 1 dan CF gejala 2 CFgejala = Merupakan nilai bobot yang diberikan oleh pakar c) Sedangkan untuk menghitung persentase terhadap penyakit, digunakan persamaan: CFpersentase= CFcombane*100
[2.7]
Untuk mengetahui presentase terhadap penyakit maka hasil dari CF combine dikalikan 100. Untuk menentukan keterangan faktor keyakinan dari pakar, dilihat dari CFcombine Fakultas Ilmu Komputer, Universitas Brawijaya
2160
dengan berpedoman dari tabel interpretasi (term) certainty factor. Adapun tabel tersebut dapat dilihat pada Tabel 1. : Tabel 1. Tabel Interpretasi Certainy Factor No. 1. 2. 3. 4. 5. 6. 7. 8. 9.
Certainty Term Pasti Tidak Hampir Pasti Tidak Kemungkinan Besar Tidak Mungkin Tidak Tidak Tahu/Tidak Yakin Mungkin Kemungkinan Besar Hampir Pasti Pasti
CFakhir -1,0 -0,8 -0,6 -0,4 -0,2 - 0,2 0,4 0,6 0,8 1,0
Proses penghitungan prosentase keyakinan diawali dengan pemecahan sebuah kaidah (rule) yang memiliki gejala majemuk, menjadi kaidahkaidah (rules) yang memiliki gejala tunggal. Kemudian masing-masing rule baru dihitung CF nya dengan memggunakan persamaan 2.3: CFgejala=CF[pengguna]*CF[pakar]
Namun apabila terdapat lebih dari satu gejala, maka CF penyakit dihitung dengan menggunakan persamaan 2.5: CFcombine= CFold+ CFgejala *(1- CFold)
2.3 Pengujian Akurasi Pengujian Akurasi merupakan seberapa dekat suatu angka hasil pengukuran terhadap angka sebenarnya (true value atau reference value). Dalam penelitian ini pengujian akurasi dilakukan untuk mengetahui performa dari sistem dalam memberikan kesimpulan deteksi. Secara umum perhitungan akurasi seperti pada Persamaan 2.8 (Bramer, 2007). 𝑇𝑃
𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = (𝑃+𝑁) +
𝑇𝑁 (𝑃+𝑁)
[2.8]
Keterangan : TP : Jumlah true positif. TN : Jumlah true negatif. P : Jumlah record positif. N : Jumlah record negatif. 3. PERANCANGAN 3.1. Perancangan Sistem Perancangan dilakukan meliputi tiga tahap, yaitu proses analisa kebutuhan perangkat, perancangan sistem pakar dan perancangan perangkat lunak. Pada tahap analisa kebutuhan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
perangkat terdiri atas diagnosa aktor, analisa kebutuhan masukan, analisa kebutuhan proses, dan analisa kebutuhan keluaran. Perancangan pada sistem pakar sendiri terdiri dari perancangan akuisisi, pengetahuan, basis pengetahuan, representasi pengetahuan, basis pengetahuan, mesin inferensi, blackboard, fasilitas penjelas, dan interface user. Model Tree dari perancangan sistem pakar dapat dilihat lebih jelasnya pada Gambar 1.
Gambar 1. Pohon Perancangan
FO_ 06 FO_ 07
2161 Sistem mampu menyediakan antarmuka untuk memasukkan data gejala Sistem mampu melakukan perubahan data gejala
Pakar/A dmin Pakar/A dmin
FO_ 08
Sistem mampu mengedit data gejala
Pakar/A dmin
FO_ 09
Sistem mampu menghapus data gejala
Pakar/A dmin
FO_ 10
Sistem mampu menghapus data malaria
Pakar/A dmin
FO_ 11
Sistem mampu menambahkan data malaria
Pakar/A dmin
FO_ 12
Sistem mampu melakukan perubahan data malaria
Pakar/A dmin
FO_ 13
Sistem menyediakan antarmuka logout
Penggun a, Pakar/A dmin
Input data gejala Updat e data gejala Edit data gejala Delete data gejala Hapus data malari a Input data malari a Updat e data malari a Logou t
3.2 Kebutuhan Fungsionalitas
3.3 Akuisisi Pengetahuan
Tabel kebutuhan fungsional memiliki penjelasan kebutuhan yang harus disediakan oleh sistem, aktor yang berperan pada kebutuhan tersebut, serta nama proses yang menunjukkan fungsionalitasnya. Daftar kebutuhan fungsional terdapat pada table 2.
Akuisisi pengetahuan merupakan akumulasi, transfer, dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan kedalam komputer dan meletakkannya dalam basis pengetahuan dengan format tertentu. Bahan pengetahuan dapat diperoleh dengan beberapa cara, seperti dari buku internet, maupun pengetahuan yang berasal dari pakar. Pada penelitian ini proses akuisisi pengetahuan diperoleh dari buku , jurnal dan wawancara dengan pakar. Hasilnya diperoleh jenis penyakit malaria serta gejala-gejala yang pada penyakit malaria yang disebutkan pada Tabel 3 dan Tabel 4
Tabel 2. Daftar Kebutuhan Fungsional ID FO_ 01 FO_ 02 FO_ 03
FO_ 04
F0_0 5
Requirements
Aktor
Ketera ngan
Sistem mampu menampilkan informasi mengenai jenis-jenis penyakit malaria Sistem menyediakan antarmuka registrasi untuk pengguna baru
Penggun a Pakar/A dmin
Lihat inform asi
Penggun a
Regist rasi
Penggun a Pakar/A dmin
Login
Penggun a
Proses diagno sa
PM001
Hasil diagno sa
Kode GM001 GM002
Sistem mampu melakukan Login (pengguna dan pakar) Sistem mampu menerima data gejala yang diinputkan oleh pengguna untuk proses diagnosa Sistem mampu menampilkan hasil diagnosa penyakit malaria
Tabel 3. Jenis Penyakit Malaria Kode PM001 PM001 PM001
Penggun a
Fakultas Ilmu Komputer, Universitas Brawijaya
Nama Penyakit Malaria Pernisiosia (Plasmodium Ovale) Malaria Tertiana (Plasmodium Vivax) Malaria Tropica (Plasmodium Falciamalariam) Malaria Quartana (Plasmodium Malariae)
Tabel 4. Gejala Penyakit Malaria Gejala Demam tinggi (40 derajat) atau lebih Diare
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer GM003 GM004 GM005 GM006 GM007 GM008 GM009 GM010 GM011 GM012 GM013 GM014 GM015 GM016 GM017 GM018 GM019 GM020 GM021 GM022
Kepala sampai seluruh badan basah Kulit dingin Kulit kering Kulit menjadi merah Kulit panas dan kering (40 derajat) Lelah Lemah Menggigil Menggigil 15 menit – 1jam Muntah-muntah Nadi cepat Nafas cepat Nyeri kepala Nyeri otot Pucat Sakit kepala Suhu meningkat (1jam pertama) Suhu turun Syok (periode ini selama 2jam setelah periode dingin) Wajah memerah
3.4 Basis Pengetahuan Basis pengetahuan berisi tentang pengetahuan yang relevan yang diperlukan untuk memahami, merumuskan dan memecahkan persoalan Basis pengetahuan merupakan inti program dari sistem dimana basis pengetahuan merupakan representasi pengetahuan dari seorang pakar. Tabel 5. Tabel Aturan No
R1
R2
R3
Aturan (Rule) IF demam tinggi (40 derajat) atau lebih AND kepala sampai seluruh badan basah AND lemah AND menggigil AND muntah – muntah AND nadi cepat AND nyeri kepala AND nyeri otot AND sakit kepala AND suhu meningkat (1jam pertama) AND wajah memerah THEN Pernisiosia IF diare AND kulit menjadi merah AND lemah AND nyeri otot AND pucat AND sakit kepala AND wajah memerah THEN Tertiana IF kulit dingin AND kulit kering AND kulit panas dan kering (40 derajat) AND lemah AND menggigil
Fakultas Ilmu Komputer, Universitas Brawijaya
R4
2162 AND menggigil 15 menit – 1 jam AND muntah – muntah AND nadi cepat AND nafas cepat AND nyeri kepala AND nyeri otot AND syok (periode ini selama 2jam setelah periode dingin) THEN Tropica IF kulit dingin AND lelah AND lemah AND menggigil AND nadi cepat AND nyeri kepala AND suhu meningkat (1jam pertama) AND suhu turun THEN Quartana
4. IMPLEMENTASI Bab ini membahas mengenai implementasi perangkat lunak berdasarkan hasil yang telah diperoleh dari analisis kebutuhan dan proses perancangan perangkat lunak yang telah dibuat. Implementasi yang dibahas menggunakan bahasa pemrograman PHP dan menggunakan database PHPMyAdmin. Bahasa pemrograman PHP digunakan untuk membangun aplikasi. Database PHPMyAdmin digunakan untuk menyimpan data. 5. PENGUJIAN DAN ANALISIS Pada bab ini membahas mengenai proses pengujian sistem pakar diagnosa Penyakit Tanaman Jeruk yang telah dibangun. Proses pengujian yang dilakukan ialah pengujian akurasi. Pengujian akurasi digunakan untuk menguji tingkat akurasi antara perhitungan tes secara manual dengan perhitungan tes yang telah diimplementasikan menjadi sistem pakar. 5.1. Pengujian Akurasi Pengujian akurasi dilakukan untuk mengetahui performa dari pemodelan sistem pakar untuk memberikan hasil diagnosa sistem dengan hasil dari pakar.
Tabel 6. Skenario Pengujian. No.
Tahap Pengujian
Jumlah data uji
Jumlah Data latih
Hasil Akurasi
1
Pengujian 1
35
5
100 %
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
2 3 4 5
Pengujian 2 Pengujian 3 Pengujian 4 Pengujian 5
30
5
80 %
25
5
80 %
20
5
80 %
15
5
80 %
2163
sebesar 84 %. Ketidakakurasian sistem pakar ini sebesar 16% dapat disebabkan oleh beberapa kemungkinan, yaitu subyektifitas pakar dalam pemberian nilai kepercayaan gejala penyakit dikarenakan keyakinan tiap pakar berbeda dan masukan data gejala fakta yang komplikasi dengan penyakit yang belum terdapat pada sistem.
5.2 Hasil Pengujian Akurasi
DAFTAR PUSTAKA
Proses analisa dari pengujian akurasi sistem diagnosa penyakit malaria menggunakan metode weight product – Certainty factor dilakukan berdasarkan percocokan hasil diagnosa dari pakar dengan hasil diagnosa sistem pada berdasarkan 40 data yang dengan 5 kali pengujian dengan variasi data latih dan data yang berbeda adala 66,4 %. Nilai persentase tersebut diperoleh dari rata – rata hasil dari 5 kali pengujian yang telah dilakukan.
Arienta Ramadhaniar, 2015. Implementasi Metode Certainty Factor pada Sistem Pakar Diagnosa Penyimpangan Tumbuh Kembang Anak. Universitas Brawijaya.
6. KESIMPULAN 1. Sistem diagnosa penyakit malaria dibangun sebagai salah satu upaya bagi pengguna khususnya masyarakat untuk melakukan diagnosa terhadap penyakit malaria. Sistem ini dibangun dengan menggunakan metode Weighted Product - Certainty Factor. dengan cara menghitung nilai bobot setiap penyakit berdasarkan jurnal dan interpretasi pakar. Kemudian sistem akan memilih penyakit dengan nilai bobot terbesar, Sehingga menghasilkan persentase hasil akhir keluaran sistem 2. Berdasarkan hasil pengujian validasi fungsionalitas sistem yang menunjukkan bahwa fungsionalitas sistem sebesar 100%. Pada tahap pengujian akurasi dilakukan melalui 5 tahapan skenario. Pada skenario 1 dengan data uji sebanyak 35 data dan data latih 5 mendapat nilai akurasi sebesar 100%. Pada skenario 2 dengan data uji sebanyak 30 data dan data latih 5 mendapat nilai akurasi sebesar 80%. Pada skenario 3 dengan data uji sebanyak 25 data dan data latih 5 mendapat nilai akurasi sebesar 80%. Pada skenario 4 dengan data uji sebanyak 20 data dan data latih 5 mendapat nilai akurasi sebesar 80%. Pada skenario 5 dengan data uji sebanyak 15 data dan data latih 5 mendapat nilai akurasi sebesar 80%. Berdasarkan pengujian dengan 5 variasi data latih dan data uji penyakit malaria yang berbeda didapatkan nilai rata-rata akurasi Fakultas Ilmu Komputer, Universitas Brawijaya
Arya, I Putu Gede. 2012. “ implementasi Metode Naive Bayes Dalam Penentuan Penyakit Malaria berbasis Android”. Sekolah TInggi Manajemen Informatika dan Teknik Komputer Bali. Bramer, M. 2007. “Principles of Data Mining: Undergraduate Topics in Computer.” Science. Springer-Verlag: London Fitrah Rumaisah, 2010. Sistem Pakar Diagnosa Awal Kanker Serviks Dengan Metode Certainty Factor. Universitas Widyatama. http://www.alodokter.com/malaria/penyebab, 2015 Kementerian Kesehatan, 2012. “InfoDATIN: Pusat Data dan Informasi Kementerian Kesehatan RI". Jakarta Nur
Anjas Sari, 2013. Sistem Pakar Mendiagnosa Penyakit Demam Berdarah Menggunakan Metode Certainty Factor.STMIK Budidarma Medan.
Nur Arifah Syafitri, 2016. Penerapan metode Weighted Product dalam sistem pendukung keputusan pemilihan laptop berbasis web. Rika Rosnelli, 2011. Pengembangan Sistem Informasi Diagnosis Penyakit Tropis Menggunakan Algoritma Naive Bayesian. Universitas Gajah Mada. Yahya Kurniawan, ST, 2003. Aplikasi Web Database dengan PHP dan MySQL, Elex Media Komputendo.
