IMPLEMENTASI SISTEM PAKAR METODE DEMPSTER-SHAFER UNTUK MENDIAGNOSA PENYAKIT DEMAM TIFOID (Typhus Abdominalis) Resdi Hadi Prayoga Fakultas Teknik, Program Studi Teknik Informatika Universitas Yudharta Pasuruan Abstrak Expert systems (expert systems) is a system that uses human knowledge, where knowledge is put into a computer, and then used to solve problems that normally require human expertise or skill. In this case, the expert system is used to determine the type of disease stage of typhoid fever, in which there are several types of typhoid stage that can be experienced by anyone, because it is in this case, systems of experts is used to help people who want to know the type of typhoid stage in the suffering , which in this case there are four types of stages are discussed, namely incremasi stage, acme stage, stage deternasi and recofalesent stage. In the application of expert systems is aided by using Depmster-Shafer. Dempster-Shafer is a mathematical theory of evidence based on belief functions and plausible reasoning (belief functions and plausible thinking), which is used to combine separate pieces of information (evidence) to calculate the likelihood of an event. Keywords: Expert System, Typhoid Fever, Dempster-Shafer
Republik Indonesia (2011), demam tifoid menempati urutan ke-3 dari 10 pola penyakit terbanyak pasien rawat inap sakit di Indonesia [1]. Beberapa faktor penyebab demam tifoid masih terus menjadi masalah kesehatan penting di negara berkembang meliputi pula keterlambatan penegakan diagnosis pasti. Penegakan diagnosis demam tifoid saat ini dilakukan secara klinis dan melalui pemeriksaan laboratorium. Diagnosis demam tifoid secara klinis seringkali tidak tepat karena tidak ditemukannya gejala klinis spesifik atau didapatkan gejala yang sama pada beberapa penyakit lain pada anak, terutama pada minggu pertama sakit. Hal ini menunjukkan perlunya pemeriksaan penunjang laboratorium untuk konfirmasi penegakan diagnosis demam tifoid [2]. Dari data diatas nampak bahwa angka insiden penyakit demam tifoid cukup tinggi dan merupakan penyakit yang dapat menimbulkan komplikasi pada organ pencernaan.
1. PENDAHULUAN Penyakit demam tifoid merupakan penyakit infeksi sistemik, bersifat endermis yang disebabkan oleh Salmonella typhi (S.typhi). Di negara-negara yang sedang berkembang di dunia, termasuk Indonesia, penyakit demam tifoid masih menjadi problem kesehatan masyarakat. Menurut Thong, dkk dalam penelitian Muliawan, dkk (2000), yang dilakukan pada tahun 1994, menunjukkan bahwa pada kasus demam tifoid setiap tahun di dunia mencapai 21 juta dengan angka kematian lebih dari 700.000. Di Indonesia menurut data profil kesehatan Indonesia tahun 2004 yang dikeluarkan oleh Departemen Kesehatan Republik Indonesia (2005), demam tifoid menempati urutan ke-2 dari 10 pola penyakit terbanyak pasien rawat inap sakit di Indonesia dan urutan ke-8 dari 10 pola penyebab kematian umum di Indonesia. Berdasarkan data dari profil kesehatan Indonesia tahun 2010 yang dikeluarkan oleh Kementrian Kesehatan 19
Kardiovaskuler, pernapasan, tulang, ginjal dan hematolik serta gangguan neuropsikiatrik sampai dengan menyebabkan kematian bila tidak ditangani dengan seksama. Situasi tersebut dapat dihindari jika masyarakat memiliki sedikit pengetahuan tentang kesehatan. Pengetahuan dapat diperoleh dari buku-buku atau situs-situs internet yang membahas tentang kesehatan. Akan tetapi untuk mempelajari hal tersebut tidaklah mudah karena selain memerlukan waktu yang cukup lama untuk memahaminya, sumber-sumber tersebut juga belum tentu dapat mendiagnosis jenis penyakit seperti yang dilakukan seorang dokter. Oleh karena itu diperlukan suatu alat atau sistem yang lebih praktis dan memiliki kemampuan layaknya seorang dokter dalam mendiagnosis penyakit yang di sebabkan gejala demam. Sistem tersebut adalah sistem pakar yang berusaha mengadopsi pengetahuan manusia ke dalam komputer agar dapat menyelesaikan masalah seperti yang biasa dilakukan oleh pakar [3]. Dempster-Shafer merupakan salah satu generalisasi dari teori Bayesian selain Certainty Factor (CF) mengenai probabilitas subjektif. Ketika teori Bayesian memerlukan probabilitas untuk setiap pertanyaan yang ada. DempsterShafer memiliki dua ide dasar. Pertama, mendapatkan derajat keprcayaan dari suatu pertanyaan subjektif untuk pertanyaan dari probabilitas subjektif untuk pertanyaan terhubung. Kedua, meng kombinasikan beberapa derajat kepercayaaan di dasarkan pada ketidaktergantungan variable pada bukti. Kelebihan dari metode ini adalah kesulitan dalam menentukan nilai prior probability dapat
Sistem pakar MYCIN DENDRAL XCON & XSEL SOPHIE
di abaikan, aturan kombinasi dapat digunakan untuk menggabungkan bukti-bukti dan mudah untuk menentukan bukti-bukti dengan tingkat abstraksi yang berbeda-beda. Definisi Sistem Pakar Sistem pakar adalah program komputer yang menirukan penalaran seorang pakar dengan keahlian pada suatu wilayah pengetahuan tertentu. Sistem pakar merupakan program “Artificial Inteligence” (”Kecerdasan Buatan” atau AI) yang menggabungkan basis pengetahuan dengan mesin inferensi. Ini merupakan bagian perangkat lunak spesialisasi tingkat tinggi atau bahasa pemrograman tingkat tinggi (High Level Language), yang berusaha menduplikasi fungsi seorang pakar dalam satu bidang keahlian tertentu. Program ini bertindak sebagai konsultan yang cerdas atau penasihat dalam suatu lingkungan keahlian tertentu, sebagai hasil himpunan pengetahuan yang telah dikumpulkan dari beberapa orang pakar. Dengan demikian orang awam sekalipun bisa menggunakan sistem pakar itu untuk memecahkan berbagai persoalan yang ia hadapi dan bagi seorang ahli, sistem pakar dapat dijadikan alat untuk menunjang aktivitasnya yaitu sebagai sebagai asisten yang berpengalaman. Sistem pakar yang muncul pertama kali adalah General-purpose problem solver (GPS) yang dikembangkan oleh Newl dan Simon. Sampai saat ini sudah banyak sistem pakar yang dibuat, seperti MYCIN, DENDRAL, XCON & XSEL, SOPHIE, Prospector, FOLIO, DELTA, dan sebagainya [4].
Tabel 2.1 Macam-macam sistem pakar Kegunaan Diagnosa penyakit Mengidentifikasi struktur molekular campuran kimia yang tak dikenal Membantu mengkonfigurasi sistem komputer besar Analisis sirkit elektronik 20
Prospector FOLIO DELTA
Digunakan di dalam geologi untuk membantu mencari dan menemukan deposit Membantu memberikan keputusan bagi seorang manajer dalam hal stok broker dan investasi Pemeliharaan lokomotif listrik disel pengetahuan pakar ke dalam lingkungan sistem pakar. b. Lingkungan konsultasi (consultation environment), yaitu bagian yang digunakan oleh pengguna yang bukan pakar untuk memperoleh pengetahuan.
Struktur Sistem Pakar Sistem pakar memiliki dua bagian utama, yaitu : a. Lingkungan pengembangan (development environment), yaitu bagian yang digunakan untuk memasukkan
Gambar 2.2 Struktur Sistem Pakar Berikut penjelasan secara singkat komponen- Akuisisi pengetahuan adalah komunikasi, komponen yang membentuk sistem pakar: transfer dan transformasi keahlian dalam a. Antar muka Pengguna (User Interface) menyelesaikan masalah-masalah dari sumber Merupakan mekanisme yang digunakan oleh pengetahuan dalam program komputer. penggunaan sistem pakar yang berkomunikasi, d. Mesin Inferensi (Inference Engine) informasi yang diterima dari pemakai di Mesin Inferensi (Inference Engine), merupakan ubahnya ke dalam netuk yang dapat diterima otak dari Sistem Pakar, juga dikenal sebagai oleh sistem dan dimengrti oleh pemakai. penerjemah aturan (rule interpreter). b. Basis Pengetahuan (Knowkedge Base) Komponen ini mengandung mekanisme pola Mengandung penegtahuan untuk pemahaman. pikir dan penalaran yang digunakan oleh pakar Formulasi dan penyelesaian masalah, dalam menyelesaikan suatu masalah. Mesin komponen ini disusun atas dua elemen inferensi adalah program komputer yang dasar,pertama yaitu fakta berisikan informasi memberikan metodologi untuk penalaran tentang obyek permaslahan tertentu dan aturan tentang informasi yang ada dalam basis berisikan cara bagaimana memperoleh fakta pengetahuan dan dalam workplace, dan untuk baru dari fakta yang diketahui. memformulasikan kesimpulan. c. Akuisisi Pengatahuan (Knowledge Kerja mesin inferensi meliputi: Acquisition) Menentukan aturan mana akan dipakai 21
Menyajikan pertanyaan kepada pemakai, ketika diperlukan. Menambahkan jawaban ke dalam memori Sistem Pakar. Menyimpulkan fakta baru dari sebuah aturan. e. Workplace Merupakan area dari kesimpulan memori kerja (Working Memory). Workplace digunakan untuk merekam hasil-hasil dan kesimpulan yang dicapai. f. Fasilitas Penjelasan Fasilitas penjelas adalah komponen tambahan yang akan meningkatkan kemampuan sistem pakar. Komponen ini menjelaskan penalaran sistem kepada pemakai. g. Perbaikan Pengetahuan Pakar memiliki kemampuan untuk menganalisis dan meningkatkan kinerja serta kemampuan untuk belajar dari kinerjanya. Kemampuan tersebut adalah penting dalam pembelajaran terkomputerisasi, sehingga program akan mampu menganalisis penyebab kesuksesan dan kegagalan yang di alaminya.
Theory Of Evident . Dempster-Shafer Theory Of Evidence, menunjukkan suatu cara untuk memberikan bobot kenyakinan sesuai fakta yang dikumpulkan. Pada teori ini dapat membedakan ketidakpastian dan ketidaktahuan. Teori Dempster-Shafer adalah representasi, kombinasi dan propogasi ketidakpastian, dimana teori ini memiliki beberapa karakteristik yang secara instutitif sesuai dengan cara berfikir seorang pakar, namun dasar matematika yang kuat [4] [5]. Teori Dempster-Shafer memiliki dua ide dasar. Pertama, mendapatkan derajat kepercayaan dari satu pertanyaan dari probabilitas subjektif untuk pertanyaan yang terhubung. Kedua, mengkombinasikan berapa derajat kepercayaan didasarkan pada ketidaktergantungan variable pada bukti. Secara umum teori Dempster-Shafer ditulis dalam suatu interval: [Keyakinan (Belief), Masuk Akal (Plausibility)]. Belief (Bel) adalah ukuran kekuatan evidence dalam mendukung suatu himpunan proposisi. Jika bernilai 0 maka mengindikasikan bahwa tidak ada bukti (evidence), dan jika bernilai 1 menunjukkan adanya kepastian. Plausibility (Pls) akan mengurangi tingkat kepastian dari evidence. Plausibility bernilai 0 sampai 1. Jika yakin akan X’, maka dapat dikatakan bahwa Bel(X’) = 1, sehingga rumus di atas nilai dari Pls(X) = 0. Menurut Giarratano dan Riley fungsi Belief dapat diformulasikan dan ditunjukkan pada persamaan (1): Teori Dempster-Shafer menyatakan adanya frame of discrement yang dinotasikan dengan simbol (Θ). frame of discrement merupakan semesta pembicaraan dari sekumpulan hipotesis sehingga sering disebut dengan environment yang ditunjukkan pada persamaan (3) : Θ = { θ1, θ2, … θN} (2.3) Dimana : Θ = frame of discrement atau environment θ1,…,ΘN = element/ unsur bagian dalam
1.1 Teori Dempster-Shafer Metode Dempster-Shafer pertama kali diperkenalkan oleh Dempster, yang melakukan percobaan model ketidakpastian dengan range probabilities dari pada sebagai probabilitas tunggal. Kemudian pada tahun 1976 Shafer mempublikasikan teori Dempster itu pada sebuah buku yang berjudul Mathematical 𝑩𝒆𝒍 (𝑿) = ∑ 𝒎 (𝒀)
(𝟐. 𝟏)
𝒀⊆𝑿
Dan Plausibility dinotasikan pada persamaan (2): 𝑷𝒍𝒔 (𝑿) = 𝟏 − 𝑩𝒆𝒍 (𝑿) = 𝟏 − ∑ 𝒎 (𝑿)
(𝟐. 𝟐)
𝒀⊆𝒙
Dimana : Bel (X) = Belief (X) Pls (X) = Plausibility (X) m (X) = mass function dari (X) m (Y) = mass function dari (Y) 22
semua m dalam subset θ sama dengan 1. Apabila tidak ada informasi apapun untuk memilih hipotesis, maka nilai : m{θ} = 1.0 Apabila diketahui X adalah subset dari θ, dengan m1 sebagai fungsi densitasnya, dan Y juga merupakan subset dari θ dengan m2 sebagai fungsi densitasnya, maka dapat dibentuk fungsi kombinasi m1 dan m2 sebagai m3, yaitu ditunjukkan pada persamaan (5) :
environment Environment mengandung elemen-elemen yang menggambarkan kemungkinan sebagai jawaban, dan hanya ada satu yang akan sesuai dengan jawaban yang dibutuhkan. Kemungkinan ini dalam teori Dempster-Shafer disebut dengan power set dan dinotasikan dengan P (Θ), setiap elemen dalam power set ini memiliki nilai interval antara 0 sampai 1. m : P (Θ) [0,1] Sehingga dapat dirumuskan pada persamaan (4) :
𝒎𝟑 (𝒁) ∑ 𝑿 ∩ 𝒀 = 𝒁 𝒎𝟏 (𝑿). 𝒎𝟐 (𝒀) = 𝟏 − ∑ 𝑿 ∩ 𝒀 = 𝟎 𝒎𝟏 . 𝒎𝟐(𝒀)
∑ 𝒎 (𝑿) 𝑿∈𝑷(⊝)
=𝟏
(𝟐. 𝟒)
Dimana : m3(Z) dari
Dengan : P (Θ) = power set m (X) = mass function (X) Mass function (m) dalam teori Dempster-shafer adalah tingkat kepercayaan dari suatu evidence (gejala), sering disebut dengan evidence measure sehingga dinotasikan dengan (m). Tujuannya adalah mengaitkan ukuran kepercayaan elemen-elemen θ. Tidak semua evidence secara langsung mendukung tiap-tiap elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak hanya mendefinisikan elemen-elemen θ saja, namun juga semua subsetnya. Sehingga jika θ berisi n elemen, maka subset θ adalah 2n. Jumlah 1.2
(𝟐. 𝟓)
= mass function
evidence (Z) 𝑚1 (X) = mass function dari evidence (X), yang diperoleh dari nilai keyakinan suatu evidence dikalikan dengan nilai disbelief dari evidence tersebut. 1 m 𝑚2 (Y) = mass function dari evidence (Y), yang diperoleh dari nilai keyakinan suatu evidence dikalikan dengan nilai disbelief dari evidence tersebut. 2 m ∑𝑋⋂𝑌=𝑍 𝑚1 (𝑋). 𝑚2 (𝑌) = merupakan nilai kekuatan dari evidence Z yang diperoleh dari kombinasi nilai keyakinan sekumpulan evidence.
Demam Tifoid ( Typhus Abdominalis )
Gambar 2.4 Bakteri Salmonella Typhi
23
Demam tifoid disebut juga dengan Typus Abdominalis atau Typoid Fever. Demam tipoid ialah penyakit infeksi akut yang biasanya terdapat pada saluran pencernaan (usus halus) dengan gejala demam satu minggu atau lebih disertai gangguan pada saluran pencernaan dan dengan atau tanpa gangguan kesadaran. Demam tifoid disebabkan oleh bakteri Salmonella typhi atau Salmonella paratyphi dari Genus Salmonella. Bakteri ini berbentuk batang, gram negatip, tidak membentuk spora, motil, berkapsul dan mempunyai flagella (bergerak dengan rambut getar). Bakteri ini dapat hidup sampai beberapa minggu di alam bebas seperti di dalam air, es, sampah dan debu. S. typhi adalah strain bakteri yang menyebabkan terjadinya demam tipoid. Demam tipoid merupakan penyakit infeksi serius serta merupakan penyakit endemis yang serta menjadi masalah kesehatan global termasuk di Indonesia dan Negara-negara Asia Tenggara seperti Malaysia dan Thailand [6].
tentang jenis dan gejala penyakit Tifoid serta bagaimana pencegahan dan pengobatannya. 3.1.1 Analisis Kebutuhan Masukan Para pakar memberikan masukan berupa : a. Data gejala baru yang belum terdapat dalam sistem. Data gejala meliputi id gejala dan nama gejala. b. Data penyakit berupa nama penyakit, definisi penyakit, serta penyebab yang belum terdapat dalam sistem. c. Data aturan ditambahkan sesuai dengan gejala dan nama penyakit yang ditimbulkan. Pakar diminta memberikan nilai densitas dari masing-masing gejala. Data aturan meliputi id gejala, id penyakit dan densitas. Dari ketiga masukan pakar di atas digunakan sebagai basis pengetahuan dari sistem dalam mendiagnosa penyakit demam tifoid. 3.1.2 Analisis Kebutuhan Proses Proses inti dari sistem ini adalah proses penalaran. Sistem akan melakukan penalaran untuk menentukan jenis penyakit demam tifoid yang diderita berdasarkan gejala yang dimasukkan oleh user. Pada sistem telah disediakan aturan basis pengetahuan untuk penelusuran jenis penyakit.
2. PEMBAHASAN 3.1 Metode Pengumpulan Data a. Studi Pustaka Pada studi pustaka ini yang dilakukan adalah mengumpulkan atau mencari data literature tambahan dari buku, website dan jurnal yang terkait dengan pokok bahasan penelitian ini sebagai acuan mengenai sistem pakar informasi tentang penyakit Tifoid. b. Wawancara Pada tahapan wawancara ini, wawancara yang dilakukan oleh peneliti adalah dengan melakukan tanya jawab dengan pihak terkait atau pakar penyakit dalam secara langsung (dalam hal ini dokter spesialis penyakit dalam) untuk mendapatkan informasi yang dibutuhkan mengenai permasalahan dan hal-hal yang dibutuhkan dalam proses pembuatan dan pengembangan aplikasi. Dokter spesialis yang menjadi rujukan adalah dr. Made, sp.PD yang berpraktek di RS.Saiful Anwar dan Dokter Umum di Puskesmas Purwodadi. Dari hasil wawancara tersebut dapat diperoleh penjelasan
3.1.3 Analisis Kebutuhan Keluaran Data keluaran dari sistem ini adalah hasil diagnosa dari gejala yang dirasakan user yang berupa kemungkinan penyakit demam tifoid, keterangan tentang jenis penyakit demam tifoid yang diderita dan nilai kepercayaan berdasarkan metode Dempster-Shafer. Hasil diagnosa tersebut berdasarkan gejala yang user berikan pada saat melakukan diagnosa. 3.2 Perancangan Aplikasi 3.2.1 Perancangan DFD Data flow diagram merupakan diagram aliran data yang menggambarkan bagaimana data diproses oleh sistem. Selain itu Data flow
24
diagram (DFD) menggambarkan notasi-notasi aliran data di dalam sistem. -Data gejala -Data penyakit Pakar -Data aturan
Data pakar
-Data pakar -Data gejala -Data penyakit -Data aturan
Admin
Sistem pakar diagnosa penyakit demam tifoid
-Data Login -Data Pakar
-Hasil diagnosis tifoid Data Gejala -Informasi penyakit
User
Gambar 3.1 Diagram Konteks menggunakan operator logika DAN. Adapun bentuk pernyataannya adalah : JIKA [gejala 1] DAN [gejala 2] DAN [gejala 3] MAKA [ stadium penyakit] Dari bentuk kaidah produksi diatas, dapat diterapkan seperti contoh kaidah di bawah ini: Kaidah 1 : JIKA Demam pada sore dan malam hari DAN Sakit kepala DAN Batuk MAKA Tifoid stadium Incremasi Pengkonversian kaidah produksi menjadi tabel penyakit demam tifoid dapat dilihat pada Tabel 3.1. Baris menunjukkan gejala dan kolom menunjukkan penyakit demam tifoid.
3.2.2 Perancangan Basis Pengetahuan Basis pengetahuan mengandung pengetahuan untuk pemahaman dalam penyelesaian masalah yang digunakan dalam sistem kecerdasan buatan. Basis pengetahuan digunakan untuk penarikan kesimpulan yang merupakan hasil dari proses pelacakan. Dalam perancangan ini kaidah produksi dituliskan dalam bentuk pernyataan JIKA [premis] MAKA [konklusi]. Pada perancangan basis pengetahuan sistem pakar ini premis adalah gejala dan konklusi adalah jenis penyakit demam tifoid, sehingga bentuk pernyataannya adalah JIKA [gejala] MAKA [jenis penyakit demam tifoid]. Pada sistem pakar ini dalam satu kaidah dapat memiliki lebih dari satu gejala. Dan gejalagejala tersebut dihubungkan dengan
Tabel 3.1 Tabel gejala demam tifoid No Keterangan 1 2 3 4
Demam pada sore dan malam hari Sakit kepala Epistaksis (mimisan) Batuk 25
Kode Gejala GP1 GP2 GP3 GP4
5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
Diare/mencret Bintik-bintik merah kecil yg akan hilang saat ditekan Suhu badan berkisar antara 40-41°C Lidah kotor ditutupi selaput putih Denyut nadi lamban Perut kembung Badan lesu dan lemas Gelisah Bibir kering dan pecah-pecah Perut nyeri saat ditekan Konstipasi Dehidrasi Hilang kesadaran Panas suhu berangsur-angsur turun Nafsu makan mulai membaik Badan merasa enak.
GP5 GP6 GP7 GP8 GP9 GP10 GP11 GP12 GP13 GP14 GP15 GP16 GP17 GP18 GP19 GP20
Tabel 3.2 Tabel Hubungan Gejala dan Stadium Tifoid Kode Gejala GP1 GP2 GP3 GP4 GP5 GP6 GP7 GP8 GP9 GP10 GP11 GP12 GP13 GP14 GP15 GP16 GP17 GP18 GP19 GP20
Stadium Incremasi (SP1)
Stadium Acme (SP2)
Stadium Deternasi (SP3)
Stadium Recofalesent (SP4)
26
Tanda ceklist (√) pada stadium dalam tabel 4.3 menunjukkan stadium panas atau febris pada Thypus Abdominalis. Tabel 3.3: Penentuan aturan gejala-gejala demam tifoid No Aturan 1 IF Demam pada sore dan malam hari AND Sakit kepala AND Epistaksis (mimisan) AND Batuk AND Diare/mencret AND Bintik-bintik merah kecil yg akan hilang saat ditekan THEN Tifoid Stadium Incremasi (SP1) 2 IF Suhu badan berkisar antara 40-41°C AND Lidah kotor ditutupi selaput putih AND Denyut nadi lamban AND Perut kembung AND Badan lesu dan lemas AND Gelisah THEN Tifoid Stadium Acme (SP2) 3 IF Bibir kering dan pecah-pecah AND Perut nyeri saat ditekan AND Konstipasi AND Dehidrasi AND Hilang kesadaran THEN Tifoid Stadium Deternasi (SP3) 4 IF Badan merasa enak. AND Nafsu makan mulai membaik AND Panas suhu berangsur-angsur turun THEN Tifoid Stadium Recofalesent (SP4) perhitungan sampai tujuan akhir berupa diagnosis kemungkinan penyakit tifoid yang diderita dan nilai kepercayaannya. Untuk proses penarikan kesimpulan dapat dilihat pada Gambar 3.3 yang merupakan gambaranpencarian solusi sistem pakar dengan menggunakan flowchart atau diagram alir.
3.2.3 Perancangan Mesin Inferensi Dalam perancangan sistem pakar ini menggunakan metode penalaran pelacakan maju (Forward Chaining) yaitu dimulai dari sekumpulan fakta-fakta tentang suatu gejala yang diberikan oleh user sebagai masukan sistem, kemudian dilakukan pelacakan yaitu
27
Gambar 3.3 Flowchart Mesin Inferensi Keterangan : X, Y, Z = Himpunan Penyakit I = Jumlah Gejala M = Nilai dentitas / Kepercayaan subyektif dirasakan oleh pasien bahwa dia mengalami Demam Tifoid. Dokter spesialis yang bertindak sebagai pakar bertanggung jawab untuk memasukkan aturan atau rule diagnosa penyakit mata. Gejala-gejala yang di diagnosis hanya berdasarkan pemeriksaan fisik dan tidak ada pemeriksaan penunjang seperti pemeriksaan laboratorium. Jenis penanganan atau pengobatan yang di anjurkan hanya sebagai pertolongan pertama dan simptomatis (menghilangkan gejala).
3. IMPLEMENTASI 3.1 Analisis Data 3.1.1 Gambaran Umum Sistem Sistem yang dibangun adalah aplikasi yang berguna untuk mendiagnosa penyakit Demam Tifoid (Typhus Abdominalis) menggunakan pendekatan sistem pakar dengan metode dempster-shafer sebagai inti algoritma diagnosanya. Sistem yang dibangun adalah sistem yang digunakan untuk melakukan diagnosis penyakit secara umum dan secara
Form diagnosis digunakan untuk melakukan diagnosis dengan cara memilih ceck list gejala yg di rasakan oleh user.
Gambar 4.3 Tampilan Form Diagnosis Form hasil analisa menampilkan hasil diagnosis setiap gejala yg telah dipilih oleh user.
28
Gambar 4.4 Tampilan Form Hasil Analisa dengan aturan, sedangkan 2 kasus tidak ditemukan pada aturan. 2. Untuk mengukur nilai ketepatan penyakit Tifoid Stadium Acme. Dari 80 kasus penyakit ditemukan 21 kasus penyakit Tifoid Stadium Acme. Dari hasil aturan yang didapatkan dari pakar, ternyata dari 21 kasus penyakit Tifoid Stadium Acme terdapat 18 kasus yang sesuai dengan aturan, sedangkan 3 kasus tidak ditemukan pada aturan. 3. Untuk mengukur nilai ketepatan penyakit Tifoid Stadium Deternasi. Dari 80 kasus penyakit tifoid 12 kasus penyakit Tifoid stadium Deternasi. Dari hasil aturan yang didapatkan dari pakar, ternyata dari 12 kasus penyakit Tifoid Stadium Deternasi terdapat 9 kasus yang sesuai dengan aturan, sedangkan 3 kasus tidak ditemukan pada aturan. 4. Untuk mengukur nilai ketepatan penyakit Tifoid Stadium Recofalesent. Dari 80 kasus penyakit tifoid ditemukan 20 kasus penyakit Tifoid Stadium Recofalesent. Dari hasil aturan yang didapatkan dari
4.1 Pengujian 4.1.1 Pengujian Mandiri Pengujian mandiri untuk sistem pakar diagnosa penyakit Tifoid ini di ukur berdasarkan uji penerapan sistem dalam kasus nyata. Dalam hal ini dilakukan uji coba terhadap 80 kasus. Proses uji coba dilakukan dengan cara pakar mendiagnosa terlebih dahulu kemudian kasus diujikan dengan sistem. Dari 65 kasus yang diujikan didapat diagnosa sebanyak 27 kasus penyakit Tifoid Stadium Incremasi, 21 kasus penyakit Tifoid Stadium Acme, 12 kasus penyakit Tifoid Stadium Deternasi, 20 kasus penyakit Tifoid Stadium Recofalesent. Nilai ketepatan dari konsultasi penyakit tifoid ini adalah sebagai berikut : 1. Untuk mengukur nilai ketepatan penyakit Tifoid Stadium Incremasi. Dari 80 kasus penyakit tifoid ditemukan 27 kasus penyakit Tifoid Stadium Incremasi. Dari hasil aturan yang didapatkan dari pakar, ternyata daari 27 kasus Tifoid Stadium Incremasi terdapat 25 kasus yang sesuai
29
pakar, ternyata dari 20 kasus penyakit sedangkan 2 kasus tidak ditemukan pada Tifoid Stadium Recofalesent terdapat 18 aturan. kasus yang sesuai dengan aturan, Tabel 4.1 Pengujian Sistem Pakar Diagnosa Penyakit Tifoid Kasus 1 2 3 4
Diagnosa Pakar
Jumlah Rele Kasus van 27 25 21 18 12 9 20 18 80 70
Tifoid Stadium Incremasi Tifoid Stadium Acme Tifoid Stadium Deternasi Tifoid Stadium Recofalesent Jumlah
Dari kasus diatas, penulis menggunakan Precision dan Recall untuk mengetahui nilai ketepatan. Precision dapat diartikan sebagai kepersisan atau kecocokan (antara permintaan informasi dengan jawaban terhadap permintaan itu). Jika seseorang mencari informasi di sebuah sistem, dan sistem menawarkan beberapa dokumen, maka kepersisan ini sebenarnya juga adalah relevansi. Artinya, seberapa persis atau cocok dokumen tersebut untuk keperluan pencari informasi, bergantung pada seberapa relevan dokumen tersebut bagi si pencari. Recall adalah proporsi jumlah dokumen yang dapat ditemukan-kembali oleh sebuah proses pencarian di sistem.
Irelevan 2 3 3 2 10
Precision = [ 25/ (25+2) ] = 25/27 = 0,92 (92) Recall = [ 25 / (25+2) ] = 25/27 = 0,92 (92) F1 = [ (2x92x92) / (92+92) ] = 16928 / 184 = 92 Tifoid Stadium Acme Diketahui : a = 18 b = (21-18=3) c=3 Precision = [ 18 / (18+3) ] = 18/21 = 0,85 (85) Recall = [ 18 / (18+3) ] = 18/21 = 0,85 (85) F1 = [ (2x85x85) / (85+85) ] = 14450 / 170 = 85
Adapun rumusnya adalah sebagai berikut : Precision = [a/ (a+c)] Recall = [a/ (a+b)] F1 = [(2 x P x R) / (P x R)]
Tifoid Stadium Deternasi Diketahui : a = 9 b = (12-9=3) c=3
Keterangan : a = ditemukan (sesuai) b = total data (keseluruhan data – jumlah data ditemukan) c = tidak ditemukan (tidak sesuai)
Precision = [ 9 / (9+3) ] = 9/12 = 0,75 (75) Recall = [9 / (9+3) ] = 9/12 =0,75 (75) F1 = [ (2x75x75) / (75+75) ] = 11250 / 150 = 75
Tifoid Stadium Incremasi Diketahui : a = 25 b = (27-25=2) c=2
30
4.1.2 Pengujian Black Box Tabel 4.2 Hasil Pengujian Program No
Pengujian
1 2 3
Buka program Klik menu home Klik menu Diagnosa Input data User
4 5 6 7
8 9
10
11 12 13
Hasil yang diharapkan
Masuk ke menu utama Menampilkan menu utama Menampilkan halaman klik untuk memulai Diagnosa Menampilkan halaman input data user Memilih gejala Terdapat tanda cek list yang dirasakan pilihan geajala Menekan button Menampilkan hasil diagnosis diagnose Klik menu Menampilkan halaman Informasi tentang penjelasan daftar Penyakit penyakit Klik menu pakar Menampilkan halaman login dan tambah pakar Inputkan Mempilkan halaman password dan button data gejala, data klik button login penyakit dan data aturan Klik button data Menampilkan halaman data gejala gejala Klik button data Menampilkan halaman data penyakit penyakit Klik button data Menampilkan halaman data aturan aturan Klik menu admin Menampilkan halaman login admin Input username Menampilkan halaman data dan password, admin klik button login
Tifoid Stadium Recofalesent Diketahui : a = 18 b = (20-18=2) c=2
Hasil tes Sesuai Sesuai Sesuai
Keterangan
Sesuai Sesuai Sesuai Sesuai
Sesuai Sesuai
Sesuai Sesuai Sesuai
Sesuai dengan data Sesuai dengan data Sesuai dengan data Sesuai dengan data Sesuai dengan data Sesuai dengan data Sesuai dengan data
Sesuai Sesuai
Sesuai dengan data
5. KESIMPULAN 1. Dengan adanya aplikasi sistem pakar dengan metode Dempster-Shefer maka orang awam dapat mengetahui gejala penyakit demam tifoid tanpa bertemu langsung dengan dokter atau ahlinya. 2. Nilai kepercayaan yang dihasilkan dari sistem ini sama dengan hasil perhitungan secara manual dengan menggunakan teori Dempster-Shafer. Sehingga keakuratan hasilnya sudah sesuai dengan perhitungan.yang diharapkan. 3. Aplikasi sistem pakar ini dapat menjadi sarana untuk menyimpan pengetahuan
Precision = [ 18 / (18+2) ] = 18/20 = 0,9 (90) Recall = [ 18 / (18+2) ] = 18/20 = 0,9 (90) F1 = [ (2x90x90) / (90+90) ] = 16200 / 180 = 90
31
tentang penyakit demam tifoid dari para pakar atau ahlinya.
5. Pratiningsih, Siti "Penerapan Fuzzy Logic Untuk Diagnosis Dan Tata Laksana Penyakit Demam Berdarah Dengue Dan Demam Tifoid" p. 88, Desember 2010. 6. Darmawati, S "Keanekaragaman Salmonella typhi" Jurnal Kesehatan, vol. II, p. 28, Juni 2009.
DAFTAR PUSTAKA 1. WHO "The diagnosis, treatment and prevention of typhoid fever" World Health Organization, vol. V, May 2003. 2. Nainggolan, R "Karakteristik Penderita Demam Tifoid," Fakultas Kesehatan Masyarakat Universitas Sumatera Utara, 2011. 3. Sulistyohati, Taufiq Hidayat Aprilia "Aplikasi Sistem Pakar Diagnosa Penyakit Ginjal Dengan Metode Dempster-Shafer" Seminar Nasional Aplikasi Teknologi Informasi 2008, Juni 2008. 4. Kusumadewi, Sri “Artificial Intelligence (Teknik dan Aplikasinya)”. Yogyakarta: Graha Ilmu, 2003.
32
